Base de Conhecimento AIEdAIEd KB
Nesta página

Esta página foi traduzida para o português. As páginas de artigo continuam escritas em inglês. Ler esta página em inglês

Conceitos

Aprendizagem socioemocional

Criado 2026-08-13 · Atualizado 2026-09-30

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

Aprendizagem socioemocional (ASE, SEL) — o processo de desenvolver as competências que permitem aos indivíduos sincronizar pensamentos, emoções e ações para fomentar interações positivas consigo mesmos e com os outros: autoconsciência, autogestão, consciência social, habilidades de relacionamento e tomada de decisão responsável (o framework CASEL). Na IA na educação, a ASE é cada vez mais reconhecida como crítica porque a rápida integração da IA generativa na aprendizagem levanta questões sobre o bem-estar, a sociabilidade, a empatia e a confiança dos estudantes — e porque o letramento técnico em IA isoladamente é insuficiente para navegar ambientes de aprendizagem mediados pela IA.

Perguntas para refletir

  • O framework CASEL lista cinco competências — autoconsciência, autogestão, consciência social, habilidades de relacionamento e tomada de decisão responsável. Quais delas você acha que um tutor de IA poderia apoiar, e quais você suspeita que ele não pode?
  • A página distingue a aprendizagem socioemocional da inteligência emocional. Antes de continuar a leitura, como você descreveria a diferença, e por que a distinção poderia importar para como as escolas as abordam?
  • Se o letramento técnico em IA isoladamente é "insuficiente" para navegar a aprendizagem mediada pela IA, o que você acha que falta — e o que isso implica para como você prepara os estudantes (ou a si mesmo)?
  • Como uma dependência pesada da IA poderia ressignificar a sociabilidade, a empatia ou o senso de confiança de um estudante — e essas mudanças são algo que a educação deveria desenhar ativamente?
  • A pesquisa sugere que a ASE apoia as dimensões relacionais da aprendizagem, que a IA deve "complementar, e não substituir". Onde você já viu a tecnologia fortalecer uma relação humana, e onde ela silenciosamente substituiu uma?

Introdução

A aprendizagem socioemocional está intimamente relacionada, mas é distinta, da inteligência emocional (IE): a ASE/CSE (competências socioemocionais) abrange a capacidade de sincronizar pensamentos, emoções e ações para interações positivas, enquanto a IE é a capacidade de um indivíduo de processar informação emocional (conceitualizada por modelos de habilidade — raciocínio e resolução de problemas — ou por modelos de traço — disposições e comportamentos emocionais). Na era da IA, a ASE importa porque a IA pode ressignificar a aprendizagem de formas que afetam o desenvolvimento relacional e emocional dos estudantes, e porque os educadores precisam tanto de habilidade tecnológica quanto de inteligência emocional para apoiar quem aprene de forma eficaz.

Como a ASE aparece na pesquisa

  • Integrando as CSE ao letramento em IA: a revisão narrativa de Palmquist et al. propõe um framework integrado que combina o letramento em IA com as competências socioemocionais, argumentando que a proficiência técnica isoladamente é insuficiente — educadores e estudantes precisam tanto de inteligência tecnológica quanto emocional para navegar ambientes de aprendizagem mediados pela IA, fomentando aprendizagem personalizada, colaboração e engajamento ético.

  • Professores e prática relacional: A pesquisa sobre frameworks de letramento em IA e confiança professor–estudante enfatiza que a ASE apoia as dimensões relacionais da aprendizagem (relações professor–estudante e estudante–estudante), que a IA deve complementar, e não substituir.

  • O que um agente pedagógico pode e não pode carregar em ASE. Ao longo de 108 observações avaliadas por avaliadores cegos, um agente pedagógico de IA generativa foi mais consistente do que os educadores em manter tom respeitoso e andaimento processual rotineiro, enquanto os educadores o superaram em guiar a reflexão e em promover o conhecimento socioemocional — apoiando uma divisão de trabalho, e não a substituição (Raave et al., 2026)).

  • Bem-estar e o impacto afetivo da IA: A pesquisa examina como o uso crescente da IA generativa afeta as habilidades socioemocionais, o bem-estar, a sociabilidade e o senso de confiança e empatia dos estudantes — preocupações que motivaram o apelo da OCDE por um letramento em IA fundamentado em valores humanísticos, sociais e emocionais.

  • Dimensões afetivas da IA: A ASE se conecta à computação afetiva e à pesquisa sobre bem-estar, examinando como os sistemas de IA podem apoiar ou minar a aprendizagem emocional e relacional.

  • Déficit de política em IA × ASE: Uma revisão sistemática de 65 artigos na interseção IA–ASE (Tran, Liu & Nguyen 2026) conclui que há um "déficit de política" substancial: quase três quartos dos estudos não declaram implicações de política, e os poucos que o fazem frequentemente carecem de orientação específica por ator. A revisão vincula o engajamento com política ao veículo de publicação e alerta para uma armadilha "tecno-solucionista", em que o potencial técnico é colocado em primeiro plano, enquanto as condições institucionais para a implementação responsável permanecem subespecificadas. Ela propõe um framework de "perguntas WH" (Who, What, Why, When/Where, How — Quem, O quê, Por quê, Quando/Onde, Como) para passar da "implicação como reflexão tardia" à "implicação como metodologia", conectando a inovação em IA para a ASE à política educacional e à governança.

Possíveis subtópicos da ASE na pesquisa da era da IA

A pesquisa da base de conhecimento agrupa a ASE em vários subtópicos distintos, cada um com sua própria base de evidência:

Autoeficácia e confiança

Uma competência central de ASE (autoconsciência/autogestão) que condiciona fortemente como os estudantes interagem com a IA. A dependência dos estudantes da IA (478 estudantes de ensino superior israelenses) concluiu que, enquanto as dimensões de letramento em IA baseadas em habilidade eram positivamente associadas à dependência da IA, tanto a autoeficácia acadêmica e específica de IA quanto a regulação do esforço eram negativamente associadas — o que significa que o letramento em IA isoladamente não protege contra a dependência; a autoeficácia protege. Cen et al. (EC-TEL 2026) concluíram que estudantes com autoeficácia basal mais baixa alcançaram maiores ganhos de aprendizagem independentemente do formato de prática, e que a favorabilidade em relação ao tutor importou mais para a prática baseada em tutor — ressaltando o valor de adequar a prática aos perfis motivacionais. Conceitos conectados: Autoeficácia, motivação, agência.

Motivação e o efeito "disponibilidade da IA"

A motivação cruza com a tomada de decisão responsável e a autogestão da ASE. A pesquisa sobre disponibilidade da IA e motivação dos estudantes e motivação e autoeficácia de estudantes e professores mostra que a mera disponibilidade da IA pode ressignificar a orientação motivacional dos estudantes e o esforço percebido — relevante para como a IA pode minar ou apoiar a motivação intrínseca. A pesquisa sobre autoeficácia enquadra a regulação do esforço como o contrapeso à dependência da IA.

Regulação emocional e apoio afetivo

A regulação emocional é uma competência-chave de ASE com consequências diretas para a aprendizagem, formando uma ligação direta ASE→desempenho. Ferramentas de computação afetiva como o MathBuddy modelam as emoções dos estudantes para moldar respostas pedagógicas, e as ferramentas de bem-estar no campus movidas por IA (por exemplo, PsychoGPT, AURA) abrangem prevenção e intervenção.

Vergonha, culpa e respostas emocionais ao uso da IA

As emoções regulam como os estudantes tornam visível o uso da IA. "Preso em uma Espiral" (19 estudantes de computação) concluiu que a vergonha e a culpa agem como reguladores sociais do uso da IA, dirigindo comportamentos de ocultação e divulgação seletiva e criando ciclos de redução da agência. A ansiedade com a IA pode ser transformada em regulação estratégica da IA como recurso de aprendizagem. Isso conecta a consciência social e a autogestão da ASE à integridade acadêmica e ao uso responsável da IA.

Confiança e pertencimento

A ASE apoia a aprendizagem relacional e a coesão social. A educação em IA com princípios e os chatbots de IA para a aprendizagem colaborativa se conectam ao pertencimento e à eficácia coletiva — a crença compartilhada na capacidade de uma equipe de realizar tarefas. A premortem da Brookings enfatiza que a dependência excessiva da IA ameaça o bem-estar socioemocional, as relações entre professores e pares, e a privacidade e a segurança dos estudantes — dimensões de pertencimento e conexão. A confiança professor–estudante é central para saber se a IA é percebida como apoio.

Persistência, mentalidade e luta produtiva

A ASE se sobrepõe à dimensão esforçada da aprendizagem. Enquadrando o problema dos 5% identifica a baixa persistência dos estudantes como um desafio recorrente na tecnologia educacional, moldado por motivação/adesão, bloqueios cognitivos, resiliência sob desafio e conexão. Favero et al. alertam que a IA que substitui o esforço corrói as próprias capacidades que a educação constrói — alinhando-se com a metacognição e com o valor da luta produtiva sobre a dependência excessiva.

Implicações para instrutores e desenho instrucional

  • Trate a ASE como uma meta de desenho de primeira classe, não como um acréscimo. Integre as competências socioemocionais aos currículos de letramento em IA (segundo Palmquist et al.), para que os estudantes aprendam não apenas como usar a IA, mas quando e por quê — com atenção às próprias emoções, ao próprio esforço e às próprias relações.
  • Desenhe para a autoeficácia e a agência. Como o letramento em IA baseado em habilidade pode aumentar a dependência, enquanto a autoeficácia e a regulação do esforço protegem contra ela, a instrução deveria deliberadamente construir a confiança e a autogestão dos estudantes junto com a habilidade técnica — por exemplo, prática andada, sucessos de baixo impacto e prompts que exigem que os estudantes verifiquem e assumam a saída da IA.
  • Use a IA para apoiar, e não suplantar, a aprendizagem relacional. As ferramentas de IA deveriam complementar as relações professor–estudante e estudante–estudante, e os educadores deveriam reter o papel relacional — monitorando afeto e pertencimento — em vez de delegá-lo inteiramente.
  • Desenho consciente das emoções e sensível ao afeto. Os sistemas conscientes do afeto conseguem detectar e responder a estados emocionais (ansiedade, frustração, confusão), mas a evidência mostra que os benefícios não são universais — são moderados por proficiência e perfil de quem aprene — então o desenho emocional precisa ser sob medida, e não pressuposto.
  • Trate do lado emocional do uso da IA. Desenhe contra as espirais de vergonha/culpa e contra a ansiedade com a IA, normalizando a discussão do uso da IA, fomentando a transparência e reduzindo respostas baseadas em vigilância que corroem a confiança e a agência.
  • Apoie a persistência e a luta produtiva. Ande em vez de substituir (segundo Favero et al.), para que a IA aprofunde, e não contorne, a aprendizagem esforçada — alinhando-se com a metacognição e com as dificuldades produtivas.
  • Treine o movimento verbal do momento. O apoio à ASE tende a ser enquadrado como desenho ou como detecção de afeto pela IA, mas os instrutores também precisam saber o que dizer quando o estado emocional de um estudante ameaça encerrar o engajamento — tratando esse estado como algo com que trabalhar em tempo real, e não como pré-condição para a aprendizagem. O guia de praticante de Parlant chama essas microintervenções emocionais: atos verbais breves que validam o sentimento, reenquadram a avaliação por trás dele e reconectam a luta à identidade profissional, preparados por meio de um ritual de reconhecimento pré-aula e de um fraseário reutilizável que a IA generativa pode ajudar a redigir para o instrutor personalizar.
  • Prepare a competência em ASE dos professores. Os educadores precisam tanto de habilidade tecnológica quanto de inteligência emocional (competência docente em IA); o desenvolvimento profissional docente deveria construir a capacidade de apoiar a ASE dos estudantes em contextos mediados pela IA.

Conexões com ganhos de aprendizagem e outras medidas

  • A autoeficácia modera os ganhos. Cen et al. concluíram que estudantes com autoeficácia basal mais baixa alcançaram os maiores ganhos de aprendizagem, e que a favorabilidade em relação ao tutor previu ganhos na prática baseada em tutor — mostrando que perfis motivacionais moldam quem se beneficia de qual formato.
  • Bem-estar e engajamento como resultados intermediários. Os resultados relacionados à ASE (motivação, bem-estar, pertencimento, engajamento, autoeficácia) frequentemente funcionam como mediadores de desempenho a jusante, e a pesquisa em IA os mensura cada vez mais ao lado — ou, em alguns casos, em vez — das notas brutas em testes.
  • Os efeitos são condicionais, não universais. A pesquisa alerta que intervenções orientadas à ASE podem ajudar alguns aprendentes (por perfil/proficiência) e não outros, então as afirmações sobre ganhos de aprendizagem baseados em ASE deveriam ser examinadas quanto a efeitos moderadores.
  • O lado do dano do livro-razão. A premortem da Brookings alerta que a dependência excessiva movida pela IA ameaça o bem-estar socioemocional, as relações e o pertencimento — resultados que, se corroídos, podem minar as próprias fundações da aprendizagem e do desempenho de longo prazo.

Conexões com conceitos relacionados

A ASE se conecta ao letramento em IA (como um complemento que torna o letramento em IA relacional e ético), à computação afetiva e ao bem-estar (as dimensões afetivas da IA), à aprendizagem autorregulada (autogestão e regulação do esforço), à autoeficácia e à motivação (crenças de quem aprene que moderam a interação com a IA), à agência (proteger o controle de quem aprene contra a dependência), à ética (tomada de decisão responsável), à competência docente em IA (a capacidade dos educadores de apoiar a ASE), à experiência do estudante (bem-estar e pertencimento) e aos ganhos de aprendizagem (a evidência de que a ASE apoia o desempenho). Ela se relaciona ao ensino superior e ao K-12 como os contextos onde o letramento em IA infundido de ASE é cultivado.

Conceitos conectados

Artigos conectados

Perguntas frequentes relacionadas

Metadados

NívelHigher Ed
Público-alvoLearners
Aprendizagem e ensinoAprendizagem autorregulada, Bem-Estar
Tecnologias e técnicasComputação afetiva
Equidade, ética e uso responsávelÉtica
Fundamentos da IA na educaçãoLetramento em IA, Competência em IA do professor
SourceHistoryEditChat

Incorporar esta página

Copie o código abaixo para incorporar esta página num sistema de gestão da aprendizagem ou noutro site. A versão incorporada mostra apenas o conteúdo da página — o cabeçalho, a navegação e o rodapé do site ficam escondidos.