Modelo SAMR

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

O modelo SAMR — um framework de integração de tecnologia desenvolvido por Ruben Puentedura que classifica a extensão em que uma tecnologia transforma a aprendizagem ao longo de quatro níveis: Substituição, Aumento, Modificação e Redefinição. Os dois níveis inferiores (Substituição, Aumento) aprimoram uma tarefa existente — a tecnologia faz o que era feito antes, melhor ou de forma mais conveniente; os dois superiores (Modificação, Redefinição) a transformam — a própria tarefa muda para algo que antes não era possível. Na IA na educação, o SAMR é a lente padrão para perguntar se a IA generativa está sendo usada para melhorar incrementalmente a prática existente ou para reconceitualizar a aprendizagem, e ele fica ao lado do TPACK como uma forma de descrever como os professores integram a tecnologia, e não por que a aceitam.

Perguntas para refletir

• Quando a IA é introduzida em um curso, ela é uma Substituição (um chatbot substitui uma caixa de busca) ou uma Redefinição (uma tarefa se torna possível que antes não era)? O que determina qual nível é apropriado — e a transformação é sempre a meta?
• O SAMR e os modelos de adoção de tecnologia respondem a perguntas diferentes: a teoria da adoção pergunta por que um professor ou uma instituição aceita uma ferramenta; o SAMR pergunta quão profundamente a ferramenta muda a aprendizagem. Qual pergunta um dado estudo de integração da IA realmente responde?
• Uma revisão sistemática da integração da IA no ensino superior concluiu que a maioria dos usos ficava no nível de Substituição ou de Aumento, com apenas um estudo se aproximando da Redefinição. Se isso é típico, o que isso sugere sobre a lacuna entre o potencial da IA e sua realidade em sala de aula?
• O SAMR é frequentemente invocado no desenvolvimento profissional de professores para ajudar os educadores a planejar o uso da tecnologia. Classificar o nível SAMR de uma aula muda o que um professor de fato faz, ou é sobretudo um rótulo descritivo?
• Críticos argumentam que o SAMR, como o TPACK, repousa sobre uma ontologia humanista que trata a cognição como inalterada pela tecnologia, e que ele nada diz sobre poder, propriedade de dados ou equidade. Uma lente de nível de integração é suficiente, ou a integração na era da IA precisa de um quadro mais crítico?

Introdução

O SAMR descreve a profundidade da transformação tecnológica das tarefas de aprendizagem. Seus quatro níveis formam uma escala ascendente do aprimoramento à transformação: Substituição (a ferramenta substitui outra sem mudança funcional — um chatbot no lugar de um mecanismo de busca), Aumento (a ferramenta substitui e melhora — o corretor ortográfico de um processador de texto sobre uma máquina de escrever), Modificação (a tarefa é significativamente redesenhada — os estudantes colaboram em tempo real em um rascunho compartilhado gerado por IA) e Redefinição (tarefas novas, antes inconcebíveis, se tornam possíveis — quem aprene cocria com um modelo generativo de formas que não têm análogo não-IA). O modelo é amplamente usado na pesquisa em tecnologia educacional e no desenvolvimento profissional docente como um vocabulário para planejar e avaliar a integração de tecnologia, e é um companheiro padrão do TPACK e dos frameworks de adoção de tecnologia — embora responda a uma pergunta diferente de ambos.

O que os quatro níveis significam

• Aprimoramento (metade inferior): Substituição e Aumento melhoram uma tarefa existente sem mudar sua natureza. A maior parte do uso rotineiro de IA — geração de questões, geração rápida de texto, resumo — fica aqui: é mais rápida e mais conveniente, mas não altera o que se pede que quem aprene faça.
• Transformação (metade superior): Modificação e Redefinição mudam a própria tarefa. O vibe coding, a coconstrução em tempo real com um modelo e o diálogo interativo adaptativo são tarefas que não eram possíveis antes da IA generativa, e representam a ponta transformadora da escala.

O SAMR é frequentemente pareado com o framework ICAP porque os dois se alinham: os quatro cenários de cozinhar-para-aprender em Rummel, Nachtigall & Panadero (2026) mapeiam os modos de engajamento do ICAP nos níveis do SAMR — o ICAP Passivo com o SAMR Substituição, Ativo com Aumento, Construtivo com Modificação e Interativo com Redefinição — ilustrando uma progressão da delegação passiva à coconstrução interativa.

Evidência da base de conhecimento

• A integração da IA no ensino superior é em grande parte incremental, e não transformadora. AlSheikh et al. (2026), em uma revisão sistemática PRISMA de 22 estudos de intervenção triados a partir de 959 registros, classificaram a integração da IA com o modelo SAMR e concluíram que a maioria dos estudos se agrupava no nível de Substituição ou Aumento, com menos em Modificação e apenas um se aproximando da Redefinição. A IA era tipicamente introduzida para melhorar a prática existente — dominada por automação da avaliação e por apoio à aprendizagem personalizada — em vez de para reconceitualizar currículos ou resultados de aprendizagem.
• O SAMR é uma lente analítica comum para a mudança de currículo movida pela GenAI. Sabani et al. (2026) mapeiam cinco deslocamentos curriculares (de estático a dinâmico, de transmissão a capacidade, de local a institucional) em lentes estabelecidas, incluindo o SAMR e o alinhamento construtivo, usando o modelo para esclarecer os mecanismos pedagógicos pelos quais a GenAI ressignifica o currículo.
• O SAMR e o TPACK ancoram os padrões de integração de tecnologia docente. Crompton et al. (2026) situam seus seis padrões de tecnologia para o corpo docente contra frameworks existentes — TPACK, RAT, SAMR, SETI — e padrões (ISTE, UNESCO, DigCompEdu), a maioria dos quais visa educadores do K-12 (educação básica e média) ou apenas a porção de ensino dos papéis docentes, deixando uma lacuna no desenvolvimento profissional do corpo docente do ensino superior.
• O SAMR é um alvo da crítica pós-humanista. Elsayed (2026) critica os modelos de TPACK, SAMR e letramento em IA por compartilharem uma ontologia humanista que presume quem aprene delimitado, cuja cognição é fundamentalmente inalterada pela mediação tecnológica, argumentando que esses frameworks instrumentalistas não conseguem tratar do papel constitutivo da IA na cognição.
• Um framework de integração, não um framework de poder. Poudyal (2026) avalia o SAMR ao lado do TPACK e de outros frameworks de integração e conclui que nenhum trata de poder equitativo, propriedade de dados ou accountability, motivando um framework ecológico alternativo de coagência.
• O uso pelos estudantes também se mapeia ao SAMR, e o feedback abrange todos os níveis. A codificação das declarações de GenAI de 31–36 estudantes em uma unidade de física colocou a aprendizagem em substituição–aumento, a formatação em substituição, e o fazer da tarefa em modificação–redefinição, enquanto o feedback — verificar, esclarecer, validar — aparecia nos quatro níveis (Quince e Faulconer (2026)).

SAMR, TPACK e adoção de tecnologia: como eles diferem

Três frameworks são frequentemente confundidos, mas respondem a perguntas distintas:

• Modelos de adoção de tecnologia (TAM, UTAUT) explicam por que um indivíduo ou uma instituição aceita e continua usando uma tecnologia — utilidade percebida, facilidade de uso e influência social.
• TPACK descreve o conhecimento de que um professor precisa para integrar a tecnologia de forma eficaz — a interação entre conhecimento tecnológico, pedagógico e de conteúdo, estendida na era da IA para TPACK de IA/TPACK de GenAI.
• O SAMR classifica quão profundamente uma tecnologia transforma uma tarefa de aprendizagem, do aprimoramento à redefinição.

O SAMR é melhor compreendido como uma lente de profundidade de integração usada no planejamento e na avaliação, complementando a teoria da adoção (que explica a aceitação) e o TPACK (que explica a capacidade docente). Na era da IA, ele é usado mais produtivamente para perguntar se a IA generativa está sendo aplicada para aprimorar tarefas existentes ou para viabilizar tarefas genuinamente novas — uma distinção que percorre toda a pesquisa de avaliação e de currículo da base de conhecimento.

Implicações para a prática

• Use o SAMR para fazer a pergunta da profundidade, não para prescrever transformação. O aprimoramento não é inerentemente inferior; muitos usos rotineiros de IA são Substituições legítimas. O modelo é diagnóstico, esclarecendo o que um dado uso realmente muda.
• Pareie-o com o ICAP. O SAMR descreve o que a tarefa se torna; o ICAP descreve como quem aprene se engaja. Usados juntos, distinguem a substituição superficial da coconstrução interativa profunda.
• Complemente-o com lentes de adoção e de equidade. O SAMR nada diz sobre por que uma ferramenta é adotada ou quem se beneficia. Pareie-o com modelos de adoção e com análise de equidade para evitar que um rótulo de profundidade substitua uma avaliação crítica.
• Trate a evidência de integração incremental como um achado, não como uma falha. Se a maioria da integração da IA se agrupa em Substituição/Aumento, a tarefa de desenho não é forçar a Redefinição, mas reconhecer que o uso transformador exige desenhos de tarefa diferentes, e não apenas ferramentas melhores.

Conceitos conectados

• IA na educação — IA na educação (guarda-chuva)
• Conhecimento tecnológico, pedagógico e de conteúdo (TPACK) — Conhecimento Tecnológico Pedagógico de Conteúdo
• Modelos de adoção de tecnologia — Modelos de adoção de tecnologia
• Framework ICAP — O framework ICAP do engajamento cognitivo
• Tecnologias — Tecnologias e técnicas de IA
• Competência em IA do professor — Competência docente em IA
• Desenvolvimento educacional — Desenvolvimento educacional
• Desenho de aprendizagem — Desenho da aprendizagem
• K-12 (educação básica e média) — Educação K-12
• Ensino superior — Ensino superior
• IA generativa — IA generativa

Artigos conectados

• Mapping artificial intelligence integration in higher education: A systematic review using the FACETS and SAMR frameworks — Integração da IA no ensino superior classificada com o SAMR: em sua maioria Substituição/Aumento
• With a Thermomix You Lose the Ability to Cook: A Kitchen Machine Analogy for Applications of Generative AI in Education — ICAP e SAMR mapeando os quatro cenários de cozinhar-para-aprender
• Rewriting the Curriculum: A Systematic Review of Generative AI-Driven Pedagogical Change and Emerging Systems of Learning in Higher Education — O SAMR entre as lentes para a mudança de currículo movida pela GenAI
• Designing faculty standards for technology integration in higher education institutions: a design-based research study — O SAMR entre os frameworks que informam os padrões de tecnologia para o corpo docente
• Pedagogical Symbiosis: conceptualizing the Post-Human Learner in the age of cognitive AI — A crítica pós-humanista à ontologia humanista do SAMR
• Reclaiming Epistemic Agency: A Critical Framework for Human-Generative AI Co-Agency in Education — O silêncio do SAMR sobre poder, propriedade de dados e accountability
• Student GenAI use under changing institutional policies: a mixed-methods case study in undergraduate physics — Uso de GenAI pelos estudantes sob políticas institucionais em mudança: funções de uso mapeadas aos níveis do SAMR (Quince & Faulconer 2026)