Aprendizagem autorregulada

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

A aprendizagem autorregulada (SRL) descreve os estudantes como participantes ativos que conseguem moldar e desenvolver suas ações cognitivas e comportamentais de forma bem-sucedida. As ferramentas de IA podem fazer scaffolding do desenvolvimento da SRL ou, inadvertidamente, atropelá-lo, ao remover as demandas regulatórias que constroem expertise.(Designing a mobile chatbot-based learning journaling system for intrinsic motivation and engagement)(The Evidence Base on AI in K-12: A 2026 Review) A evidência longitudinal aguça a distinção: o uso reflexivo em torno de uma ferramenta de IA previu o pensamento crítico (β = 0,43), mas não o ganho de conhecimento, e o acesso à ferramenta isoladamente não mudou nenhum dos dois.(Generative AI and Learning Dynamics in Higher Education: A Longitudinal Empirical Study)

Perguntas para refletir

• A SRL descreve os estudantes gerenciando ativamente sua aprendizagem por três fases: pré-pensamento (estabelecimento de metas, planejamento, autoeficácia), desempenho (estratégia, auto-observação) e autorreflexão (avaliação, adaptação). Antes de ler, qual fase você de fato faz bem — e qual você pula mesmo sabendo que não deveria?
• A tensão central da página: a IA pode fazer scaffolding da autorregulação ou atropelá-la, ao remover as demandas regulatórias que constroem expertise. Como uma ferramenta que torna uma tarefa mais fácil também pode torná-lo um regulador mais fraco da própria aprendizagem — e você consegue sentir a diferença no seu próprio uso?
• Os estudantes frequentemente mostram um "déficit de produção": possuem conhecimento de autorregulação, mas não conseguem aplicá-lo espontaneamente — pedindo a um chatbot para "extrair as ideias principais" e pulando inteiramente o planejamento e o monitoramento. Você já se pegou fazendo o equivalente cognitivo disso, mesmo conhecendo a estratégia melhor?
• Quando o apoio está presente, seu próprio julgamento pode sair do quadro: num estudo de dados de rastro, foi o apoio disponível, e não a acurácia metacognitiva do estudante, o que determinou a estratégia de revisão escolhida. Se a ajuda externo sobrepõe sua leitura da própria aprendizagem, qual julgamento você manteria deliberadamente em suas próprias mãos?
• A pesquisa descobriu uma "lacuna de descalibração": os estudantes podem perceber mais aprendizagem com a GenAI ao mesmo tempo que retêm menos — preferindo a IA às anotações, apesar da retenção mais fraca. Se você se sente produtivo usando uma ferramenta, como descobriria que não está de fato aprendendo mais?
• Se a GenAI funciona como scaffold, atalho ou parceira depende mais da capacidade regulatória do estudante que da ferramenta em si. Mas a página também mostra que a autorregulação amortece — mas não cancela — o dano do offloading cognitivo profundo. O que essa ressalva de "amortece mas não cancela" significa para desenhar ferramentas de IA melhores?
• Defina um objetivo antes de ler: pegue uma tarefa para a qual você usa IA regularmente e decida antecipadamente qual das três fases da SRL (pré-pensamento, desempenho, reflexão) você protegerá deliberadamente de ser automatizada. Que resultado lhe dirá que funcionou?

Introdução

A SRL é o processo pelo qual os estudantes gerenciam ativamente sua própria aprendizagem por três fases inter-relacionadas:

1. Pré-pensamento: crenças de estabelecimento de metas, planejamento estratégico e autoeficácia
2. Desempenho: aplicação de estratégias, auto-observação, focalização da atenção
3. Autorreflexão: autoavaliação, atribuição causal, adaptação

Estudantes autorregulados proficientes empregam estratégias cognitivas para melhorar o sucesso e utilizam a metacognição para refinar continuamente seus processos de aprendizagem.(Designing a mobile chatbot-based learning journaling system for intrinsic motivation and engagement)

O trabalho empírico num curso mediado por tecnologia confirma as ligações entre fases: num estudo adaptativo de oito semanas sobre estocástica (194 estudantes), o valor da tarefa, a autoeficácia, a orientação a metas e as emoções positivas na fase pré-acional predisseram o comportamento regulatório acional, enquanto as emoções negativas o prejudicaram, e a satisfação pós-acional alimentou a fase pré-acional seguinte (Mejeh & Fromm (2026)).

Um mapeamento sistemático de 84 estudos sobre IA e SRL descobriu que a pesquisa se concentrava em estudantes do ensino superior e nos aspectos metacognitivo e cognitivo da autorregulação, com a dimensão motivacional pouco explorada e mais de um terço dos estudos não especificando nenhuma teoria de SRL (Banihashem et al. (2025)).

Crucialmente, a SRL em torno da IA é moldada pela percepção tanto quanto pelo comportamento: Yilmaz et al. demonstram que o fato de os estudantes perceberem o feedback como vindo da IA ou de um humano afeta significativamente sua aprendizagem autorregulada e seu comportamento de revisão — um lembrete de que o enquadramento social da IA, e não apenas seu conteúdo, muda como os estudantes se regulam em torno dela.

Um modo de falha se situa antes de a regulação começar: a procrastinação na aprendizagem assistida por GenAI — demora desnecessária em começar o trabalho apoiado por GenAI apesar de uma intenção genuína de usá-la. Entre 1.243 graduandos chineses, o uso mais frequente de GenAI veio acompanhado de menos procrastinação (β = −0,195), e a ansiedade em aprender GenAI fortaleceu a ligação intenção–demora (Li et al. (2026)).

Onde a GenAI entra no ciclo decide seu efeito: mapeando as fases de pré-pensamento, desempenho e reflexão de Zimmerman sobre ambientes mediados por IA, um framework de coagência argumenta que o ponto de entrada determina se a ferramenta amplifica ou corrói o senso de controle do estudante, e que o offloading apoia a aprendizagem transformativa apenas quando a decisão é intencional, e não rotineira (Poudyal (2026)).

Uma pesquisa transversal com 434 graduandos de educação especial mede uma dessas cadeias: o letramento em GenAI se associou positivamente aos comportamentos de aprendizagem autorregulada assistida por GenAI (B total = 0,701), passando principalmente pela agência de aprendizagem (B = 0,345), e não pelas emoções de desafio (B = 0,061) (Yang et al. (2026)).

Apoio digital à SRL

Diários de aprendizagem

Diários de aprendizagem são uma intervenção de SRL promissora: ao refletir sobre seus processos de aprendizagem, os estudantes aumentam a consciência da cognição e fortalecem a capacidade regulatória. Considerações-chave de desenho:

• A estrutura importa: diários abertos frequentemente produzem entradas rasas; prompts guiados e modelos de exemplo melhoram a profundidade
• Decaimento da motivação: apps móveis de diário comumente veem o engajamento cair rapidamente depois de alguns dias
• Compensação do scaffolding: a assistência da IA que escreve as reflexões pelos estudantes mina a prática de SRL; a assistência que estrutura os prompts sem autoral conteúdo a preserva

Dashboards que comunicam perfis de SRL aos professores

Mejia-Domenzain et al. (2026) estendem o apoio digital à SRL ao lado do professor: seu dashboard de analítica de aprendizagem (DashED) comunica aos professores, em salas de aula mistas, perfis de aprendizagem autorregulada derivados por ML, e a forma como os professores agem sobre esses perfis depende do contexto. Em uso, professores de sala invertida (universidade) seguiam uma exploração sequencial e favoreciam a adaptação no nível do curso e a exibição dos dashboards em aula, enquanto professores profissionalizantes revisitavam páginas de resumo e usavam a ferramenta principalmente para sessões individuais de coaching. As ações que os professores propunham eram moldadas pelo conteúdo representado e por seu nível de ensino, e não pelo tipo de gráfico — professores universitários favoreciam testes semanais e adaptação de curso, professores profissionalizantes coaching direto e individualizado. Isso posiciona o dashboard como um scaffold para a regulação da instrução pelos professores, com necessidades de desenho que variam por contexto, em vez de uma única interface ótima.

A contraparte voltada ao estudante é mais rarefeita: um dashboard que mostrava a 46 estudantes do ensino médio seus próprios prompts de GenAI e a sobreposição de seu texto com as respostas do modelo era aberto por apenas cerca de um terço da turma, tornando a exposição voluntária, e não a visualização em si, a restrição vinculante (Fong et al. (2026)).

O experimento 2×2 de Scheu et al. (2026)

Num experimento de campo randomizado com 179 estudantes ao longo de 22 dias, dois princípios de desenho foram comparados:

Insight-chave: o curso melhorou as habilidades de SRL e a motivação intrínseca por transferência de habilidade, enquanto o assistente melhorou o engajamento sem afetar a motivação.(Designing a mobile chatbot-based learning journaling system for intrinsic motivation and engagement)

Ferramentas de IA e o laço recíproco SRL–Motivação

Um princípio fundamental da teoria da SRL é que as habilidades de autoregulação e a motivação formam uma relação recíproca:

• Melhor SRL → aprendizagem mais bem-sucedida → autoeficácia mais alta → motivação mais forte
• Motivação mais alta → engajamento mais esforçado → melhor prática de SRL

As ferramentas de IA podem entrar nesse laço em pontos diferentes:

• Desenho SRL-primeiro (ex., cursos estruturados, dicas graduadas, prompts de reflexão): fortalece o laço ao construir habilidade genuína
• Desenho engajamento-primeiro (ex., autocompletar, geração de conteúdo): pode impulsionar o engajamento comportamental sem entrar no laço da motivação, arriscando dependência da ferramenta

A regulação estratégica da GenAI como SRL

Kim (2026) reenquadra o uso eficaz de GenAI na escrita acadêmica como regulação estratégica — uma prática de SRL encenada de verificar, revisar, adotar seletivamente ou rejeitar a saída da IA. Num estudo de métodos mistos com 107 estudantes, maior ansiedade em relação à IA se associou positivamente à verificação e à revisão (β=,24), enquanto a capacidade avaliativa predisse revisão ativa e integração seletiva (β=,46). Os estudantes se agruparam em quatro tipos regulatórios — Dependência Acrítica (18,7%), Integração Seletiva (34,6%), Transformação Avaliativa (31,8%) e Rejeição Estratégica (14,9%) — mostrando que o letramento em IA no ensino superior funciona menos como aceitação do que como competência regulatória fundamentada em julgamento avaliativo e em responsabilidade ética. Isso posiciona a SRL como o mecanismo central que distingue o uso crítico do acrítico da IA.

A governança da ferramenta é ela mesma uma faceta mensurável: uma validação de duas ondas com estudantes chineses de inglês como língua estrangeira (EFA N = 305; CFA N = 342) separa seis dimensões regulatórias e nomeia a regulação ambiental — verificar a saída gerada quanto à acurácia, filtrar recursos sugeridos e estabelecer limites à dependência — como uma dimensão em seu próprio direito (Wang, Zhang e Zhang (2026)).

Classifique antes de delegar: Tsim e Gutoreva (2025) transformam a autorregulação num protocolo por tarefa — rotule cada subtarefa como Substituir, Complementar, Auxiliar ou Inegociável, justifique-a numa nota metacognitiva curta e mantenha um rastro de auditoria de prompts, rascunhos e revisões humanas — com o ciclo se repetindo para que a atribuição de uma tarefa informe a seguinte. A própria interação como objeto de regulação. Brunnström e Palmqvist (2026) documentam a mesma demanda de regulação a partir da outra direção: numa demonstração de oito rodadas usando um chatbot para preparar uma resposta de exame para casa, a saída padrão da IA permaneceu na ponta quantitativa e multiestrutural da taxonomia SOLO — polida, pronta para submissão e pedagogicamente rarefeita — e só alcançou um laço de aprendizagem de três passos utilizável depois de intervenções meta-repetidas ("isso é demais, você pode condensar?"). Sua conclusão é que o uso produtivo exigiu "as próprias habilidades autorregulatórias que se esperava que a ferramenta apoiasse": o estudante precisa estabelecer metas incrementais, pedir ajustes de dificuldade e refletir sobre o que ainda não foi compreendido, além do próprio conteúdo disciplinar. Eles nomeiam essa capacidade letramento de interação com IA e tratam o desengajamento da ferramenta como uma decisão regulatória legítima, e não como uma falha de persistência (metacognição).

• Satisfação não é autorregulação. Liang et al. (2026) pesquisaram 689 graduandos em programas de integração indústria-educação e testaram um modelo de mediação serial em que as affordances percebidas do conteúdo gerado por IA elevam a autoeficácia com AIGC (beta = 0,583) e, por meio dela, a motivação de aprendizagem (beta = 0,565) e a aprendizagem autorregulada (beta = 0,250), com a motivação como o preditor isolado mais pesado da SRL (beta = 0,527). Os resultados negativos portadores de carga ficam ao lado desses caminhos: a qualidade do feedback de avaliação por IA previu fortemente a satisfação (beta = 0,712), mas não a autoeficácia (beta = 0,131), e a satisfação não teve efeito significativo sobre a aprendizagem autorregulada (beta = 0,032). Um assistente bem gostado e bem funcionante não é portanto evidência de que a regulação melhorou — o mecanismo passa pela confiança e pela motivação, e não pela experiência do estudante com a ferramenta.

A reflexão consciente da GenAI como SRL

O Modelo de Reflexão 5P (Kadel et al. 2026) recentra a reflexão estruturada na era da GenAI como prática de SRL encenada. Como os estudantes cocriam cada vez mais significado com a IA, os modelos tradicionais de reflexão lutam para autenticar a reflexão dos estudantes, de modo que o modelo 5P (Propósito, Processo, Produto, Armadilhas, Plano) funde o estabelecimento de metas movido pelo pré-pensamento, a reflexão-na-ação (documentando prompts e iterações), a reflexão-sobre-a-ação (validando a saída probabilística contra fontes externas), um estágio explícito de armadilhas para alucinação, plágio e dependência excessiva, e um plano voltado ao futuro — embutindo monitoramento emocional ao longo de tudo. Sua filosofia de "processo acima de produto" trata a documentação estruturada da interação humano–IA como a demanda regulatória que preserva autenticidade, agência e profundidade metacognitiva, posicionando a reflexão consciente da GenAI como um scaffold para a autorregulação, e não como um substituto dela.

Relação com o desenho específico da tutoria

A IA específica para tutoria alinha-se ao desenho SRL-primeiro: ela fornece scaffolds graduados que preservam a agência e exigem autorregulação estratégica. A IA de uso geral frequentemente remove as demandas regulatórias por completo.(The Evidence Base on AI in K-12: A 2026 Review)

Por exemplo:

• O chatbot específico para tutoria de Bastani et al. preservou o raciocínio passo a passo (demanda de SRL)
• A variante GPT de uso geral simplesmente forneceu respostas (contorno da SRL)

Evidência entre contextos

• Evidência mista e a lacuna de descalibração. Uma revisão rápida da pesquisa sobre GenAI no PreK-12 descobre que ganhos metacognitivos durante tarefas apoiadas frequentemente não persistem quando o apoio é removido, e que a GenAI pode aumentar a aprendizagem percebida mesmo quando a aprendizagem durável está ausente (a lacuna de descalibração — os estudantes preferiram a GenAI às anotações, apesar da retenção mais fraca). Os estudantes precisam de treinamento explícito e apropriado ao estágio para decidir o que delegar e quando o esforço independente importa.(Young People, Learning, and Generative AI: A Rapid Literature Review and Implications for PreK-12 Education)
• Tensão entre iniciativa agêntica e autorregulação. Woollaston et al. (2026) notam que, à medida que os agentes automatizam mais de uma tarefa, menos trabalho cognitivo autorregulado o estudante realiza — de modo que os desenhos deveriam dar aos estudantes controle sobre a iniciação do agente (scaffolding dinâmico, com desvanecimento) para preservar a capacidade autorregulatória, em vez de terceirizá-la.
• A autorregulação molda o uso de assistentes de código com IA. O estudo de assistentes de código com IA descobriu que estudantes com alto pensamento computacional mostraram coerência autorregulatória mais forte (planejamento–execução–autorreflexão) e usaram o AICA para compreensão de código, enquanto estudantes com baixo pensamento computacional o usavam para recuperação imediata de respostas.
• A SRL coocorre com menor distração digital na aprendizagem online. Shi et al. (2026), usando mineração de dados não supervisionada com 530 estudantes universitários, descobriram que as estratégias de SRL — estabelecimento de metas, estruturação do ambiente e gestão do tempo — coocorriam mais consistentemente com menor distração digital na aprendizagem online, junto com o engajamento estudante–instrutor e estudante–conteúdo. O achado posiciona o treinamento concreto em SRL como uma intervenção de alta alavanca para o estudo online focado.
• A consciência metacognitiva, e não o acesso à ferramenta, é o maior impulsionador do desempenho adaptativo em STEM. Alatoai e Alshahri (2026) construíram e validaram o AI-STEM-MLCS com 649 estudantes do ensino médio na Arábia Saudita (CFI = 0,983, RMSEA = 0,019; ω de McDonald = 0,888 a 0,905) e descobriram que suas quatro dimensões explicavam 68% da variância no desempenho de aprendizagem autorregulada (R² = 0,68). A consciência metacognitiva baseada em IA foi o preditor mais forte (β = 0,38, p < 0,001), seguida pela transferência cognitiva e adaptabilidade (β = 0,29, p = 0,008) e pela aprendizagem autorregulada aprimorada por IA (β = 0,21, p = 0,040), enquanto o raciocínio criativo e crítico em AI-STEM não previu o critério (β = 0,14, p = 0,135). Os autores leem o padrão como evidência de que o feedback adaptativo eleva o desempenho em STEM principalmente por levar os estudantes a examinar erros, recalibrar e reutilizar estratégias, de modo que o instrumento funciona melhor como diagnóstico que localiza lacunas de meta-aprendizagem do que como nota global única. É uma medida de autorrelato validada num único sistema nacional, de modo que os coeficientes são provisórios.
• O apoio externo pode contornar o próprio julgamento metacognitivo do estudante. Iqbal et al. (2026) rastrearam 87 estudantes de inglês como língua estrangeira revisando uma redação sob apoio de GenAI (ChatGPT 4.0), de especialista humano ou sem apoio. A condição de apoio foi, de longe, o correlato mais forte da estratégia de revisão que um estudante escolheu (V de Cramér = 0,668), bem à frente do carry-over da tarefa de escrita precedente (V = 0,333), enquanto a acurácia do julgamento metacognitivo (p = 0,172), a habilidade de escrita (p = 0,261) e a motivação (p = 0,683) não se associaram a nada. O julgamento metacognitivo acompanhou a estratégia apenas quando nenhum apoio estava disponível (teste de permutação p = 0,0460). Os estudantes com apoio de GenAI ganharam mais (cerca de 4 pontos em média sob a estratégia de busca decrescente de ajuda, contra −0,5 pontos para a mesma estratégia sob apoio de especialista humano), mas nenhuma estratégia de revisão se associou à mudança de nota (H(3) = 3,895, p = 0,273), de modo que os ganhos vieram da ferramenta, e não de melhor autorregulação. A orientação dos autores é que a GenAI deveria instigar reflexão sobre a própria estratégia de revisão, em vez de fornecer ajuda direta.
• O uso reflexivo acompanha o pensamento crítico, não o ganho de conhecimento. Melanou et al. (2026) acompanharam três turmas paralelas de estudantes de informática de negócios (N = 87) ao longo de um curso de nove semanas, com o conhecimento subindo em todos os grupos (F(1, 50) = 29,87, p < 0,001, η²p = 0,374) e sem vantagem da IA, sem interação Tempo × Grupo e sem efeito Mateus (F(1, 48) = 2,46, p = 0,124; BF01 = 8,70). O uso reflexivo (checar fontes e verificar a saída da IA antes de adotá-la) foi marcadamente mais alto na condição com IA (3,72 vs. 2,82; F(1, 40) = 20,21, p < 0,001) e previu o pensamento crítico (β = 0,43, p < 0,001), mas não o ganho de conhecimento, que a carga cognitiva germânica previu (β = 0,51, p = 0,001). A leitura prática é que o acesso à IA não é em si uma intervenção, e que seu ganho metacognitivo aparece na qualidade do raciocínio antes de aparecer nas notas de prova.

SRL mediada por LLM: scaffold, atalho ou parceira?

Um agrupamento de estudos das Learning Letters (2026) converge numa tensão central: a GenAI pode fazer scaffolding, atropelar ou fazer parceria com a autorregulação, dependendo do desenho e de como os estudantes regulam seu uso. A evidência aponta para a SRL em si — e não para a ferramenta — como a variável decisiva.

• Viberg et al. descobrem que os LLMs são tecidos num ecossistema em camadas de busca de ajuda, em vez de substituírem o apoio humano: os estudantes tentam as tarefas de forma independente primeiro, depois consultam o ChatGPT como primeiro passo de baixa barreira, os colegas para negociação conceitual e os instrutores para questões de alto impacto. Eles favorecem a busca instrumental de ajuda (dicas, orientação passo a passo) em relação à busca executiva de ajuda (soluções diretas), exercendo confiança seletiva e verificando as saídas contra os materiais do curso — um processo de quatro estágios (decidir se a ajuda é necessária, escolher a quem perguntar, determinar o tipo de ajuda, julgar a ajuda recebida) que pode ser medido e ensinado.
• Atif & Dickson-Deane enquadram o uso de GenAI como offloading cognitivo que pode ser scaffolded (os estudantes criticam e adaptam as saídas da IA, mantendo agência e construção de sentido) ou substitucional (os estudantes aceitam as saídas com verificação mínima, deslocando o controle para a ferramenta). Num estudo com 267 estudantes de pós-graduação em TI, a mesma ferramenta pôde fazer scaffolding ou atalho da SRL dependendo da estratégia do estudante — usuários confiantes mostraram agência no estabelecimento de metas e no monitoramento; usuários menos confiantes viram a GenAI como atalho ou má conduta.
• Lim & Bannert mostram o risco concretamente: os estudantes usaram voluntariamente um chatbot de GenAI (73%) e pontuaram mais alto nas redações, mas terceirizaram a compreensão e a síntese (pedindo ao chatbot para "extrair apenas as ideias principais") e se engajaram em quase nenhum planejamento ou monitoramento — terceirizando decisões regulatórias-chave. Isso reflete um déficit de produção: os estudantes possuem conhecimento de SRL, mas não conseguem aplicá-lo espontaneamente, de modo que as ferramentas de GenAI deveriam instigar reflexão (um scaffold de monitoramento) quando as consultas indicarem offloading.
• Song et al. demonstram que a SRL é tanto uma aptidão estável quanto um estado dinâmico: as linhas de base individuais são consistentes, mas o conhecimento metacognitivo e o bem-estar declinam sistematicamente ao longo de um semestre, movidos pelos prazos de avaliação. Eles mostram que a GenAI pode atuar como parceira de aprendizagem consciente do contexto quando recebe dados pessoais, temporais e contextuais — apoiando os estudantes sem substituir seu esforço. Isso argumenta contra a personalização "única-para-todos" baseada apenas na aptidão de linha de base.
• de Barba estende a SRL teoricamente, argumentando que o campo se estreitou para a regulação focada em tarefas e para proxies comportamentais otimizáveis na tecnologia educacional. O artigo propõe uma conta cross-scale da agência do estudante — regulação (dentro das tarefas), integração (ao longo do tempo e dos contextos) e posicionamento (criticamente em relação às condições que enquadram a aprendizagem) — como orientação de desenho para ambientes algoritmicamente mediados.
• A autorregulação amortece, mas não cancela, o dano do offloading. Chen (2026) mostra que a escrita autorregulada atenua — mas não elimina — a associação negativa entre o offloading cognitivo profundo e os resultados independentes sem IA na escrita assistida por GenAI: a interação offloading-por-SRL foi positiva (B = 0,22), achatando o dano de uma inclinação de −0,54 (SRL baixa) para −0,33 (SRL alta), mas não cancelando-o. Uma condição de apoio delimitado que combina limites à delegação com reflexão obrigatória produziu o desempenho independente mais forte, evidência de que a regulação metacognitiva protege parcialmente os estudantes, mas não consegue compensar plenamente a terceirização do próprio trabalho cognitivo.

Onde o aluguel se situa dentro dos modelos de Winne. de Barba (2026) mapeia o mecanismo sobre a SRL como operações que o sistema realiza no lugar do estudante: notar, monitorar e julgar são exercidos pela ferramenta, um impasse é resolvido por busca, e não pela própria escolha Se-Então, Senão do estudante, e os padrões pelos quais o estudante julga são emprestados, e não construídos. Uma capacidade que o estudante acredita deter enquanto a ferramenta a detém — aluguel oculto — suprime o sinal de erro que de outro modo provocaria regulação, e dez proposições especificam o que testar, incluindo custos maiores na aclimatação ao domínio e padrões que derivam em direção aos pontos de referência do próprio modelo.

A lição coletiva: a SRL é o mecanismo central que distingue o uso crítico do acrítico da IA. Se a GenAI funciona como scaffold, atalho ou parceira depende da capacidade regulatória dos estudantes e de se as ferramentas são desenhadas para preservar (em vez de remover) as demandas regulatórias que constroem expertise.

Qual apoio está em jogo decide qual mediador carrega a associação: entre 3.003 futuros professores chineses, o apoio percebido da ferramenta de IA correu para a competência inovadora principalmente pela autoeficácia em IA (60,88% do efeito total desse caminho), enquanto o apoio percebido do ambiente inteligente baseado na escola correu principalmente pela aprendizagem autorregulada (29,64% versus 18,60%) (Liu et al. (2026)).

Implicações

• Para ferramentas de diário/chatbot: combine a instrução em SRL (baseada em curso) com apoio opcional à escrita para obter ganhos tanto de motivação quanto de engajamento
• Para desenhistas de ferramentas: torne a avaliação um passo obrigatório, não opcional. Iqbal et al. descobriram que foi o apoio disponível, e não o julgamento metacognitivo do estudante, o que decidiu a estratégia de revisão que os estudantes usaram, e que os ganhos de nota com GenAI não vieram de melhor regulação, enquanto Melanou et al. descobriram que o uso reflexivo previu o pensamento crítico onde o mero acesso à ferramenta não previu. As interações que pedem aos estudantes que verifiquem, comparem e reelaborem estratégias são as que carregam o valor de aprendizagem.
• Para instrutores: trate a consciência metacognitiva baseada em IA como a primeira alavanca e verifique-a explicitamente. Alatoai e Alshahri a descobriram como o preditor mais forte do desempenho adaptativo em STEM (β = 0,38), com transferência e adaptabilidade em segundo (β = 0,29), de modo que atividades que fazem os estudantes examinarem erros e levarem uma estratégia para um novo contexto de problema fazem mais do que o prompting geral para raciocínio crítico ou criativo.
• Para a política de IA: os critérios de aquisição deveriam perguntar se uma ferramenta desenvolve ou desloca a autorregulação
• Para pesquisadores: estudos de longo prazo que meçam resultados de SRL (e não apenas desempenho imediato) são essenciais; Melanou et al. mostram o retorno dessa paciência, já que o uso reflexivo de um semestre moveu o pensamento crítico (β = 0,43) sem mover o ganho de conhecimento.

Agentes conversacionais e SRL em jogos de simulação

• Agentes conversacionais apoiando a aprendizagem autorregulada em jogos. Wenzel, Geiger e Liening (2026) mostram que um agente conversacional de IA (Lara) num jogo de simulação de negócios pode apoiar a aprendizagem autorregulada por feedback formativo baseado em métricas, orientação sob demanda e reflexão estruturada — abordando a limitação comum de que os jogos de simulação fornecem feedback formativo e prompts de reflexão limitados. Avaliações com estudantes de magistério e participantes do BSG reportaram percepções positivas da presença cognitiva e social do agente e de seu apoio à autorregulação.

Conceitos conectados

• Quem aprende — Estudantes: o guarda-chuva para os conceitos do lado do estudante
• Metacognição — o monitoramento cognitivo de que a SRL depende
• Autoavaliação
• Autoeficácia — uma crença da fase de pré-pensamento que impulsiona o esforço
• Andaime (Scaffolding) — apoio graduado que preserva a demanda regulatória
• Retroalimentação (Feedback) — insumo em torno do qual os estudantes se regulam
• Letramento em feedback — a capacidade de agir sobre o feedback
• Busca de ajuda — um comportamento estratégico de SRL
• Motivação — a parceira recíproca da autorregulação
• Descarregamento cognitivo — o risco quando a IA remove o trabalho regulatório
• IA generativa — a tecnologia que pode fazer scaffolding ou atropelar a SRL
• Letramento em IA — competência regulatória no uso da IA
• Aprendizagem autodirigida — o construto de autonomia mais amplo
• Autonomia de quem aprende — a capacidade do estudante de agir com intenção, central para regulação, integração e posicionamento
• Aprendizagem adaptativa — personalização que pode apoiar a regulação
• Avaliação formativa — feedback contínuo para a regulação
• Aprender ensinando — uma estratégia que constrói autorregulação
• Tutoria inteligente — sistemas que fazem scaffolding da SRL
• Grandes modelos de linguagem (LLMs) — o modelo subjacente das ferramentas de IA
• Recuperação, espaçamento e entrelaçamento — agendamento, autotestes e escolhas de estratégia de estudo que os estudantes fazem
• Rendição cognitiva

Artigos conectados

• AIGC affordance and student self-regulation in private undergraduate education: a serial mediation model — Affordance de AIGC e autorregulação dos estudantes

• AI-interaction literacy: reflections on how generative AI might be used to support self-regulated learning in higher education — Letramento de interação com IA: conduzir um chatbot exigiu a SRL que ele deveria apoiar (Brunnström & Palmqvist 2026)

• The 5P Reflection Model for Education in the Generative Artificial Intelligence (GenAI) Era — O modelo de reflexão 5P para a era da GenAI (Kadel et al. 2026)

• Layer-Sensitive Cognitive Offloading in Generative AI-Assisted Writing: Supported Performance and Independent No-AI Outcomes — Offloading cognitivo sensível a camadas na escrita assistida por GenAI (Chen 2026)

• Reclaiming Epistemic Agency: A Critical Framework for Human-Generative AI Co-Agency in Education

• Learner Agency Across Scales: An Integrative Perspective on Self-Regulated Learning in Algorithmically Mediated Environments — Agência do estudante em múltiplas escalas: regulação, integração, posicionamento

• The Rented Self: How AI-Enabled Tools Decouple Performance From Becoming — O self alugado: o aluguel mapeado sobre os modelos de SRL de Winne, com dez proposições e índices within-estudante

• GenAI as a Learning Partner: Supporting Self-Regulated Learning Over Time Without Replacing Effort — A GenAI como parceira de aprendizagem consciente do contexto ao longo do tempo

• How Do Students Regulate Their Learning With a GenAI Chatbot? — Como os estudantes regulam a aprendizagem com um chatbot de GenAI

• Scaffold or Shortcut? Postgraduate IT Students' Use of Generative AI and Self-Regulated Learning — Scaffold ou atalho? O papel duplo da GenAI na SRL

• Efficiency vs. Effectiveness: Self-Regulated Learning with LLM-Mediated Help-Seeking — Busca de ajuda mediada por LLM em STEM: em camadas, instrumental e verificada

• Your Brain on ChatGPT: Accumulation of Cognitive Debt when Using an AI Assistant for Essay Writing Task

• Fostering self-regulated learning through adaptive learning technology: A differentiated perspective on the role of feedback

• A systematic mapping review at the intersection of artificial intelligence and self-regulated learning

• Supporting self-regulated learning through generative AI feedback in online higher education: the importance of student perceptions of the source of feedback — Feedback de GenAI e SRL: a fonte percebida importa

• From AI Anxiety to Strategic Regulation: How University Students Transform Generative AI into a Strategic Learning Resource — Da ansiedade com IA à regulação estratégica

• Young People, Learning, and Generative AI: A Rapid Literature Review and Implications for PreK-12 Education — Evidência mista sobre metacognição/autorregulação com GenAI

• Agentic AI and Pedagogical Best Practice: The Tension Between Automation and Learning — A IA agêntica e a tensão da autorregulação

• Decreasing Digital Distraction in College Students: Associated Online Learning Strategies Identified by Unsupervised — SRL e menor distração digital na aprendizagem online (Shi et al. 2026)

• Making machine learning findings accessible to teachers in blended classrooms — Tornando acessíveis a professores os achados de ML em salas de aula mistas

• SCAN: A Decision-Making Framework for Task Assignment with Generative AI — SCAN: um laço voltado ao estudante de identificação, justificação e reflexão pós-tarefa

• Using Learning Analytics to Support Secondary School Students' Writing with Generative AI — Usando a analítica de aprendizagem para apoiar a escrita de estudantes do ensino médio com IA generativa

• Exploring the Impact of AI-Based Learning Environments on Student Self-Regulation and Adaptive STEM Learning — Um instrumento validado para a autorregulação apoiada por IA na aprendizagem adaptativa de STEM, com a consciência metacognitiva como preditor mais forte

• Human or GenAI Support? Conditions Impacting Students' Strategy Choices in an Essay Revision Task — A condição de apoio, e não o julgamento metacognitivo, dirigiu a escolha da estratégia de revisão num experimento de revisão de redações

• Generative AI and Learning Dynamics in Higher Education: A Longitudinal Empirical Study — Longitudinal: o uso reflexivo de IA previu o pensamento crítico, mas não o ganho de conhecimento, sem efeito Mateus

• GenAI literacy and GenAI-assisted self-regulated learning behaviors: the roles of learning agency and challenge emotions — O letramento em GenAI se relacionou aos comportamentos de aprendizagem autorregulada principalmente pela agência de aprendizagem

• Pre-Service Teachers' Perceptions of AI Technological Support and School-Based Intelligent Environment Support: Model-Based Indirect Associations with Innovative Competence via AI Self-Efficacy and Self-Regulated Learning — O tipo de apoio inverte o mediador: autoeficácia em IA vs. aprendizagem autorregulada

• GenAI Use and GenAI-Assisted Learning Procrastination in University Students: The Roles of Planned Behavior Constructs and Learning GenAI Anxiety — Procrastinação na aprendizagem assistida por GenAI: uma lacuna intenção–comportamento que a ansiedade fortalece

• Generative artificial intelligence-supported self-regulated learning (GenAI-SRL) in L2 writing: scale development, validation, and short-form construction — Uma escala GenAI-SRL validada de seis dimensões para a escrita em L2, com a regulação ambiental como dimensão própria e uma forma curta de 12 itens otimizada por colônia de formigas

• Three failure modes explain where transfer breaks. (1) Concept resolution at everyday rather than domain meaning — "cancel" vs. chemistry "kürzen" — breaks enact classification. (2) Anthropomorphization — German students unfamiliar with a heavily scaffolded tutor addressed it as a person, producing out-of-distribution utterances; transfer was better on less-scaffolded platforms. (3) Hint-reading vs. plan-formulation ambiguity — models can't tell reading a metacognitive hint from planning without log data. Realizing errors is robust across every condition — noticing you're wrong is context-independent. Fixes: expert dictionaries or fine-tuning for domain terms; log data for hints. (Large language models generalize SRL prediction to new languages within but not between domains)

• Large language models generalize SRL prediction to new languages within but not between domains — Large Language Models Generalize SRL Prediction to New Languages Within But Not Between Domains (Borchers et al. 2025)

• A Project-Based Hybrid Learning Model Using Artificial Intelligence to Enhance Students' Self-Regulated Learning — A Project-Based Hybrid Learning Model Using Artificial Intelligence to Enhance Students' Self-Regulated Learning

• A Project-Based Hybrid Learning Model Using Artificial Intelligence to Enhance Students' Self-Regulated Learning