Educação em STEM

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

Educação em STEM — ciências, tecnologia, engenharia e matemática é o domínio mais comum da IA na educação pesquisa na base de conhecimento. O conhecimento estruturado de STEM, as respostas claramente certas/erradas e a natureza computacional a tornam um campo de teste ideal para a tutoria por IA e para a avaliação.

Perguntas para refletir

• STEM é o domínio mais comum da pesquisa em IA na educação porque seu conhecimento é estruturado e tem respostas claramente certas/erradas. Você acha que isso torna STEM o lugar mais fácil para ensinar com IA — ou possivelmente o lugar onde os limites da IA são mais facilmente mascarados?
• A página cita pesquisas mostrando que a adoção de IA nas escolas é "estratificada por disciplina" — normalizada em ciência da computação, fortemente proibida em matemática. Por que você acha que a cultura da disciplina molda tão fortemente a aceitação da IA, e quais são as consequências para os estudantes?
• Se um estudante de matemática usa a IA principalmente para verificar soluções e obter explicações, isso é um scaffold ou uma muleta? O que determina a diferença, e onde você traçaria a linha?
• Dado que os problemas de STEM frequentemente têm respostas verificáveis, que tipos de uso de IA em STEM você acha que genuinamente constroem compreensão, em vez de meramente produzir saída de aparência correta?
• Como as próprias qualidades que tornam STEM ideal para a tutoria por IA — respostas claras, correção computável — podem desvalorizar as partes da ciência e da engenharia que são desarrumadas, abertas e baseadas em julgamento?

Introdução

STEM como domínio primário da AIED

• Matemática: a pesquisa em educação matemática abrange o impacto da GenAI na aprendizagem de matemática, a tutoria de frações no ensino fundamental e o agrupamento de competências.
• Física: a educação em física inclui estudos de tipologia do ChatGPT, chatbots socráticos de física e análise de viés de correção.
• Ciência da computação: a educação em ciência da computação é o subcampo de STEM mais pesquisado — revisão de código, ferramentas de depuração e estudos de prompting.
• Engenharia: scaffolds de engenharia, demonstrações de mecânica e equilíbrio curricular levam a IA à educação em engenharia.
• Fazendo scaffolding da pesquisa de graduação: An e colegas (2026) pilotam um sistema de IA que converte publicações de pesquisa em conjuntos de dados estruturados e comparáveis para a conclusão de teses de graduação em quatro escolas de STEM. Os resultados (20 estudantes, 80 documentos) mostraram >90% de extração de parâmetros experimentais, ~65% de redução no tempo de revisão de literatura e um aumento de 50% na capacidade dos estudantes de identificar variáveis experimentais influentes — evidência de como a pesquisa de graduação do ensino superior com scaffolding de IA pode fortalecer o letramento de pesquisa e a cognição epistêmica na educação em STEM.
• Instrução apoiada por simulação: na educação em STEM baseada em drones, de simulação codesenhados por professor e IA foram avaliados contra um currículo prático idêntico com 30 estudantes do ensino médio, testando se a instrução apoiada por simulação produz resultados de aprendizagem superiores. O papel da GenAI foi acelerar a criação de conteúdo, enquanto o envolvimento do professor preservou a validade pedagógica e a relevância contextual.
• Planejamento assistido por IA na educação artística em STEAM: um estudo experimental com professores de artes em STEAM para crianças (Luo e Tahir 2025) descobriu que os planos de aula assistidos por ChatGPT superaram os gerados por professores em qualidade avaliada por especialistas (mediana 20,5 vs. 17,6, p = ,002, efeito grande, seis professores avaliadores), com os professores reportando ganhos em eficiência e integração interdisciplinar (61% avaliaram 4+). O resultado veio pelo método de delegação do professor — mais utilmente fazendo o ChatGPT preencher lacunas de conteúdo num plano auto-esboçado — reforçando o ponto recorrente de que a IA eleva o trabalho em STEM/STEAM quando o professor estrutura a tarefa e avalia criticamente a saída, em vez de entregar o plano inteiro ao modelo.

Quão eficaz é a instrução apoiada por IA em STEM, em conjunto

A maior síntese quantitativa para esse domínio até hoje — 35 estudos experimentais e quase-experimentais publicados entre 2005 e 2025 (Doğan, Kılıç, Kalınkara e Talan, 2026) — coloca a instrução apoiada por IA em STEM em g de Hedges = 0,670 (IC 95% [0,491, 0,848]), com a variância entre estudos tratada por um modelo de efeitos aleatórios. A divisão por nível é a parte informativa: os efeitos foram maiores no ensino médio (g = 1,099) e progressivamente menores na universidade (0,578), no ensino fundamental (0,465) e no ensino fundamental II (0,392), enquanto as diferenças por área disciplinar que a autoimagem de STEM faria prever — ciências (0,676) e matemática (0,650) à frente de tecnologia e engenharia (0,501) — não foram estatisticamente significativas (Q = 4,85, df = 2, p = 0,088). A duração não se comportou como dose: a faixa mais forte foi de um a dois meses (g = 0,833), as intervenções mais curtas de cinco horas ou menos ainda alcançaram 0,621, e a faixa mais fraca (g = 0,256) não foi significativa. Lido ao lado do ceticismo documentado em Ganhos de Aprendizagem, a leitura razoável é que a instrução em STEM apoiada por IA produz um efeito moderado, real mas dependente do nível, e não uniforme.

Uma revisão por área disciplinar de 18 estudos (2014–2024) aguça sobre o que esses efeitos são medidos: os resultados da IA na educação em ciências e química se concentraram em medidas de processo de aprendizagem (n = 9), e não em desempenho, e a base de evidência pende para candidatos a professores (44,4%), com apenas um estudo de ensino fundamental II e dois de ensino médio (Erümit e Özdemir Sarıalioğlu (2025)).

Por que STEM domina

A representação estruturada do conhecimento de STEM, as respostas verificáveis e o alinhamento ao pensamento computacional a tornam o encaixe mais natural para a tutoria por IA. A pesquisa em pensamento computacional explora esse alinhamento explicitamente.

Nova evidência da pesquisa de 2025–26 do IJ STEM Education

Um lote concentrado de estudos de 2026 da International Journal of STEM Education aguça como a IA funciona por entre os subcampos e níveis de STEM:

• A governança específica da disciplina molda o uso de IA pelos estudantes. Um estudo transversal com 416 estudantes tchecos do ensino médio (Navigating AI in STEM: What Secondary Students Actually Do With Generative AI-Driven Tools) descobriu que a adoção de IA é estratificada por disciplina, e não unificada: ciência da computação e economia normalizam a GenAI como recurso colaborativo, enquanto matemática (65,9% proíbem) e ciências naturais (55,3%) mostram alta proibição percebida coocorrendo com pouca clareza de regras e uso clandestino persistente. Os estudantes usam a IA principalmente como scaffold instrumental (explicação, verificação de soluções), e não como substituto, mas emerge uma lacuna de avaliação crítica — a pesada modificação de prompts ofusca a verificação factual externa, deslocando o comportamento rumo ao offloading cognitivo. Isso argumenta por orientação sensível à disciplina acima de proibições gerais.
• A IA como coinvestigadora no STEM baseado em investigação. Um quase-experimento com 97 estudantes do 3º ano (Inquiry-Based Learning in STEM Education: The Impact of Generative AI-Based Chatbots on Primary School Students' Problem Posing Ability in Science) mostrou que chatbots de GenAI superaram significativamente os motores de busca na formulação de problemas de ciência na aprendizagem baseada em investigação e no aprendizagem baseada em problemas, melhorando a qualidade das questões, produzindo uma estrutura de rede epistêmica mais integrada (ENA) e reduzindo a carga cognitiva. Uma revisão sistemática do ChatGPT para a aprendizagem baseada em investigação em STEAM (The AI-Powered Co-inquirer: A Systematic Review of ChatGPT for Inquiry-Based Learning in STEAM Education, 24 estudos) confirma que o ChatGPT apoia a formulação de questões, o desenho de investigação, a resolução de problemas e a reflexão — mas arrisca dependência excessiva, alucinação e conclusões superficiais quando as saídas são tratadas como autorizadas.
• O STEAM é uma via desigual para o letramento em IA. Uma revisão sistemática PRISMA de 39 estudos (STEAM Education for AI Literacy: A Systematic Literature Review) descobriu que as implementações de STEAM desenvolvem principalmente letramentos técnicos (conceitos fundamentais de IA, pensamento computacional, letramento de dados), ao mesmo tempo que subdesenvolvem consciência ética, imaginação criativa e criar/gerir/desenhar com IA. As disciplinas de tecnologia lideram; artes, engenharia e STEAM integrado ficam atrás — indicando que o letramento em IA em STEM está atualmente desequilibrado rumo à habilidade técnica, em detrimento do moldar responsável da IA.
• Programas de STEM baseados em IA adaptativa podem apoiar a aprendizagem profunda. Um piloto randomizado por agrupamentos em ciências do 6º ano (Developing Deep Learning in Science Through an Adaptive AI-Based STEM Instructional Program: Evidence From Sixth-Grade Classrooms, N = 30) descobriu que um programa de STEM baseado em IA adaptativa (conteúdo personalizado, maestria baseada em regras, feedback em tempo real) produziu tamanhos de efeito grandes favorecendo o grupo experimental em explicação, interpretação, aplicação e geração de ideias — embora o desenho de duas salas de aula aconselhe interpretação cautelosa.
• A aceitação dos professores é heterogênea e moldada pela disciplina. Uma análise de perfis latentes com 128 futuros professores (Unpacking the Heterogeneity of Pre-service Teachers' ChatGPT Acceptance: A Latent Profile Analysis Across STEM and Non-STEM Disciplines) descobriu quatro perfis de aceitação do ChatGPT (Avaliadores Pragmáticos, Pioneiros Tecnológicos, Céticos Resistentes, Observadores Ambientais), com professores de STEM concentrados nos Pioneiros Tecnológicos e professores de não-STEM nos perfis resistentes — e os Céticos Resistentes mostrando alta facilidade de uso, mas baixa intenção, exigindo treinamento diferenciado em letramento em IA.
• Avaliação e processos cognitivos no STEM com IA integrada. O CTAT (34 itens, validado por TRI) fornece um instrumento válido para avaliar o pensamento computacional em contextos de treinamento com IA, revelando que os estudantes têm mais dificuldade com representação de dados, sequenciamento de operadores lógicos e estruturas de laço. Um estudo de teoria fundamentada sobre programação assistida por IA (Tool, Tutor, or Crutch?: A Grounded Theory of Cognitive Scaffolding and Offloading in AI-Assisted Programming Education) mostra que os estudantes oscilam entre "Maestria de Domínio" e "Maestria de Ferramenta" por laços de scaffolding e de Offloading, com calibração metacognitiva atenuada sob offloading rotineiro — uma conta ao nível de processo da tensão desempenho–aprendizagem.

Implicações para instrutores de STEM

• Escolha a IA apropriada à disciplina. STEM abrange matemática (tutoria), física (diálogo socrático, simulação), ciência da computação (geração e revisão de código) e engenharia (desenho, força de trabalho) — selecione ferramentas correspondentes à pedagogia característica de cada subcampo, em vez de presumir que um chatbot geral serve a todos.
• Use a vantagem de encaixe estruturado da IA, mas proteja o raciocínio. As respostas verificáveis de STEM a tornam o domínio mais tratável pela IA; proteja-se contra a dependência excessiva e a substituição de respostas embutindo a IA em fluxos de trabalho estruturados e orientados à maestria.
• Embutir o letramento em IA por todos os cursos de STEM. Estudos (biologia, preparação de professores de matemática) mostram que o contexto de STEM apoia a aprendizagem de IA — integre os conceitos de IA onde eles surgem naturalmente, em vez de isolá-los.
• Fique de olho na equidade e no acesso na adoção da IA. As ferramentas de IA para STEM não são neutras; monitore viés de correção, acesso à divisão digital e desenho culturalmente relevante ao implantá-las.

Conceitos conectados

• Identidade de quem aprende — identidades de estudante disciplinares, profissionais, criativas e acadêmicas em evolução
• Educação em negócios
• Ensino de ciência da computação
• Educação matemática
• Educação em física
• K-12 (educação básica e média)
• Ensino superior
• Tutoria inteligente
• Avaliação automatizada
• Avaliação formativa
• Aprendizagem personalizada
• Grandes modelos de linguagem (LLMs)
• A IAed nas disciplinas
• Desenvolvimento profissional
• Educação em química — Educação em química e IA: laboratórios, avaliação formativa, limites de LLM, filosofia da experimentação
• Educação em biologia — Educação em biologia e IA: assistentes de laboratório, letramento em IA em biologia, pensamento crítico, ferramentas especializadas

Artigos conectados

• Design Principles and Observable Indicators for AI-Enabled Pedagogical Accompaniment: Evidence from the Amico Dual-Mode Prototype in Italy and China — Acompanhamento pedagógico habilitado por IA apoiando a identidade em STEM

• Navigating AI in STEM: What Secondary Students Actually Do With Generative AI-Driven Tools — O que os estudantes do ensino médio de fato fazem com ferramentas de GenAI em STEM

• Inquiry-Based Learning in STEM Education: The Impact of Generative AI-Based Chatbots on Primary School Students' Problem Posing Ability in Science — Chatbots de GenAI e formulação de problemas em ciências do ensino fundamental

• The AI-Powered Co-inquirer: A Systematic Review of ChatGPT for Inquiry-Based Learning in STEAM Education — ChatGPT para a aprendizagem baseada em investigação em STEAM

• STEAM Education for AI Literacy: A Systematic Literature Review — Educação em STEAM para o letramento em IA: revisão sistemática

• Developing Deep Learning in Science Through an Adaptive AI-Based STEM Instructional Program: Evidence From Sixth-Grade Classrooms — Programa de STEM baseado em IA adaptativa para a aprendizagem profunda

• Unpacking the Heterogeneity of Pre-service Teachers' ChatGPT Acceptance: A Latent Profile Analysis Across STEM and Non-STEM Disciplines — Perfis de aceitação do ChatGPT por futuros professores

• Integrating AI Into Computational Thinking: Development and Validation of an Assessment Tool for Higher Education Students — Teste de Pensamento Computacional em Treinamento com IA (CTAT)

• Tool, Tutor, or Crutch?: A Grounded Theory of Cognitive Scaffolding and Offloading in AI-Assisted Programming Education — Ferramenta, tutor ou muleta: teoria fundamentada da programação assistida por IA

• A Conceptual Framework for Enhancing Workforce Readiness for Smart Manufacturing in the AI Era — Framework de Nível de Prontidão para a Força de Trabalho para manufatura inteligente na era da IA

• Pragmatic users and skeptical nonusers: A qualitative typology of ChatGPT adoption in physics education

• Exploring Fraction Comprehension and Interest in Elementary Education Through AI-Powered Personalized Learning

• Creating Learning Scaffolds for Engineering Design Using Concept Catalyst

• Faster Completion, Less Learning: Generative AI Reduced Study Time on Math Problems and the Knowledge They Build

• Can we disrupt the momentum of the AI colonization of science education?

• Artificial Intelligence in Science and Chemistry Education: A Systematic Review — Revisão sistemática da IA na educação em ciências/química

• Computational Thinking: A Meta-Review of Systematic Reviews and Meta-Analyses — O pensamento computacional como habilidade do século XXI em STEM

• From Literature to Research-Based Learning: An AI-Powered Information Extraction System to Enhance Undergraduate Thesis Completion — Extração de informação movida por IA apoiando teses de graduação e a aprendizagem baseada em pesquisa (An et al. 2026)

• 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 scaffolds codesenhados por professor e IA

• ChatGPT-Assisted Lesson Planning for Children's STEAM Arts Education: An Experimental Study on Benefits, Challenges, Methods, and a Prompt Framework

• The Impact of Artificial Intelligence-Supported Instruction on Student Learning in STEM: A Systematic Review and Meta-Analysis — Efeito reunido da instrução em STEM apoiada por IA ao longo de 35 estudos, com os maiores ganhos no ensino médio (Doğan et al. 2026)

• AI Literacy and STEM Education: Emerging Frontiers and Research Priorities — Synthesis of the ten most-cited studies of AI literacy in STEM education (Hallström et al. 2026)