Base de Conhecimento AIEdAIEd KB
Nesta página

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

Conceitos

Aprendizagem baseada em problemas

Criado 2026-08-20 · Atualizado 2026-10-03

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

Aprendizagem baseada em problemas (ABP) — uma pedagogia centrada em quem aprende, na qual os estudantes adquirem conhecimento e habilidades trabalhando para compreender e resolver um problema realista, frequentemente mal estruturado, com um facilitador guiando a investigação em vez de entregar instrução. Na era da IA, as características estruturais da ABP — investigação conduzida pelo problema, construção colaborativa de conhecimento, facilitação acima de instrução e reflexão metacognitiva — emergiram como as mesmas condições sob as quais a integração de IA generativa se torna educacionalmente produtiva, e não substitutiva.

Perguntas para refletir

  • Na aprendizagem baseada em problemas, o problema é o condutor do currículo — não uma ilustração de conteúdo ensinado em outro lugar. Você se lembra de uma ocasião em que aprendeu algo profundamente porque estava resolvendo primeiro um problema real?
  • A página argumenta que as características da ABP (investigação conduzida pelo problema, colaboração, facilitação, reflexão) são exatamente as condições sob as quais a IA se torna uma parceira produtiva, e não um atalho. Por que poderia ser assim?
  • A IA rompe a ligação entre um artefato entregue e o esforço que o produziu — o problema do "artefato como proxy". Como avaliar o processo, em vez de apenas o produto, ajuda, e o que torna a avaliação de processo difícil?
  • A ABP se originou na educação médica em parte porque a competência profissional precisa de juízo adaptativo, e não de execução de rotina. Qual é a diferença entre os dois, e como a IA muda para qual deles treinamos?
  • Se uma IA agora consegue tornar "problemas perversos" e casos reais complexos acessíveis a mais estudantes, o que pode se perder quando o desafio se torna mais fácil de alcançar?
  • Onde uma IA em um contexto de ABP deveria traçar a linha entre dar um problema, uma dica ou uma resposta? O que determina qual é o movimento certo em cada momento?

Introdução

A ABP se originou na educação médica (Universidade McMaster, anos 1960) e desde então se espalhou pelas profissões de saúde, pela engenharia e pelo K-12 (educação básica e média). Quem aprende assume a responsabilidade de diagnosticar necessidades de aprendizagem, identificar recursos e construir soluções, enquanto o facilitador dá andaimento ao processo. A afirmação distintiva da ABP é que o problema é o condutor do currículo — não uma ilustração de conteúdo ensinado em outro lugar, mas o contexto no qual o conteúdo é aprendido.

A ABP na era da IA

A pesquisa da base de conhecimento mostra que a ABP se tornou um ponto focal para pensar a integração produtiva de IA.

  • As condições estruturais da ABP tornam produtiva a integração de IA. Rowe (2026) argumenta que as características centrais da ABP — investigação conduzida pelo problema, construção colaborativa, facilitação, reflexão metacognitiva — são exatamente as condições sob as quais a IA funciona como parceira no desenvolvimento profissional, e não como um atalho em torno dele. O alinhamento é estrutural, não retrospectivo: a ABP foi desenhada em torno dessas condições antes de a IA existir, enraizada no reconhecimento de que a competência profissional exige juízo adaptativo, e não execução de rotina.
  • A IA eleva o teto da complexidade do problema. O mesmo argumento sustenta que a IA expande a categoria de problema que a ABP consegue engajar, tornando "problemas perversos" e casos reais complexos acessíveis a estudantes que antes não conseguiam alcançá-los.
  • O problema do artefato como proxy. A IA rompe a ligação entre um artefato entregue e o engajamento que o produziu — um problema para o qual a ABP está bem posicionada porque avalia o processo e a compreensão demonstrada, e não apenas o produto. Isso conecta a ABP à avaliação autêntica e baseada em processo e à literatura da base de conhecimento sobre excesso de dependência.

A meta-análise de três níveis que agrupa ABP apoiada por IA generativa com a aprendizagem baseada em projetos mantém o produto e o desempenho de solução em um modelo separado precisamente porque eles mensuram a saída colaborativa humano-IA, e não a aprendizagem internalizada, e essa estimativa é a maior que os revisores relatam (g = 1,958), ao mesmo tempo que repousa sobre apenas seis estudos e carrega um intervalo de predição aproximado de 95% de [−0,740, 4,656] que cruza o zero — a forma quantitativa da ressalva do artefato como proxy acima (Chen et al. 2026).

  • O ChatGPT como andaimento adaptativo. La Sunra et al. (2026) mostram o ChatGPT integrado como andaimento adaptativo dentro de um framework de ABP aprimorada por IA para melhorar o pensamento crítico e a aprendizagem personalizada no K-12 (120 estudantes do oitavo ano). Isso trata a IA como um apoio dentro da ABP, e não como uma máquina de respostas.
  • Um agente injetor de controvérsia pode contrariar o groupthink. Um agente de IA generativa vocalizado em três pontos fixos de uma sessão de ABP interprofissional introduziu perspectivas controversas, e os estudantes relataram que refutá-lo lhes deu uma forma socialmente permissível de se manifestar, com o desacordo estimulando a reflexão mesmo quando rejeitavam as respostas do agente (Wiss et al. (2025)).
  • Evidência quase-experimental da preparação de professores em formação. Chen e Osman (2026) compararam um módulo de CTD-ABP apoiado por IA de oito semanas com instrução convencional para 130 professores de física em formação do terceiro ano (65 por condição), com o DeepSeek usado por meio de templates de prompt específicos de tarefa como andaimento delimitado — geração de ideias de aula, organização de recursos, comparação de explicações, prompts de feedback entre pares e planejamento de revisão —, e cada saída de IA obrigada a passar por verificação contra precisão de conteúdo, adequação pedagógica, viabilidade e ética antes de entrar em um artefato instrucional. O grupo do módulo relatou maior TPACK no pós-teste (M = 4,04 versus 3,40, d = 1,02) e maior resolução colaborativa de problemas percebida (M = 3,62 versus 3,05, d = 0,88), e os maiores efeitos de interação recaíram sobre a construção compartilhada de conhecimento e a regulação social — precisamente as dimensões de processo colaborativo que o argumento estrutural acima prevê que a IA deveria fortalecer, e não atalhar. Os autores são explícitos de que a IA não foi isolada como variável independente: a mudança diferencial se prende à condição inteira de tarefas baseadas em problemas, colaboração estruturada, andaimento do instrutor, feedback entre pares e revisão reflexiva, e ambos os resultados eram percepções autorrelatadas, e não prática observada.
  • Frameworks de uso responsável. Uden & Hwang (2026) avançam o framework LEARN, informado pela neurociência (Aprendizagem ao Longo da Vida, Engajamento, Processamento Ativo, Reflexão, Desenho Neurobaseado), para fundamentar eticamente o uso de IA generativa dentro da ABP, contrariando o descarregamento cognitivo e a erosão da integridade.
  • Implementações por domínio. Frameworks de ABP para engenharia biomédica usam IA generativa para apoio a resumo e codificação com pacotes de replicação (Nnamdi et al. 2026); a ABP apoiada por IA aprimora o pensamento computacional na robótica (ABP apoiada por IA para pensamento computacional); e pacientes virtuais habilitados por IA generativa apoiam tutoriais de coleta de história médica (Mool et al. 2026).
  • Síntese de evidência. Amdan et al. (2026) revisam sistematicamente 50 estudos (2015–2024) sobre o engajamento de educadores com IA na ABP dentro de um framework de interação humano-computador.
  • IA generativa na ABP baseada em cenários. Neto e colegas (2026) incluem a aprendizagem baseada em problemas entre as abordagens baseadas em cenários de sua revisão sistemática de IA generativa na educação em saúde, constatando que o desenho de prompts funciona como especificação instrucional e que a colaboração híbrida humano-IA supera as abordagens inteiramente automatizadas. A revisão destaca a necessidade de alinhamento mais forte do conteúdo gerado aos frameworks instrucionais e de práticas de prompting mais reproduzíveis em contextos de ABP.

ABP versus pedagogias afins

A ABP é estreitamente aparentada à aprendizagem baseada em projetos — ambas são centradas em quem aprende e conduzidas por problema/contexto —, mas a ABP se centra em um problema mal estruturado cuja solução exige investigação e construção de conhecimento, enquanto a aprendizagem baseada em projetos se centra em produzir um artefato ou projeto tangível. A ABP também é próxima da aprendizagem baseada em casos e da aprendizagem baseada em investigação, que compartilham a estrutura conduzida pelo problema e liderada pela facilitação. No mapeamento da base de conhecimento, o argumento estrutural para a integração produtiva de IA se aplica a qualquer pedagogia que compartilhe essas características, e não apenas à ABP.

Por que a ABP importa para a integração de IA

Como a ABP coloca em primeiro plano o processo, a colaboração e a compreensão demonstrada acima da produção de artefatos, ela é um lar natural para o uso responsável de IA: os estudantes aprendem com a IA como parceira, e não a partir da IA como substituta. O papel do facilitador e o desenho do problema se tornam as alavancas que determinam se a IA apoia a aprendizagem ou a desloca — as mesmas preocupações de supervisão humana e de desenho de avaliação que reaparecem por toda a base de conhecimento.

Falha produtiva e ABP

A falha produtiva (FP) compartilha o núcleo construtivista da ABP — os estudantes engajam problemas antes da instrução —, mas difere na estrutura: a FP retém deliberadamente a instrução e o andaimento até depois de quem aprende lutar para gerar soluções, enquanto a ABP embute a facilitação ao longo de todo o processo. A literatura da era da IA sobre FP informa diretamente como a IA deveria se comportar dentro de contextos baseados em problemas: Kim et al. (2026) mostram que a IA deveria preservar a dificuldade produtiva com apoio não diretivo ao longo das fases de FP; Puech et al. (2025) demonstram que tutores de LLM podem ser dirigidos a reter respostas e eliciar múltiplas tentativas de solução; e o ProductiveMath usa IA para ajudar a desenhar problemas de alta qualidade no estilo FP/ABP. A questão de desenho — quando a IA deveria dar um problema, uma dica ou uma resposta — é compartilhada por ambas as pedagogias.

Conceitos conectados

Artigos conectados

Metadados

DisciplinaMedical Education, Engineering Education
NívelHigher Ed
Aprendizagem e ensinoAprendizagem ativa, Aprendizagem colaborativa, Andaime (Scaffolding)
Tecnologias e técnicasIA generativa
Fundamentos da IA na educaçãoPensamento crítico
SourceHistoryEditChat

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.