Base de Conhecimento AIEdAIEd KB
Nesta página

Esta página foi traduzida para o português. As páginas de artigo continuam escritas em inglês. Ler esta página em inglês

Conceitos

Teorias de aprendizagem

Criado 2026-08-16 · Atualizado 2026-09-30

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

Teorias de aprendizagem — a família de frameworks que explicam como a aprendizagem acontece, e o conceito guarda-chuva das ideias relacionadas a teoria da base de conhecimento. Na IA na educação, as teorias de aprendizagem moldam tanto como os sistemas de IA são desenhados (a pedagogia que eles incorporam) quanto como o campo interpreta se a IA "funciona": a mesma ferramenta pode ser um andaimento sob pressupostos construtivistas, um motor de reforço sob o behaviorismo, ou um risco de carga cognitiva sob a Teoria da Carga Cognitiva.

Perguntas para refletir

  • Pense em um tutor de IA ou sistema adaptativo que você usou ou viu. Que pressupostos ele fez sobre como as pessoas aprendem — ele recompensava respostas corretas (behaviorismo), construía compreensão (construtivismo) ou gerenciava o esforço mental (carga cognitiva)? Seus criadores algum dia declararam esses pressupostos?
  • A página descreve uma lacuna recorrente: o discurso professa construtivismo, enquanto as implementações de IA recorrem por padrão às mecânicas de exercício e feedback. Onde você viu uma ferramenta alegar apoiar a aprendizagem profunda, mas de fato apenas reforçar respostas de superfície?
  • A mesma ferramenta de IA pode parecer um sucesso sob uma teoria e um fracasso sob outra — notas de lição de casa infladas leem-se como aprendizagem sob o behaviorismo, mas como uma falha em construir compreensão durável sob o construtivismo. Qual lente é mais justa para julgar se os estudantes de fato aprenderam?
  • Como todo tutor de IA incorpora uma teoria, quer seus designers o declarem ou não, "ele funciona?" pode ser a pergunta errada. Qual é a pergunta melhor a fazer sobre uma IA educacional, dadas as teorias que ela poderia incorporar?
  • A IA generativa está levando os educadores a considerar novas teorias — como a aprendizagem como coconstrução iterativa entre humanos e IA, ou a IA como parceira cognitiva ao longo da vida. A ascensão da IA exige genuinamente novas teorias de aprendizagem, ou as existentes ainda bastam?
  • A mensuração dos ganhos de aprendizagem é ela mesma "carregada de teoria": um instrumento construído sobre uma teoria pode não capturar os ganhos que outra prevê. Como dois pesquisadores com compromissos teóricos diferentes poderiam olhar os mesmos dados e chegar a conclusões opostas sobre se uma ferramenta de IA funcionou?

Introdução

Este é o conceito guarda-chuva da vertente de teoria da aprendizagem da base de conhecimento. As teorias de aprendizagem estão no coração da IA na educação porque todo tutor de IA, sistema adaptativo e ferramenta de feedback incorpora pressupostos sobre como as pessoas aprendem — quer os designers os declarem ou não. A base de conhecimento documenta essas teorias individualmente e as trata como a lente conceitual através da qual o desenho e os efeitos da IA são avaliados. O campo de pesquisa que testa esses frameworks é uma página separada: as ciências da aprendizagem estudam a aprendizagem empiricamente — experimentos, ensaios em sala de aula e pesquisa baseada em design — e tratam uma teoria como algo a ser confirmado ou falseado, enquanto esta página reúne os próprios frameworks; as duas expressões são mantidas distintas nesta base de conhecimento, sendo o singular "ciência da aprendizagem" o que nomeia esta vertente teórica.

A paisagem da teoria da aprendizagem

A base de conhecimento documenta várias famílias de teoria da aprendizagem, cada uma com seus conceitos:

Teorias de aprendizagem e ganhos de aprendizagem

As teorias de aprendizagem são, em última instância, avaliadas por seus resultados, e o conceito de ganhos de aprendizagem da base de conhecimento é onde a teoria encontra a evidência. Cada teoria faz uma previsão diferente sobre o que conta como aprendizagem e como mensurá-la: o behaviorismo prevê ganhos de desempenho observáveis em tarefas de exercício e feedback; o construtivismo prevê compreensão mais profunda que se transfere a problemas novos; a teoria sociocultural prevê ganhos em participação e em resolução mediada de problemas; e a teoria da carga cognitiva prevê ganhos apenas quando a instrução respeita os limites da memória de trabalho. É por isso que a mensuração dos ganhos de aprendizagem é carregada de teoria — um instrumento construído sobre uma teoria pode não capturar os ganhos que outra prevê. Na era da IA, a divergência acentuada entre o desempenho assistido por IA e os ganhos de aprendizagem sem assistência (veja Faster Completion, Less Learning: Generative AI Reduced Study Time on Math Problems and the Knowledge They Build, The Generative AI Learning Penalty: Evidence from Chinese Secondary Education) pode ser lida por essa lente: uma leitura behaviorista vê as notas de lição de casa infladas como sucesso, enquanto uma leitura construtivista, focada na compreensão durável, vê a mesma evidência como uma falha em aprender. Conectar teorias à avaliação e aos resultados mensurados é, portanto, essencial para decidir qual lente teórica um dado sistema de IA de fato satisfaz.

Por que as teorias de aprendizagem importam para a IA na educação

As teorias de aprendizagem importam por três razões:

Novas direções teóricas do trabalho recente em AIED

O trabalho teórico recente estende a vertente clássica em várias direções, cada uma recentrando a relação humano–IA em vez de tratar a IA como uma ferramenta neutra:

  • Corregulação humano–IA. Um framework desenvolvimental posiciona a IA não como um instrumento externo, mas como uma parceira cognitiva que corregula o pensamento, a aprendizagem e o autocontrole ao longo da vida.(Artificial intelligence as a cognitive partner: a developmental framework for human-AI co-regulation in learning) Baseando-se em função executiva, metacognição, cognição distribuída e desenvolvimento sociocultural, ele lança a IA em quatro papéis — andaimento, apoio metacognitivo, sistema de memória externa / de descarregamento cognitivo e parceira de decisão —, com o framework mais relevante a partir da infância intermediária.
  • Ensemble Cognition. Um framework filosófico reconceitua o pensamento como emergente de interações dinâmicas entre agentes humanos e artificiais, em vez de residir apenas em mentes individuais.(Towards a philosophy of ensemble cognition: Reconceptualising agency and mind in AI-mediated educational environments) Ele desafia o "paradigma da consciência" (os pressupostos de autonomia, consciência e estabilidade) e articula cinco características — agência distribuída, centralidade dinâmica, orquestração cognitiva, integração multirrepresentacional e comutação sensível ao contexto —, ao mesmo tempo que distingue a agência funcional da IA da responsabilidade moral.
  • Crescimento Autodirigido / A2PL. Uma extensão da aprendizagem autodirigida integra a IA generativa à analítica de aprendizagem para cultivar o Crescimento Autodirigido, operacionalizado por meio do modelo Aspire to Potentials for Learners (A2PL).(Fostering Self-Directed Growth with Generative AI: Toward a New Learning Analytics Framework) Ele reconfigura as aspirações de quem aprende (humanísticas), o pensamento complexo (construtivista) e a autoavaliação (pragmática) em uma única competência, posicionando a IAG como um andaimento colaborativo não prescritivo, e não como um fornecedor de conteúdo.
  • Supergeneralização enganosa. An, McLaren e Stamper (2026) estendem a tradição ACT-R / Conhecimento-Aprendizagem-Instrução ao teorizar quando a correção observada mascara compreensão condicional incompleta: quem aprende compila uma produção supergeneralizada que omite uma restrição de aplicação, mas ainda assim tem um desempenho correto — um modo de falha que sistemas adaptativos de domínio, e até mesmo a instrução tradicional, podem deixar passar, a menos que testem quando se abster de uma ação.
  • Teoria KLI executável. Rachatasumrit, Koedinger e Carvalho (2025) fundamentam o framework Conhecimento-Aprendizagem-Instrução em um modelo computacional executável (o framework Apprentice Learner, com um mecanismo de memória estilo ACT-R) que reproduz uma interação de crossover nos dados humanos: a prática pura auxilia a memória de fatos literais (ao atrasar o esquecimento), enquanto a prática integrada a exemplos auxilia a indução de habilidades generalizáveis. Como a KLI vincula o conhecimento constante (fato) a processos de memória e o conhecimento variável (habilidade) à indução, o resultado é uma interação conteúdo–tratamento prevista, e não uma contradição entre as recomendações de testagem e de exemplo resolvido —, e o sucesso do modelo apenas quando um mecanismo de memória está presente demonstra que prática e exemplos desempenham papéis distintos e complementares.
  • A corporificação como desafio ontológico ao paradigma da IA. Videla, Penny e Ross (2026) argumentam que uma divisão ontológica separa a cognição corporificada e enactiva do idioma representacional que a IA incorpora, de modo que a IA deveria ser descentrada como centro epistêmico, em vez de tratada como uma ferramenta neutra.

Como a base de conhecimento organiza essa vertente

Em vez de tratar as teorias de aprendizagem como filosofia abstrata, a base de conhecimento fundamenta cada uma na pesquisa em IA na educação que a usa. As páginas construtivista e behaviorismo documentam como os desenhos de IA incorporam (ou traem) cada teoria; a Teoria da Carga Cognitiva, a aprendizagem autorregulada, a metacognição e a transferência de aprendizagem conectam a teoria a mecanismos e resultados específicos da IA. Isso espelha como a base de conhecimento trata outros domínios guarda-chuva como o feedback e a avaliação — um sistema coerente de conceitos que interagem, e não páginas isoladas.

Teorias de aprendizagem e "educação sobre IA"

As teorias de aprendizagem também aparecem como conteúdo nos currículos de letramento em IA: quem aprende estuda behaviorismo, cognitivismo, construtivismo e conectivismo para compreender os pressupostos pedagógicos por trás das ferramentas que usa.(Generativism: Toward a Learning Theory for the Age of Generative Artificial Intelligence) Ensinar essa vertente dá aos estudantes (e aos educadores) o vocabulário para criticar por que um produto de IA é construído da forma como é — e se suas mecânicas servem ao objetivo de aprendizagem em questão.

  • O agente mediacional. Warschauer, Tate e Ritchie (2026) argumentam que a IA generativa rompe a distinção sociocultural entre meios mediacionais e interação social, propondo o agente mediacional — um sistema que tanto medeia a ação quanto gera contribuições contingentes e não responsabilizáveis, ocupando um espaço híbrido entre uma ferramenta e uma parceira social. Isso produz cinco hábitos de participação humano-primeiro (primazia da cognição humana, engajamento proposital, agência supervisória, vigilância epistêmica, autorregulação reflexiva).(Generative AI as a Mediational Agent: Rethinking Learning in Sociocultural Theory)

Teorias propostas para a era da IA

Ao lado das famílias clássicas, a base de conhecimento documenta teorias escritas especificamente para a aprendizagem com sistemas de IA, e são elas que carregam as implicações de desenho que as teorias mais antigas deixam abertas. O Agentivismo (Yan e Gašević 2026) é um exemplo de alcance médio: ele define a aprendizagem como crescimento durável na capacidade humana, e não como conclusão bem-sucedida de tarefas, nomeia quatro mecanismos (agência delegada, monitoramento epistêmico e verificação, internalização reconstrutiva, e transferência sob apoio reduzido), e enuncia seis proposições testáveis, entre as quais a de que o apoio de IA que preserva a responsabilidade de quem aprende pelo enquadramento do problema, pelo estabelecimento de critérios e pela justificativa produz aprendizagem mais forte que o apoio que entrega respostas.

A Simbiose Pedagógica de Elsayed (2026) faz uma afirmação ontológica mais forte: quem aprende é uma entidade Pós-Humana cuja cognição é híbrida, e não assistida por ferramentas, organizada por quatro princípios: descarregamento cognitivo e ampliação, coconstrução epistêmica, simbiose metacognitiva, e formação dinâmica de identidade; operacionalizada como uma rubrica de Portfólio Simbiótico e um papel docente de "Coreógrafo Cognitivo"; ela é explicitamente não testada.

Conceitos conectados

Artigos conectados

Perguntas frequentes relacionadas

Metadados

NívelHigher Ed
Aprendizagem e ensinoBehaviorismo, Teorias de aprendizagem, Metacognição, Aprendizagem autorregulada
Tecnologias e técnicasIA generativa
Fundamentos da IA na educaçãoDesenho de aprendizagem
SourceHistoryEditChat

Incorporar esta página

Copie o código abaixo para incorporar esta página num sistema de gestão da aprendizagem ou noutro site. A versão incorporada mostra apenas o conteúdo da página — o cabeçalho, a navegação e o rodapé do site ficam escondidos.