Conceitos
Educação secundária
Esta é uma tradução automática da página em inglês; ainda não foi revisada por uma pessoa falante nativa.
Síntese: A educação secundária é a faixa em que o uso de IA generativa é comum e os ganhos de aprendizagem medidos são menores que as alegações feitas a seu favor. Um ensaio de dois anos em escolas comuns de ensino fundamental II produziu cerca de 0,06–0,08 DP por ano, e a meta-análise de tutoria inteligente K-12 cerca de g = 0,27, porque o engajamento e a busca de ajuda limitam o efeito, e não a capacidade do modelo. Os estudantes preferem a ferramenta que faz mais do trabalho cognitivo, e os detectores separam redações inteiras, mas não frases. A evidência vai da revisão para exames, passando pela escrita e pela autoria, até a correção, a detecção e os anos do ensino fundamental II em que o uso ultrapassa o ceticismo.
Perguntas para refletir
- Um tutor está a um clique de distância, mas o estudante mediano pediu ajuda a ele em 17% das sessões que continham um erro. O que torna pedir mais barato que pular na sua turma?
- Os estudantes preferiram o chatbot a fazer anotações e aprenderam menos com ele. Como você detectaria essa armadilha antes que a prova o faça?
- Detectores alcançam F1 de 0,96 em redações inteiras, 0,88 em frases, e perdem um terço de seu recall após uma reescrita. Que política de integridade sobrevive a isso?
- Quase todo ensaio na educação secundária dura de quatro a doze semanas sobre uma prova de unidade. O que justificaria uma adoção departamental de um ano?
- O uso relatado sobe dos 12 aos 17 anos enquanto a confiança na saída permanece estável. Onde, do 6º ao 9º ano, você ensinaria verificação?
Introdução
A educação secundária abrange aproximadamente dos 11 aos 18 anos — ensino fundamental II e, depois, ensino médio — e três características do contexto moldam o que a IA pode fazer ali. A frequência é obrigatória, os professores são especialistas em disciplinas que podem ver 150 estudantes por semana, e as avaliações consequenciais são externas: GCSEs, exames nacionais e PISA aos 15 anos.
Esses mesmos estudantes adotam mais rápido. Na Suíça, 84% dos jovens de 14 a 19 anos relatam uso regular de IA generativa, uma proporção maior que qualquer faixa etária adulta. Uso quase universal, exames externos e um adulto responsável por várias turmas explicam por que a literatura se concentra em revisão, correção, lição de casa e integridade, e não no redesenho do currículo.
O que a pesquisa mede
-
Os ganhos de tutoria inteligente são modestos e encolhem com a distância. Dezoito experimentos dos EUA sobre 11 sistemas agregaram g = 0,271, quase idênticos nos anos iniciais (0,266) e no ensino fundamental II (0,256). Os efeitos caíram para 0,146 onde escolas rurais foram incluídas e para um 0,110 não significativo além de seis meses; resultados de fim de ano (0,155) foram um terço dos pós-testes imediatos (0,460) (Leite et al., 2025).
-
Revisões de STEM relatam efeitos maiores sob controle de qualidade mais fraco. Trinta e cinco estudos experimentais e quase experimentais agregaram g = 0,670, com o ensino médio em 1,099 e o fundamental II em 0,392. Os autores não aplicaram nenhum instrumento formal de avaliação de qualidade, e a heterogeneidade de efeitos fixos alcançou I² = 82,98% (Doğan et al., 2026).
-
Os ganhos de motivação são menores aqui que na universidade. Entre 42 estudos controlados (56 tamanhos de efeito, 6.059 estudantes), o efeito agregado de motivação foi g = 0,764, mas os estudos da educação secundária tiveram média de 0,360 contra 0,886 no ensino superior, com I² = 93,7% (Fang et al., 2026).
-
Um ensaio típico é curto e usa um teste construído localmente. Uma avaliação de ciências do GCSE randomizou 929 estudantes em três disciplinas, reteve 644 no pós-teste e relatou g = 0,33 em um teste de 35 pontos alinhado ao currículo que seus autores chamam de provisório (Harrison et al., 2026).
Tutoria, revisão e o problema do engajamento
-
Acesso não é uso. Em 18 escolas de ensino fundamental II do Tennessee, o Khanmigo elevou o desempenho em matemática em 0,06–0,08 DP por ano a cerca de $15 por estudante, perto do ganho da mesma prática da Khan Academy sem IA. Noventa e seis por cento dos estudantes o experimentaram, mas o estudante mediano trocou mensagens com ele em 17% das sessões que continham um erro (Oreopoulos e Low, 2026).
-
Uma pessoa na sala muda a experiência da dificuldade. Entre 149 alunos do sixth form trabalhando acima do nível curricular, o estresse foi relatado por 32,0% dos que buscavam na web aberta, 19,2% dos usuários de tutor GenAI e 5,8% dos que tinham um tutor humano. Nenhum resultado de aprendizagem foi medido (Ennion e McLellan, 2026).
-
O apoio sensível ao afeto pode elevar a ansiedade que visa. Em duas turmas de química do 9º ano seguindo a mesma sequência de laboratório de 16 semanas, a ansiedade subiu com o Retroalimentação (Feedback) emocional de IA (F = 4,60, p = 0,035) e permaneceu estável apenas com o professor. Os estudantes não conseguiam dizer se prevaleciam os conselhos calmantes do sistema ou o procedimento do professor (Liu, Li e Zhang, 2026).
Escrita, leitura e autoria
-
Os estudantes preferem a atividade que faz o trabalho por eles. Em sete escolas inglesas, 405 alunos do Year 10 leram duas passagens de história e foram testados três dias depois, sem consulta. Fazer anotações superou o uso do chatbot em cerca de 0,5 DP na retenção e 0,4 na compreensão, mas os estudantes avaliaram o chatbot como mais fácil e mais agradável (Kreijkes et al., 2026).
-
O feedback muda a escrita apenas para estudantes dispostos a agir sobre ele. Cada um de 1.507 estudantes da educação secundária recebeu uma mensagem padronizada e dez minutos para revisar; o engajamento comportamental e as atitudes instrumentais moveram o desempenho do percentil 46 para o 54, enquanto a utilidade percebida não mediou nada (Jansen et al., 2026).
-
Um assistente com restrições pode manter os estudantes pensando. Em uma unidade bilíngue sobre fotossíntese, 122 alunos do 7º ano produziram 6.788 turnos com um assistente instruído a reter respostas; 59% alcançaram agência epistêmica compartilhada, e ele não deu uma resposta direta em nenhum dos 1.049 turnos auditados. Cerca de 20% das interações envolveram copiar texto ou pescar uma resposta (Chang et al., 2026).
Avaliação, integridade e pressão de exames
-
A concordância de correção pode ser alta e ainda assim enviesada. Um corretor comercial de Grandes modelos de linguagem (LLMs) igualou as notas de Física do GCSE da AQA com κ ponderado quadraticamente de 0,885 em 71 itens controversos, mas atribuiu notas 0,30 ponto acima, em média, e 6 pontos acima em uma questão (Bozdag e Qiu, 2026).
-
Um kappa não mostra se um corretor pode ser burlado. Entre 22 modelos com prompts, 14 elevaram uma nota em mais de 5% da escala quando a resposta carregava um bilhete, um deles em 83,2%, e descrever o estudante como forte elevou a nota em 28 de 66 pares modelo-tarefa (Porcaro, 2026).
-
A detecção localiza redações, não frases. Com registros de digitação e da área de transferência de 2.429 adolescentes alemães de 15 anos, classificadores separaram texto de IA de texto humano com macro-F1 de 0,96, mas o F1 por frase caiu para 0,88 e o recall de IA caiu de 0,92 para 0,60 após uma reescrita no estilo do estudante (Schaller et al., 2026).
-
Os estudantes raciocinam sobre integridade de forma condicional. Entre 133 estudantes de Hong Kong de 14 a 16 anos, a aceitabilidade dependia da finalidade de uso (62,4%), do impacto na aprendizagem (54,1%) e da intenção (51,9%), não do uso de IA em si (Chan, 2026).
O desencontro adoção–evidência e o redesenho da avaliação
O uso neste nível é quase universal; a evidência é majoritariamente uma descrição dele. Pérez-Montesdeoca et al. (2026) sintetizaram 33 estudos: 26 descreveram como a tecnologia era usada contra 7 que examinaram mudança no estudante, e apenas 21 coletaram dados originais de sala de aula. Quase todos foram iniciados por professores e conduzidos em isolamento, que é o padrão que o número de 84% de adoção esconde — professores individuais experimentando, não departamentos redesenhando.
O que a revisão de fato estabelece é condicional. O feedback foi a aplicação mais forte, com feedback de vocabulário sob medida quase dobrando as notas em um estudo incluído, enquanto a delegação total estreitou a aprendizagem e comparar ou rejeitar a saída a aprofundou. A acurácia acompanhou a dificuldade da tarefa, e não a disciplina: BingChat e Bard alcançaram 92,11% em perguntas básicas de biologia, toda ferramenta caiu abaixo de 20% em itens de ordem superior, e a correção automatizada alcançou 50,8% de concordância com avaliadores humanos. O trabalho com surveys aponta para profundidade, e não dosagem, já que Wu e Zhang (2025) encontraram a profundidade de uso acompanhando a capacidade de inovação autoavaliada enquanto a frequência não, em um design transversal em que os caminhos reafirmam as correlações.
A adoção segue a intenção; a ansiedade age depois. Zhang e An (2026) encontraram a ansiedade em relação à IA não relacionada à intenção (β = 0,056, p = 0,123), mas negativa para todos os três comportamentos, mais fortemente aplicar a saída (β = −0,247), em um modelo em que a utilidade liderou e as expectativas dos adultos superaram a capacidade. A medição também é de nível piloto: Schicchi e Taibi (2026) retiveram três fatores de uma escala de atitudes de 19 itens em 93 estudantes, sem modelo confirmatório.
É por isso que a questão da avaliação se torna o que um produto concluído ainda certifica. Torres-Peralta et al. (2026) encontraram a aprendizagem percebida quase não relacionada a um índice de engajamento de ler, modificar e acrescentar à saída (correlação agregada de 0,052), e Cho (2025) revisou associações de GPA de 0,31 em escrita e 0,18 em matemática que são majoritariamente comparações entre usuários e não usuários. Colete o prompt, a resposta-rascunho e as revisões, e avalie o processo, não a página.
Ensino fundamental II e início da adolescência
-
O uso se consolida antes do ceticismo. Entre 1.598 estudantes de 12 a 25 anos, o uso médio subiu de 1,24 para 1,77 em uma escala de 0 a 4 entre os 12 e os 17 anos, e o número de atividades usadas intensamente subiu de 1,76 para 3,48, enquanto a confiabilidade percebida não mudou (Cuenca-Rodríguez et al., 2026).
-
Um workshop de duas horas muda comportamento que autorrelatos não captam. Entre 116 estudantes franceses do 8º e 9º anos, os que participaram aceitaram prompts subespecificados com menos frequência (51,5% vs. 66,7%) e fizeram uma pergunta de acompanhamento após uma resposta fraca em 59,2% das vezes contra 27,9%; seus autorrelatos de letramento em IA não predisseram nenhum dos dois (Clerc et al., 2026).
-
A finalidade de uso pesa mais que a frequência. Entre 12.191 adolescentes de 15 anos em quatro regiões da China, deslocar-se para uso orientado à aprendizagem valeu 5,8 pontos no PISA com frequência fixa, enquanto deslocar-se para resumir e redigir custou 6,6 (Wu et al., 2026).
-
Ganhos de motivação no início da adolescência carregam um custo relacional. Em 2.464 estudantes alemães do 7º e 8º anos, o ChatGPT dentro da aprendizagem baseada em competências esteve associado a maior satisfação de autonomia e competência, mas menor pertencimento (Schweder et al., 2026).
Conexões
A educação secundária se situa entre a educação primária e a graduação, e compartilha as preocupações do K-12 (educação básica e média) com capacidade docente e equidade. O que a distingue é a combinação de exames externos e ensino por especialistas em disciplinas, que empurra a IA para revisão, correção e apoio ao trabalho de curso. Isso torna a validade e a correção automatizada mais centrais aqui que nos anos da educação primária, onde a adequação desenvolvimental domina. O outro fio distintivo é a aprendizagem autorregulada: os adolescentes recebem a ferramenta antes de receberem o julgamento para usá-la, de modo que metacognição e offloading decidem se um ganho aparece.
Implicações para a prática
Para professores
- Coloque o tutor onde o erro acontece. O número de 17% é um problema de design, não um déficit do estudante: exija uma pergunta ou explicação antes do próximo problema, e verifique a troca, não o login.
- Sequencie as ferramentas de escrita em vez de apresentá-las juntas: consulte, feche o chatbot, depois escreva. Um quarto dos estudantes copiou quando ambos estavam abertos ao mesmo tempo.
- Decida antes da aula qual conselho prevalece quando um sistema sensível ao afeto entra em conflito com seu procedimento, e diga aos estudantes.
Para líderes escolares
- Orce a partir do uso realizado. Uma licença de $15 não é um programa; o efeito depende de agendamento, prompts do professor e monitoramento do progresso.
- Fixe expectativas em 0,06–0,08 DP por ano para tutoria em salas de aula comuns e cerca de 0,27 para tutoria inteligente. Não prometa fechamento de lacunas com nenhuma das duas.
- Mantenha a saída de detectores fora de conclusões de má conduta. Exija rascunhos, histórico de versões ou defesa oral, porque notas de texto inteiro mudam com uma reescrita.
Para pesquisadores
- Relate a detecção em nível de frase e também de texto, e relate os resultados das sondas ao lado das estatísticas de concordância.
- Meça para que os estudantes usaram a ferramenta, não apenas com que frequência. A finalidade separou uma lacuna de 12 pontos no PISA com frequência igual.
- Teste a durabilidade além de quatro semanas, com resultados de fim de ano ou externos. Pós-testes imediatos superestimam os efeitos de tutoria por um fator de aproximadamente três.
Ideias equivocadas comuns
-
"Um tutor de IA ensina sempre que os estudantes têm acesso." Noventa e seis por cento dos estudantes experimentaram o Khanmigo; o estudante mediano pediu ajuda a ele em 17% das sessões em que ocorreu um erro. Disponibilidade e dosagem são variáveis diferentes.
-
"Alta concordância com examinadores significa que um corretor é confiável." Quatorze de 22 modelos puderam ser movidos em mais de 5% da escala com um bilhete na resposta, e um rótulo sobre o estudante deslocou as notas para cima em 28 de 66 pares modelo-tarefa.
-
"A detecção pode dizer quais frases a IA escreveu." O F1 por frase caiu para 0,88, o recall caiu para 0,60 após uma reescrita no estilo do estudante, e texto escrito após uso de chatbot sem material copiado foi lido como humano em 94,6% dos casos.
-
"O letramento em IA crítico pode esperar até a universidade." O uso sobe a cada ano dos 12 aos 17 enquanto a confiabilidade percebida permanece estável, e um workshop de duas horas no 8º e 9º anos mudou o comportamento de prompting e de acompanhamento dois dias depois.
Conceitos conectados
Artigos conectados
- One click away: AI tutoring with Khanmigo in a two-year school experiment
- Evaluating AI Tutoring at the Speed of Innovation: Practitioner-Led Micro-Randomised Trials of an AI Tutoring Platform in GCSE Science
- Do intelligent tutoring systems benefit K-12 students? A meta-analysis and evaluation of heterogeneity of treatment effects in the U.S.
- The Impact of Artificial Intelligence-Supported Instruction on Student Learning in STEM: A Systematic Review and Meta-Analysis
- Effects of generative artificial intelligence on students' learning motivation: evidence from a meta-analysis
- Effects of LLM use and note-taking on reading comprehension and memory: A randomised experiment in secondary schools
- Automated feedback on argumentative writing: The role of secondary students' feedback receptivity and feedback perception
- Investigating Secondary School Students' Shared Epistemic Agency with GAI in Online Scientific Explanation Writing
- Teaching students to question the machine: An AI literacy intervention improves students' regulation of LLM use in a science task
- Students Learn to Use Generative AI Before Learning to Question It: Ordinal Trajectories of Academic Use and Caution from Adolescence to University
- Detecting AI-Authored Text in Authentic Student Writing: Evidence from PISA 2025
- Cheating or not cheating? Rethinking AI-giarism and academic integrity through secondary students' ethical reasoning
- Comparing the Marking Accuracy of an AI Marking System with Official Examination Board Marks and Experienced Teacher Judgement: A Case Study in GCSE Physics
- Beyond agreement: a benchmark of how language models grade student work, and how they fail
- Generative AI use and scientific literacy among 15-year-olds in Beijing, Shanghai, Jiangsu, and Zhejiang, China
- Student motivation and need satisfaction in GenAI-supported classrooms: A self-determination theory perspective
- The integration of generative artificial intelligence in secondary education: A systematic review
- Generative artificial intelligence in secondary education: Applications and effects on students’ innovation skills and digital literacy
- Predictors of High School Students’ Intentions and Behaviors in Using AI Learning Tools: An Extended Theory of Planned Behavior Approach
- High School Students’ Attitudes Toward Generative AI: An Exploratory Factor Analysis of a Novel Measurement Scale
- Perceived Learning vs. Engagement in AI-Assisted Homework: A Comparative Study of ChatGPT Use Across High School, University, and Teachers in Sonora, Mexico (2024–2025)
- Impact of ChatGPT on High School Grade Point Average: A Comparative Study by Subject, School Type, and Socioeconomic Factors