Quem aprende

Esta é uma tradução automática da página em inglês; ainda não foi revisada por uma pessoa falante nativa.

Síntese: Quem aprende é o público primário da IA em educação — os estudantes no K-12, no ensino superior e na aprendizagem de adultos, cujo trabalho, compreensão e senso de si a IA agora modela. Esta página é o guarda-chuva da cobertura voltada a quem aprende desta base de conhecimento: o que quem aprende vivencia (experiência dos estudantes), quem ele está se tornando (identidade de quem aprende), o que ele ainda escolhe (agência), como ele de fato interage com a ferramenta (interação estudante–IA), se seu esforço e sua autorregulação se mantêm sob ela (descarregamento cognitivo), e como os sistemas de IA o modelam (modelagem do estudante). O achado recorrente ao longo dessa pesquisa é que a mesma ferramenta ajuda e prejudica quem aprende de formas diferentes — os ganhos se concentram onde conhecimento prévio, letramento em IA e hábitos de verificação já estão presentes, e a reversão se concentra onde a IA substitui o pensamento que a tarefa deveria construir.

Questões para considerar

• Quais pessoas que aprendem no seu próprio contexto uma nova ferramenta de IA alcançaria primeiro, e quais ela deixaria para trás — e o que faz você pensar assim?
• A pesquisa frequentemente relata que os estudantes acreditam que a IA os ajudou, enquanto medidas sem assistência não mostram ganho algum, ou mostram perda. Se o relato de quem aprende é evidência não confiável, o que você aceitaria como evidência de que a aprendizagem aconteceu?
• Quem aprende é descrito aqui tanto como pessoas que usam IA quanto como objetos que modelos de IA modelam (modelos de quem aprende, rastreamento de conhecimento, estudantes simulados). Onde um modelo de quem aprende deveria informar o ensino, e onde ele deveria deixar de ser confiável?
• Autorregulação e conhecimento prévio decidem se o apoio da IA se torna aprendizagem ou substituição. Isso é um déficit de quem aprende a remediar, um problema de desenho a resolver ou um problema de avaliação a consertar?
• Se um grupo de quem aprende vai mal com uma ferramenta de IA, os desenhistas da ferramenta costumam ser os últimos a saber. Como seria, na sua instituição, uma rotina real de ouvir quem aprende antes e depois da implantação?
• Agência de quem aprende e identidade estão em jogo junto com o desempenho. Qual desses você se recusaria a trocar por ganhos mensuráveis de nota — e o desenho da sua avaliação tornaria essa recusa visível?

Introdução

Quem aprende aparece nesta base de conhecimento sob dois disfarces muito diferentes, e confundi-los causa a maior parte da confusão no campo. No primeiro, quem aprende são pessoas que usam IA: elas fazem perguntas, aceitam ou resistem a respostas, perdem ou mantêm o equilíbrio, e relatam experiências de apoio, culpa, ansiedade e dependência. No segundo, quem aprende são objetos que sistemas de IA modelam: uma estimativa de competência no rastreamento de conhecimento, um estado latente no diagnóstico cognitivo, ou um estudante simulado no lugar de um real. A evidência sobre o primeiro vem de levantamentos, entrevistas, análise de registros e experimentos; a evidência sobre o segundo vem da própria maquinaria da medição — e um modelo de quem aprende é uma afirmação, não uma pessoa que aprende.

Esta página é o ponto de entrada para ambos. Ela reúne os conceitos do lado de quem aprende que a base de conhecimento cobre, explica como se relacionam e liga os estudos por trás deles. Partes interessadas cobre o outro lado do mesmo campo — professores, administradores, desenhistas e formuladores de política —, e as duas páginas são feitas para ser lidas juntas.

Quem conta como quem aprende

A base de conhecimento trata quem aprende ao longo de todo o espectro da educação formal: alunos do K-12, estudantes universitários, quem aprende vocacional e profissional, e quem aprende adulto e ao longo da vida, incluindo pessoas com deficiência que aprendem, quem aprende neurodivergente e quem aprende multilíngue. Duas convenções importam. Primeiro, "quem aprende" e "estudantes" não são intercambiáveis de forma útil: estudantes nomeia um papel institucional, quem aprende nomeia uma atividade, e uma pessoa pode ser um sem ser o outro (um funcionário em treinamento no local de trabalho é quem aprende, mas não é estudante). Segundo, quem aprende não é um grupo homogêneo, e a heterogeneidade é exatamente o que a pesquisa continua trazendo à tona — conhecimento prévio, autorregulação, língua, acesso e status de deficiência mudam todos se uma ferramenta de IA ajuda.

O que quem aprende vivencia

A experiência dos estudantes é uma das dimensões mais pesquisadas da IA em educação, e sua lição central é que os efeitos são mistos, e não uniformes. O trabalho de levantamento sobre produtividade de estudo conclui que quem aprende relata ganhos genuínos de eficiência — 92,3% disseram que a IA melhorou sua compreensão — ao lado de uma lacuna que os números de destaque escondem: apenas 38,5% disseram que ela reduziu seu tempo total de estudo, e metade relatou às vezes depender da IA em vez de tentar aprender de forma independente. As análises de padrões de dependência vão além: estudantes com diferentes níveis de letramento em IA e competência de avaliação terminam em relações qualitativamente diferentes com a ferramenta, de modo que a mesma política de disciplina produz desfechos diferentes para pessoas diferentes — apoio para alguns, substituição para outros. Os estudantes descrevem o puxão pelo menor esforço nas próprias palavras, o que as páginas Integridade acadêmica e Misconcepções tratam como problema de desenho e política, e não como problema moral.

O afeto corre junto com a história cognitiva: Ansiedade e estresse e Bem-estar documentam ansiedade sobre ser superado, sobre ser acusado de falta grave, e sobre o valor do diploma que se busca. Os modelos mentais que quem aprende tem da IA — o que ela pensa que a IA é e para que pensa que ela serve — estão a montante de se ele a usa bem, e é por isso que Misconcepções e Enquadrar o uso de IA para estudantes aparecem ao longo de toda a pesquisa do lado de quem aprende.

Os relatos de quem aprende também complicam a história de integridade que enquadra tanta política do lado de quem aprende. As entrevistas com 27 graduandos de uma universidade etíope concluem haver uso quase universal de IA generativa ao lado de uma leitura ética genuinamente dividida — a maioria creditando às ferramentas a elevação de seu desempenho, uma minoria chamando o uso em trabalhos acadêmicos de falta grave, e quase todos relatando um campo de jogo desigual em que quem usa IA pontua acima de quem trabalha de forma independente e diligente, um deles descrevendo o efeito como algo que matou seu senso de diligência. O lado do estudante do procedimento por falta grave é mais fino na literatura que o lado do estudante do uso, mas a análise de arquivos de caso de 1.162 alegações de uso indevido de IA generativa mostra o que quem aprende enfrenta quando a resposta institucional chega: a evidência mais citada é a de classificação mais fraca, nenhum limiar mínimo de evidência governa se um caso avança, e estudantes cujos casos repousam sobre evidência frágil são empurrados para recursos.

Identidade, agência e autoria

A pesquisa do lado de quem aprende não trata apenas de resultados. A identidade de quem aprende pergunta quem quem aprende está se tornando em relação a uma disciplina e à IA, e a evidência corre nas duas direções: uso bem desenhado pode dar andaimes ao pertencimento disciplinar, enquanto a terceirização pode corroer o senso de que o trabalho é seu. A agência pergunta o que quem aprende ainda controla. A base de conhecimento trata ambos como genuinamente em jogo, e não como complementos moles do desempenho: quem aprende que produz saída correta com uma IA e já não reconhece o raciocínio por trás dela perdeu algo que a nota não registra. A questão da autoria é onde quem aprende mesmo luta mais: estudantes entrevistados sobre IA generativa e integridade reivindicaram originalidade porque nenhum outro autor existia — "Se não é minha ideia original, então de quem é?" —, enquanto outros concluíram que o trabalho não os representava, e um raciocinou rumo a reconhecer a ferramenta como coautora que ela não poderia ser, dado que a IA não é uma pessoa.

Interagindo com a IA: o que quem aprende de fato faz

A página interação estudante–IA reúne o que quem aprende pede à IA, como seus prompts e diálogos evoluem, e por que a qualidade da interação prevê resultados de aprendizagem melhor que o acesso. Uma revisão rápida de escopo de 46 categorizações extraídas de 33 estudos conclui que essa base de evidência é conceitualmente fragmentada — os estudos diferem em fonte de dados, esquema de categorias e unidade de análise, portanto "interação de qualidade" ainda não é um constructo comparável entre eles, e o chamado da revisão é por uma taxonomia convergente de uso de LLM orientado à aprendizagem, e não uma afirmação de que uma exista. Os estudos de conteúdo de chat concluem que os estudantes se disciplinam de formas características, com engajamento variando de sondar e testar afirmações a aceitar a primeira resposta plausível. Busca de ajuda fornece o enquadre mais antigo: pedir ajuda é uma competência, e pedir ao ajudante errado da forma errada é um modo de falha conhecido que a IA não remove.

Esforço, autorregulação e a lacuna desempenho–aprendizagem

É aqui que a evidência do lado de quem aprende é mais consequente, porque ela separa o que quem aprende pode fazer com IA do que ele pode fazer sem ela.

O descarregamento cognitivo reúne a evidência de dependência excessiva; a lacuna desempenho–aprendizagem da IA generativa declara o ponto metodológico central de que desempenho assistido e capacidade sem assistência precisam ser medidos separadamente; os estudos de escrita sensíveis a camadas separam descarregamento de superfície, estrutural, de ideias e de raciocínio, e encontram o desempenho apoiado mais alto na condição menos limitada ao lado do desempenho independente mais baixo oito semanas depois; e o relato de rendição cognitiva de Shaw e Nave nomeia a disposição que torna a delegação habitual em vez de estratégica. A discordância metacognitiva documenta o caso intermediário desconfortável — quem aprende que nota que não entende e envia assim mesmo —, e a pesquisa em verificação mostra que "verificar" é ela própria uma competência graduada, e não um hábito binário. Do lado do desenho, as dificuldades desejáveis e Reduzir o uso indevido de IA reúnem as intervenções que restauram o esforço que a tarefa deveria exigir.

Quem aprende como modelos

Os conceitos do lado de quem aprende com a linhagem técnica mais longa são os que representam quem aprende para o sistema. A modelagem do estudante cobre a família: o rastreamento de conhecimento estimando aquisição de competência ao longo do tempo, o diagnóstico cognitivo localizando concepções errôneas específicas, e os sistemas adaptativos e personalizados que consomem essas estimativas. Simulando estudantes e sua revisão tratam a simulação como forma de testar tutores e gerar dados quando pessoas reais não estão disponíveis — um substituto explicitamente provisório, não um substituto de fato. Duas cautelas correm por essa literatura: estimativas de modelo são inferências a partir de comportamento que são sensíveis a como itens e interfaces são construídos, e os estudos de sinais demográficos mostram que sistemas de avaliação podem captar proxies da identidade de quem aprende (língua, origem) que nunca se pretendeu que fizessem parte do constructo. As medidas de autorrelato cobrem o problema-espelho do lado da pesquisa: o que quem aprende diz sobre sua própria aprendizagem frequentemente diverge do que ele consegue fazer.

Equidade entre quem aprende

Como os benefícios seguem a vantagem prévia, o trabalho do lado de quem aprende é inseparável da equidade na educação com IA. A divisão digital e o acesso a planos pagos de modelos modelam quem recebe as ferramentas mais fortes; preocupações de justiça governam como modelos aprendidos tratam grupos diferentes; aprendizagem inclusiva, acessibilidade, educação especial e neurodiversidade cobrem quem aprende cujas necessidades o desenho padrão ignora. A lição prática dessa pesquisa é que "a IA ajuda os estudantes" não é um achado — o achado é sempre quais estudantes, sob que condições, com que conhecimento prévio e acesso. Dois grupos carregam uma parcela distintiva desse risco. Wright (2026) argumenta que proibições escritas em torno da "IA generativa" em vez de em torno da função capturam ferramentas de transcrição que convertem o formato de um trabalho que quem aprende já produziu, de modo que os falsos positivos resultantes recaem com mais força sobre pessoas com deficiência que dependem de voz-para-texto e OCR, inclusive onde OCR movido a IA substituiu software assistivo descontinuado; uma revisão de escopo da supervisão remota de provas faz o ponto paralelo sobre condições de avaliação, concluindo que conectividade, custo de dados e falha de dispositivo decidem quem pode ser avaliado de alguma forma — um achado de equidade, e não técnico, e concentrado em contextos de baixa e média renda.

Onde esta página se situa

Leia com Partes interessadas pelas pessoas em torno de quem aprende, e com Pedagogia e Desenho de aprendizagem pelo que os professores fazem com esses achados. A avaliação determina quais capacidades de quem aprende são de alguma forma tornadas visíveis; Limitações na pesquisa em AIEd explica por que tanta evidência do lado de quem aprende é de curto prazo, autorrelatada e conduzida em amostras de conveniência; e Misconcepções é o ponto de entrada usual para quem aprende mesmo.

Conceitos conectados

• Efeitos diferenciais entre grupos de estudantes
• Experiência dos estudantes — Como quem aprende percebe, interage com e é afetado pela IA
• Identidade de quem aprende — Quem quem aprende está se tornando em relação a uma disciplina e à IA
• Autonomia de quem aprende — O que quem aprende ainda controla e escolhe
• Interação Estudante-IA — O que quem aprende de fato pede à IA e como os diálogos evoluem
• Descarregamento cognitivo — Dependência excessiva e a substituição da IA pelo pensamento
• Aprendizagem autorregulada — Planejar, monitorar e ajustar a própria aprendizagem
• Busca de ajuda — Pedir ajuda bem, e os modos de falha quando quem aprende não pede
• Metacognição — Saber o que se entende e o que não se entende
• Motivação — Por que quem aprende persiste ou para
• Autoeficácia — A confiança de quem aprende na própria capacidade
• Engajamento do estudante — Engajamento comportamental, emocional e cognitivo
• Conhecimento prévio — O conhecimento de base que decide se o apoio se torna aprendizagem
• Modelagem de quem aprende e instrução adaptativa — Representar quem aprende dentro do sistema
• Rastreamento de conhecimento — Estimar aquisição de competência ao longo do tempo
• Simulando Estudantes — Pessoas simuladas por LLM como substitutos provisórios
• Letramento em IA — A capacidade que decide se quem aprende usa bem a IA
• Equidade na educação com IA — Quem se beneficia e quem fica de fora
• Bem-Estar — Ansiedade, estresse e o custo afetivo do estudo mediado por IA
• Concepções errôneas sobre IA — Os modelos mentais que quem aprende traz para a IA
• Partes interessadas — O outro lado do mesmo campo: professores, líderes, desenhistas
• Avaliação — Quais capacidades de quem aprende são de alguma forma tornadas visíveis

Artigos conectados

• The Uneven Impact of Generative AI on Student Learning: Examining the Roles of Reliance, Evaluation Literacy, and Course Policy in AI-related Courses — Padrões de dependência e letramento de avaliação dividem os desfechos dos estudantes
• Students' Perceptions of Artificial Intelligence Tools for Study Productivity and Learning: An Exploratory Survey Study — Quem aprende relata ganhos de eficiência ao lado de preocupações de dependência
• Toward Convergence in Student-LLM Interactions: A Rapid Scoping Review and Taxonomy for Learning-Oriented Use — Uma taxonomia da interação estudante–LLM orientada à aprendizagem
• Chat as Learning: Student-AI Conversations as Discipline-Associated Cognitive Engagement Patterns — Padrões específicos de disciplina no chat estudante–IA
• Layer-Sensitive Cognitive Offloading in Generative AI-Assisted Writing: Supported Performance and Independent No-AI Outcomes — Ganhos de desempenho assistido sem capacidade independente
• Distinguishing performance gains from learning when using generative AI — Por que desempenho assistido e aprendizagem sem assistência devem ser medidos separadamente
• Thinking—Fast, Slow, and Artificial: How AI Is Reshaping Human Reasoning and the Rise of Cognitive Surrender — A rendição cognitiva como disposição, não como acidente
• Metacognitively Discordant Completion and the Aware Pass-Through of Non-Understanding in Generative AI Learning — Quem aprende que nota que não entende e envia assim mesmo
• Beyond checking: verification quality, reliance calibration, and learning in generative AI-assisted higher education — Qualidade de verificação e calibração de confiança
• Simulating Students with Large Language Models: A Review of Architecture, Mechanisms, and Role Modelling in Education with Generative AI — Estudantes simulados: arquitetura, mecanismos e limites
• StanBKT: Rethinking Parameter Estimation in Bayesian Knowledge Tracing — Estimação de parâmetros no rastreamento de conhecimento bayesiano
• The Role of Implicit and Explicit Demographic Signals in Large Language Model-based Student Assessment — Sinais demográficos implícitos e explícitos na avaliação baseada em LLM
• The impact of artificial intelligence literacy on learning engagement among university students: the mediating role of psychological capital and the moderating role of professional identity — Letramento em IA, engajamento e capital psicológico
• "It is a temptation to get it to do the work…" Student Experiences of Navigating the Generative AI Landscape in UK Higher Education: A Cross-Institutional Survey with International Comparison — Estudantes descrevem o puxão pelo menor esforço
• Tools facilitate cheating, or partner supports learning? GenAI and academic integrity issues from students' perspectives — Estudantes sobre se a IA generativa é ferramenta de cola ou parceira de aprendizagem
• How strong is the evidence in generative AI-related academic misconduct allegations? A mixed-methods analysis — O que os arquivos de alegação de falta grave realmente contêm como evidência
• Transcription is not generation: Distinguishing non-generative AI tool use from academic misconduct in higher education assessment — Regras de IA excessivamente abrangentes e os estudantes que elas pegam
• Educational integrity in GenAI-augmented assessment: making judgment visible — Integridade como julgamento avaliativo, e não como conformidade
• Under surveillance: Mapping remote proctoring practices in the assessment of nursing students — a scoping review — Os custos emocionais e de equidade da supervisão remota de provas para os estudantes