Pais e famílias

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

Pais e famílias — a família como parte interessada na IA na educação: os cuidadores que dão tutoria a seus filhos em casa, escolhem e pagam pelas ferramentas, supervisionam ou deixam de notar o que essas ferramentas fazem, e recebem o que sua escola lhes comunica sobre IA. A página reúne a evidência sobre tutoria entre pais e filhos mediada por IA e sobre companheiros conversacionais usados em casa, sobre as passagens de bastão entre casa e escola, sobre o próprio letramento em IA dos pais, e sobre as consequências de equidade dos dispositivos, da conectividade e do custo em casa. Seu escopo é a família como ator — o que as famílias fazem com a IA, o que lhes chega da escola, e o que a pesquisa estabelece e não estabelece sobre os resultados.

Perguntas para refletir

• Luo et al. (2026) constataram que a assistência genérica de LLM reduziu o papel de tutoria do pai, enquanto uma interface com papéis separados o preservou. Se você estivesse desenhando uma ferramenta para um pai e um filho usarem juntos, do que você protegeria o pai, e o que entregaria a ele?
• Nos dados de Strömberg, Lei e Wu (2026), as notas de lição de casa subiram 18% enquanto as notas em prova sem consulta caíram 20% em seis meses. O que um pai de fato vê acontecer em casa, e o que precisaria lhe ser dito para notar a diferença?
• Xiao et al. (2026) constataram que professores nomeavam os pais como primariamente responsáveis pela relação das crianças com companheiros de IA, ao mesmo tempo que descreviam esses mesmos pais como desinformados ou sobrecarregados. Essa é uma atribuição razoável de responsabilidade, e o que seria necessário para torná-la real?
• Oreopoulos, Dong e Low (2026) praticamente dobraram a assiduidade na primeira sessão removendo a papelada voltada à família. Na sua própria escola ou programa, quais partes do processo voltado à casa existem para o benefício da família, e quais existem para o da instituição?
• Fan, Li e Zhang (2026) tratam a coordenação família–escola como uma hipótese não testada, e não como uma prática estabelecida. Se ela nunca foi testada, sobre qual evidência repousa o conselho que sua escola dá hoje aos pais?
• MacCallum, Parsons e Mohaghegh (2026) descrevem divisões digitais de segundo e terceiro níveis que persistem depois que os dispositivos foram fornecidos. Como seria fechar as lacunas de habilidades e de resultados em uma família, em contraposição a uma sala de aula?

Introdução

Uma grande parcela do tempo das crianças com a IA acontece fora da sala de aula, em um contexto que a literatura de pesquisa trata majoritariamente como pano de fundo. O trabalho sobre tutoria e resultados de aprendizagem é em geral baseado na escola, enquanto o trabalho sobre orientação familiar é em geral consultivo, e não testado, de modo que as famílias são simultaneamente o alvo de uma grande quantidade de orientação sobre uso responsável de IA e o sujeito de muito pouca evidência sobre se essa orientação funciona.

Esta página trata a família como um ator em seu próprio direito. Ela cobre a tutoria entre pais e filhos mediada por IA, os companheiros e ferramentas de leitura que as crianças encontram em casa, o que as escolas fazem e não fazem para informar as famílias sobre o uso de IA, o próprio letramento em IA dos pais e o que se sabe sobre suas visões, e as condições de acesso e custo sob as quais as famílias usam essas ferramentas. Onde a evidência é escassa, a página diz isso em vez de preencher a lacuna.

Os pais como coeducadores em casa

A evidência de desenho mais clara sobre tutoria em casa vem de Luo et al. (2026), que construíram o ParaTutor para o contexto chinês de tutoria domiciliar após um estudo formativo sobre como os pais ajudam com problemas de palavras da matemática. Esse trabalho formativo identificou falhas recorrentes: os pais têm dificuldade de entender a estrutura do problema, frequentemente carecem do conhecimento de conteúdo para apoiá-la, e esbarram em dificuldades de comunicação que quebram a compreensão compartilhada. A resposta de desenho foi a separação de papéis — os pais recebiam orientação de tutoria por chatbots multiagentes, enquanto as crianças recebiam ancoragem visual para o próprio problema, com apoio condicionado por fases para impedir que as díades pulassem para as respostas. Em uma avaliação com 23 díades de pai e filho (crianças de 10 a 12 anos) em quatro condições, a assistência genérica de LLM tendeu a deslocar o papel do pai, enquanto a interface com papéis separados manteve os pais entregando e adaptando o apoio, com as crianças permanecendo no raciocínio. A implicação dos autores é específica ao contexto: na educação em matemática, onde a precisão do modelo é limitada, as crianças não deveriam interagir com o modelo de forma independente.

Oreopoulos, Dong e Low (2026) tratam a família como um ator processual, e seus resultados são tanto sobre comportamento familiar quanto sobre tutoria. Seu ensaio randomizado com o Conselho Escolar do Distrito de Toronto colocou tutores virtuais humanos sobre a prática do Khan Academy para estudantes com dificuldades do 4º ao 8º ano. No Ano 1, apenas cerca de 45% dos estudantes indicados por professores compareceram a ao menos uma sessão, com famílias se perdendo em cada passagem de bastão: convite, interesse, criação de conta em uma plataforma de terceiros, pareamento, comparecimento. No Ano 2, convidar as famílias diretamente por meio de seu próprio professor para um horário semanal fixo e cuidar da matrícula e do agendamento em nome da família elevou a adesão à primeira sessão para 83%. A assiduidade semanal ainda girava em torno de dois quintos, majoritariamente ausência intermitente em vez de abandono; a prática subiu cerca de 17 minutos por semana, e o efeito por intenção de tratar na prova de tema foi de 0,055 DP, com as notas do boletim subindo cerca de 0,08 DP. Remover o atrito mudou quem compareceu, não quanto alguém se manteve.

Companheiros e ferramentas de leitura em casa

As famílias mais frequentemente encontram a IA como um aplicativo de companhia do que como um sistema de tutoria. Liao (2026) comparou um companheiro de "papel fixo" de par do estudante (Whisper com GPT-3.5) contra professores de turma experientes em sessões de conversa sobre livros com 19 estudantes do fundamental em Taoyuan, Taiwan — 12 do 4º ano e sete do 5º ano, quatro sessões cada. Os estudantes passaram significativamente mais tempo com a IA, mas contribuíram com uma proporção acentuadamente menor de palavras e frases; no 5º ano, a parcela foi menos de um terço do que produziam com o professor, um padrão que o artigo chama de dominância conversacional. O companheiro foi eficaz para eliciar recordação factual e significativamente mais fraco que o professor no provocamento de reflexão emocional e voltada ao futuro — um teto afetivo. A resposta de Liao é um framework adaptativo de papel no qual um companheiro ocupa os papéis de Par do Estudante, Assistente do Professor e Conselheiro dos Pais, sendo o último a extensão da discussão para a casa. O diagnóstico por trás disso é um vazio de apoio: a maioria dos desenhos de companheiros permanece focada na díade estudante–IA e não dá aos professores nem aos pais um lugar definido.

Uma parcela dos adolescentes prefere confidenciar à IA do que aos pais. Dados chineses citados colocam 13,5% dos jovens usuários de internet preferindo confidenciar à IA em vez de aos pais, e o framework de Fu e Zhao (2026) prevê que o vínculo com a IA se torna substituição compensatória quando os cuidadores não reconhecem as necessidades de confirmação de identidade de um adolescente.

Dois artigos sobre a primeira infância incidem sobre o que chega à casa. Yang, Li e Lee (2025) argumentam que agentes físicos e corporificados são desenvolvimentalmente preferíveis às telas para crianças pequenas, mas alertam que robôs sociais generativos podem fabricar conteúdo que crianças pré-operacionais aceitam como verdade, carecem de calibração desenvolvimental em seu feedback, e carregam barreiras de custo e acesso que ampliam a divisão digital. Malallah et al. (2026) tomam uma rota diferente com a mesma faixa de idade: seu framework AI-Play sem telas, baseado em brincadeira, foi implementado por meio de um evento de Hora do Código centrado na família, com pesquisas com pais e folhas de reflexão das crianças usadas para aferir engajamento e usabilidade para replicação em casa. Eles relatam alto engajamento e compreensão emergente de que a IA aprende a partir de exemplos.

Comunicação e transparência entre casa e escola

O que as escolas contam às famílias sobre IA, e o que as famílias contam às escolas, é em grande parte não estudado; os achados mais claros dizem respeito à ausência de um canal. Em entrevistas baseadas em cenários com 33 professores do K-12 (educação básica e média) dos EUA, Xiao et al. (2026) constataram que as decisões de intervir giravam em torno da jurisdição, e não do dano percebido. Seu teste de visibilidade traçava a fronteira na porta da escola: o uso em sala de aula ou em uma ferramenta designada ficava dentro do papel do professor, enquanto o uso em casa só entrava nele por meio de efeitos observáveis como retraimento, queda de notas ou isolamento — na ausência deles, os professores descreviam observar e documentar informalmente, em vez de agir. O cenário do Pai foi nomeado o mais preocupante por 10 de 33 professores, 17 disseram que um professor deveria se envolver e 11 responderam "depende". Os pais foram nomeados em primeiro lugar como a parte primariamente responsável pela relação das crianças com companheiros de IA, e então descritos como desinformados ou sobrecarregados. Os autores chamam isso de vacância jurisdicional e alertam que, sem uma reivindicação curricular estabelecida, os adultos com o acesso mais consistente às crianças acabam por padrão na vigilância e no encaminhamento. Orientadores, pais e estudantes não foram entrevistados.

Fan, Li e Zhang (2026) tornam explícito o problema da coordenação. Ao revisar a literatura de orientação, eles observam que ela empurra a gestão de risco para as famílias e as escolas ao mesmo tempo que trata sua coordenação como estabelecida, e formalizam três modelos concorrentes — aditivo, sinérgico e compensatório —, observando que a versão sinérgica embutida na maioria das orientações não tem evidência de apoio. Seu teste proposto é um ensaio fatorial contrastando orientação apenas familiar, apenas escolar, coordenada e de prática usual. Do lado familiar, eles carregam uma distinção da teoria da autodeterminação entre descarregamento dependente, em que o pensamento central é delegado, e descarregamento autônomo, em que a IA dá andaimento enquanto quem aprende mantém a agência epistêmica; o desempenho imediato é idêntico em ambos os casos, e é por isso que o uso mal adaptativo é difícil de o pai ver.

A mesma invisibilidade aparece nos dados de desempenho. Strömberg, Lei e Wu (2026) acompanharam 26.811 estudantes chineses do ensino médio, do 7º ao 12º ano, ao longo de 30 meses e constataram que a adoção de IA generativa elevou as notas de lição de casa em 18% e reduziu o tempo de conclusão em 30%, ao mesmo tempo que reduziu as notas em prova sem consulta em 20% em seis meses, com quedas de 18% e 24% na prova de ingresso emergindo apenas após cerca de dois anos. Cerca de 81% dos usuários mostraram um padrão de terceirização da lição de casa, enquanto usuários de IA que gastaram tanto tempo de lição de casa quanto os não usuários pontuaram de forma semelhante nas provas. A recomendação dos autores é dirigida aos adultos em torno da criança: monitore insumos como tempo e esforço na lição de casa, em vez de produtos como as notas da lição de casa. Eles advertem que o monitoramento parental mais próximo é, ele mesmo, um dos inobserváveis que distinguem o grupo que não terceiriza.

O próprio letramento em IA dos pais e sua defesa

A evidência direta sobre o que os pais sabem, temem e pedem é escassa, e os pais aparecem majoritariamente na literatura como relatados por outros. Os pais do estudo de caso crítico de Liu et al. (2026) sobre um makerspace só de meninas foram entrevistados junto com as meninas e os praticantes, e relataram que as meninas frequentemente "ficavam com medo" e falavam menos em contextos mistos. Em Xiao et al. (2026), o letramento em companheiros que os professores esboçaram era trabalho compartilhado entre orientadores, pais, plataformas e formuladores de políticas, sequenciado como uma espiral graduada por idade, com os pais nomeados em primeiro lugar e então descritos como já carregando mais do que podiam. Os pais aparecem na avaliação do AI-Play por meio de pesquisas sobre a usabilidade das atividades, e não por meio de relatos de sua própria compreensão.

O que um pai precisaria para participar de qualquer parte disso é definido, de fato, pelos frameworks de letramento em IA construídos para escolas. MacCallum, Parsons e Mohaghegh (2026) desenharam o SAIL para ser agnóstico em relação à idade, tratando suas competências de Nível 1 — compreender e explorar a IA — como essenciais para todas as idades, o que coloca os adultos na mesma progressão que as crianças, em vez de como seus instrutores. As famílias também ocupam um papel formal na própria pesquisa: Allison (2026) pede aos autores que relatem o contexto dos participantes e características sociodemográficas, acessibilidade e adequação cultural, e revisão ética, consentimento e governança de dados — as obrigações pelas quais o consentimento, os dados e o contexto de uma família se tornam visíveis.

Acesso e equidade entre as famílias

Custo e conectividade moldam o que as famílias podem usar antes que qualquer questão de pedagogia surja. No estudo do makerspace, Liu et al. (2026) documentam tanto uma barreira de custo quanto uma barreira de desenho: o gerador de imagens gratuito Playground eliminou suas funções gratuitas em favor de um nível pago "pro" que a organização sem fins lucrativos com poucos recursos não conseguiu absorver, e as ferramentas aceitavam apenas prompts em inglês, prejudicando meninas sem confiança no inglês. Yang, Li e Lee (2025) apontam custo e acesso como ampliadores da divisão digital. O resultado de adesão em Oreopoulos, Dong e Low (2026) é um resultado de equidade tanto quanto de desenho: as famílias perdidas no Ano 1 foram perdidas para etapas administrativas, e a intervenção que as recuperou foi construída em torno do próprio professor da família e de um horário semanal fixo.

Fan, Li e Zhang (2026) nomeiam as condições de mensuração que tornam inseguro o conselho familiar genérico: os instrumentos para letramento em IA, dependência e excesso de confiança foram em grande medida desenvolvidos em amostras de universidades especializadas ou de um único país, e a maioria dos estudos é transversal e autorrelatada. O argumento de equidade do SAIL se aplica também no registro da família: fornecer um dispositivo aborda apenas a primeira das três divisões, e as lacunas de habilidades e de resultados persistem independentemente de quem possui o hardware.

O que a evidência mostra e não mostra

Os resultados mais fortes voltados à família nesta base de conhecimento dizem respeito a comportamento, e não a aprendizagem. Reduzir o atrito voltado à família elevou a assiduidade na primeira sessão de cerca de 45% para 83% em um ensaio, e a adesão permaneceu como a restrição vinculante mesmo então. O mesmo ensaio produziu ganhos de resultado pequenos e imprecisos, enquanto o maior estudo de desempenho relata grandes efeitos negativos concentrados entre estudantes que terceirizaram a lição de casa, um padrão que os autores atribuem em parte a um monitoramento parental que não conseguiram mensurar diretamente. Nenhum dos achados isola o que os pais fazem do que as escolas ou as ferramentas fazem.

O que falta é mais conspicuoso. Os relatos dos próprios pais são raros: os professores em Xiao et al. (2026) excluíram os pais de sua amostra por desenho, e os pais que aparecem são entrevistados como uma voz entre meninas, praticantes ou professores. Não há aqui evidência direta sobre como as famílias aprendem a política de IA de uma escola, o que lhes é dito sobre monitoramento ou divulgação, ou como respondem a isso, e a coordenação família–escola foi teorizada, e não testada. Desenhos de tutoria em casa como o ParaTutor foram avaliados com 23 díades em um único contexto nacional, e as comparações de companheiros repousam sobre 19 estudantes de uma única escola.

Uma revisão de escopo de 2026 mapeia até onde o campo chegou. Luo et al. (2026) analisaram 53 estudos de IHC a partir de 6.540 registros em 19 veículos por meio da teoria da atividade, e constataram que a literatura se centra na interação entre criança e pais e na linguagem, no letramento em IA e na aprendizagem relacional, com 44 dos 53 estudos (83%) situados em configurações de criança e pais. Sistemas conversacionais, corporificados e espaciais geram apoio a partir do contexto de uma interação em desenrolamento, e os LLMs redistribuem o trabalho educacional enquanto famílias e instituições permanecem responsáveis por interpretar as saídas e decidir como elas entram na prática. A personalização sustentada, o trabalho de reparo e como as famílias negociam autoridade e regras são as lacunas que a revisão nomeia, o que é a mesma ausência que esta seção documenta a partir da outra direção.

Relação com outras páginas. Partes interessadas é a visão geral curta de todo o conjunto de partes interessadas, com as famílias listadas como um público ainda não coberto em profundidade; esta página é essa profundidade. Educação infantil e fundamental com IA cobre o domínio desenvolvimental e pedagógico para quem aprende sendo jovem, atravessando escola e casa; esta página acompanha a família ao longo das idades, das atividades lúdicas na educação infantil à lição de casa do ensino médio. Divulgação do uso de IA cobre se quem aprende conta aos outros que usou IA; esta página cobre a questão adjacente de se essa informação chega aos adultos em casa, e o que é dito às famílias sobre o uso de IA na escola.

Conceitos conectados

• Partes interessadas — a página guarda-chuva dos públicos e atores na IA na educação
• Educação infantil e anos iniciais — o domínio desenvolvimental onde o uso em casa e pela família é mais estudado
• Uso de IA e declarações de divulgação — práticas de divulgação e a questão do que chega às famílias
• Letramento em IA — as competências dos próprios pais e os frameworks construídos pela escola que as definem
• Equidade na educação com IA — como benefícios e ônus se distribuem entre as famílias
• Divisão digital — as camadas de acesso, habilidades e resultados conforme se aplicam em casa
• IA conversacional — a forma dominante que a IA assume nos contextos familiares
• Teoria da autodeterminação — o apoio à autonomia como enquadramento para a orientação familiar
• Descarregamento cognitivo — descarregamento dependente versus autônomo, e por que os pais não conseguem ver a diferença
• Tutoria inteligente — o modelo por trás da tutoria entre pais e filhos mediada por IA

Artigos conectados

• Artificial Intelligence Connectedness: Theoretical Reconstruction of Connectedness and Its Impacts on Adolescent Mental Health — Conectividade com IA em adolescentes e quando o vínculo com a IA substitui o reconhecimento não recebido do cuidador

• ParaTutor: Coordinating Parent-Child Math Tutoring through Role-Separated LLM Scaffolding — apoio de LLM com papéis separados para 23 díades de pai e filho na tutoria domiciliar de matemática na China

• Beyond a single role: Justifying a role-adaptive framework for AI companions through a comparative study in elementary book talk — companheiro de papel fixo de par versus professor com 19 estudantes do fundamental em Taiwan

• Family-school autonomy support for children's responsible use of generative artificial intelligence — revisão que trata a coordenação família–escola como uma hipótese não testada

• RAISE the Standard: A Framework for Transparent Reporting of Artificial Intelligence Studies in Education — obrigações de relato cobrindo consentimento, contexto dos participantes e equidade de acesso

• Exploring K-12 Teachers' Perceptions of Students' Relationships with AI Companions: Boundaries, Intervention Strategies, and Design Implications — 33 professores sobre jurisdição, pais e a relação das crianças com companheiros de IA

• AI-Play: A Framework for Teaching Artificial Intelligence Concepts through Unplugged Activities in Early Childhood Education — letramento em IA sem telas testado por meio de um evento de Hora do Código centrado na família

• Beyond “painting in pink”: A critical case study of all-girls generative AI workshops in a European makerspace — pais entre os entrevistados; barreiras de custo e de linguagem das ferramentas em contextos informais

• Tailoring AI Agents for Early Learning: The Creative Project Approach — agentes físicos para crianças pequenas, com ressalvas de custo, acesso e privacidade

• Transforming clicks into critical thinking: An AI-based media literacy program for children — programa escolar sobre privacidade de dados, comunicação segura e ética midiática com 36 estudantes do 4º ano

• Virtual Tutoring with Computer-Assisted Learning: An Experiment in Take-Up and Learning — a adesão subiu de 45% para 83% quando as etapas voltadas à família foram removidas

• The Generative AI Learning Penalty: Evidence from Chinese Secondary Education — terceirização da lição de casa, quedas nas provas e o argumento por monitorar insumos

• The Scaffolded AI literacy (SAIL) framework: Results of a Delphi study for equitable AI literacy framework design in education — níveis de letramento em IA agnósticos em idade e a divisão digital de três níveis

• Characterizing LLM-Based Family Education through the Lens of Activity Theory: A Scoping Review of the HCI Literature — Characterizing LLM-Based Family Education through the Lens of Activity Theory: A Scoping Review of the HCI Literature

• Tutoria inteligente — the model behind AI-mediated parent–child tutoring