Educação em enfermagem

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

Educação em enfermagem — a preparação de enfermeiros para a prática licenciada, e o subcampo da educação nas profissões de saúde em que a IA é atualmente mais estudada. A IA entra nos currículos de enfermagem por meio de simulação com pacientes virtuais e manequins, apoio de estudo e de raciocínio clínico baseado em LLM, avaliação automatizada e plataformas adaptativas para aprendentes em risco. Seu objeto é distintivo: a competência em enfermagem funde habilidade psicomotora, prática relacional e formação de identidade profissional, então uma tecnologia que eleva o desempenho mensurado pode, ao mesmo tempo, corroer o trabalho de desenvolvimento que produz um enfermeiro.

Perguntas para refletir

• A simulação apoiada por IA melhora de forma confiável o conhecimento e a autoeficácia, mas mostra efeitos inconsistentes, às vezes negativos, sobre habilidade psicomotora complexa. Onde a IA é o professor certo, e onde um corpo humano na sala precisa permanecer inegociável?
• Estudantes de enfermagem descrevem a IA como conforto emocional durante o estresse clínico. Isso é um apoio a desenhar, ou um sinal de que a aprendizagem relacional está subfinanciada?
• A ansiedade com a IA entre estudantes de ciências da saúde acompanha a ansiedade na busca por emprego. Ensinar letramento em IA é o remédio, ou isso eleva a saliência de uma ameaça que a política institucional deveria tratar em seu lugar?

Introdução

A educação em enfermagem é a vertente clínica da base de conhecimento com o registro empírico mais denso: revisões de todo o sistema das aplicações de IA, uma síntese de métodos mixtos da simulação movida por IA, um estudo qualitativo da experiência de estudantes e corpo docente e uma revisão integrativa crítica da pesquisa em LLM ficam lado a lado. Isso torna a enfermagem um caso de teste útil para as afirmações que o campo mais amplo da IA na educação faz sobre a formação clínica.

Ela precisa ser mantida distinta da Educação Médica e nas Profissões de Saúde, que trata a enfermagem como um programa entre medicina, farmácia, odontologia e saúde aliada, e organiza sua exposição em torno do problema compartilhado da competência clínica escalável. A literatura de enfermagem acrescenta três coisas que essa página não consegue carregar: uma fronteira de competência na qual os benefícios documentados da IA param; um enquadramento explicitamente de identidade profissional, em que a pergunta é quem se torna enfermeiro, e não o que um treinando consegue fazer; e uma camada de força de trabalho — a ansiedade dos estudantes quanto à IA deslocar papéis de enfermagem, e a visão do corpo docente dos enfermeiros como modeladores, e não recipientes, da transformação digital da saúde.

O campo também refina três conceitos adjacentes. Da simulação ele herda o debate sobre fidelidade, mas renomeia o déficit como "lacuna de autenticidade". Da computação afetiva ele toma a mensuração do afeto, embora sua afirmação mais forte seja a de que os resultados afetivos melhoram enquanto a profundidade emocional na interação não melhora. Da autoeficácia ele toma a variável mediadora central, ao mesmo tempo que alerta que a confiança construída em um contexto de baixo risco pode não se transferir para o clínico. Abaixo de tudo isso fica o problema ordinário do ensino superior de carga de trabalho, acesso e integridade da avaliação, aguçado pelo licenciamento e pela consequência para o paciente.

Como a IA aparece na educação em enfermagem

• Quatro áreas de aplicação, riscos recorrentes. Alrazeeni et al. (2026) revisaram 28 estudos empíricos (2010–abril de 2025) e agrupam as aplicações de IA em aprendizagem personalizada, treinamento baseado em simulação, avaliação automatizada e gestão institucional de currículo com analytics preditivos. Iniquidade tecnológica, lacunas de preparo do corpo docente e preocupações de privacidade e viés recorrem. As recomendações deles são concretas — embutir simulação com IA no treinamento de atendimento de emergência, implantar plataformas adaptativas para aprendentes em risco, usar ferramentas automatizadas para feedback formativo em tempo real, adotar a precisão diagnóstica como medida de impacto — dentro de pilotos multissítio de 6–12 meses rastreando resultados de aprendizagem e confiança.
• Simulação: forte em conhecimento e confiança, condicional em habilidade. A revisão de Jiang et al. (2026) guiada pela PRISMA, de 19 estudos com métodos mixtos (N = 1.253, em sua maioria estudantes de pré-licenciamento), cobre IA generativa/LLMs, pacientes virtuais e manequins movidos por IA, realidade virtual/realidade mista aprimorada por IA e chatbots. Os desenhos mais fortes — três ECRs mais quase-experimentos controlados — mostram ganhos significativos em conhecimento cognitivo e em resultados afetivos, incluindo autoeficácia e confiança na comunicação, mas os efeitos sobre habilidades psicomotoras complexas são inconsistentes, e um ECR concluiu que a simulação assistida por IA era inferior à simulação com paciente padronizado. A meta-agregação qualitativa explica tanto o apelo quanto o limite: quem aprene valoriza prática segura, repetível e sem julgamento que faz a ponte entre teoria e prática, mas relata uma lacuna de autenticidade — diálogo robótico, ausência de pistas não verbais, nenhum exame tátil — mais instabilidade técnica que eleva a carga cognitiva extrínseca e a ansiedade de estado. Os autores recomendam um continuum em etapas: IA para pré-aprendizagem, anamnese e raciocínio fundacional; simuladores humanos e pacientes padronizados para o trabalho psicomotor complexo e carregado de emoção; debriefing facilitado por humanos ao lado de feedback por IA.
• A aceitação é real, e relacional. Akbaba e Calik Kus (2026) entrevistaram 28 participantes (16 estudantes, 12 do corpo docente) e analisaram as transcrições dedutivamente por meio do Modelo de Aceitação da Tecnologia. O TAM se sustentou: facilidade de uso, utilidade, intenção e uso moldaram a adoção. A divisão de papéis é prática — estudantes usavam IA para apresentações, conteúdo visual, análise de casos clínicos e planejamento de cuidados; o corpo docente para materiais de curso, revisão de literatura, escrita acadêmica e administração — implicando treinamento sob medida, e não uniforme. Dois achados estendem o enquadramento cognitivo do TAM. Os participantes descreveram a IA como apoio psicossocial, um "companheiro" que oferece tranquilidade e um espaço confidencial para refletir durante o estresse clínico. E, onde a IA teve desempenho melhor do que os enfermeiros em empatia em um contexto de alto volume, Sun et al. (2026) leem isso como Supressão Estrutural da Empatia: o excesso de trabalho torna insustentável a expressão empática autêntica, a consistência algorítmica preenche a lacuna, e a significância que constitui identidade se transfere para o algoritmo — reenquadrando a questão de política de "quão eficaz é essa ferramenta?" para "que condições a tornaram necessária?"
• O corpo docente lê o risco como profissional, e não processual. Dabkowski et al. (2026) entrevistaram 22 acadêmicos de enfermagem da Austrália e da Nova Zelândia e os encontraram navegando uma política ausente, tardia ou escrita sem eles, atitudes colegiais acentuadamente divergentes, e uma linha traçada na substituição, e não no uso. A objeção era de desenvolvimento antes de ser processual: gerar respostas para o cenário de um paciente se deteriorando significa que o raciocínio nunca é praticado, e os participantes alertaram sobre uma coorte futura não apta para a prática — "O Copilot não vai ensinar você a ser enfermeiro." A prática de avaliação já se movia rumo a exames invigilados, vivas orais e evidência de processo, e a má conduta era lida como um ensaio para atalhos clínicos inseguros, o que reenquadra a Integridade acadêmica como uma questão sobre quem está seguro para praticar, e não como um processo de conformidade. Os acadêmicos pediram orientação específica de enfermagem atrelada aos códigos éticos da profissão, letramento em GenAI embutido por todo o currículo, e desenvolvimento da equipe com codesenho de unidade — e não uma proibição abrangente.
• A ansiedade como sinal de força de trabalho. Dağ et al. (2026) pesquisaram 821 estudantes de ciências da saúde (enfermagem entre eles) e encontraram uma correlação positiva moderada entre a ansiedade com a IA e a ansiedade na busca por emprego (r = 0,233, p < 0,001), sendo a ansiedade com a IA um preditor significativo após controlar por características sociodemográficas (β = 0,234, p < 0,001). A ansiedade com a IA, eles argumentam, não é uma atitude tecnológica, mas um fator psicológico que molda como os estudantes veem seus futuros profissionais — apontando para o letramento em IA e para a orientação profissional, e não para ferramentas, como a intervenção.
• Pensamento de grupo e equipes interprofissionais. Wiss et al. (2025) colocaram um agente de IA generativo (CALIE) em doze equipes interprofissionais recém-formadas em sete programas de profissões de saúde, incluindo enfermagem, durante uma sessão virtual de 180 minutos de aprendizagem baseada em problemas, com prompting para ele injetar pontos de vista controversos. Dos 165 aprendentes, 158 completaram a pesquisa; o agente foi avaliado como mais útil como ferramenta (M = 3,49), depois pela utilidade do feedback (M = 3,21), e menos como parte da equipe (M = 2,88), com todas as diferenças pareadas significativas (F(2, 156) = 26,01, p < .001). A postura do facilitador importava, e aprendentes que rejeitavam as respostas do agente ainda as usavam como uma forma socialmente permissível de se pronunciar — a discordância da IA fazia trabalho de equipe.

Competência, identidade e a lacuna de evidência

• O deslocamento é a variável de desenho. A revisão integrativa crítica de Sun et al. (2026) de 489 estudos em 47 países reenquadra a pesquisa em LLM em enfermagem em torno de um critério: se o trabalho cognitivo e participativo que uma LLM desloca é extrínseco a ou constitutivo de a competência que está sendo desenvolvida. Deslocar documentação e recuperação rotineira libera memória de trabalho; deslocar uma cadeia completa de raciocínio, uma justificativa ética ou um plano de cuidado individualizado remove o objeto da aprendizagem. A evidência não é hipotética — estudantes que usavam o ChatGPT como recurso exclusivo pontuaram significativamente abaixo dos controles com livro didático em padrões éticos e raciocínio clínico, e um currículo integrado à IA produziu notas mais altas junto a planos de cuidado menos individualizados e com lógica mais fraca, uma dissociação entre desempenho e aprendizagem. O Modelo de Tensão da Identidade Profissional deles formaliza isso por camadas de tarefa, competência e identidade: resultados mensurados com uma ferramenta disponível podem indexar desempenho fluente, e não capacidade durável, então os programas deveriam usar pós-testes atrasados sem ferramenta e tarefas de transferência.
• A evidência está invertida. O mapa de lacunas da mesma revisão não encontra nenhum estudo randomizado ou quase-experimental de identidade profissional ou de desenvolvimento de carreira, apenas três de competência relacional e ética, e nenhum acompanhamento além de 12 meses — enquanto a evidência controlada se agrupa em resultados cognitivos e técnicos.
• A vigilância é documentada como percepção, e não como conduta melhorada. Harerimana et al. (2026) mapearam a supervisão remota na avaliação em enfermagem ao longo de seis estudos (1.567 estudantes) e concluíram que a dissuasão era relatada quase universalmente por estudantes supervisionados (98–100% de concordância em um programa de pós-graduação), enquanto o único estudo comparativo de desempenho concluiu que uma coorte supervisionada presencialmente pontuava significativamente mais alto em um exame de prontidão do que uma supervisionada remotamente. A ansiedade corria nas duas direções — alguns estudantes mais calmos em casa e aliviados da viagem, outros incapazes de se concentrar enquanto observados e temerosos de acusação injusta — e quatro dos seis estudos relataram falha de conectividade, um com corte de energia, tornando o acesso equitativo a restrição operante, e não a segurança do exame. A posição dos autores é que a supervisão remota deveria ser um instrumento entre vários, governada por padrões de proteção de dados e pareada com integridade-pelo-desenho e avaliação autêntica, em vez de tratada como a salvaguarda padrão.
• Condições de contorno. As vertentes convergem na mesma contenção. A IA é melhor evidenciada para objetivos estruturados e repetíveis — comunicação fundacional, anamnese, educação em saúde, aquisição de conhecimento — e menos evidenciada para habilidade psicomotora complexa, interação carregada de emoção e formação profissional de longo prazo. A aceitação é consistentemente moderada a alta, mas a aceitação do feedback por IA é condicionada pela confiança: quem aprene prefere fontes humanas percebidas como benevolentes à IA percebida como meramente competente. As revisões também são geograficamente estreitas, dominadas por desenhos sem controle e por autorrelato e — na revisão de simulação — mostram um padrão positivo quase uniforme que levanta preocupações de viés de publicação.

Conceitos conectados

• Educação médica e em profissões de saúde
• Simulação
• Computação afetiva
• Autoeficácia
• Ensino superior
• Identidade de quem aprende
• Aprendizagem no trabalho
• Equidade na educação com IA
• Descarregamento cognitivo
• Modelos de adoção de tecnologia
• Ansiedade e estresse
• Letramento em IA

Artigos conectados

• Transforming Nursing Education with Artificial Intelligence: A Systematic Review (2010–2025) — Revisão sistemática da IA na educação em enfermagem (2010–2025)
• AI-Powered Simulation for Nursing Education: Mixed Methods Systematic Review — Simulação movida por IA na educação em enfermagem: revisão sistemática com métodos mixtos
• When the algorithm enters the classroom: A critical integrative review of large language models, nursing education structural gaps, and the reconstitution of professional identity — LLMs, lacunas estruturais e a reconstituição da identidade profissional
• Nursing Students' and Faculty Experiences with Artificial Intelligence in Education: A Qualitative Study Using the Technology Acceptance Model — As experiências com IA de estudantes e do corpo docente de enfermagem pelo TAM
• Artificial intelligence perceptions and career anxiety among health sciences students — Percepções sobre IA e ansiedade profissional entre estudantes de ciências da saúde
• Utilizing Generative AI to Counter Learner Groupthink by Introducing Controversy in Collaborative Problem Based Learning Settings — IA generativa para combater o pensamento de grupo na PBL interprofissional
• 'Co-pilot won't teach you to be a nurse': nursing academics' perspectives on GenAI use in undergraduate education — Acadêmicos de enfermagem sobre a GenAI: ambiguidade de política, valores profissionais e a deriva rumo à avaliação invigilada
• Under surveillance: Mapping remote proctoring practices in the assessment of nursing students — a scoping review — Supervisão remota na avaliação em enfermagem: vigilância, equidade e um caso de dissuasão construído sobre a percepção