Educação especial

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

Educação especial — o desenho e a oferta de instrução para quem aprende com deficiência, abrangendo diferenças cognitivas, físicas, sensoriais e do neurodesenvolvimento. A pesquisa em IA na educação nesta base de conhecimento explora como as ferramentas de IA podem apoiar necessidades diversas de quem aprende por meio da personalização, do andaimento adaptativo e de interfaces acessíveis —, ao mesmo tempo que examina os riscos dos sistemas de IA que ignoram ou marginalizam quem aprende com deficiência.

⚠️ Educação especial é primariamente um termo do K-12 (educação básica e média). Ele está enraizado na Lei de Educação para Indivíduos com Deficiências (IDEA) dos EUA e no sistema baseado em direitos dos Programas de Educação Individualizada (IEPs) que governa os serviços de educação especial no ensino primário e secundário. No ensino superior — e crescentemente também no K-12 —, o enquadramento mais comum é o Desenho Universal para a Aprendizagem (um framework de desenho proativo que beneficia a todos) junto com acessibilidade e tecnologia assistiva, e não "educação especial". Um artigo de educação especial do K-12 e uma peça de DUA universitária tratam de contextos sobrepostos, mas distintos; a base de conhecimento mantém ambos porque a literatura de pesquisa abrange ambos. Quando uma fonte diz respeito ao ensino superior e a pessoas com deficiência, ela costuma ser melhor ligada ao Desenho Universal para a Aprendizagem, à acessibilidade ou à aprendizagem inclusiva do que à educação especial.

Perguntas para refletir

• A página enfatiza que "educação especial" é primariamente um termo do K-12, baseado em direitos e enraizado na IDEA e nos IEPs, enquanto o ensino superior fala mais frequentemente de Desenho Universal para a Aprendizagem e de acessibilidade. Por que você acha que esses contextos diferem, e o que essa diferença revela?
• A promessa de personalização da IA parece feita sob medida para quem aprende com necessidades diversas. Mas se um sistema consegue se adaptar a "perfis cognitivos individuais", o que pode dar errado quando o modelo de uma deficiência é grosseiro demais ou está inteiramente ausente?
• A pesquisa inclui ferramentas de IA desenhadas para perfis específicos de deficiência (por exemplo, quem tem dislexia ou é surdo ou com perda auditiva). Que riscos você vê em desenhar para perfis estreitos, em oposição a desenhar universalmente para todas as pessoas desde o início?
• Como sistemas de IA construídos para quem aprende "médio" podem acabar ignorando ou marginalizando pessoas com deficiência, mesmo sem intenção — e de quem é a responsabilidade de evitar isso?
• O que significaria uma ferramenta de IA incluir genuinamente, e não meramente acomodar, uma pessoa com deficiência — e como você reconheceria a diferença na prática?

Introdução

A educação especial é um domínio no qual a capacidade da IA de personalização e adaptação oferece uma promessa particular. Diferentemente da instrução única para todos, os tutores de IA podem teoricamente se adaptar a perfis cognitivos individuais, necessidades de comunicação e ritmos de aprendizagem. Os artigos desta base de conhecimento abrangem IA para perfis específicos de deficiência, experiências de quem aprende neurodivergente e perspectivas críticas sobre IA e deficiência.

Tutoria com IA específica por deficiência ajusta a IA a necessidades particulares de quem aprende. O Special-R1 estende o aprendizado por reforço para modelar a diversidade cognitiva e comunicativa ao longo de cinco perfis de deficiência, usando prompts conscientes de persona e recompensas de pensamento para moldar as respostas do tutor a cada quem aprende. O DysLexLens analisou como pessoas com dislexia vivenciam as ferramentas de IA, revelando tanto o valor da IA para apoio à literacia quanto barreiras de acessibilidade persistentes. Chen et al. desenharam um sistema de geração de questões movido por LLM para pessoas surdas e com perda auditiva, introduzindo estratégias de questões Visuais e de Emoção e refinando iterativamente as questões com a comunidade-alvo para superar o descompasso entre prompts de IA baseados em texto e primeiras línguas baseadas em sinais. O Designing for What Cannot Be Seen: Supporting Embodied String Learning for Musicians with Blindness and Low-Vision desenvolveu estratégias de aprendizagem não visuais com músicos cegos e com baixa visão, centrando o desenho corporificado conduzido pela deficiência. Esses trabalhos se conectam à aprendizagem inclusiva e à neurodiversidade.

As experiências de quem aprende neurodivergente centram estudantes autistas e com TDAH. Zastudil et al. constataram que estudantes de computação neurodivergentes precisam de tarefas estruturadas, equipes pequenas e consistentes, e definições explícitas de papéis — exigências de desenho que as ferramentas de aprendizagem colaborativa precisam abordar. O Leveling the Playing Field: Temporal Video Segmentation for Individuals with ADHD in Computing Education demonstrou que vídeos segmentados por IA eliminaram a lacuna de desempenho do TDAH. Ambos se conectam ao desenho de aprendizagem e ao Desenho Universal para a Aprendizagem.

As perspectivas críticas examinam como a IA pode marginalizar pessoas com deficiência. Tali-Otmani argumenta que os sistemas de IA marginalizam ativamente o conhecimento centrado na deficiência devido a dados de treinamento ocidentocêntricos — conectando-se às preocupações de equidade sobre justiça epistêmica.

IA para dislexia ao longo de detecção, apoio e aprendizagem personalizada. Uma revisão sistemática interdisciplinar de 2026 (Dabaghi, D'Urso & Sciarrone, guiada pela PRISMA, 2018–2024, n=72) mapeia como a IA apoia estudantes com dislexia na educação, constatando que a IA é usada para detecção, apoio assistivo e aprendizagem personalizada —, mas com essas vertentes evoluindo em paralelo, e não em integração, impulsionadas mais pela oportunidade tecnológica do que por uma teoria educacional consolidada. As ferramentas de apoio à educação baseadas em ML se dividem em cinco áreas (aplicações específicas, engajamento, personalização, recomendação, apoio genérico), mas enfatizam desempenho técnico e precisão de classificação, ao mesmo tempo que negligenciam a validade ecológica e a implantação prática em sala de aula. A pesquisa de detecção (EEG, rastreamento ocular, modelos de ML) prioriza a intervenção precoce e mostra promessa diagnóstica, mas frequentemente exige equipamento especializado e ambientes controlados, limitando a escalabilidade e a acessibilidade em contextos escolares típicos. Os desafios abertos incluem validação experimental limitada, escalabilidade, preocupações de ética/privacidade com dados sensíveis de estudantes, apoio e treinamento limitados para professores, e barreiras linguísticas/culturais (a maioria da pesquisa mira populações falantes de inglês).

Descarregamento cognitivo para estudantes com deficiências de aprendizagem (EDAs). Seung & Basham (2026), uma revisão conceitual em uma série especial de Learning Disability Quarterly sobre IA para estudantes com DA, reenquadram o uso de IA generativa por EDAs pela lente do descarregamento cognitivo. Eles argumentam que a IA generativa pode ser uma ajuda compensatória ou um atalho, dependendo de como as decisões de descarregamento interagem com os perfis cognitivos e motivacionais das EDAs (desafios de função executiva e de memória de trabalho, carga cognitiva elevada, metas de desempenho evitadoras de esforço, autoeficácia acadêmica mais baixa, e expectativas infladas em relação à IA generativa) e com o desenho instrucional. Para leitura e escrita, a IA generativa pode dar andaimento ao acesso (nivelamento de texto, resumo, saídas multimodais, planejamento, rascunho, feedback de revisão) preservando o engajamento de ordem superior —, mas o descarregamento excessivo arrisca contornar os processos de compreensão, planejamento e monitoramento que já são frágeis para essas pessoas, fomentando a "preguiça metacognitiva" e agravando as dificuldades de literacia entre domínios. O artigo posiciona as salvaguardas instrucionais como o fator moderador-chave e recomenda ensinar o descarregamento estratégico, construir letramento em IA para calibrar a confiança na ferramenta, sequenciar experiências de domínio para construir autoeficácia, e alinhar tarefas e avaliação às metas do IEP que priorizam o desenvolvimento de habilidades acima da substituição. Isso estende a cobertura de educação especial da base de conhecimento à dimensão de equidade do descarregamento: a mesma ferramenta que reduz as barreiras de acesso pode, se desprotegida, substituir a prática de que as EDAs mais precisam. O conteúdo de intervenção gerado por IA precisa de controles pré-geração, e não apenas de revisão. Enkhjargal et al. (2026) constataram que praticantes avaliaram a ferramenta de História Social codesenhada como altamente usável (SUS 86,8), mas chamaram suas imagens de genericamente ocidentais e seu rastreador de comportamento de descompassado com o julgamento clínico ligado a metas — restrições que eles teriam estabelecido antes da geração.

Implicações para instrutores de educação especial

• Codesenhe a IA com quem aprende-alvo e a comunidade. A geração de questões para pessoas surdas e com perda auditiva mostra o valor de refinar iterativamente a IA com a comunidade para fazer a ponte entre prompts baseados em texto e primeiras línguas baseadas em sinais — envolva quem aprende e suas comunidades no desenho, em vez de pressupor que a IA lhes serve.
• Combine a IA com perfis específicos de deficiência, não com acessibilidade genérica. O Special-R1 modela a diversidade cognitiva e comunicativa ao longo de perfis de deficiência; o DysLexLens documenta tanto o valor para a literacia quanto as barreiras de acessibilidade persistentes que pessoas com dislexia enfrentam — escolha ferramentas alinhadas ao perfil de cada quem aprende e fique atento a barreiras não atendidas.
• Estruture a colaboração para quem aprende neurodivergente. Os estudantes de computação neurodivergentes precisam de tarefas estruturadas, equipes pequenas e consistentes, e papéis explícitos — aplique essas exigências de desenho a qualquer atividade colaborativa mediada por IA.
• Use a IA para fechar (e não ampliar) lacunas de desempenho. Os vídeos segmentados por IA eliminaram a lacuna de desempenho do TDAH — implante IA adaptativa onde a evidência mostra que ela equaliza resultados, e não onde ela meramente automatiza.
• Centre o desenho corporificado conduzido pela deficiência. A pesquisa com músicos cegos e com baixa visão mostra que estratégias não visuais, conduzidas pela deficiência, superam as interfaces visuais padrão — construa e adapte a IA com a expertise de pessoas com deficiência.
• Proteja-se contra a marginalização epistêmica. As perspectivas críticas alertam que dados de treinamento ocidentocêntricos podem marginalizar o conhecimento centrado na deficiência — audite o conteúdo e as ferramentas de IA quanto a justiça epistêmica junto com a equidade.

Conceitos conectados

• Efeitos diferenciais entre grupos de estudantes
• Aprendizagem inclusiva
• Equidade na educação com IA
• Neurodiversidade
• Design universal para a aprendizagem
• Desenho de aprendizagem
• Experiência dos estudantes
• Letramento em IA
• K-12 (educação básica e média)
• Ensino superior
• Ensino de ciência da computação
• IA generativa
• A IAed nas disciplinas

Artigos conectados

• Cognitive Offloading in the Age of Generative AI: What Does It Mean for Students With Learning Disabilities? — Descarregamento cognitivo com IA generativa para estudantes com deficiências de aprendizagem
• Special-R1: Reinforcement Learning for Special Education — Aligning LLM Tutors to Diverse Learners through Disability-Adaptive Training
• DysLexLens: A Low-Resource LLM Framework for Analysing Dyslexic Learners Insights from Online Forums
• Exploring the Design of LLM-Powered Question Generation for Deaf and Hard of Hearing Learners — Geração de questões movida por LLM para pessoas surdas e com perda auditiva
• I can't read your mind": A Study of Neurodivergent Computing Students' Experiences with Collaborative Active Learning
• Leveling the Playing Field: Temporal Video Segmentation for Individuals with ADHD in Computing Education
• Generative artificial intelligence and the marginalization of minoritized knowledges in higher education
• Designing for What Cannot Be Seen: Supporting Embodied String Learning for Musicians with Blindness and Low-Vision
• Generative AI, virtual reality, and beyond: A scoping review of digital assistive technologies for neurodivergent students in higher education — IA generativa, realidade virtual e além: uma revisão de escopo das tecnologias assistivas digitais para estudantes neurodivergentes no ensino superior
• AI-Assisted Social Story Intervention for Special Education: The Design of AdaptED Stories — Intervenção de História Social assistida por IA para educação especial: o desenho do AdaptED Stories