Resolução de problemas

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

Resolução de problemas — o processo de formular, analisar e resolver desafios novos ou complexos — é uma competência central do século XXI que as ferramentas de IA tanto amplificam quanto ameaçam. Ao longo dos artigos desta base de conhecimento, a IA generativa funciona como andaime, como parceira dialógica e como motor de respostas, e seu valor educacional depende de se quem aprende permanece o principal tomador de decisões ou terceiriza seu raciocínio para a máquina. Essa tensão entre eficiência e engajamento cognitivo e regulatório mais profundo define a pesquisa atual sobre IA e resolução de problemas.

Questões para considerar

• Pense em um problema genuinamente difícil que você resolveu bem. O que tornou a luta produtiva, e o que teria sido perdido se alguém simplesmente lhe tivesse entregue a resposta?
• A página descreve uma "dívida cognitiva": delegar o raciocínio à IA produz o produto certo ao custo da compreensão. Você já chegou à resposta certa sem realmente entendê-la? Qual foi o custo depois?
• As ferramentas de IA ajudam os estudantes a explorar múltiplas perspectivas e a gerar seus próprios problemas — mas também podem encorajar a "preguiça metacognitiva". Como você distingue a IA como parceira de pensamento da IA como substituta do pensamento?
• Um experimento concluiu que feedback reflexivo e híbrido superou o feedback direto de IA em transferência atrasada, sem IA. Por que um feedback que lhe faz trabalhar mais poderia levar a uma aprendizagem que dura mais?
• Como ensinar os estudantes a formular seus próprios problemas (em vez de apenas resolver os dados) apoia a transferência e o autoestudo? Quando gerar uma pergunta lhe ensinou mais que responder uma?
• Se os erros da IA são tratados como provocações para questionar e verificar, uma limitação se torna oportunidade de aprendizagem. Você já aprendeu mais com o erro de uma IA do que com sua resposta certa?

Introdução

A IA generativa oferece apoio claro à resolução de problemas. Ferramentas de LLM ajudam os estudantes a explorar soluções alternativas, incorporar perspectivas interdisciplinares e simular cenários autênticos do mundo real — como dilemas clínicos e éticos ou testes de protótipo em STEM — ao mesmo tempo em que entregam feedback escalável e oportuno e deslocam a avaliação rumo à avaliação baseada em cenários e em competências. Na pesquisa baseada em desenho, a IA posicionada como "parceira inteligente de aprendizagem" dentro de tarefas colaborativas estruturadas produziu ganhos substanciais no desempenho de resolução de problemas, com estudantes usando cada vez mais a IA para gerar múltiplas perspectivas em vez de buscar respostas únicas.

No entanto, as mesmas ferramentas podem corroer a própria competência que alegam apoiar. A pesquisa sobre resolução colaborativa de problemas humano–IA mostra uma troca impressionante: o perfil de interação que alcança o maior desempenho na tarefa também mostra a menor autoregulação, à medida que os estudantes delegam o raciocínio à IA e colhem o que os autores chamam de "dívida cognitiva" — obter o produto certo ao custo do processo autoconstrutivo da compreensão. Estudos de aprendizagem colaborativa advertem de forma similar sobre a "preguiça metacognitiva", em que terceirizar o esforço cognitivo mina a análise independente e a aprendizagem autorregulada.

A resolução de problemas na pesquisa sobre educação com IA

Os artigos desta base de conhecimento abordam a resolução de problemas por lentes distintas, mas convergentes. A revisão sistemática PRISMA conclui que os LLMs frequentemente produzem respostas incompletas ou incorretas, levando os estudantes a questionar, verificar e melhorar a informação — transformando imperfeições do modelo em ciclos de validação e correção que fortalecem o pensamento crítico e a independência mental. Em vez de tratar os problemas como dados, outros trabalhos colocam em primeiro plano a formulação de problemas: treinar estudantes a gerar seus próprios problemas de física apoia a transferência e o autoestudo, e chatbots de IA generativa melhoraram a qualidade de formulação de problemas de estudantes do primário e reduziram a carga cognitiva na aprendizagem baseada em investigação.

Andaimes e avaliação também são centrais. Os andaimes adaptativos de IA derivados da mineração de sequências dos padrões de processo de estudantes individuais impulsionam o desempenho na tarefa na resolução colaborativa de problemas de matemática — embora o andaime máximo também tenha aumentado o comportamento de roteirização. Do lado da medição, os LLMs podem espelhar corretores humanos na detecção de crescimento no pensamento computacional ao longo de grandes cursos de física, enquanto o pensamento computacional é proposto como a cola conceitual explícita que faz a robótica educacional fomentar a resolução genuína de problemas em vez de exercícios técnicos isolados.

Como a IA tanto ajuda quanto atrapalha

O caráter dual da IA para a resolução de problemas é consistente entre estudos. Do lado que ajuda, chatbots superam motores de busca na formulação de problemas ao melhorar a qualidade das perguntas e integrar redes cognitivas; andaimes adaptativos melhoram o desempenho; e desenhos colaborativos com IA elevam tanto o pensamento crítico quanto as notas de resolução de problemas enquanto os estudantes permanecem principais tomadores de decisões. Do lado que atrapalha, a delegação excessiva reduz o engajamento regulatório, o feedback direto sem reflexão encoraja a apropriação passiva, e a dependência pesada da IA para construir consenso ameaça o desenvolvimento de competências interpessoais e a motivação intrínseca. Notavelmente, um experimento randomizado multissítio concluiu que desenhos de feedback reflexivo e híbrido superaram o feedback direto de IA na transferência atrasada, sem IA — evidência de que o valor educacional da IA depende menos do acesso que de preservar a agência dos estudantes, o julgamento avaliativo e a propriedade durante a revisão. Os princípios de desenho que emergem da literatura incluem priorizar a tensão dialógica em vez da eficiência sem costuras, habilitar a corregulação proativa e manter andaimes metacognitivos e supervisão de "mente-na-alça".

Implicações

Para educadores, o balanço da evidência aponta para uma integração estruturada e orientada ao processo: o treinamento em prompt engineering desloca os estudantes da interação com IA desfocada para a produtiva, embutir a IA dentro de tarefas de investigação colaborativa gera ganhos duráveis, e usar deliberadamente os erros da IA como provocações converte uma limitação em oportunidade de aprendizagem. Para desenhistas, o achado consistente de que eficiência não é igual a aprendizagem profunda argumenta por uma IA que questiona, desafia e dá andaimes em vez de responder. Para instituições, a integração responsável exige parear a IA generativa com treinamento explícito em letramento em IA e rubricas de avaliação que recompensem raciocínio e justificativa acima de produtos corretos. O tema recorrente ao longo do trabalho fundamentado na psicologia cognitiva é que a resolução de problemas é aprendida por meio do engajamento esforçado — e o papel da IA deveria ser preservar esse esforço, não apagá-lo.

Conexões com outros conceitos

A resolução de problemas é o desfecho aplicado do pensamento crítico e do pensamento computacional, e é cultivada por meio dos frameworks de aprendizagem baseada em problemas e de aprendizagem baseada em investigação. Ela depende de andaimes que mantêm a demanda cognitiva, de supervisão de autorregulação e metacognição para evitar o descarregamento cognitivo, e de estruturas colaborativas em que humanos e IA trabalham juntos. A psicologia cognitiva e a literatura sobre transferência da aprendizagem fornecem a fundamentação teórica de por que problemas gerados por quem aprende e feedback reflexivo produzem ganhos de resolução de problemas mais duráveis. O balanço entre exemplos resolvidos e prática para adquirir tais competências é ele próprio dependente de conteúdo: Rachatasumrit, Koedinger & Carvalho (2025) mostram que competências generalizáveis de resolução de problemas são melhor aprendidas por meio de prática integrada a exemplos (alternando exemplos resolvidos com problemas), porque exemplos resolvidos fornecem a informação indutiva necessária para adquirir e generalizar uma regra correta, enquanto a prática pura arrisca fortalecer atributos esuriamente correlacionados em vez do procedimento geral.

Simulando a resolução colaborativa de problemas com agentes de LLM

• Simulando a resolução colaborativa de problemas com agentes de LLM específicos por participante. Fang (2026) treina agentes de LLM individuais sobre o diálogo de participantes reais para reproduzir a resolução colaborativa de problemas, e valida as simulações com Análise de Rede Epistêmica, mostrando que diálogos simulados e reais são estatisticamente indistinguíveis (distância ENA 0,17; p de permutação = 0,65). Isso oferece uma forma escalável de estudar e gerar discurso autêntico de resolução colaborativa de problemas — com implicações tanto para a pesquisa quanto para o desenho de ambientes de prática para essa competência do século XXI.

Codificação automatizada de competências de CPS

• Medir a competência de resolução colaborativa de problemas (CPS) tipicamente exige codificar comportamento a partir de dados de processo de tarefas simuladas em competências específicas de CPS. O prompting consciente de contexto de modelos de linguagem pré-treinados pode automatizar essa codificação, modelando dependências contextuais e fundindo competências cognitivas e sociais para alcançar desempenho superior ao de baselines fortes em conjuntos de dados de tarefas de CPS — abordando a intensidade de trabalho da codificação manual e habilitando avaliação em larga escala e em tempo real.

Conceitos conectados

• Pensamento crítico
• Pensamento computacional
• Aprendizagem colaborativa
• Aprendizagem baseada em problemas
• Aprendizagem baseada em investigação
• Criatividade
• Andaime (Scaffolding)
• Aprendizagem autorregulada
• Psicologia cognitiva

Artigos conectados

• Unpacking Interaction Profiles and Strategies in Human-AI Collaborative Problem Solving: A Cognitive Distribution and Regulation Perspective — Perfis de interação (raciocínio delegado vs. interpretação concertada) e a troca entre eficiência e regulação
• Design-Based Research for Developing an AI-Assisted Collaborative Learning Model to Enhance Critical Thinking and Problem-Solving Skills in Higher Education — Modelo de PBD posicionando a IA generativa como parceira inteligente de aprendizagem
• Can Large Language Models Foster Critical Thinking, Teamwork, and Problem-Solving Skills in Higher Education?: A Literature Review — Revisão PRISMA dos LLMs fomentando pensamento crítico, trabalho em equipe e resolução de problemas
• Towards an adaptive AI scaffold for developing student collaborative problem solving — Andaimes adaptativos minerados por sequência para resolução colaborativa de problemas
• Exploring Students' Perceptions of Using Generative AI-Assisted Problem Posing — A formulação de problemas como estratégia de aprendizagem autorregulada com IA generativa
• Human-centered GenAI feedback design in higher education: a multisite experiment on direct, reflective, and hybrid approaches to scientific argumentation — O feedback reflexivo/híbrido supera o direto de IA na transferência atrasada
• Inquiry-Based Learning in STEM Education: The Impact of Generative AI-Based Chatbots on Primary School Students' Problem Posing Ability in Science — Chatbots melhoram a formulação de problemas de estudantes do primário na aprendizagem baseada em investigação
• Using LLMs to Detect Growth in Computational Thinking in Introductory Physics — LLMs como avaliadores escaláveis de resolução computacional de problemas em física
• Taming the Black Box: Design Principles for Rule-Integrated LLM Tutoring Systems in Primary School Mathematical Problem Solving — Andaimes guiados por regras vs. ad-hoc em um sistema de tutoria com LLM para matemática do primário (Looi et al. 2026)
• Evidence and Theory for why the Best Example-Problem Ratio To Optimize Learning Gain Depends on Knowledge Content