Avaliação entre pares

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

Avaliação entre pares — a prática na qual estudantes avaliam, dão nota ou dão feedback ao trabalho uns dos outros, por meio de revisão por pares escrita, correção entre pares, revisão de código por pares ou avaliação de grupo e de equipe. Na escrita pedagógica, ela é uma boa prática de longa data: os estudantes aprendem tanto ao receber feedback baseado em critérios quanto ao fornecê-lo, e a conversa entre pares sobre trabalho compartilhado se correlaciona com aprendizagem mais profunda, consciência de público e desenvolvimento social. Na era da IA, ela está sendo reexaminada como uma escolha de desenho de avaliação, e não como uma atividade única — um complemento humano ao feedback gerado por IA, um campo de treinamento para o letramento em feedback e um lugar onde a integridade acadêmica e a autonomia do estudante são renegociadas.

Perguntas para refletir

• Lembre de uma ocasião em que seu trabalho foi avaliado por um par — ou em que você avaliou o dele. Do que você aprendeu mais: dar feedback ou recebê-lo, e por quê?
• Por que o feedback de um estudante poderia ser mais consciente do contexto e mais emocionalmente apoiador que o feedback de IA, ao mesmo tempo que o feedback de IA é mais consistente e conduzido pela rubrica? Como os dois poderiam se complementar?
• Os pares tendem a dar notas baixas a trabalhos fortes, e a IA tende a inflar trabalhos fracos. Se nenhum dos dois é confiavelmente preciso ao longo de toda a faixa de qualidade, para o que deveria ser usada uma nota de cada uma dessas fontes?
• A avaliação entre pares depende fortemente de andaimento e de critérios claros, e o viés de amizade e a ansiedade social podem tornar a revisão entre pares não treinada pior que nenhuma revisão. Como é, de fato, um treinamento adequado no seu contexto?
• Se a IA consegue redigir comentários sobre organização e estrutura, isso torna a avaliação entre pares redundante — ou libera os pares para dar o feedback específico e consciente do público que só eles conseguem dar?
• O feedback entre pares apoiado por IA generativa superou o feedback entre pares simples em um estudo, mas apenas com andaimento de prompt acrescentado. O que está sendo andaimentado ali — a IA, o estudante ou a avaliação?
• Diz-se que avaliar criticamente o feedback gerado por IA constrói letramento em IA e autonomia de escritor. O que significa ter autonomia sobre o próprio trabalho quando máquinas comentam cada vez mais sobre ele?

Introdução

A avaliação entre pares é uma escolha de desenho de avaliação na qual os estudantes assumem parte do trabalho avaliativo usualmente reservado aos instrutores. Suas formas diferem no que os estudantes produzem e no que está em jogo: feedback entre pares (comentários sobre um rascunho, usualmente formativo e de baixo impacto), correção entre pares (uma nota que contribui para uma nota final), revisão de código entre pares, e avaliação de grupo ou de equipe (onde os pares avaliam o produto coletivo ou as contribuições uns dos outros). A forma determina o que os estudantes praticam — dar um comentário baseado em critérios constrói juízo avaliativo de forma diferente de atribuir um número, e defender o próprio código oralmente constrói algo diferente outra vez. A autoavaliação, a prática irmã, volta esse mesmo escrutínio baseado em critérios para o próprio trabalho de quem aprende, enquanto a avaliação entre pares o dirige para a submissão de um par e para a consciência de público que vem com isso.

A base de pesquisa concorda que a avaliação entre pares produz aprendizagem e discorda sobre quanto depende do desenho. Ela dá aos estudantes um público autêntico, desenvolve juízo avaliativo por meio de respostas baseadas em critérios, e constrói o contexto social que apoia o engajamento e a motivação. Sua qualidade depende fortemente do andaimento — de quão bem ela é estruturada, e de os estudantes receberem critérios claros e treinamento. Essa dependência é onde a IA entra, como um complemento consistente e conduzido pela rubrica ao feedback específico e consciente do contexto que os pares dão, e crescentemente como um andaimento embutido no próprio processo de avaliação entre pares.

O que os estudantes aprendem ao avaliar pares

O argumento mais forte a favor da avaliação entre pares é que quem avalia aprende. Fowles et al. (2026) submeteram cada envio de CS1 a uma entrevista oral de revisão de código de 15 minutos com um assistente de ensino treinado, com peso de 70% na nota da tarefa. A proporção de caracteres colados sobre o total subiu de 61,0% para 68,1% (p < 0,0001), mas as notas nas provas não caíram e o tempo em tarefa se manteve estável; 90% dos estudantes disseram que as revisões os motivaram a entender melhor seu código e 65% que elas os ajudaram a evitar o excesso de dependência da IA. Exigir que os estudantes explicassem seu trabalho a um par treinado converteu o potencial de descarregamento em uma oportunidade de prática autorregulada.

O mecanismo reaparece ao longo da literatura. Em uma revisão sistemática PRISMA 2020 de 22 artigos a partir de 203 triados, Martínez-Peláez et al. (2025) constataram que os LLMs apoiam a colaboração em parte por auxiliar o feedback entre pares e simular avaliações baseadas em rubrica, e que os estudantes que verificam e corrigem a saída do modelo desenvolvem pensamento crítico. O aprender ensinando aparece até entre máquinas: o discurso semelhante ao de aprendizagem entre pares entre mais de 2,4 milhões de agentes de IA foi majoritariamente afirmação, e não indagação (razão entre afirmações e perguntas de 11,4:1, reflexão metacognitiva em apenas 7% de uma taxonomia codificada ao longo de 28.683 posts), o que Chen et al. (2026) tratam como uma advertência de que o discurso de superfície não estabelece que algo foi aprendido.

Treinamento, calibração e letramento em feedback

A avaliação entre pares falha de forma previsível quando os estudantes não são treinados. Gu, Chen e Yan (2026) realizaram um quase-experimento de métodos mistos com 118 estudantes do primeiro ano do ensino superior na China, comparando o ChatGPT-4o sob rubricas pré-treinadas contra folhas de trabalho de revisão entre pares estruturadas com um exemplar de alta qualidade. O letramento em feedback subiu ligeiramente mais no grupo de IA generativa (ANCOVA p = 0,049, η²p = 0,03), mas os achados qualitativos importam mais: os estudantes do grupo de pares escolhiam as fontes de feedback por conveniência social — pares próximos, pares do mesmo curso, colegas de quarto —, raramente tinham objetivos específicos de feedback, e enfrentavam ansiedade social ao buscar feedback. A avaliação por pares era mais frequentemente distorcida pelo viés de amizade e pela proficiência percebida dos pares, e a reflexão dos pares frequentemente era adiada até provas posteriores. Os autores recomendam desenhos de múltiplos estágios com feedback entre pares anônimo, já que a revisão por pares ainda constrói de forma única a consciência de público e o juízo avaliativo por meio do ato de dar feedback.

Frameworks de desenho miram esses gargalos. Irwin e Muller (2026) propõem dois papéis de IA generativa no feedback entre pares em inglês como língua estrangeira sobre fala, um caso que eles argumentam ser mais difícil que a escrita por causa da pressão de tempo, do desempenho oral fugaz e do afeto intensificado: um Treinador que apoia quem dá feedback por meio de calibração baseada em exemplares e feedback sobre o feedback, e um Sintetizador que agrega os comentários dos pares em um relato de incorporação ligado aos critérios, normalizando formatos, preservando visões minoritárias e sinalizando contradições. Seus princípios são timing e sequenciamento cuidadosos, unidades curtas e repetidas do Treinador, preservação da voz de quem dá feedback, e Salvaguardas que mantêm o professor no circuito, sem correção automatizada. O artigo é conceitual, sem novos dados empíricos.

Validade, equidade e precisão da nota: pares versus IA versus instrutor

Onde a avaliação entre pares produz uma nota, a questão é se a nota é defensável. Usher e Faraon (2026) constataram que o alinhamento entre pares e instrutor era mais forte para trabalhos de menor qualidade (r = 0,51 na faixa de baixa qualidade) e enfraquecia para projetos de alta qualidade, que os pares tendiam a subnotar — plausivelmente refletindo relutância em criticar trabalho forte. O ChatGPT mostrou o padrão oposto: melhor alinhamento em trabalho de alta qualidade, mas notas infladas para envios fracos. Os estudantes percebiam as notas dos pares como mais consistentes com o próprio feedback escrito dos pares, e valorizavam o juízo consciente das relações dos pares junto com a consistência neutra do ChatGPT. A precisão dos pares depende da qualidade e é sensível às relações, e nenhuma fonte única é confiável ao longo de toda a faixa.

Isso restringe para o que uma nota de par deveria ser usada. Uma marca calibrada no meio da distribuição não precisa estar calibrada no topo nem na base, de modo que as notas dos pares são mais defensáveis como insumo para uma decisão moderada ou como evidência do juízo de quem avalia do que como nota final sobre trabalho forte. Suen e Hung (2026) sublinham por que as instituições seguem buscando alternativas escaláveis: o feedback entre pares e o coaching especialista consomem tempo, são custosos e difíceis de escalar de forma consistente. Seu sistema de laço fechado pontuou 204 adultos em habilidades de apresentação com uma espinha dorsal XGBoost que se aproxima da confiabilidade de corretores especialistas (ρ = 0,69–0,78) e ganhos pré–pós de d de Cohen = 0,39–0,90 — um estudo de campo pré–pós, e não uma comparação contra a avaliação entre pares, substituindo o juízo da máquina em vez de ampliar o juízo dos pares.

Avaliação entre pares ampliada por IA: PAIRR e a divisão Treinador/Sintetizador

O padrão de desenho dominante mantém o par no centro e acrescenta IA em torno dele. O modelo Revisão por Pares e IA + Reflexão é a instância mais bem documentada. Sperber et al. (2025) implementaram o PAIRR em 10 cursos de escrita e três cursos de STEM intensivos em escrita, com 654 estudantes (37% de primeira geração, 13% internacionais, 68% multilíngues). Os estudantes redigiam, trocavam revisão entre pares, pediam ao ChatGPT feedback conduzido pela rubrica sobre o mesmo rascunho, avaliavam criticamente ambos, planejavam revisões e refletiam. 58% preferiram o feedback combinado, 36% o feedback entre pares isoladamente, e apenas 6% o feedback de IA isoladamente. As duas fontes eram frequentemente semelhantes (75% relataram semelhanças, descritas como se confirmando e fortalecendo mutuamente) e, quando diferiam, complementares: o feedback de IA era frequentemente chamado de genérico demais (31%), mas dava estratégias de revisão acionáveis sobre organização e estrutura, enquanto o feedback entre pares era mais específico e detalhado (28%) e se apoiava em conhecimento contextual da tarefa. Avaliar criticamente a saída de IA construiu letramento em IA, e apenas 5,3% dos estudantes mostraram excesso de confiança nela.

O padrão se generaliza para a escrita profissional. MacArthur et al. (2025) aplicaram o PAIRR a um curso de escrita em negócios de nível avançado em que cada uma das cinco tarefas principais exigia um rascunho, uma análise de público, uma revisão por 2–3 pares e uma revisão (34 dos 46 estudantes matriculados participaram; 69% multilíngues). Os estudantes valorizavam o feedback de IA, mas às vezes o achavam genérico demais, e valorizavam o conhecimento contextual dos pares — "meus pares olharam isso da perspectiva do empregador… o ChatGPT não fez isso tanto". Um quarto das reflexões codificadas no estudo PAIRR maior expressou ceticismo sobre o feedback de IA ou notou imprecisões, o que os autores leem como desenvolvimento de letramento em IA. O estudo é descritivo e específico do curso.

A IA generativa como andaimento dentro do feedback entre pares e da avaliação em grupo

O teste mais rigoroso de quanto o desenho importa é um experimento agrupado e randomizado, multissítios. Ateş (2026) randomizou 48 turmas em 4 universidades — 1.176 estudantes do primeiro ano em biologia, química e física — para quatro condições de argumentação científica: apenas feedback entre pares, feedback direto de IA generativa, feedback reflexivo de IA generativa (autoavaliação e depois crítica da IA), e um híbrido de autoavaliação → feedback entre pares → crítica de IA generativa. A IA generativa direta superou o feedback entre pares na qualidade imediata da argumentação, mas mostrou transferência mais fraca; os desenhos reflexivo e híbrido produziram maior incorporação do feedback e aprendizagem autorregulada; o híbrido mostrou a vantagem mais clara na aprendizagem conceitual; ambos superaram a IA generativa direta na transferência retardada sem IA. O valor da IA generativa, concluem os autores, depende menos do acesso do que de o ambiente preservar a autonomia e a propriedade do estudante durante a revisão.

Sequenciar o feedback de IA antes da discussão entre pares, e não depois dela, também elevou os resultados: contra apenas o feedback entre pares, 122 estudantes chineses de inglês como língua estrangeira que receberam feedback integrado de IA mais pares relataram maior engajamento afetivo, comportamental e cognitivo (η² parcial = 0,29, 0,28, 0,32) e superaram os demais em todas as quatro dimensões de escrita do IELTS, sendo a maior no cumprimento da tarefa (d = 1,41) (Liu (2026)).

Esse padrão — uma vantagem inicial que não se sustenta — reaparece quando a comparação é o feedback do professor contra o feedback entre pares assistido por IA, em vez da IA generativa isoladamente. Tang, Li e Luo (2026) realizaram um quase-experimento de oito semanas com 61 escritores chineses de L2 (244 textos pontuados) trabalhando a partir de uma única checklist de cinco dimensões, com uma turma recebendo feedback escrito do professor e a outra feedback entre pares assistido por IA. O feedback do professor produziu muito mais comentários — 316 itens contra 185 na primeira tarefa, concentrados em vocabulário e detalhes técnicos — e o ganho imediato ligeiramente maior, mas sua melhoria caiu acentuadamente na segunda tarefa, enquanto a turma de pares assistidos por IA se manteve estável e terminou com a nota de revisão mais alta. Os comentários dos pares assistidos por IA eram menos numerosos, mas permaneceram ancorados em conteúdo e estrutura, e sua vantagem inicial de diversidade lexical não persistiu; nenhum dos modos moveu a complexidade sintática. Os autores leem os dois como andaimentos complementares e propõem um híbrido IA–Par–Professor, no qual a IA marca erros de superfície durante a redação, os pares negociam o conteúdo na revisão, e o professor mira o que nenhum dos dois alcançou.

Acrescentar IA generativa também pode elevar a qualidade do próprio feedback entre pares, mas aparentemente apenas com apoio de prompt. Chang et al. (2026) compararam três condições entre 45 professores em formação em 12 grupos ao longo de quatro rodadas de argumentação colaborativa: feedback entre pares simples, feedback entre pares com IA generativa, e feedback entre pares com IA generativa sob andaimento de prompt. Os grupos com apoio de IA generativa superaram o feedback entre pares simples em desempenho de argumentação, e o grupo com andaimento de prompt teve o melhor desempenho em elementos avançados como "dados e garantia de refutação" e "enfrentamento da visão oposta". Os grupos com apoio de IA generativa produziram mais explicações, sugestões e feedback neutro ou negativo, e o grupo andaimentado combinou emoções negativas com conteúdo de feedback de ordem superior — avaliação crítica em vez de aceitação passiva. É um experimento único e pequeno, mas isola o andaimento de prompt como o ingrediente ativo.

A avaliação em grupo muda o problema, porque os estudantes precisam negociar de quem o uso de IA é aceitável. Chen e Zou (2026) entrevistaram 15 grupos focais de 52 professores em formação em um curso no qual uma apresentação de grupo valendo 30% da nota final exigia integração e coerência. Três padrões emergiram: autonomia orientada à cooperação em cinco grupos, que intensificaram o uso de IA generativa para manter o trabalho coeso e proteger uma nota compartilhada; autonomia normativa em sete grupos, que contiveram o uso para proteger autenticidade e equidade — um estudante raciocinou que gerar uma parte na IA seria "injusto com os outros colegas de grupo"; e autonomia não exercida em três grupos cuja prática nunca mudou em relação ao trabalho individual. Os autores argumentam que a capacidade individual não se torna autonomia coletiva por si só e que a negociação do uso aceitável de IA deveria ela mesma se tornar um resultado avaliável, com tarefas de revisão entre pares alimentando o produto final.

Arquitetura do feedback, divulgação e as condições sociais da avaliação entre pares

A avaliação entre pares também depende do que os estudantes conseguem ver uns dos outros e do que admitirão. Hao e Cukurova (2026) testaram um desenho de aprendizagem com resumos gerados por IA ao longo de três iterações com 128 estudantes por oito semanas. Os estudantes nas iterações com apoio de IA mostraram centralidade de grau de saída padronizada significativamente maior que a linha de base (β = 0,547 e β = 0,438, ambos p < 0,001): eles viram ou interagiram com mais pares. As entrevistas descreveram os resumos como um mapa de navegação que reduzia o esforço de encontrar contribuições enterradas em tópicos mal nomeados, e os estudantes atentaram para colaboradores ativos escolhidos por opiniões contrastantes, e não por amizade. O desenho não impediu o declínio da atividade de visualização sob carga de trabalho crescente, de modo que as affordances tecnológicas, isoladamente, não sustentam o engajamento.

As normas dos pares também moldam a honestidade, o que importa onde quer que pares avaliem trabalho influenciado por IA. Qu e Wang (2026) pesquisaram 409 estudantes de graduação singapurenses sobre por que os estudantes dissimulam o uso de IA generativa apesar das exigências de divulgação, e constataram que as variáveis relacionais dominaram: a divulgação percebida dos pares e o conforto com os instrutores foram os preditores mais fortes da divulgação, enquanto o desengajamento moral foi mais fraco. A não divulgação foi adaptação estratégica às normas percebidas dos pares e à baixa confiança interpretativa, e não negligência moral. As normas dos pares podem, portanto, apoiar a honestidade, como quando estudantes de avaliação em grupo contiveram o uso de IA por obrigação para com os colegas, ou suprimi-la, como quando a adoção coletiva reduziu o risco percebido de uso indevido. A transparência, argumentam os autores, depende menos de conformidade do que de confiança e de climas normativos positivos — uma condição relacional que os desenhos de avaliação entre pares ou criam ou destroem.

Implicações para o desenho e questões abertas

Vários movimentos de desenho se seguem. Dê a quem avalia treinamento, exemplares e critérios antes de avaliar, porque a avaliação entre pares não treinada é vulnerável ao viés de amizade, à seleção de fontes por conveniência e à ansiedade social. Sequencie o trabalho de modo que a autoavaliação preceda o feedback entre pares e a crítica da IA, já que a condição híbrida produziu a aprendizagem conceitual mais forte e a melhor transferência retardada. Onde a IA generativa entra, dê andaimento a como os estudantes fazem prompts a ela. Mantenha o professor no circuito para qualquer coisa que se torne nota, trate as notas dos pares como evidência dependente da qualidade, e não como marcas uniformes, e torne o próprio uso de IA algo que os grupos negociam e documentam.

A revisão mediada por IA generativa também herda as normas linguísticas da ferramenta: colaboradores de um diálogo sobre World Englishes argumentam que revisores que usam IA generativa estão expostos ao mesmo viés em direção a variedades dominantes do inglês que os modelos, e recomendam editar ou reescrever o texto gerado para refletir a própria identidade linguística do escritor (Ugwuanyi et al. (2026)).

As questões abertas dizem respeito à força da evidência, e não apenas ao desenho. Boa parte da evidência sobre pares e IA é pequena e ligada ao contexto: 45 professores em formação em um curso, 34 estudantes em um curso de escrita em negócios, 52 professores em formação em 15 grupos focais. A pesquisa PAIRR é o maior conjunto de dados aqui e mede percepções dos estudantes, e não a qualidade das saídas de IA que eles julgaram. Apenas os 1.176 estudantes de graduação do experimento multissítios se aproximam de uma escala causal-comparativa, e ele testa o desenho de feedback para argumentação científica, e não a avaliação entre pares como tal. Enquanto isso, O'Neill (2026) auditou 14 meta-análises revisadas por pares que afirmam que a IA melhora a educação e não encontrou nenhuma que fornecesse uma base válida para suas afirmações — todas, exceto duas, definiram o tratamento como uma ferramenta, e não como uma intervenção pedagógica, a heterogeneidade foi alta em toda meta-análise que reportou I² (77,2% a 94,4%), e uma auditoria de 59 estudos primários constatou que 61% tinham problemas de validade, mais frequentemente um descompasso entre o resultado mensurado e a afirmação feita. Afirmações sobre o que a IA faz na avaliação entre pares deveriam ser tratadas como afirmações sobre uma atividade desenhada, testadas nos termos dessa atividade.

Conceitos conectados

• Padrões pedagógicos — PAIRR e feedback combinado de pares mais IA: as sequências e sua evidência comparativa
• Escrita
• Avaliação formativa
• Autoavaliação
• Qualidade do feedback de IA
• Letramento em IA
• Aprendizagem autorregulada
• Metacognição
• Experiência dos estudantes
• Aprendizagem colaborativa
• Integridade acadêmica
• Letramento em feedback
• Retroalimentação (Feedback)
• Trabalho em grupo
• Avaliação
• Andaime (Scaffolding)

Artigos conectados

• AI-peer integrated feedback in second language writing classes: exploring students' engagement and writing performance — O feedback integrado de IA mais pares elevou as três dimensões de engajamento e as quatro dimensões de escrita do IELTS

• Who grades best? Comparing ChatGPT, peer, and instructor evaluations across varying levels of student project quality — Comparando a correção do ChatGPT, de pares e de instrutores ao longo dos níveis de qualidade do projeto (Usher & Faraon 2026)

• Peer and AI Review + Reflection (PAIRR): A Human-Centered Approach to Formative Assessment — Revisão por Pares e IA + Reflexão (PAIRR)

• AICoFe: Implementation and Deployment of an AI-Based Collaborative Feedback System for Higher Education — Sistemas de feedback entre pares com IA

• Unravelling undergraduates' development of evaluative judgments through AI-supported internal feedback — Desvendando o desenvolvimento de juízos avaliativos em estudantes de graduação

• Enhancing learner-centered feedback with AI: teachers'' practices and perceptions — Aprimorando o feedback centrado em quem aprende com IA

• Generative AI and linguistic diversity in academic writing and publishing: Perspectives from World Englishes — IA generativa e diversidade linguística na escrita acadêmica

• GIFT-AI: Teaching the Game and Leveling the Field: Peer and AI Review + Reflection in a Business Writing Course — PAIRR em um curso de escrita em negócios: revisão entre pares, feedback de chatbot, reflexão (MacArthur et al. 2025)

• Fostering feedback literacy by scaffolding self-regulated feedback: a comparative study of GenAI and human peers — IA generativa versus pares humanos para andaimentar o feedback autorregulado e o letramento em feedback (Gu et al. 2026)

• Positioning Generative AI in EFL Peer Feedback: Training Feedback Literacy and Enabling Uptake in Speaking Classes — IA generativa como Treinador e Sintetizador no feedback entre pares em inglês como língua estrangeira sobre fala (Irwin & Muller 2026)

• Human-centered GenAI feedback design in higher education: a multisite experiment on direct, reflective, and hybrid approaches to scientific argumentation — Experimento multissítios comparando feedback apenas entre pares, direto, reflexivo e híbrido de IA generativa (Ateş 2026)

• Leveraging generative AI to facilitate peer feedback in collaborative argumentation learning — Feedback entre pares com IA generativa andaimentado por prompt na argumentação colaborativa (Chang et al. 2026)

• Students' Agency in GenAI-Mediated Group Assessment: An Ecological-Emergent Perspective — Autonomia na avaliação em grupo mediada por IA generativa: cooperação, contenção, não exercício (Chen & Zou 2026)

• Combating Harms of Generative AI in CS1 with Code Review Interviews and a Flipped Classroom — Entrevistas orais de revisão de código como redução de dano da IA generativa em CS1 (Fowles et al. 2026)

• An Interpretable Closed-Loop Intelligent Tutoring System for Multimodal Affective Feedback in Asynchronous Presentation Training — Coaching automatizado multimodal de apresentação como alternativa escalável ao feedback entre pares (Suen & Hung 2026)

• Enhancing Peer Exposure and Creating Opportunities for Bridging Social Capital Through an AI-Generated Summary-Driven Learning Design in Online Discussion Forums — Resumos de discussão gerados por IA ampliam a exposição entre pares em fóruns on-line (Hao & Cukurova 2026)

• To disclose or not to disclose: Peer influence and psychological factors in students' use of generative artificial intelligence — Influência dos pares e confiança relacional na divulgação de IA generativa pelos estudantes (Qu & Wang 2026)

• Can Large Language Models Foster Critical Thinking, Teamwork, and Problem-Solving Skills in Higher Education?: A Literature Review — Revisão sistemática de LLMs para pensamento crítico, trabalho em equipe e resolução de problemas (Martínez-Peláez et al. 2025)

• When AI Agents Teach Each Other: Discourse Patterns Resembling Peer Learning in the Moltbook Community — Discurso semelhante ao de aprendizagem entre pares entre 2,4 milhões de agentes de IA (Chen et al. 2026)

• Presumed Effective: The Manufacturing of an Evidence Base for AI-in-Education Through Flawed Meta-Analysis — Auditoria de 14 meta-análises de AIED e 59 estudos primários (O'Neill 2026)

• Teacher feedback vs. AI-assisted peer feedback in L2 writing: A quasi-experimental study in a Chinese university — Feedback do professor versus feedback entre pares assistido por IA na escrita de L2: quantidade, foco e trajetórias de melhoria ao longo de duas tarefas (Tang, Li & Luo 2026)