Simulação

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

Simulação — o uso de ambientes, agentas ou cenários modelados para apoiar a aprendizagem por meio de prática e feedback em contextos que são seguros, repetíveis e frequentemente inacessíveis de outro modo. As simulações permitem a quem aprende agir, cometer erros e ver consequências sem custo no mundo real, e são crescentemente movidas por IA e por modelagem baseada em agentas.

Perguntas para refletir

• Lembre de uma ocasião em que você aprendeu algo fazendo-o em um ambiente seguro e de baixo impacto — um laboratório, um exercício simulado, um simulador de voo ou de jogo. O que tornou aquela prática eficaz, e o que poderia se perder se a simulação fosse realista demais ou não realista o bastante?
• A página argumenta que as simulações permitem a quem aprende cometer erros e ver consequências "sem custo no mundo real". O que você acha que se ganha, e o que pode se perder, quando o custo de um erro cai a quase zero?
• Se uma IA consegue simular pacientes, estudantes ou parceiros de conversa para prática, onde você traçaria a linha entre ensaio valioso e prática que não se transfere para a interação humana real?
• Por que a consciência, por parte de quem aprende, dos limites de uma simulação — sua confiabilidade — poderia importar tanto quanto a fidelidade com que ela modela a realidade?
• Como a mesma tecnologia de simulação que ajuda alguém a aprender poderia também enganá-lo, e o que você precisaria saber para distinguir esses dois resultados?

Introdução

A simulação está no núcleo das pedagogias experienciais e de aprendizagem ativa. Ela fornece a prática deliberada, a falha produtiva e os ciclos de feedback que constroem habilidade e juízo. A IA transformou a simulação de duas formas: ela potencializa ambientes simulados mais realistas e adaptativos, e gera quem aprende simulado, pacientes ou interlocutores simulados, o que torna a prática escalável. A evidência comportamental mostra que como quem aprende se engaja com uma simulação varia sistematicamente, e não uniformemente: ao rastrear pessoas aprendendo on-line construindo modelos ecológicos no VERA, An, Hammock & Goel (2025) classificaram o engajamento em Observação (execuções frequentes e ajuste de parâmetros com pouca construção de modelo), Construção (construção manual com pouca simulação) e Exploração (ciclos completos de construir–parametrizar–simular), com os Exploradores produzindo os modelos mais complexos e diversos, e quem se concentrava em observação copiando em grande parte os existentes — um argumento por desenhar ambientes de simulação que empurrem quem aprende rumo à atividade de ciclo completo.

IA e simulação

• Ambientes movidos por IA: simulações adaptativas ajustam dificuldade e cenários ao estado de quem aprende, ligando-se à aprendizagem adaptativa e ao coaching baseado em aprendizagem por reforço.
• Simulações geradas por prompt colocam um laboratório sob medida ao alcance. Instrutores podem gerar, a partir de um template de prompt reutilizável, modelos executáveis no navegador sobre o tema de que um curso precisa (controles deslizantes, animação, gráficos dependentes do tempo), validando cada um duas vezes — tecnicamente, e depois contra a solução analítica conhecida —, em vez de aceitar a simulação publicada mais próxima (Ben-Zion et al., 2025).
• Automatizando a contraparte humana. O ASTRA (Chew et al., 2026) substitui os role-players humanos especialistas que atuam nas simulações de controle de tráfego aéreo por sim-pilotos autônomos de LLM, removendo um gargalo de capacidade de treinamento; seu pipeline de fala ajustado reduziu a taxa de erro de palavras em fala de aviação com sotaque singapurense de 107,80% para 23,45%, embora todas as avaliações tenham sido no nível de componentes, sem execução com uma coorte de estagiários.
• Simuladores adversariais como parceiros de treinamento. O ResidencyRL (Liévin et al., 2026) associa um agente de política a simuladores de paciente com LLM construídos para se comportar de forma adversarial ao longo de um pipeline de cenários de 57 mil casos; treinar contra eles reduziu em cerca de um terço as taxas de bandeiras vermelhas perdidas, e clínicos às cegas preferiram o agente treinado em 87,6% das comparações lado a lado.
• Codifique explicitamente os estados de caso ausentes. Um sistema multiagente de pacientes padronizados mantém separados o reconhecimento de intenção, a geração de resposta fundamentada no caso e a avaliação pós-sessão, distinguindo quatro tipos de informação ausente — clinicamente negativa, desconhecida pelo paciente, ainda não avaliada e ausente do caso —, porque colapsá-los em "normal" injeta fatos clínicos sem apoio (Gao et al. (2026)).
• Agentes simulados: a IA consegue simular pacientes (para treinamento médico), estudantes (para prática de professores) ou parceiros de conversa, tornando a prática interpessoal de alto impacto acessível e repetível. Na formação de professores, Zhuang e Zhang (2025) construíram o Student GPT, um chatbot personalizado com ChatGPT que representava um estudante do ensino fundamental II sustentando ideias equivocadas comuns de raciocínio sobre razões, dando a professores de matemática em formação prática acessível e específica do conteúdo em diagnosticar o pensamento do estudante —, e usaram um framework de codificação Afetivo, Comunicativo e Técnico (ACT) para avaliar sistematicamente as forças de representação do estudante simulado (clareza, relevância, consistência de erros) e as fraquezas de autenticidade (tom professoral, confusão de papel).
• Torne o histórico contrafactual um recurso de primeira classe. Os agentes de LLM multiagentes contextuais do SupplyNet geram dinâmicas de cadeia de suprimentos emergentes das decisões de quem aprende, em vez de roteirizadas, e sua linha do tempo ramificada permite a quem aprende revisitar escolhas anteriores sem penalidade — 13 de 14 participantes o avaliaram como alto em conectar decisões ao desempenho, contra 3 para a linha de base (Li et al. (2026)).
• Dinâmicas fundamentadas, não uma persona instada por prompt. Chen et al. (2026) parametrizaram as dinâmicas de revelação de um paciente virtual a partir de quase 2.000 horas de transcrições reais de psicoterapia, e depois atualizaram o nível a cada turno; ao longo de 1.033 turnos com 20 clínicos, sua revelação subiu com a empatia e a exploração do terapeuta, enquanto uma linha de base apenas com prompt sobre o mesmo LLM permaneceu plana.
• A dramatização de papéis coloca quem aprende no papel. Onde os agentes simulados fornecem a contraparte, a dramatização dá a quem aprende esse papel. Sanoubari e colegas (2026) fizeram 18 crianças de 9 a 10 anos assistirem a uma cena de bullying encenada por robôs sociais, raciocinarem sobre a posição de cada personagem, e depois ensaiarem a defesa manipulando um avatar robótico, e relataram ganhos na autoeficácia percebida de defender, além de crenças melhor calibradas sobre se confrontar um agressor de fato o interrompe. Seu enquadramento, drama aplicado mediado por robôs, mantém um facilitador humano no papel do Teatro do Oprimido e confina a automação ao controle narrativo, o que é um lembrete útil de que a parte exigente da dramatização é a reflexão, e não a maquinaria. Lock, Arteaga e Johnson (2025) colocam a dramatização ao lado da simulação entre as estratégias das quais a aprendizagem on-line apoiada por IA se vale.
• Quem aprende simulado: modelos de comportamento de estudante permitem a pesquisadores e designers testar sistemas de tutoria e currículos antes da implantação ao vivo, fundamentando a modelagem de estudante e o rastreamento de conhecimento.
• Confiança e fidelidade: o valor de uma simulação depende de quão fielmente ela modela o contexto real — e da consciência, por parte de quem aprende, de seus limites, conectando-se à calibração da confiança.
• A semelhança humana é uma propriedade da interação, não do modelo. Uma vez que ambos os backends foram renderizados por trás do mesmo avatar, uma vantagem de semelhança humana baseada em texto desapareceu: os participantes chamaram o modelo comercial de natural (54% versus 22%), enquanto o desempenho de comunicação era idêntico; voz, latência e tomada de vez remodelaram como a mesma qualidade de diálogo era percebida (Hasan et al. (2026)).
• IA generativa na aprendizagem baseada em simulação. Neto e colegas (2026) revisam sistematicamente a IA generativa ao longo da aprendizagem baseada em cenários, casos, problemas e simulação na educação em saúde, constatando resultados positivos para habilidades cognitivas de ordem superior, mas resultados inconsistentes em outros pontos, com a colaboração humano-IA híbrida superando as abordagens inteiramente automatizadas. Wenzel, Geiger e Liening (2026) desenvolvem agentes conversacionais de IA para apoio adaptativo em jogos de simulação de negócios, abordando a lacuna comum de feedback formativo limitado e de reflexão estruturada na aprendizagem baseada em simulação.
• A "lacuna de autenticidade" delimita o que a simulação por IA consegue substituir. Na simulação clínica, a revisão sistemática de métodos mistos de Jiang et al. (2026) sobre simulação de enfermagem movida por IA (19 estudos, N=1.253) constata que a IA é eficaz para conhecimento cognitivo e resultados afetivos, mas inconsistente para habilidades psicomotoras complexas. Seu conceito de lacuna de autenticidade — uma insuficiência percebida por quem aprende em ressonância emocional, reconhecimento de pistas não verbais e dimensões táteis/de exame físico — explica por que a simulação por IA é melhor para objetivos altamente estruturados (comunicação fundamental, coleta de história) e deveria se situar em um continuum de simulação escalonado que entrega cenários psicomotores avançados e emocionalmente complexos a pacientes padronizados humanos e à colocação clínica. A instabilidade técnica (por exemplo, atrasos de reconhecimento de fala) também pode acrescentar carga cognitiva extrínseca e ansiedade, de modo que a fidelidade e a estabilidade são, elas mesmas, alavancas de desenho. Isso é paralelo ao achado de Neto et al. de que as abordagens híbridas humano–IA superam as inteiramente automatizadas.
• Simulações codesenhadas por professor e IA. Simulações interativas que apoiam tanto a aprendizagem conceitual quanto o desenvolvimento de competências são escassas em domínios práticos, e a saída de IA generativa frequentemente carece de validade pedagógica. Na educação STEM baseada em drones, simulações codesenhadas por professor e IA, embutidas em um currículo prático por outro lado idêntico, foram avaliadas com um desenho quase-experimental de pré-teste–pós-teste ao longo de 30 estudantes do ensino médio, examinando se a instrução apoiada por simulação produz resultados de aprendizagem superiores (From simulation to flight: Simulation-assisted drone learning with teacher-AI co-designed scaffolds for secondary students' STEM knowledge and competencies). Separadamente, benchmarks de tutoria multiagente, como o ASTRA, usam agentes socialmente inteligentes simulados para estudar a colaboração com participação equilibrada na programação introdutória (ASTRA: A synthetic benchmark for trace-based evaluation of socially intelligent multi-agent tutoring).
• O controle de quem aprende na simulação é exercido, não concedido. Um experimento 2 × 2 em uma simulação de bando (Su, Nair e Nagashima 2026) deu a alguns estudantes controles deslizantes de parâmetros, a alguns um agente conversacional opcional e a alguns ambos; toda condição melhorou, mas nenhuma das duas affordances produziu uma diferença confiável uma vez controlado o conhecimento prévio (p = .849 e p = .108). O que previu os ganhos foi onde e por quanto tempo quem aprende manipulou parâmetros: o uso sustentado dos controles na lição conceitualmente mais complexa se associou positivamente aos ganhos, e o mesmo comportamento na lição mais fácil se associou negativamente. Para quem constrói simulações, a implicação é que oferecer controles não é a intervenção — ajudar quem aprende a decidir o que mudar, e a registrar o que mudou, é.
• Um gêmeo digital é uma simulação com uma conta de hardware, e a conta molda quem pode participar. Uma revisão sistemática de 11 estudos de gêmeos digitais no ensino superior de engenharia e STEM constatou que toda implementação entregou um protótipo funcional com sincronização em tempo real, mas apenas três relataram ganhos de aprendizagem estatisticamente significativos. Equipamentos físicos limitaram o acesso a 1–3 estudantes simultâneos em cinco estudos, e a redução da interação social foi o desafio pedagógico mais citado, em seis (Pelayo-González et al. (2026)).

Conexões

A simulação se conecta à aprendizagem ativa, à aprendizagem adaptativa e aos agentes pedagógicos. Ela é um mecanismo para a aprendizagem experiencial e construtivista e é amplificada pela capacidade da IA de gerar ambientes de prática adaptativos e realistas.

Conceitos conectados

• Aprendizagem ativa
• Aprendizagem adaptativa
• Agente pedagógico
• Aprendizagem por reforço
• Modelagem de quem aprende e instrução adaptativa
• Construtivismo
• Calibração da confiança
• Aprendizagem no trabalho
• Educação em química — Educação em química e IA: laboratórios, avaliação formativa, limites dos LLMs, filosofia da experimentação
• Educação em biologia — Educação em biologia e IA: assistentes de laboratório, letramento em IA em biologia, pensamento crítico, ferramentas especializadas
• Tecnologias — Guarda-chuva: tecnologias e técnicas de IA (modelos, treinamento de LLM, robótica, RAG, agêntica)
• Realidade virtual e aumentada — o modelo, não a modalidade — ambientes imersivos usualmente renderizam uma simulação

Artigos conectados

• Exploring learner agency in an AI-supported simulation environment for complex systems education — Controle de parâmetros e um agente de IA opcional em uma simulação de sistemas complexos: os ganhos rastrearam o exercício, não o acesso
• Leveraging AI for Rapid Generation of Physics Simulations in Education: Building Your Own Virtual Lab
• The Empirically Grounded Adaptive Virtual Patient for Psychotherapy Training: Disclosure That Responds to Therapist — Pacientes virtuais adaptativos para treinamento em psicoterapia
• AI-Enabled Serious Games: Integrating Intelligence and Adaptivity in Training Systems — Jogos sérios habilitados por IA
• ANVIL: Analogies and Videos for Lecturers — ANVIL: analogias e vídeos para professores
• ASTRA: A Scalable Next-Generation ATCO Training Simulator with Autonomous Simpilots — ASTRA: simulador de treinamento de controladores de tráfego aéreo
• SupplyNet: Supporting Visual Exploratory Learning in Supply Chain via Contextual Multi-Agent Simulation — SupplyNet: aprendizagem visual exploratória
• MedEasy: Designing AI Standardized Patients for Clinical Consultation Training — MedEASY: pacientes padronizados com IA
• Play-Testing REMind: Evaluating an Educational Robot-Mediated Role-Play Game — Jogo de dramatização mediada por robôs para intervenção de espectadores (drama aplicado)
• ResidencyRL: Reinforcement Learning in Simulated Clinical Environments
• Generative AI in Scenario-Based Healthcare Education: A Systematic Review of Applications, Validation Practices, and Pedagogical Integration — Revisão sistemática de IA generativa na educação em saúde baseada em cenários (Neto et al. 2026)
• Designing Conversational Agents for Adaptive Instructional Support in Business Simulation Gaming — Framework CAIS-GBL para agentes conversacionais de IA em jogos de simulação de negócios (Wenzel et al. 2026)
• Modelling Individual Participants as LLM Agents in Collaborative Problem Solving Simulations — Agentes de LLM específicos por participante reproduzindo diálogos de resolução colaborativa de problemas (Fang 2026)
• ASTRA: A synthetic benchmark for trace-based evaluation of socially intelligent multi-agent tutoring — Benchmark sintético ASTRA para tutoria multiagente e colaboração com participação equilibrada
• From simulation to flight: Simulation-assisted drone learning with teacher-AI co-designed scaffolds for secondary students' STEM knowledge and competencies — Aprendizagem com drones assistida por simulação com andaimentos codesenhados por professor e IA
• How Online Learners Engage in Self-Directed Modeling: A Behavioral Analysis
• Integrating ChatGPT in Mathematics Teacher Education: AI-Based Simulation Role-Playing to Support Practice-based Teaching
• AI-Powered Simulation for Nursing Education: Mixed Methods Systematic Review — Simulação movida por IA em enfermagem: revisão sistemática de métodos mistos (lacuna de autenticidade, continuum escalonado)
• Scalable AI-based clinical communication training and automated assessment — Treinamento de comunicação clínica escalável baseado em IA e avaliação automatizada
• Digital Twins in STEM Education: A Systematic Review — Gêmeos digitais na educação STEM: todos os protótipos funcionaram, os ganhos de aprendizagem em grande parte não