Nesta página

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

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

Síntese: A IA na educação primária é usada principalmente para diferenciar a prática de alfabetização e numeracia nos anos iniciais, para redigir materiais para professores e para dar às crianças algo a quem fazer perguntas. Os estudos mais bem controlados mostram ganhos pequenos que dependem da orquestração do professor, e não do modelo, e um ensaio construído para isolar a adaptatividade não encontrou vantagem alguma nela. Esta página cobre o que a evidência sustenta em tutoria, leitura, escrita e letramento em IA, e por que a implantação em nível de turma muda o que significa boa prática dos cinco aos onze anos.

Perguntas para refletir

  • Um sistema de tutoria eleva as notas nas palavras ensinadas, mas não no vocabulário padronizado. Qual resultado deveria justificar a compra por uma escola?
  • Em um ensaio com o 2º ano, o tutor adaptativo não teve desempenho melhor que a sequência fixa. Se a adaptatividade não é o ingrediente ativo, qual é, e como você testaria isso?
  • As crianças de um estudo confiaram em um chatbot quase tanto quanto em um professor ou um amigo. O que mudaria na sua sala de aula se você assumisse esse nível de confiança?
  • A maioria das implantações na educação primária é em nível de turma: uma tela compartilhada, um professor digitando prompts, crianças observando. O que isso torna possível que dispositivos para todos não tornam?

Introdução

A educação primária abrange aproximadamente dos cinco aos onze anos, quando as crianças aprendem a decodificar texto, raciocinar com números e trabalhar em uma sala com um único adulto. A IA chega a essa faixa por meio de softwares de prática que se ajustam às respostas da criança, ferramentas voltadas ao professor que redigem planos e Retroalimentação (Feedback), e agentes conversacionais a quem as crianças se dirigem diretamente. O terceiro tem a evidência mais fraca e a exposição mais direta.

As crianças têm habilidades limitadas de teclado, metacognição em desenvolvimento e uma forte tendência a tratar um sistema fluente como uma pessoa que sabe. As salas de aula têm menos dispositivos que crianças, de modo que a unidade realista é uma estação, uma tela compartilhada ou um fluxo de trabalho mediado pelo professor, e não um tutor por aluno. Os adultos também carregam uma responsabilidade legal e desenvolvimental que nenhum contrato com fornecedor transfere.

O que a base de evidências pode sustentar

  • A literatura é ampla, mas rasa. Uma revisão de 31 estudos de IA no ensino de línguas do ensino fundamental, de 2013 a 2025, encontrou o trabalho concentrado em fala, alfabetização e vocabulário, com gramática, compreensão auditiva e língua de sinais mal estudadas. A maioria era qualitativa ou de métodos mistos, com amostras de tamanho médio e sem delimitação de faixa de anos.

  • O ensaio mais forte de línguas na educação primária é modesto. Uma revisão de escopo de 119 relatos sobre ferramentas mediadas por IA no inglês da educação primária incluiu um ensaio randomizado por cluster com 217 alunos do 2º ano aprendizes de inglês. Encontrou um tamanho de efeito de 0,38 nas palavras ensinadas e efeitos não significativos no vocabulário padronizado e na compreensão de leitura (Li e Zhou, 2026).

  • Uma plataforma personalizada de frações não superou o ensino comum. Ao longo de cinco dias, o grupo de ensino habitual teve ganhos de compreensão de frações significativamente maiores que o grupo Mathbot. A amostra final foi de 22 estudantes após perdas e remoção de outliers, e o grupo de comparação estava um ano abaixo do grupo de tratamento (Holman, 2024).

  • Os efeitos agregados de tutoria são pequenos e frágeis. Uma meta-análise de 18 experimentos e 11 sistemas de tutoria inteligente em escolas K-12 dos EUA encontrou g = 0,271. Os efeitos se mantiveram em g = 0,266 no ensino fundamental, caíram para g = 0,146 nos estudos que incluíam escolas rurais e recuaram para um g = 0,110 não significativo além de seis meses (Leite et al., 2025).

O efeito médio é positivo, pequeno e sensível ao contexto, à duração e ao resultado escolhido.

Tutoria e prática adaptativa

  • A adaptatividade sozinha não rendeu nada. Um experimento de campo deu a 132 alunos do 2º ano 30 minutos em uma de duas versões do mesmo tutor de matemática, idênticas em conteúdo, interface, feedback e dicas. Apenas a seleção de tarefas diferia. As notas do pós-teste não diferiram, F(1, 124) = 0,32, p = 0,574, e tampouco o esforço ou o prazer relatados (Sibley, Berner e Schmalfeldt, 2026).

  • A formação, não o sistema, produziu o ganho. Em 19 turmas de escolas públicas brasileiras, os estudantes ensinados por professores formados superaram os controles tanto na condição de formação (15,15 pontos) quanto na condição de formação mais sistema (12,31). Acrescentar o sistema não produziu ganho adicional, −4,33, IC 95% [−17,29, 7,23], e os professores disseram que fotografar os trabalhos e corrigir erros de reconhecimento consumia tempo (Rodrigues et al., 2026).

  • A dosagem acompanhou o crescimento em leitura, e a dosagem era uma decisão do professor. Em uma escola charter, alunos do 1º e 2º anos foram divididos pelos minutos registrados em grupos de dosagem alta, baixa e nula. A dosagem alta superou a baixa em g = 0,56; alta versus nula alcançou g = 0,65, mas p = 0,026, fora do limiar corrigido de 0,025. Os estudantes abaixo do percentil 25 mostraram g = 0,89 (Burns e Morton, 2026).

O sistema nunca é o tratamento inteiro. Um professor decide quem o usa, por quanto tempo e o que acontece quando ele falha.

Leitura, escrita e feedback

  • O feedback melhorou a escrita quando os professores o discutiram. O eRevise deu a alunos do 5º e 6º anos feedback automatizado sobre o uso de evidências na escrita argumentativa. Entre 34 professores e 609 estudantes em oito paróquias da Louisiana, as notas dos atributos melhoraram apenas com o feedback, e as salas em que os professores responderam de forma substantiva melhoraram mais. As explicações conceituais do uso de evidências subiram de 18,1% para 41,9% (Correnti et al., 2026).

  • O feedback adaptativo superou orientações genéricas bem-feitas. Em um experimento pré-registrado intra-sujeitos, 155 alunos alemães do 5º e 6º anos revisaram seis planos curtos, três com feedback de LLM sobre o próprio texto e três com orientações escritas por especialistas, pareadas em estrutura, tom e extensão. A mediana da qualidade dos planos subiu de 2 para 3 com a orientação genérica e de 2 para 5 com o feedback adaptativo (Sukjaitham et al., 2026).

  • Um programa de escrita com GenAI de nove semanas moveu o afeto, não a profundidade. Com 301 estudantes do 5º e 6º anos do leste da China designados por turma, o programa elevou o self ideal de escrita em segunda língua e a buoyancy acadêmica e melhorou o uso da língua. Não moveu a mentalidade de crescimento, o engajamento cognitivo ou metacognitivo, nem a organização, e os efeitos foram pequenos: η² parcial de 0,030 para Motivação e 0,014 para o uso da língua (Lu et al., 2026).

O feedback contingente sobre a tentativa da própria criança faz um trabalho que a orientação genérica não consegue, e o ganho cresce quando um adulto retoma o que o feedback levantou.

Letramento em IA e o uso de chatbots pelas próprias crianças

  • As crianças confiam rapidamente em um chatbot bem-comportado. Sessenta e três crianças de 6 a 14 anos usaram um chatbot limitado a um tema em uma escola pública dos EUA. Cinquenta e dois por cento confiavam em geral em suas respostas, 35% confiavam nele como em um professor ou amigo, e cerca de um terço confiaria segredos a ele. As crianças testavam a credibilidade com perguntas cujas respostas já conheciam (Vahedian Movahed e Martin, 2025).

  • O conhecimento sobre IA cresce com a idade; o julgamento de segurança, não. Entre 71 crianças de 10 a 16 anos, o conhecimento fundacional sobre IA subiu com a idade, β = 0,17. As avaliações de quão importante é a segurança da IA (M = 2,51) e de quão segura a IA é hoje (M = 2,77) se concentraram perto do ponto médio de uma escala de quatro pontos, sem efeito de idade. Uma criança de 12 anos raciocinou que "se eles são bons amigos, ele não espia tanto" (Leisten et al., 2026).

  • Ensinar sobre IA produz grandes ganhos autorrelatados. Uma meta-análise de 16 estudos que ensinaram a própria IA agregou 57 tamanhos de efeito de 3.837 estudantes K-12 em g = 0,892, com heterogeneidade de I² = 94,68%.

  • Existe uma escala de autorrelato validada para os anos finais da educação primária. O Questionário de autoavaliação de Letramento em IA, de 15 itens, cobre aprender sobre IA, como a IA funciona e a vida com IA para o 4º ao 6º ano, com CFI = 0,994 e alfa = 0,934. Seus autores afirmam que ele mede competência percebida, não demonstrada (Thianwan e Srikoon, 2025).

O letramento em IA aqui não é um currículo único simplificado. Um framework para uma criança de nove anos e outro para um adolescente de dezessete diferem em natureza: o mais novo precisa de histórias, analogia e construção, enquanto o mais velho pode criticar um sistema e prestar contas de uma decisão.

O que o letramento em IA contém e o que os estudos medem

Uma revisão de 2025 de 25 estudos empíricos na educação primária preenche o conteúdo dessa afirmação: o construto que ela mapeia tem quatro vertentes, e elas são ensinadas em proporções muito desiguais. Yim e Su (2025) encontraram letramento digital para interagir com IA em 19 dos 25 estudos, pensamento computacional em 10, ética da IA em 10 e letramento crítico em dados em apenas 5.

Uma unidade de programação, portanto, alcança uma vertente de quatro. A vertente que permitiria a uma criança de nove anos ver como os dados de treinamento moldam o que um classificador diz é justamente a que a literatura majoritariamente pula. Yim e Su leem o padrão como um enquadramento técnico que empurra as implicações sociais para um papel coadjuvante.

O ensino segue a lógica construcionista, mas com agentes em vez de papel. Agentes apareceram em 15 de 25 estudos, dispositivos focados em software em 8 e atividades desplugadas em 3; Teachable Machine, Jibo, Cozmo e Alexa permitem que as crianças treinem um modelo sem escrever código. Dos 16 estudos que nomeiam um framework, 8 usaram construcionismo ou construtivismo e 6 usaram o modelo ARCS. Os revisores questionam a sequência comum que ensina programação baseada em regras antes da aprendizagem orientada por dados, já que o aprendizado de máquina pede à criança que faça a curadoria de exemplos em vez de escrever regras.

O que conta como evidência é mais fino do que o que é ensinado. Surveys apareceram em 19 de 25 estudos, muitas vezes como itens únicos sobre prontidão ou intenção, e apenas 15 de 25 relataram algum resultado de aprendizagem. Entrevistas (11) e rubricas de artefatos (8) foram onde a compreensão conceitual apareceu. Essa é a base sob a escala de autoavaliação validada acima: um instrumento sólido para competência percebida, em uma literatura que raramente testa a competência demonstrada.

Um mapa sistemático da pesquisa em ciências nos anos iniciais chega ao mesmo problema a partir de um corpus diferente. Entre 103 publicações indexadas no Scopus de 2023 ao início de 2026, Barokah, Hermita e Putra (2026) encontraram resultados se ampliando para o território afetivo e regulatório enquanto os resultados epistêmicos permaneciam finos. Poucos estudos perguntaram se as crianças conseguiam separar observação de inferência ou julgar os limites de uma afirmação gerada por IA. Seu alerta sobre avaliação é específico dessa faixa: tarefas de desempenho nos anos finais do ensino fundamental produzem explicações parciais, desenhos e gestos, e um corretor que marca como errada uma resposta desenvolvimentalmente produtiva remove o valor formativo. Os contribuidores de ambas as literaturas se concentram na China, nos Estados Unidos e em Hong Kong, e a revisão da educação primária acrescenta uma lacuna de gênero, com meninos relatando mais confiança e prontidão (Dai et al., 2020, conforme relatado em Yim e Su).

Decisões de design que importam neste nível

  • Implante em nível de turma, não de dispositivo. Uma tela compartilhada com um professor digitando prompts mantém a saída dentro da revisão adulta, e um fluxo de trabalho mediado pelo professor pode alcançar estudantes que nunca tocam na ferramenta. O design desplugado brasileiro é o caso mais claro: papel e caneta para as crianças, uma câmera e um servidor para o professor.

  • Conte o trabalho de verificação. Os professores do ensaio de numeracia valorizaram listas de exercícios prontas, mas apontaram fotografar, esperar e corrigir erros de reconhecimento como o custo. A carga de trabalho esteve negativamente associada aos ganhos, mais claramente na demanda mental, −2,569.

  • Forme antes de escalar. Apenas 19,2% de 302 professores turcos da educação primária pesquisados tinham qualquer formação em IA, e a formação e a frequência de uso foram as variáveis mais consistentemente associadas a percepções favoráveis. A disposição (M = 3,98) correu bem à frente da experiência (M = 3,00) (Ciğerci e Uygun, 2026).

  • Proteja a fronteira entre o conhecimento pessoal e o compartilhado. Planos de aula gerados podem parecer prática coletivamente validada sem carregar nenhuma garantia da comunidade. O risco recai mais forte sobre os novatos, cujo conhecimento pedagógico do conteúdo ainda está em formação (Webb et al., 2026).

  • Decida onde os dados ficam antes de escolher o modelo. Um modelo de linguagem pequeno hospedado na escola, de 1B a 13B de parâmetros, acessível apenas na rede escolar com tráfego de saída proibido, troca profundidade de raciocínio por privacidade arquitetural. O teste é se os líderes conseguem explicar e controlar o que acontece com os dados das crianças (Zulfiqar e Iqbal, 2026).

  • Trate as habilidades, não o acesso, como a alavanca de equidade. Entre 4.497 estudantes do 6º ano nos Países Baixos, o letramento digital, e não a intensidade de uso de IA, mediou a ligação entre origem socioeconômica e desempenho (Wang et al., 2026).

Conexões

A educação primária está dentro do K-12 (educação básica e média) e herda seus problemas de política e de capacidade docente, mas as restrições desenvolvimentais são próprias. A literatura adjacente de educação infantil cobre a pré-escola e os primeiros anos escolares, onde o brincar e o Andaime (Scaffolding) do adulto dominam. A educação secundária começa por volta dos onze anos, onde departamentos por disciplina e exames substituem a sala de aula de professor único.

Implicações para a prática

Para professores

  • Defina primeiro o objetivo de língua ou matemática, depois escolha a função da ferramenta. O apoio de IA funcionou quando entrou em uma tarefa, em vez de substituí-la.
  • Opere a prática adaptativa como uma estação curta e registrada, e verifique os minutos por criança, não a adoção por turma.
  • Pergunte às crianças o que é um chatbot e quem pode ver o que elas digitam antes de deixá-las usar um.

Para líderes escolares

  • Calcule o custo do segundo e do terceiro ano de qualquer decisão de hospedagem local: atualizações, backup e o técnico responsável.
  • Atribua um revisor nomeado a cada plano ou conjunto de comentários redigido por IA que circula, e reserve tempo para a revisão.
  • Julgue uma ferramenta de leitura ou matemática por medidas padronizadas e proximais em conjunto.

Para pesquisadores

  • Relate dosagem, faixa de anos e apoio à implementação junto com os tamanhos de efeito; a maioria dos estudos na educação primária omite um dos três.
  • Separe a ferramenta do fluxo de trabalho adulto no design; os efeitos de formação e de sistema foram indistinguíveis no ensaio que testou ambos.
  • Meça o processo, não apenas as notas do pós-teste. Registros de perguntas, históricos de revisão e rubricas de diálogo capturam o que as escalas de autorrelato não conseguem.

Ideias equivocadas comuns

  • "Adaptativo significa melhor." A adaptatividade nomeia um mecanismo, não um resultado: o tutor do 2º ano que ajustava a dificuldade das tarefas deixou as notas do pós-teste estatisticamente indistinguíveis da sequência fixa, F(1, 124) = 0,32, p = 0,574.

  • "Um ganho nos itens que o programa ensinou prova aprendizagem." No ensaio de inglês da educação primária, a vantagem apareceu nas palavras cobertas pela intervenção e desapareceu no vocabulário padronizado e na compreensão de leitura.

  • "As crianças recebem chatbots com ceticismo saudável." A confiança se formou rapidamente no estudo acima: a maioria aceitou as respostas do sistema, e mais de um terço o tratou como um professor ou um amigo.

  • "As crianças pequenas recebem uma versão mais fácil do mesmo currículo de letramento em IA." O que muda entre as faixas é o tipo de tarefa, não sua dificuldade: histórias e construção no início, crítica e prestação de contas depois.

Conceitos conectados

Artigos conectados

Incorporar esta página

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