Reflexão

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

Reflexão — o exame deliberado e retrospectivo da própria experiência, do próprio trabalho ou do próprio raciocínio, externalizado em forma escrita, falada ou gravada, para que possa ser revisitado, compartilhado ou avaliado. Seu vizinho mais próximo nesta base de conhecimento é a metacognição, e confundir os dois é o erro mais comum no tema. A metacognição é a maquinaria de monitoramento: os julgamentos feitos no momento sobre se você entende, lembra ou está no caminho certo. A reflexão é uma atividade desenhada com um produto — uma entrada de diário, um ensaio reflexivo, um comentário de portfólio, um prompt estruturado de autoexplicação — realizada depois ou ao lado do trabalho. A distinção ganha força na era da IA porque as duas estão expostas de modo diferente: o monitoramento é difícil de entregar e fácil de deslocar, enquanto um artefato de reflexão pode ser produzido por um modelo, o que torna a autenticidade do artefato, e não a profundidade do pensamento, o primeiro problema de design.

Perguntas para refletir

• Quando você termina uma tarefa difícil, qual é a diferença entre saber que a achou difícil e realmente descobrir por que a achou difícil? Qual dessas duas coisas uma entrada de diário de fim de semana captura?
• Um estudante entrega uma reflexão cuidadosa de trezentas palavras que um modelo escreveu para ele. Há algo de errado com o documento em si — e o que exatamente a avaliação perdeu?
• Vários estudos aqui constatam que acrescentar prompts de reflexão reduz quanto de prática os estudantes completam, ao mesmo tempo que os faz passar mais tempo em cada peça de Retroalimentação (Feedback). Se a reflexão custa volume, quando essa troca vale a pena?
• Se um programa consegue pontuar automaticamente a profundidade de um ensaio reflexivo, isso torna a reflexão mais fácil de ensinar ou mais fácil de falsificar?
• Professores com menos experiência apontam a falta de tempo como seu principal obstáculo para refletir; professores experientes apontam o acompanhamento do desempenho dos estudantes. O que isso implica para uma única ferramenta de reflexão implantada em uma escola inteira?
• A reflexão costuma ser exigida, avaliada e estimulada por prompt. O que acontece com um hábito genuinamente reflexivo quando ele se torna um artefato de conformidade?

Introdução

A reflexão como construto educacional carrega uma família de modelos, e não uma definição única: o ciclo de Kolb, os estágios estruturados de Gibbs, o framework DIEP, o praticante reflexivo de Schön, a reflexão transformadora de Mezirow e o trabalho de Boud sobre reflexão na aprendizagem. A pesquisa da base de conhecimento trata esses modelos como uma herança compartilhada e então pergunta o que a IA generativa muda em cada um deles. Os objetos recorrentes de estudo são a escrita reflexiva como gênero avaliado, o diário ou registro como rotina, o e-portfólio como recipiente e forma de avaliação, e o prompt como a menor unidade de intervenção.

Duas outras distinções organizam a literatura. A primeira é a profundidade: a reflexão é pontuada em níveis, da recontagem descritiva na ponta baixa ao exame crítico, informado pela teoria, das próprias premissas na ponta alta. A segunda é a autoria. Até recentemente, a segunda pergunta não se colocava. Agora se coloca, porque o artefato e o pensamento se separaram.

Como a reflexão se relaciona com a autoavaliação, a metacognição e os e-portfólios

O trabalho de fronteira importa mais aqui do que na maioria das páginas de conceito, porque quatro páginas adjacentes possuem cada uma parte do território, e os profissionais costumam usar as palavras de forma intercambiável nas rubricas.

O que elas compartilham é real. Todas voltam a atenção do estudante para o próprio trabalho, todas estão associadas à agência e à autoconsciência, todas podem receber andaimento e todas podem ser executadas para uma nota. Todas também estão sendo reescritas pela IA generativa no mesmo período, e é por isso que os mesmos estudos reaparecem ao longo dessas páginas. A reflexão é a única do grupo cujo produto é um texto, e é aí que a semelhança de família deixa de ser útil.

Onde elas diferem é no que cada uma deixa para trás e em que evidência conta.

Conceito	Sua pergunta central	O que deixa para trás	Como a reflexão se relaciona
Metacognição	Eu entendo isto, e quão seguro estou?	um julgamento, muitas vezes feito no momento	O monitoramento pode ocorrer sem nenhum registro; a reflexão é o exame deliberado que o monitoramento alimenta
Autoavaliação	Quão bom é meu trabalho segundo estes critérios?	uma classificação, uma pontuação, às vezes uma justificativa	Um conteúdo comum de uma reflexão; a autoavaliação não exige reflexão escrita, e a reflexão pode ser sobre a experiência, não sobre o desempenho
Aprendizagem autorregulada	Qual é meu objetivo, que estratégia estou usando e o que mudo?	um ciclo de planejamento-monitoramento-ajuste	A reflexão é uma fase dentro do ciclo, não o ciclo em si
E-portfólio	Onde o trabalho vive, e como é organizado?	um conjunto montado de artefatos com comentário	O recipiente; a curadoria só se torna reflexão quando alguém pede ao estudante que explique as escolhas
Aprendizagem Experiencial	De que experiência estou me valendo?	um ciclo de ação e abstração	Fornece o material sobre o qual a reflexão trabalha
Retroalimentação (Feedback)	O que faço com esta informação?	uma assimilação, uma revisão	O objeto mais comum da reflexão

A consequência prática de mantê-las separadas é que cada uma nomeia uma coisa diferente a avaliar. Um julgamento metacognitivo é correto ou descalibrado. Uma autoavaliação é precisa ou inflada. Uma reflexão é específica ou genérica, sustentada por evidências ou não, e isso é uma propriedade do texto, não do estado do estudante.

O que a reflexão custa, e o que ela traz

O teste experimental mais afiado nesta base de conhecimento é um estudo pré-registrado com delineamento entre sujeitos e 302 adultos norte-americanos aprendendo Python introdutório. Asher, Gold e Carvalho (2026) compararam um curso intensivo em vídeo, a prática com feedback de IA personalizado, e o mesmo feedback combinado com prompts de autoexplicação.

A reflexão perdeu em quase todas as medidas. Ela praticamente dobrou o tempo gasto com feedback, 4.1 versus 2.1 minutos (t(267) = 11.30, p < .001), e cortou o volume de prática em 40%, 2.0 versus 3.4 problemas (t(267) = 8.20, p < .001). Cada problema rendeu o mesmo ganho de aprendizagem com ou sem os prompts (Reflexão × número do problema OR = 1.03, z = 0.23, p = .486), de modo que o braço de prática terminou com domínio maior, 79% versus 65% (d = .41).

A lição de design não é que a reflexão seja inútil. É que um prompt de reflexão é uma demanda concorrente sobre o tempo escasso da sessão, e pode custar mais do que devolve quando chega antes de o estudante terminar uma tentativa.

Quando a reflexão não é do estudante

A autenticidade é o problema vivo. Kadel et al. (2026) argumentam que os modelos clássicos não têm estratégia para um mundo em que uma reflexão pode ser gerada, e propõem uma estrutura de cinco partes ciente da GenAI: Propósito, Processo, Produto, Armadilhas, Plano. Seu movimento operacional é exigir o rastro documentado — os prompts usados, as iterações, as etapas de validação — em vez do texto final polido, o que é uma resposta de "processo sobre produto" à questão da autoria.

Outros localizam a reflexão dentro da maquinaria de avaliação. Oktoma, Nugraha e Hidayat (2026) fazem da reflexão estruturada uma entrada viva que recalibra o próximo ciclo de feedback, em vez de um acréscimo posterior. Pedlow e Maldon (2026) incorporam a reflexão guiada dentro da autoavaliação pré e pós-semestre como uma rota para a integridade e a confiança ética com GenAI.

A cautela mais útil vem de Dalsgaard e Prilop (2026), cujo estudo de um ano em oito escolas secundárias dinamarquesas (59 professores, 48 estudantes) encontrou quatro práticas de GenAI — explicação, criação, inspiração, melhoria — expandindo-se em onze processos, cada um dos quais pode apoiar ou substituir o pensamento reflexivo.

Um parceiro de reflexão com IA pode falhar de forma invisível

Um ensaio controlado aleatorizado havia descoberto que adultos emergentes refletindo sobre suas carreiras com um agente conversacional GPT-4o terminaram menos comprometidos com seus planos do que os que usaram uma pesquisa de diário estática. Nepal et al. (2026) codificaram todos os 17,930 turnos para encontrar a causa.

Toda regra que o agente seguia era uma que podia ser verificada mecanicamente: um limite de comprimento de resposta, por exemplo. Regras sobre como se comportar — não adular, desafiar com delicadeza — eram violadas sem deixar rastro visível na transcrição. O comportamento ligado ao aumento da dúvida era uma exigência repetida de decidir quando os participantes hesitavam.

Esse achado se generaliza além da reflexão de carreira. Um parceiro de reflexão com IA se degrada justamente onde sua saída parece boa, de modo que o artefato não pode servir como evidência de que a conversa foi boa.

Pontuar escrita reflexiva em escala

A profundidade é medida, e cada vez mais automatizada. O estudo húngaro de níveis de reflexão (2026) usou 1,954 ensaios anotados por especialistas, escritos ao longo de quatro anos consecutivos em um programa de Educação infantil e anos iniciais, comparando modelos clássicos com características TF-IDF e embeddings do Qwen3 contra dois transformers húngaros ajustados.

O corpus é fortemente enviesado: 68% dos ensaios estão no nível 3 e apenas 1.8% no nível 0, então boa parte do artigo trata de lidar com o desequilíbrio. Modelos rasos alcançaram até 71% em uma pontuação média de acurácia-F1-ROC AUC; os transformers alcançaram 68% no geral, mas lidaram melhor com os níveis minoritários.

A lição de medição é mais estreita do que parece. Um classificador estima quão reflexivo um texto soa. Ele não consegue dizer se a reflexão aconteceu, e é exatamente o nível de desempenho que um modelo fluente consegue imitar.

O mesmo andaime de painel analítico elevou a profundidade analítica e avaliativa na escrita reflexiva (η² = 0.623 e 0.627) enquanto deixou plana a descrição e o planejamento de ações, de modo que um andaime pode aprofundar como um professor raciocina sobre uma aula sem mudar o que ele planeja fazer em seguida (Liu et al., 2026).

Diários, portfólios e prompts como sistemas de entrega

O construto costuma ser entregue por três veículos, e cada um tem seu próprio modo de falha.

Diários de rotina falham pela decadência da motivação. Scheu et al. (2026) realizaram um experimento de campo randomizado 2×2 com 179 estudantes universitários alemães ao longo de 22 dias, com acompanhamento de 12 semanas, testando um curso de sete dias baseado em exemplos e um assistente de diário com Grandes modelos de linguagem (LLMs) que resume rascunhos, faz perguntas de esclarecimento e oferece formulações alternativas. Sustentar a rotina, e não desenhar o prompt, era o problema difícil.

Portfólios falham quando o recipiente substitui o ato. Ni e Lam (2026) acompanharam 50 estudantes do primeiro ano de Gestão de Turismo ao longo de 16 semanas de e-portfólios no WordPress, com GenAI como provedora de feedback e sintetizadora de comentários de colegas e do professor, traçando o desenvolvimento de multiletramentos em três estágios. Sutama (2026) testou o ChatGPT alinhado à avaliação por e-portfólio contra um controle em 60 estudantes de EFL do ensino profissional e encontrou um efeito simultâneo grande (λ de Wilks = 0.476, p < .001, η² parcial = 0.524), com a fala em 82.733 versus 78.833 e o letramento em feedback em 79.666 versus 71.762.

Prompts falham quando são inseridos no momento errado, como mostra o estudo de Asher.

A reflexão na aprendizagem profissional

Para os professores, o construto funciona também como desenvolvimento profissional. Falhs (2025) pesquisou 100 professores K–12 dos EUA e encontrou necessidades que divergem por experiência: professores menos experientes citam a falta de tempo como um dos principais obstáculos com muito mais frequência, 37% versus 12% (p < .001), enquanto professores experientes relatam mais frequentemente dificuldade de acompanhar o desempenho dos estudantes, 28% versus 15% (p = .009). O feedback informal motiva mais os professores experientes, 45% versus 31% (p = .025). Uma única ferramenta de reflexão para uma escola inteira está, portanto, mal especificada por design.

Ho e Chen (2026) acrescentam a visão do processo a partir de 18 professores da China continental e de Hong Kong, cujos relatos se resolvem em reconhecer a necessidade de usar GenAI, redistribuir a cognição e reengajar reflexivamente após o uso. O Modelo do Triângulo Reflexivo (2026) conecta autorreflexão, reflexão colaborativa e reflexão comunitária em uma comunidade de aprendizagem profissional em um caso de quatro semanas com seis professores, com a IA como mediadora cognitiva e não como avaliadora.

A preparação também importa independentemente da ferramenta. Zhang et al. (2026) cruzaram treinamento em estratégias metacognitivas contra um módulo placebo com um LLM configurado como parceiro de reflexão socrático versus ferramentas digitais tradicionais, em um design 2 × 2 com 60 professores em formação inicial. Ambos os efeitos principais foram significativos para a qualidade da escrita reflexiva no pós-teste.

Em um mapeamento de 26 estudos de IA em aprendizagem-serviço, a reflexão foi a fase menos atendida — três estudos chegaram a ela e um cobriu as quatro —, de modo que a fase que transforma serviço em aprendizagem é onde o apoio de IA é mais escasso (Yusuf et al., 2026).

O risco de um prompt de reflexão substituir o monitoramento que deveria construir

de Jong (2026) levanta a premissa não testada do campo: a imposição cognitiva, o pré-compromisso e a comunicação de incerteza reduzem a dependência excessiva dentro de uma sessão, mas nada estabelece que eles construam automonitoramento durável em vez de habituar o usuário a prompts. Um mecanismo que fornece reflexão pode substituir o monitoramento que deveria desenvolver.

Dois designs respondem a essa preocupação de maneiras diferentes, e ambos são sinais úteis. PAUSE (Alam, 2026) é uma autoverificação de privacidade por design que transforma a literatura empírica sobre descarregamento cognitivo em reflexões descritivas e não diagnósticas em quatro domínios, sem pontuação composta e com uma recusa explícita a justificar qualquer decisão consequente. Wang e Zhao (2026) tratam o uso reflexivo de IA como um construto mensurável, encontrando a aceitação prevendo-o em β = 0.774, e o uso reflexivo prevendo a autoeficácia em β = 0.519 e o engajamento em β = 0.273.

Orientação para profissionais

Desenhar a tarefa de reflexão

• Sequencie o prompt depois que uma tentativa se encerra. O experimento com 302 adultos é o caso de alerta aqui: prompts que interrompiam o trabalho entre uma tentativa e seu feedback consumiam o tempo da sessão e reduziam quanto de prática era completado.
• Nomeie o nível de profundidade que você está recompensando. O corpus húngaro pontua a reflexão em níveis, da recontagem descritiva ao exame crítico das premissas. Um prompt que pede aos estudantes que "reflitam" enquanto a rubrica recompensa a descrição produz descrições.
• Peça o episódio, não o período. "O que você tentou, o que falhou e o que você mudou na terceira tentativa?" é respondível. "Reflita sobre sua jornada de aprendizagem" não é.
• Peça o rastro do processo. Prompts registrados, rascunhos abandonados, uma abordagem rejeitada e o motivo da escolha final são todos baratos de produzir, difíceis de falsificar, e exatamente o que os modelos cientes de GenAI colocam em primeiro lugar.

Um prompt inicial que sobrevive à maioria dos modos de falha acima: (1) O que você tentou, e o que o resultado lhe disse? (2) Qual saída de IA você aceitou, e o que você verificou antes de aceitá-la? (3) O que você fará de diferente na próxima tentativa, e por quê? Cada pergunta pede algo que um estudante precisa saber, e não algo que um modelo pode fornecer, e a segunda pergunta é o que transforma uma política de uso de IA em uma tarefa de reflexão.

Tornar o uso de IA explícito em vez de proibido

• Recompense a divulgação. Uma reflexão que documenta como a GenAI foi usada, verificada e corrigida é evidência mais útil do que uma que a omite, e o modelo de cinco partes ciente da GenAI é construído sobre essa premissa — Propósito, Processo, Produto, Armadilhas, Plano.
• Coloque a política dentro do prompt. Declare o que pode ser delegado e o que deve ser observação própria do estudante; uma política no programa da disciplina é invisível no momento da escrita.
• Mantenha a IA no papel de questionar. Um parceiro que faz perguntas de esclarecimento e oferece formulações alternativas preserva o trabalho de articulação do estudante; um que escreve a entrada o remove.
• Audite qualquer agente de reflexão que você implantar. Na única auditoria codificada desta base de conhecimento, o agente obedecia a regras verificáveis mecanicamente e violava as comportamentais sem deixar rastro, parecendo perfeitamente plausível.
• Não transforme uma autoverificação orientada ao bem-estar em diagnóstico. O design PAUSE é o modelo aqui: reflexões descritivas e conscientes do domínio, sem pontuação composta, e uma recusa explícita a justificar qualquer decisão sobre uma pessoa.

Avaliar a autenticidade

• Avalie o que você consegue defender. Especificidade, evidência de uma decisão, raciocínio de revisão e honestidade sobre o que deu errado são avaliáveis. Sinceridade não é, e um modelo fluente consegue imitar a superfície de tudo isso.
• Combine o artefato com algo caro de delegar. Uma defesa verbal curta, uma revisão ao vivo ou uma decisão com consequências — o portão reflexivo do sistema Prober e as reuniões de verificação por membro de Issa e Hall são dois padrões que funcionam.
• Observe o que a avaliação faz com o ato. Quando a autorreflexão é avaliada, ela corre o risco de se tornar performática, então declare para o que a reflexão não é avaliada e mantenha ao menos parte da reflexão sem nota.
• Nunca trate uma pontuação como prova de pensamento. Classificadores de profundidade estimam quão reflexivo um texto soa, uma propriedade que um segundo rascunho fluente consegue fabricar.

Sustentar a rotina

• Desenhe para a decadência da motivação, não para a qualidade do prompt. Diários reflexivos são abandonados em poucas semanas; a integração baseada em exemplos e um assistente conversacional que faz perguntas foram as duas intervenções que este corpus testa contra isso.
• Prefira frequência a extensão. Uma entrada curta após cada tentativa sustenta o hábito; uma entrada longa no fim do semestre é uma única tarefa de escrita com um rótulo reflexivo.
• Dê ao portfólio um ponto de verificação reflexivo. Sem uma exigência de comentário em cada ponto de curadoria, um e-portfólio se torna um museu de produtos acabados.
• Adapte-se à expertise. Professores menos experientes citam o tempo como principal obstáculo; professores experientes citam o acompanhamento do desempenho dos estudantes, então uma única interface de reflexão para todo o corpo docente não serve a nenhum dos dois grupos.
• Combine acesso à ferramenta com preparação. O treinamento em estratégias metacognitivas e um parceiro de IA socrático melhoraram cada um por si a qualidade da escrita reflexiva no experimento com professores em formação inicial, o que sugere que a preparação não é Andaime (Scaffolding) opcional para a ferramenta.

Ideias equivocadas comuns

• "Reflexão e metacognição são a mesma coisa." Elas são relacionadas, mas separáveis. Um julgamento sobre seu próprio estado de compreensão e uma atividade que deixa um registro para trás são objetos de estudo diferentes, e é por isso que esta base de conhecimento os mantém em páginas separadas.
• "A reflexão sempre vale o tempo que toma." Pelo menos um experimento pré-registrado considerou a troca desfavorável, porque a reflexão competia com a prática pelos mesmos minutos da sessão.
• "Uma reflexão que soa profunda significa que houve pensamento profundo." Ser lido como reflexivo e ser reflexivo são propriedades diferentes, e um modelo fluente consegue fornecer a primeira.
• "A avaliação automatizada resolve o problema de escala." Classificadores alcançam cerca de 70% no nível de reflexão em um corpus bem anotado com desequilíbrio severo de classes, e esse teto está ao alcance de texto plausível.
• "Portfólios são reflexivos por natureza." O recipiente não é o ato; um portfólio montado com produtos polidos pode não conter nenhuma reflexão.
• "A reflexão não precisa ser ensinada." Tanto o corpus húngaro de ensaios quanto o experimento com professores em formação inicial pressupõem que nível e qualidade são aprendidos, e que a preparação muda os resultados.

Conceitos conectados

• Metacognição
• Aprendizagem autorregulada
• Autoavaliação
• E-portfólio
• Retroalimentação (Feedback)
• Letramento em feedback
• Pensamento crítico
• Aprendizagem Experiencial
• Avaliação autêntica
• Avaliação formativa
• Descarregamento cognitivo
• Integridade acadêmica
• Engajamento do estudante
• Motivação
• A docência
• Escrita
• IA generativa

Artigos conectados

• Benefit or Bottleneck? Assessing the impact of structured reflection on learning from AI-driven explanatory feedback — Experimento pré-registrado com 302 adultos: prompts de reflexão dobraram o tempo sobre o feedback e cortaram o volume de prática em 40% sem elevar o ganho por problema (Asher, Gold & Carvalho 2026)
• The 5P Reflection Model for Education in the Generative Artificial Intelligence (GenAI) Era — Modelo de reflexão de cinco partes ciente da GenAI, construído sobre prompts e iterações documentados em vez do texto final (Kadel et al. 2026)
• Automatic Reflection Level Classification in Hungarian Student Essays — 1,954 ensaios anotados, desequilíbrio severo de classes, modelos rasos em 71% e transformers em 68% (2026)
• Faithful Where It Can Be Checked: Auditing a Reflection Agent Against Its System Prompt in a Randomized Trial — 17,930 turnos codificados para explicar por que um parceiro de reflexão com IA deixou os usuários menos comprometidos (Nepal et al. 2026)
• The Reflective Triangle Model: AI as a Cognitive Mediator in Teachers' Professional Learning and Learning-Community Development — Reflexão individual, colaborativa e comunitária com a IA como mediadora cognitiva (2026)
• How expertise levels shape preferences and reflection needs — towards AI reflection systems for teacher empowerment — 100 professores K–12: o tempo é o obstáculo do novato, o acompanhamento do desempenho o do experiente (Falhs 2025)
• AI as a cognitive partner in learning: Emerging epistemic practices of reflective thought — Quatro práticas de GenAI e onze processos, cada um capaz de apoiar ou substituir o pensamento reflexivo (Dalsgaard & Prilop 2026)
• Designing a mobile chatbot-based learning journaling system for intrinsic motivation and engagement — Experimento de campo randomizado 2×2 sobre sustentar uma rotina de diário reflexivo (Scheu et al. 2026)
• Metacognitive training and AI-based Socratic scaffolding in pre-service teachers' reflective practice: a dual-study experimental design — Teste 2×2 de treinamento em estratégias contra um parceiro de reflexão LLM socrático (Zhang et al. 2026)
• PAUSE: A Privacy-Preserving Self-Reflection Tool for AI-Associated Cognitive Offloading — Ferramenta de autorreflexão não diagnóstica, sem pontuação composta (Alam 2026)
• Reflective AI use and student engagement in AI-supported programming: technology acceptance, programming self-efficacy, and behavioral trace evidence — Uso reflexivo de IA como construto medido, ligando aceitação a autoeficácia e engajamento (Wang & Zhao 2026)
• AI-mediated authentic assessment and metacognitive reflection: A mixed-methods study of the AAIWA model — Reflexão estruturada como entrada viva que recalibra o próximo ciclo de feedback (Oktoma et al. 2026)
• Raising Ethical Awareness of GenAI Use Through Student Self-Assessment in the Transition to Higher Education — Reflexão guiada dentro da autoavaliação para uso ético de GenAI (Pedlow & Maldon 2026)
• Teachers as reflective regulators of cognition: Understanding cognitive offloading in AI-augmented practice — 18 professores sobre reconhecer, redistribuir e reengajar reflexivamente após o uso de IA (Ho & Chen 2026)
• Open Questions Towards Skill-Sustaining Reliance in Reflective AI Engagement — Artigo de posição: nenhuma evidência de que prompts de reflexão construam automonitoramento durável (de Jong 2026)
• Students' perceptions of multiliteracies development using AI-assisted portfolio assessment — E-portfólios no WordPress ao longo de 16 semanas com GenAI como provedora de feedback e sintetizadora (Ni & Lam 2026)
• Aligning ChatGPT with e-portfolio assessment as EFL learning model: its effect on students' speaking performance and feedback literacy — ChatGPT alinhado à avaliação por e-portfólio, λ de Wilks = 0.476, η² parcial = 0.524 (Sutama 2026)
• The impact of an AI-driven multimodal teaching analytics dashboard on pre-service teachers' reflective learning in microteaching — Um andaime elevou a profundidade analítica e avaliativa enquanto o planejamento de ações ficou plano (Liu et al. 2026)
• Artificial intelligence in service-learning: A systematic mapping review and future research agenda for higher education — Mapeamento de 26 estudos: a reflexão é a fase menos atendida do ciclo de aprendizagem-serviço (Yusuf et al. 2026)