Metacognição

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

Metacognição — pensar sobre o próprio pensamento — é ao mesmo tempo um alvo da pesquisa em IA na educação (as ferramentas de IA conseguem desenvolver as habilidades metacognitivas dos estudantes?) e um fator de risco (a IA completando tarefas pode suprimir a prática metacognitiva).(The Evidence Base on AI in K-12: A 2026 Review)(Designing a mobile chatbot-based learning journaling system for intrinsic motivation and engagement)

Perguntas para refletir

• "Metacognição" é pensar sobre o seu próprio pensamento — saber o que você sabe, monitorar a si mesmo e ajustar suas estratégias. Quando você estuda ou resolve um problema, o quanto você está ciente, no momento, se realmente entende ou se apenas reconhece o material?
• Um achado marcante: estudantes que usaram assistência de IA para redações frequentemente não conseguiam recordar citações de suas próprias redações, porque não haviam se engajado com o conteúdo durante a produção. Quando uma ferramenta produz a saída, que prática quem aprende está perdendo — e essa prática é importante?
• A página enquadra a metacognição como um alvo (a IA consegue construí-la?) e um risco (a IA consegue suprimi-la?). A mesma ferramenta de IA poderia fortalecer ou enfraquecer a metacognição de quem aprende, dependendo de como é desenhada ou usada? O que determina para qual lado isso vai?
• Prompts estruturados que pedem aos estudantes que se autoexpliquem, avaliem estratégias ou identifiquem lacunas preservam a demanda metacognitiva, enquanto a IA que simplesmente completa tarefas a desloca. Se você estivesse desenhando uma ferramenta de estudo com IA, o que você construiria para que ela convidasse à reflexão em vez de substituí-la?
• A página constata que se o uso de IA é metacognitivamente rico depende da motivação e da postura de quem aprende tanto quanto da tecnologia. Você já usou uma ferramenta de forma superficial e depois percebeu que não aprendeu nada — e o que era diferente nas vezes em que a usou profundamente?

Introdução

Metacognição na educação refere-se à consciência, ao monitoramento e à regulação que quem aprende tem dos próprios processos cognitivos:

• Conhecimento metacognitivo: compreender o que se sabe, quais estratégias estão disponíveis e quando aplicá-las
• Regulação metacognitiva: planejar, monitorar e avaliar a própria aprendizagem em tempo real

Dentro dos frameworks de aprendizagem autorregulada, a metacognição é o mecanismo central que permite a quem aprende adaptar estratégias, reconhecer confusão e buscar ajuda de forma apropriada.(Designing a mobile chatbot-based learning journaling system for intrinsic motivation and engagement)

Como quem aprende de fato mobiliza a metacognição em torno da IA é moldado por mais do que a própria ferramenta: Cui et al. constatam que a motivação do estudante e o papel de interação que ele adota moldam seu engajamento metacognitivo com IA generativa —, o que significa que se o uso de IA é metacognitivamente rico depende da postura de quem aprende tanto quanto da tecnologia. Miles, Haber-Curran e Arar (2026) acrescentam a própria interação com IA como objeto dessa reflexão: a etapa de fechamento de seu Ciclo de Letramento em Prompts pede a quem aprende que examine o que o processo revelou sobre como os prompts funcionam e quais pressupostos moldaram a resposta, e eles fazem da reflexão e da revisão a fase na qual a autoria e o juízo crítico se desenvolvem.

Um papel mais fundamental para a metacognição aparece quando o locus da coordenação passa do professor para quem aprende. Dang, Hong, Doyle e Nguyen (2026) argumentam, em seu framework de Competência de Colaboração Humano-IA (HACC), que o trabalho integrador que o TPACK atribui à pedagogia passa, quando o ator é quem aprende, à metacognição do próprio estudante — a competência que permite aos estudantes dirigir a colaboração, calibrar sua dependência da IA e permanecer autores de sua aprendizagem. Eles tratam a competência metacognitiva como o mecanismo pelo qual a autonomia de quem aprende é exercida, excluindo deliberadamente a autonomia como componente separado e a lendo, em vez disso, como a qualidade emergente da coordenação entre competências de domínio, de IA e metacognitiva. Sua Análise de Redes Epistêmicas de entrevistas com 24 educadores do ensino superior constatou que a fala metacognitiva subia com o nível de papel — os educadores seniores a conectavam a domínio, IA e aprendizagem com IA —, o que os autores leem como educadores com responsabilidade curricular mais ampla vendo as dificuldades persistentes dos estudantes como regulatórias, e não técnicas.

Como as ferramentas de IA afetam a metacognição

O risco de supressão (Stanford SCALE, 2026)

Quando a IA completa tarefas de raciocínio para os estudantes — resolver problemas de matemática, escrever redações, gerar código —, o estudante perde a prática de monitorar a própria compreensão e selecionar estratégias.(The Evidence Base on AI in K-12: A 2026 Review)

A dependência não é falha: Du e Yuan (2026) julgam a aprendizagem mediada por IA por seis critérios diagnósticos — contestabilidade, recuperabilidade, transferência, rastreabilidade, responsabilidade distribuída e pluralidade epistêmica — e distinguem a assistência instrumental, que ajuda a produzir a saída, da assistência portadora de juízo, que fornece os padrões pelos quais a saída é julgada. Nomeando a questão da governança. Lin e Chang (2026) propõem a propriedade metacognitiva — a governança, por parte de quem aprende, dos padrões, dos juízos avaliativos e das ações que uma IA contribui —, separando a apropriação de padrões, a governança do juízo de monitoramento e a autorização de controle, e exigindo uma oportunidade realista de agir de forma diferente.

Achados-chave:

• Kosmyna et al. (2025): estudantes que usaram assistência de IA para redações foram 83% incapazes de recordar citações de suas próprias redações, contra 11% dos não usuários de IA — indicando que não se engajaram com o conteúdo durante a produção.
• Stadler et al. (2024): a IA de propósito geral reduziu a carga cognitiva, mas produziu raciocínio de menor qualidade que a busca tradicional, sugerindo que o engajamento metacognitivo foi deslocado.
• Lehmann et al. (2025): a IA geral para programação prejudicou a compreensão de estudantes com conhecimento prévio baixo — os estudantes que mais precisavam de andaimento metacognitivo receberam respostas em vez disso.
• Preguiça metacognitiva. O campo nomeia um modo de falha distinto no qual quem aprende abdica de suas responsabilidades metacognitivas em favor da ferramenta — adotando o termo preguiça metacognitiva para a ilusão de competência resultante, e alertando que seus riscos cognitivos recaem mais fortemente sobre novatos e autorreguladores mais fracos (Lodge & Loble (2026)).

A fluência é o motivo pelo qual a perda passa despercebida. Quem aprende julga sua aprendizagem em parte pela facilidade com que o material é processado, e Bjork et al. (2013) mostram que as pistas de fluência levam as pessoas a superestimar sua compreensão quando o conteúdo parece fácil; o texto fluido gerado por IA fornece essa sensação independentemente de a compreensão ter se seguido, criando as condições para uma ilusão de competência fabricada. O Gerativismo trata isso como a razão pela qual a metacognição adaptativa não pode ser pressuposta: quem aprende tem de perguntar se a facilidade de leitura reflete compreensão, em vez de ler a facilidade como a resposta.

A consciência não garante que a conclusão pare. Jia (2026) nomeia a conclusão metacognitivamente discordante: quem aprende investiu esforço real, tem um veredicto formado em primeira pessoa de que a compreensão não chegou, e entrega o trabalho mesmo assim — o caso que tanto a conta da ilusão de fluência quanto a do esforço retirado pressupõem inexistente.

Quem aprende também está mal calibrado sobre os custos da IA: os participantes previram com precisão os tempos independentes, mas subestimaram o tempo assistido por IA, e relataram menor esforço (0,61 pontos na NASA-TLX) enquanto a IA acelerou apenas três de 24 tarefas — um viés ausente quando o ajudante imaginado era outra pessoa (Yu et al. (2026)).

O custo aparece como limitado, e não global: o descarregamento degrada a habilidade específica praticada, e não as capacidades gerais de domínio subjacentes, e emerge na retirada: um estudo de endoscopia constatou que a detecção de adenomas caía de 28,4% para 22,4% quando a IA estava indisponível, deixando o monitoramento de fonte (distinguir o raciocínio de uma IA do próprio) como um risco metacognitivo em aberto (Cash et al. (2026)).

A oportunidade de ampliação (Scheu et al., 2026)

Quando a IA é desenhada para apoiar a reflexão em vez de substituí-la, a metacognição pode ser fortalecida:

• Diários de aprendizagem são uma prática metacognitiva clássica: ao refletir sobre os processos de aprendizagem, os estudantes aumentam a consciência de sua cognição
• Prompts estruturados que pedem aos estudantes que se autoexpliquem, avaliem estratégias ou identifiquem lacunas de conhecimento preservam a demanda metacognitiva. O CoMeT (Hou et al. 2026) dá a essa frase uma definição e uma garantia empírica: ele trata a demanda metacognitiva como uma quantidade distinta da carga cognitiva — o que quem aprende deve decidir, declarar ou julgar antes que a ajuda chegue, e não simplesmente o que resta quando a ajuda é retida — e a manteve estatisticamente equivalente à de um tutor que retinha respostas por desenho (p_TOST = .004), ao mesmo tempo que seu próprio apoio escalava e desvanecia um degrau por vez. O desvanecimento se manteve quando a vez de quem aprende mirava a decisão sob apoio: vezes mira­das em outro lugar obtiveram uma concessão posterior 40,3% das vezes, contra 28,8% das vezes mira­das, uma diferença de 11,5 pontos, de modo que o que um tutor precisa ler é onde a atenção de quem aprende está, e não quanto esforço a vez exibe.
• Atribua um nível de uso de IA por tarefa. O HAIML associa suas três camadas aos Quatro Níveis de Uso de IA — de nenhum uso de IA, passando pelo brainstorming, até a colaboração com IA e a criação integrada à IA com avaliação da saída —, de modo que um instrutor define o nível para uma tarefa e mantém a reflexão metacognitiva central em todos os níveis (Reardon, 2026).
• O curso baseado em exemplos de Scheu et al. com chatbot aumentou a competência percebida (uma autoavaliação metacognitiva) mesmo quando o assistente de LLM, isoladamente, não o fez
• Um enquadramento emergente coloca o sistema, e não apenas o indivíduo, no circuito. Uma revisão bibliométrica-sistemática de 135 estudos em salas de aula de STEM (24 estudos centrais) constata que está emergindo um enquadramento pós-humanista que posiciona a IA como correguladora da aprendizagem, deslocando a unidade de análise da reflexão individual para a regulação e a cognição distribuída no nível do sistema (Tsakeni et al. (2025)).
• Trazendo à superfície padrões de interação que quem aprende não consegue ver. Kuang, Li e Weng (2026) rastrearam movimentos oculares, tomada de notas e fala enquanto 22 estagiários de interpretação trabalhavam com um sistema de reconhecimento de fala e tradução automática, e constataram que a forma como os estudantes dividiam a atenção entre a saída da IA e suas próprias notas era invisível para eles: 58,3% mudaram de perfil entre os estágios da tarefa, e os que mais liam a saída da IA pontuaram mais baixo em fluência de entrega e qualidade da língua-alvo. A consequência pedagógica é que a reflexão precisa de andaimento por evidência externa, porque a estratégia de quem aprende não é introspectável — os autores defendem guiar os estudantes a descrever e avaliar por que trabalharam de determinada forma em cada estágio.
• A evidência de processo é condicional ao canal. Em 79 estudantes de graduação trabalhando com IA generativa, o monitoramento e o planejamento de maior profundidade apareceram mais vezes nas unidades de pensar em voz alta, enquanto a regulação de maior profundidade apareceu mais vezes nos registros de interação, de modo que um único registro subestima alguns processos (Li e Liu (2026)).
• Práticas reflexivas podem emergir do uso ordinário da matéria. Ao longo de oito escolas de ensino médio dinamarquesas, estudantes que trabalhavam com IA generativa como parceira cognitiva desenvolveram quatro práticas — explicação, criação, inspiração e melhoria, desdobradas em onze processos —, nas quais a reflexão aparecia tanto no registro disciplinar quanto no de processo, embora cada prática pudesse igualmente servir à substituição (Dalsgaard & Prilop, 2026).
• Um andaimento reflexivo pode se habituar e substituir o automonitoramento que ele protege. de Jong (2026) alerta que prompts repetidos para refletir podem se desgastar por habituação — tal como advertências repetidas são dispensadas automaticamente —, de modo que um profissional que reflete apenas quando o sistema pede pode acabar sem a ferramenta e sem o hábito de automonitoramento; o artigo argumenta que os prompts reflexivos deveriam ser tratados como uma intervenção de construção de habilidade com desvanecimento e testados para verificar se os usuários refletem sem eles.
• Um ganho seletivo: conhecimento metacognitivo sem planejamento e monitoramento. Wang et al. (2026) dividiram 68 professores em formação em um grupo que explicou a sala de aula invertida a um aprendiz iniciante de IA generativa (n=33) e um grupo que questionou um professor de IA generativa (n=35). O grupo do aprendiz iniciante pontuou mais alto em conhecimento metacognitivo e estratégias de aprendizagem (p < 0,001, d de Cohen = 0,41), mas não em planejamento e monitoramento (M = 4,01 versus 3,78, p = 0,062), embora as notas de explicação e aplicação do mesmo grupo tenham subido (r = 0,474 e r = 0,642) enquanto a recordação factual não separou os grupos (p = 0,416). A divisão segue os dois componentes da Introdução: explicar para alguém que pergunta de volta construiu consciência declarativa do que se sabe, mas nada no desenho fez quem aprende traçar uma rota ou verificar o progresso, o que os autores atribuem ao desenho da tarefa e à carga cognitiva, e não ao papel em si. O aprender ensinando com IA é, portanto, uma alavanca sobre o conhecimento metacognitivo, e não automaticamente sobre a regulação, e os autores recomendam acrescentar prompts explícitos de planejamento e feedback de progresso.

A distinção entre engajamento e motivação

Scheu et al. (2026) encontraram uma divisão crítica:

Isso sugere que o apoio metacognitivo e a motivação não são idênticos. O andaimento do assistente de LLM nas entradas de diário aumentou quanto os estudantes escreveram (engajamento comportamental), mas não os fez querer escrever mais (motivação intrínseca).(Designing a mobile chatbot-based learning journaling system for intrinsic motivation and engagement)

A distinção entre crenças e experiências

Guo & Ye (2026) oferecem uma explicação teoricamente mais afiada de como a metacognição governa a seleção de estratégias, distinguindo dois componentes que operam em fases diferentes:

• Crenças metacognitivas — autoconcepções estáveis e autorreferentes armazenadas na memória de longo prazo (por exemplo, crenças sobre a própria capacidade de memória, ou a confiabilidade de uma ferramenta). Elas ancoram as escolhas de estratégia antes do início da tarefa.
• Experiências metacognitivas — sentimentos dinâmicos e específicos da tarefa (dificuldade percebida, confiança, carga mental) que impulsionam a atualização das crenças durante a execução da tarefa.

Essa distinção produz o princípio da correspondência entre tempo e componente: o feedback que mira as crenças (por exemplo, ranqueamentos comparativos) é mais eficaz na fase de preparação pré-tarefa, enquanto o feedback que mira as experiências (por exemplo, indicadores imediatos de correção) é mais eficaz durante a execução da tarefa. O feedback abstrato de ranqueamento pode se separar de — ou ser sobreposto por — as experiências específicas da tarefa que dominam a tomada de decisão imediata, o que explica por que algumas intervenções de feedback não conseguem mudar o comportamento. Isso dá aos educadores uma justificativa contingente à fase para desenhar andaimentos metacognitivos em torno das ferramentas de IA: calibre as crenças antes do uso, forneça feedback imediato e específico da tarefa durante o uso.

O apoio externo também pode se colocar inteiramente à frente do juízo. Iqbal et al. (2026) fizeram 87 estudantes de inglês como língua estrangeira revisarem uma redação com o ChatGPT 4.0, um instrutor experiente de escrita acadêmica ou nenhum apoio, e reconstruíram as estratégias que os estudantes usaram a partir de rastros de cliques, teclas e mouse. O que eles escolheram se associou fortemente ao apoio disponível (V de Cramér = 0,668), mas não à precisão do juízo metacognitivo (H(3) = 4,995, p = 0,172), que mostrou um vínculo marginal apenas na condição sem apoio (p = 0,0460). Nenhuma estratégia de revisão se associou à mudança de nota da redação (p = 0,273), mas o grupo de IA generativa melhorou significativamente mais que os outros dois (H(2) = 16,591, p = 0,00025, η² = 0,174), de modo que as redações mais fortes não vieram de uma autorregulação melhor. Quando um parceiro capaz pode fornecer o próximo movimento, o juízo metacognitivo deixa de ser o que o seleciona, e a explicação da escolha de estratégia acima descreve mais quem aprende sem apoio do que quem aprende com apoio. A leitura prática dos autores é mirar a assistência de IA em provocar reflexão sobre as estratégias de escrita, e não em fornecer ajuda direta.

A calibração é treinável: previsão + feedback

Ngai & Gilbert (2026) fornecem evidência causal direta de que a calibração metacognitiva é uma habilidade treinável. Em dois experimentos pré-registrados (N=164, N=416), apenas cinco tentativas de prática combinando uma previsão de desempenho com feedback verídico melhoraram a calibração e reduziram o viés. Um desenho aditivo de quatro grupos isolou o componente causal: fazer previsões isoladamente foi ineficaz; acrescentar feedback de desempenho impulsionou a melhoria; rotular explicitamente excesso/falta de confiança não acrescentou nada além disso. Crucialmente, a melhoria agiu sobre a calibração absoluta — elevando a confiança de quem estava pouco confiante e reduzindo a de quem estava excessivamente confiante —, de modo que corrigiu o desajuste em ambas as direções, em vez de deslocar todos para um lado (e é por isso que os efeitos assinados/direcionais foram nulos). Isso reforça a explicação de "experiências, não crenças" acima e mostra o treinamento metacognitivo minimamente viável: previsão + feedback imediato e específico da tarefa.

• Um breve prompt de reflexão afia o monitoramento durante decisões apoiadas por IA. Ren (2026) acrescentou três prompts de reflexão antes de finalizar as respostas em um experimento de três condições com 342 estudantes de graduação: a aceitação de conselhos incorretos do ChatGPT caiu de 62,4% para 39,7% (OR = 0,40) e a calibração da consciência subiu (0,59 versus 0,41), enquanto a precisão da recomendação e o alinhamento com o conselho correto permaneceram altos. A reflexão tornou a dependência mais discriminativa, em vez de uniformemente defensiva, o que apoia tratar a dependência como um problema de monitoramento, e não como uma questão de quanta IA é usada.
• Aninhe o prompting dentro de um ciclo metacognitivo. O framework IDEA sequencia o uso de IA generativa como Intenção, Desconstrução, Expressão e Adaptação, tornando o prompting um passo do planejamento e do monitoramento, e não uma habilidade isolada; estudantes que aprenderam o IDEA produziram prompts de maior qualidade que pares ensinados com prompting de Papel–Tarefa–Contexto–Formato em todas as cinco categorias de tarefa (Wang et al., 2026).

Implicações para o desenho de ferramentas

1. Preserve o "atrito" do pensar: se a IA escreve a reflexão, o estudante não constrói habilidade metacognitiva. Assistentes de diário deveriam dar andaimento, não autoral.
2. Modele a linguagem metacognitiva: o curso baseado em exemplos funcionou em parte porque expôs os estudantes à autofala metacognitiva de modelos proficientes.
3. Separe o apoio à motivação do apoio à habilidade: o desenvolvimento de habilidade metacognitiva (estruturado pelo curso) e a ampliação de produtividade (assistida por IA) podem exigir estratégias de desenho diferentes.

A IA pode alterar o limiar metacognitivo para decidir que se sabe o suficiente para responder: Marcoccia et al. (2026) constataram que o mero acesso a conselhos de IA suprimiu a disposição das pessoas de suspender o juízo sob incerteza, mesmo com conselhos errados e incentivos de precisão — um efeito que sobreviveu à saída de IA não solicitada e a apostas monetárias.

A IA agêntica proativa pode deslocar o próprio laço metacognitivo de quem aprende: Woollaston et al. (2026) argumentam que, quando os agentas pré-buscam, iniciam e se autocorrigem, o planejamento, o monitoramento e a avaliação do agente substituem os de quem aprende, removendo a prática de recuperação e o automonitoramento dos quais as dificuldades desejáveis e o treinamento metacognitivo dependem.

• A pedagogia baseada em erros como treinamento metacognitivo: Hosseini (2026) mostra que expor deliberadamente os estudantes a erros gerados por IA em um curso de desenho de banco de dados ativa o monitoramento metacognitivo — os estudantes inspecionaram as saídas, identificaram erros e revisaram desenhos, em vez de aceitar a saída da IA pelo valor de face. O letramento em IA autorrelatado se correlacionou fraca e negativamente com a competência objetiva (r = −0,39), uma lacuna de calibração que o ciclo de crítica-refinamento é desenhado para estreitar.
• A falha produtiva engaja o monitoramento metacognitivo. Kim et al. (2026) mostram que a aprendizagem baseada em falha produtiva ativa a reflexão sobre as próprias tentativas; as tarefas de pista antes da correção exigem que quem aprende diagnostique e corrija seus próprios erros — uma atividade metacognitiva em que a IA dá pistas, e não respostas.
• A autorregulação amortece o dano do descarregamento, mas não consegue cancelá-lo. Chen (2026) mostra que a regulação metacognitiva (escrita autorregulada) atenua a associação negativa entre o descarregamento cognitivo profundo e os resultados independentes sem IA na escrita assistida por IA generativa (interação B = 0,22), mas não a elimina — uma condição de apoio delimitado que combina limites à delegação com reflexão compulsória sobre como as sugestões da IA foram aceitas/rejeitadas produziu o desempenho independente mais forte.
• A profundidade da busca por explicação prevê a qualidade da tarefa, não a recordação. Tsiligkiris (2026) mostra que os prompts de busca por explicação (profundidade) na interação com LLM preveem a qualidade da tarefa, mas não a recordação imediata, interpretando a dissociação via elaboração (compreensão) versus prática de recuperação (consolidação) — e sugerindo que a busca por explicação se correlaciona com o monitoramento metacognitivo, embora demandas de recuperação precisem ser acrescentadas para uma retenção durável.
• A metacognição autorrelatada é um proxy fraco para a regulação com um LLM. Clerc et al. (2026) deram a 116 estudantes do ensino fundamental II uma oficina de letramento em IA de duas horas e depois mensuraram sua interação com LLM durante problemas de ciências: os estudantes treinados aceitaram prompts subespecificados com menos frequência (51,5% versus 66,7%), fizeram perguntas de acompanhamento após uma resposta fraca muito mais frequentemente (59,2% versus 27,9%, d = 0,80) e julgaram a correção das respostas de forma mais sensível à qualidade do prompt (OR de interação = 2,52). Nem uma escala geral de consciência metacognitiva (Jr. MAI) nem os autorrelatos de IA generativa previram esses comportamentos ou o desempenho final (r = .04 e r = .01) — o monitoramento e o controle durante o uso de IA generativa são específicos da tarefa, e o comportamento observável carrega mais informação que os instrumentos de autorrelato construídos para capturá-lo.
• A correção automatizada alcançou a fase de desempenho, não o planejamento que a precede. Chen e Liu (2026) deram a 46 estudantes de interpretação 14 semanas de correção automatizada semanal com uma nota devolvida, erros marcados e uma versão de referência: o grupo automatizado ganhou mais no geral (d = 1,03), mas apenas o monitoramento durante a prática se correlacionou com os ganhos de nota (r = 0,42), enquanto o planejamento pré-aprendizagem ficou próximo do ponto médio da escala (M = 3,01). A avaliação e a reflexão tiveram a segunda maior média (3,87 de 5), mas mostraram um vínculo quase nulo com os ganhos (r = 0,10), de modo que uma nota alta de reflexão não deveria ser lida como reflexão produtiva.
• O letramento em verificação só rende por meio da autorregulação metacognitiva. Davor, Larbi e Boateng (2026) pesquisaram 533 estudantes universitários e constataram que o letramento em verificação de IA não teve associação direta com pensamento crítico ou resolução técnica de problemas; ele importou apenas indiretamente, por meio da autorregulação metacognitiva (um padrão de mediação plena). A tendência ao descarregamento cognitivo correu no outro sentido, prevendo menor autorregulação (-.294), junto com menor pensamento crítico (-.240) e resolução de problemas (-.312).
• A reflexão subiu com o acesso à IA, e alimentou o raciocínio em vez das notas de prova. Melanou, Beege e Kimmig (2026) acompanharam três turmas (N = 87) ao longo de um curso de nove semanas, mensurando em três pontos. O conhecimento melhorou em todas as condições, sem vantagem para nenhuma das condições de IA e sem efeito Mateus (BF01 = 8,70), mas o uso reflexivo (verificar fontes e verificar a saída da IA antes de adotá-la) foi muito maior na condição de IA que no grupo de controle (M = 3,72 versus 2,82, F(1, 40) = 20,21, p < 0,001) e previu pensamento crítico (β = 0,43, p < 0,001, R² = 0,183), sem prever ganho de conhecimento. A reflexão apareceu apenas do acesso à ferramenta, e não de andaimento, e, como seu retorno recai no raciocínio, uma prova de conhecimento não registrará o benefício metacognitivo de um curso apoiado por IA.
• Dentro de um instrumento de autorrelato metacognitivo, a consciência prediz mais que o resto. Alatoai e Alshahri (2026) validaram uma medida de 45 itens de aprendizagem STEM apoiada por IA com 649 estudantes secundários sauditas (CFI = 0,983, RMSEA = 0,019; ω de subescala = 0,888–0,905) e a usaram para ranquear os componentes. As quatro dimensões explicaram 68% da variância nas notas de aprendizagem autorregulada, com a consciência metacognitiva baseada em IA mais forte (β = 0,38, p < 0,001), transferência cognitiva e adaptabilidade em seguida (β = 0,29, p = 0,008), e raciocínio criativo e crítico em AI-STEM não significativo (β = 0,14, p = 0,135). A consciência é o componente que carrega o desempenho adaptativo, os autores aconselham reportar as subescalas separadamente em vez de uma nota global, e reservam o raciocínio de ordem superior para tarefas de qualidade de raciocínio; a medida é, ainda assim, de autorrelato, de modo que, como o estudo da oficina acima, ela captura a capacidade percebida, e não o uso de estratégia observado.
• O monitoramento do próprio avaliador também é trabalho metacognitivo. Hoppe, Loibl e Leuders (2026) argumentam que uma inferência diagnóstica gerada por IA não é evidência bruta, mas uma interpretação já feita, de modo que os professores precisam integrá-la a suas próprias observações em um processo que eles chamam de metadiagnóstico, decidindo deliberadamente aceitá-la, rejeitá-la ou modificá-la. Isso coloca um segundo laço metacognitivo ao lado do de quem aprende: não apenas como o estudante regula o pensamento com IA, mas como o professor avalia o que o sistema afirma sobre esse pensamento.

Conceitos conectados

• Padrões pedagógicos — Os passos de reflexão que essas sequências constroem
• Quem aprende — Quem aprende: o guarda-chuva dos conceitos do lado do estudante
• Aprendizagem autorregulada
• Autoavaliação
• Descarregamento cognitivo
• Andaime (Scaffolding)
• IA agêntica
• Avaliação formativa
• Letramento em IA
• Recuperação, espaçamento e entrelaçamento — julgamentos de aprendizagem e a ilusão de fluência que a prática de recuperação corrige
• Rendição cognitiva

Artigos conectados

• Teaching Students to Question the Machine: An AI Literacy Intervention Improves Students' Regulation of LLM Use in a Science Task — uma oficina de letramento em IA de duas horas deslocou a regulação da interação com LLM de estudantes do ensino fundamental II, ao contrário de sua metacognição autorrelatada (Clerc et al. 2026)

• Student-AI Interaction in Computer-Assisted Consecutive Interpreting: Patterns and Performance — Interação estudante–IA na interpretação consecutiva assistida por computador

• Epistemic Dependence in AI-Mediated Learning — Dependência epistêmica na aprendizagem mediada por IA (Du & Yuan 2026)

• What Students Ask Matters: LLM Interaction Depth, Task Quality, and Immediate Recall in Higher Education — O que os estudantes perguntam importa: profundidade da interação com LLM, qualidade da tarefa e recordação imediata (Tsiligkiris 2026)

• Layer-Sensitive Cognitive Offloading in Generative AI-Assisted Writing: Supported Performance and Independent No-AI Outcomes — Descarregamento cognitivo sensível a camadas na escrita assistida por IA generativa (Chen 2026)

• Efficiency vs. Effectiveness: Self-Regulated Learning with LLM-Mediated Help-Seeking — Busca de ajuda mediada por LLM em STEM: em camadas, instrumental e verificada

• How motivation and roles influence metacognitive engagement in student-GenAI interaction — Motivação e papéis no engajamento metacognitivo com IA generativa

• Metacognitive Training Facilitates Optimal Cognitive Offloading — O treinamento metacognitivo facilita o descarregamento cognitivo ótimo (Ngai & Gilbert 2026)

• Meta-Cognitive Insights into Cognitive Offloading: Mechanisms, Interventions, and Educational Implications — Percepções metacognitivas sobre o descarregamento cognitivo: mecanismos, intervenções e implicações educacionais (Guo & Ye 2026)

• The IDEA Framework for Metacognitively Regulated GenAI Use in Higher Education: Development and Exploratory Pilot Evidence — O framework IDEA para o uso regulado metacognitivamente de IA generativa

• HAIML: A Human-Centered AI Metacognitive Learning Model — A Framework for Human Agency and Reflective Learning in the Age of Artificial Intelligence — HAIML: um modelo de aprendizagem metacognitivo de IA humanocentrado (autonomia e aprendizagem reflexiva)

• Metacognitively Discordant Completion and the Aware Pass-Through of Non-Understanding in Generative AI Learning — Conclusão metacognitivamente discordante e passagem consciente pela não compreensão

• Mapping the Scaffolding of Metacognition and Learning by AI Tools in STEM Classrooms: A Bibliometric-Systematic Review — Ferramentas de IA dando andaimento à metacognição em STEM

• Is AI making us stupid? — A IA está nos tornando estúpidos? crítica do descarregamento cognitivo

• The Evidence Base on AI in K-12: A 2026 Review — A IA de propósito geral suprime a metacognição ao completar o raciocínio

• AI Advice Suppresses People's Willingness to Say "I Don't Know", Even When the Advice Is Wrong and Accuracy Is Incentivized — O conselho de IA suprime a disposição de dizer "eu não sei", mesmo com conselho errado e incentivos de precisão

• Agentic AI and Pedagogical Best Practice: The Tension Between Automation and Learning — IA agêntica e melhor prática pedagógica: a tensão entre automação e aprendizagem

• Cognitive offloading and the speedup illusion in human-AI interaction — Descarregamento cognitivo e a ilusão de aceleração na interação humano–IA

• Artificial intelligence, cognitive offloading and implications for education — IA, descarregamento cognitivo e implicações para a educação (Lodge & Loble 2026)

• The Pedagogy of AI Mistakes: Fostering Higher-Order Thinking — A pedagogia dos erros de IA: fomentando o pensamento de ordem superior (Hosseini 2026)

• Designing AI systems to support a productive-failure-based learning: insights from adult learners on AI applications — Desenhando sistemas de IA para apoiar a aprendizagem baseada em falha produtiva

• Clue before correction: ChatGPT-enhanced strategy for promoting autonomous and reflective language learning — Pista antes da correção: ChatGPT para aprendizagem autônoma de línguas

• Prompts to Practice: A Pedagogical Framework for Human-Centered AI Engagement — Reflexão sobre o processo de prompting e desenvolvimento da autoria no Ciclo de Letramento em Prompts (Miles, Haber-Curran & Arar 2026)

• College students’ metacognitive awareness of generative-AI reliance: an experimental study of decision confidence and attribution bias — Um prompt de reflexão reduziu a aceitação de conselhos incorretos de IA e melhorou a calibração da consciência (Ren 2026)

• Impact of automated scoring on interpreting performance and self-regulated learning: evidence from a pedagogical experiment — A correção automatizada reforçou o monitoramento, mas não o planejamento, e a reflexão autorrelatada permaneceu improdutiva (Chen & Liu 2026)

• Artificial intelligence-supported learning and higher-order cognitive outcomes: the mediating role of metacognitive self-regulation — O letramento em verificação agindo apenas por meio da autorregulação metacognitiva (Davor, Larbi & Boateng 2026)

• Human or GenAI Support? Conditions Impacting Students' Strategy Choices in an Essay Revision Task — O apoio externo, e não a precisão do juízo metacognitivo, impulsionou a escolha da estratégia de revisão (Iqbal et al. 2026)

• The Contribution of Generative Artificial Intelligence as a Novice Learner to Students in the Learning by Teaching Model — Um ganho seletivo: o conhecimento metacognitivo subiu enquanto o planejamento e o monitoramento não (Wang et al. 2026)

• Generative AI and Learning Dynamics in Higher Education: A Longitudinal Empirical Study — O uso reflexivo subiu com o acesso à IA e previu pensamento crítico, não ganho de conhecimento (Melanou, Beege & Kimmig 2026)

• Exploring the Impact of AI-Based Learning Environments on Student Self-Regulation and Adaptive STEM Learning — A consciência metacognitiva como preditor mais forte da aprendizagem STEM adaptativa (Alatoai & Alshahri 2026)

• Rethinking teachers’ diagnostic skills in AI-supported formative assessment: from diagnosis to meta-diagnosis — Do diagnóstico ao metadiagnóstico: professores julgando inferências geradas por IA (Hoppe, Loibl & Leuders 2026)

• Open Questions Towards Skill-Sustaining Reliance in Reflective AI Engagement — Questões abertas rumo a uma dependência sustentadora de habilidades no engajamento reflexivo com IA

• Conceptualising Human–AI Collaboration Competency for hybrid intelligence: towards learner agency — A metacognição, e não a pedagogia, como mecanismo da autonomia de quem aprende na colaboração humano-IA (Dang, Hong, Doyle & Nguyen 2026)

• Metacognitive Ownership in Human-AI Regulation: Construct Definition, Boundaries, and a Research Agenda — Propriedade metacognitiva: um construto para a governança, por parte de quem aprende, de padrões, juízos e ações

• Mapping the Distribution and Depth of Metacognitive Processes in Generative AI-Assisted Learning: Evidence from Interaction Logs and Concurrent Think-Aloud Protocols — Registros e pensar em voz alta capturam diferentes processos metacognitivos na aprendizagem assistida por IA generativa

• AI as a cognitive partner in learning: Emerging epistemic practices of reflective thought — quatro práticas e onze processos de pensamento reflexivo quando os estudantes tratam a IA como parceira cognitiva

• Think Aloud supports early awareness but not deep evaluation. Karaki and Baroudi (2026) ran a mixed-methods action-research study with 44 first-year entrepreneurship students using the Think Aloud method during AI-supported coursework. Think Aloud made students' prompt construction, verification practices, and ethical decision-making more visible, but critical evaluation of AI outputs "often remained at a surface level, particularly among students requiring additional support" — students spotted generic or misaligned responses yet kept relying on them heavily. Self-reported metacognitive awareness was the highest of three surveyed constructs (M = 3.79), but the single post-intervention survey cannot separate perception from change. The authors' conclusion — Think Aloud is not a stand-alone solution and must be combined with explicit instruction in AI literacy, prompt construction, and verification strategies — extends the process-evidence line above from what records capture to what vocalization alone changes.

• Prior metacognitive training gates the benefit of an AI reflection partner. In a 2 × 2 experiment with 60 pre-service teachers, Zhang et al. (2026) found a significant metacognition × tool interaction: an AI Socratic partner beat traditional digital tools by 0.56 points only after training, with no advantage without it (ΔM = −0.03).

• Ethical Generative AI Use in Higher Education: An Action Research Study Using the Think Aloud Method — Think Aloud made prompt construction, verification and ethical reasoning visible, but critical evaluation stayed surface-level; not a stand-alone solution

• Metacognitive training and AI-based Socratic scaffolding in pre-service teachers' reflective practice: a dual-study experimental design — Metacognitive training and AI-based Socratic scaffolding in pre-service teachers' reflective practice: a dual-study experimental design