Interação Estudante-IA

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

A interação estudante-IA — os padrões, processos e trabalho cognitivo em como os aprendizes se engajam com sistemas de IA generativa durante a aprendizagem e a resolução de problemas. A pesquisa aqui caracteriza o que os estudantes pedem à IA, como prompts e diálogos evoluem, e como a qualidade da interação se relaciona com os resultados de aprendizagem, a descarga cognitiva e a agência.

Questões a considerar

• Pense nos últimos poucos prompts que você (ou um estudante) escreveu para uma IA. Você descreveria a maioria deles como pedidos da resposta, ou como pedidos para a IA explicar, sondar ou avaliar? O que você suspeita que esse padrão faz à aprendizagem?
• A pesquisa descobre que um pequeno subconjunto de tipos de pergunta responde pela maioria das consultas dos estudantes, e que as perguntas mudam à medida que uma tarefa progride. Por que você acha que o questionamento dos estudantes se estreita, e o que isso sugere sobre como eles estão usando a ferramenta?
• A página afirma que prompts rasos e de busca por resposta estão associados à redução da aprendizagem e ao excesso de dependência, enquanto a interação reflexiva e orientada à verificação apoia a compreensão. O que você acha que separa um prompt "bom" de um "ruim" — e essa é responsabilidade do estudante ou do design da ferramenta?
• Se a qualidade da interação é moldada pelo contexto da tarefa e pelo suporte, em vez de ser um traço fixo do estudante, como um curso ou uma ferramenta poderia ser redesenhado para convidar uma faixa mais ampla e mais produtiva de investigação?
• Como você saberia se um diálogo fluente de IA de um estudante reflete aprendizagem genuína ou apenas delegação habilidosa — e o que você verificaria para descobrir?

Introdução

A interação estudante-IA é a superfície observável do engajamento dos aprendizes com a IA generativa — as perguntas que colocam, os prompts que escrevem, a forma como negociam e verificam a saída da IA, e como esses padrões se deslocam entre estágios da tarefa e ao longo do tempo. Ela fica na interseção da experiência do estudante, do prompt engineering e da análise de aprendizagem, e é central para os debates sobre se o uso de IA na educação representa aprendizagem genuína ou excesso de dependência. Onde a colaboração humano-IA enquadra a divisão de alto nível do trabalho cognitivo entre pessoas e modelos, a interação estudante-IA é a encenação concreta e mensurável dessa relação — as consultas, prompts e jogadas de negociação específicas que os aprendizes fazem momento a momento.

O que os estudantes pedem à IA

Uma vertente central da pesquisa mede os tipos e a qualidade das consultas dos estudantes. Estudos aplicam taxonomias de tipos de pergunta — por exemplo, a taxonomia de 18 tipos de Graesser et al. — para classificar as interações estudante-IA, frequentemente usando classificadores few-shot para escalar a análise ao longo de centenas ou milhares de interações. Os achados indicam que um pequeno subconjunto de tipos de pergunta responde pela maioria das consultas dos estudantes, e que as perguntas que os estudantes fazem mudam substancialmente à medida que uma tarefa progride (p. ex., Analysis of Types of Inquiries in Student-AI Interaction: A case study of two CS2 tasks). Essa dependência da tarefa importa: a qualidade da interação não é um traço fixo do estudante, mas é moldada pelo contexto do problema, pelo suporte e pelas affordances da ferramenta de IA. Nas idades mais jovens, Vahedian Movahed & Martin (2025) descobriram que crianças (de 6 a 14 anos) testavam ativamente a credibilidade de um chatbot colocando perguntas de resposta conhecida (p. ex., "quão grande é um t-rex") — uma expressão de autoagência epistêmica —, enquanto a criança modal fazia apenas 1 a 3 perguntas e um calouro de destaque fez 21, ressaltando como a variação desenvolvimental e individual molda as perguntas que os aprendizes colocam.

As próprias taxonomias ainda não concordam: ao longo de 46 categorizações de 33 estudos, rótulos similares nomeiam fenômenos diferentes, de modo que a revisão propõe o episódio de interação — uma troca dirigida a objetivos e temporalmente delimitada — como uma unidade que abrange aquisição de conhecimento, feedback avaliativo, orientação estratégica, investigação dialógica, refinamento de artefato e corregulação (Borchers, Jansen & Weidlich (2026)).

Complementando esses estudos de taxonomia, Yan et al. (2026) caracterizam a forma de diálogo das consultas dos estudantes. Entre 38 graduandos completando ensaios argumentativos sem supervisão, 76,32% usaram um padrão de um turno de perguntar–obter-resposta–parar — tipicamente colando o título da avaliação sem especificar suas necessidades e ressubmetendo prompts idênticos quando insatisfeitos —, e 78,94% tocaram a GenAI apenas no início (ideias, contexto) ou no fim (polimento, comprimento) de uma tarefa, mantendo-a separada da leitura e da escrita independente; apenas 23,68% sustentaram diálogo iterativo de idas e vindas com perguntas de acompanhamento e seu próprio raciocínio. Os autores colocam esses padrões em um espectro que vai da terceirização cognitiva à realocação cognitiva — o análogo da era da GenAI das abordagens de superfície versus profundas à aprendizagem —, notando que a maioria dos estudantes concebeu a ferramenta como um motor de busca aprimorado, o que os restringiu à ponta da terceirização.

Reenquadrando esses padrões como trabalho epistêmico, uma análise de 200 sessões de chat de coprogramação descobriu que 78,8% das interações estudante–GenAI rodavam sobre objetivos e estratégias de não domínio, como terceirização ou busca de verificação, e apenas 11,1% acoplavam objetivos orientados ao domínio com justificação epistêmica (Wu (2026)).

Codificar 50 trocas amostradas dá uma tipologia tríplice do mesmo comportamento: Zahra (2026) classificou 46% como Revisão Passiva, onde o modelo age como um oráculo e a saída é aceita com pouco escrutínio, 18% como Pergunta Direta e 36% como Diálogo Estratégico, emparelhando a distribuição com um argumento de design de restrição-primeiro (kappa = ,48 entre codificadores). Uma survey de sete tarefas com 211 estudantes de computação chega à mesma conclusão pela outra direção: Nizamani et al. (2026) mediram a adoção de LLM de 89,6% em algoritmos a 15,2% em engenharia de software e atribuíram a dispersão à complexidade das tarefas, à verificabilidade e ao suporte, e não à subárea.

Qualidade da interação e aprendizagem

Uma vertente complementar liga a forma da interação à aprendizagem. Prompts rasos ou habitualmente estreitos (pedir à IA para produzir a resposta em vez de explicar, sondar ou avaliar) estão associados à redução da aprendizagem e ao aumento do excesso de dependência, enquanto a interação reflexiva e orientada à verificação apoia a metacognição e a compreensão durável. Isso conecta a interação estudante-IA diretamente ao design de tutoria inteligente: sistemas podem ser construídos para convidar uma faixa mais ampla e mais produtiva de investigação e para dar suporte ao fazer perguntas, em vez de meramente responder. A interação não precisa passar por prompts de busca de resposta de forma alguma — quando a IA critica o próprio trabalho dos estudantes, a troca se torna um diálogo reflexivo e orientado à verificação: em Oppenheimer, Cash & Connell Pensky (2025), as respostas dos aprendizes ao Retroalimentação (Feedback) de ensaio do LLM mostraram reflexão em 92,7%, aceitação em 93,6% e refutação ativa de afirmações do LLM em 87,8% dos casos (κs interavaliador = 0,81–0,89), e sua resposta à qualidade do feedback melhorou ao longo das iterações como uma habilidade aprendível. O lado reflexivo da interação não precisa passar pelo prompting direto — no CoBi, os estudantes se engajaram com visualizações de IA em nível de sala de aula de sua própria fala colaborativa e deliberaram sobre quando as classificações da IA pareciam erradas, transformando aparentes classificações errôneas em oportunidades para calibrar sua compreensão das capacidades e limites da IA (calibragem de confiança) em vez de aceitar puramente sua saída. O vínculo entre forma da interação e aprendizagem tem um limite, porém: Page (2026) separa a iteração conversacional da iteração cognitiva com o fundamento de que um aprendiz pode refinar uma saída ao longo de muitos turnos enquanto o modelo mental por trás dela permanece inalterado, de modo que a evidência da aprendizagem é uma mudança na posição cognitiva do aprendiz, e não o comprimento ou a fluência da troca — a contagem de turnos não é um proxy para a profundidade do engajamento.

A interação, e não a ferramenta, fixa a via: em um experimento de campo com quase 1.000 estudantes de matemática do ensino médio, o GPT-4 irrestrito elevou as pontuações de prática em 48%, mas cortou as pontuações de exame sem assistência em 17%, enquanto o mesmo modelo restrito a dicas projetadas por professores elevou a prática em 127% e praticamente apagou o déficit (Lee, 2026).

Se os estudantes promptaram de forma eficaz, e não quanto, acompanhou o sucesso: a Eficiência de Consulta à IA e a Resolução de Problemas Impulsionada por IA foram os preditores mais fortes do desempenho acadêmico ao longo de 128 estudantes de engenharia, e permaneceram significativos após o controle por GPA (Isaza Dominguez et al. (2026)).

O contexto comportamental é um sinal separado da própria pergunta: nas quatro implantações do TutorTrace (480 aprendizes, ~180.000 eventos de IDE), condicionar a ajuda ao estado comportamental recente de um aprendiz cortou os intervalos entre consultas sem trabalho independente de 50,0% para 20,7%, e as consultas iminentes eram previsíveis apenas a partir do comportamento (AUROC = ,726) (Barron et al. (2026)).

A densidade não é o mecanismo: alternar os estudantes entre voz e texto quase dobrou os turnos de diálogo por minuto (1,34 versus 0,75) sem mudar o domínio semanal, e os autores leem a deliberação mediana de 26 segundos do canal digitado antes da primeira tecla como o próprio ato de codificação (Yang, Van Alstyne e Dellarocas (2026)).

Um laço de verificação ainda pode permanecer raso: a análise sequencial de defasagem de uma implantação de agente-LLM de quatro semanas em um curso de graduação em bases de dados descobriu um ciclo significativo Consulta–Avaliação–Consulta, mas fortes laços de autotransição dentro de estados de ordem inferior e apenas 3,92% das interações alcançando a cognição de ordem superior (Li et al. (2026)).

Bernstein e Sibia (2026) documentam um padrão iterativo-filtro em como estudantes de CS2 lidam com explicações da GenAI (Flawed but Memorable: Student Critical Reception of Interest-Personalized GenAI Analogies in Computing Education): eles fazem referência cruzada contra as notas de aula, exigem procedência ("eu ficaria muito mais em dúvida... sem uma") e sondam com perguntas de acompanhamento em busca de inconsistência, em vez de emitir um único juízo de aceitar-ou-rejeitar. Os estudantes também leram as explicações em função de cujo conhecimento e formação eles assumiram — conhecimento prévio assumido além do programa, referências padrão a esportes e games ("o lado mais dominado por homens da computação") e repetição excessiva funcionaram todas como sinais sobre o leitor imaginado, com o excesso de suporte lido como condescendente em vez de meramente ineficiente.

Consultar a IA no ponto certo de uma tarefa importa tanto quanto a formulação do prompt individual: no mesmo estudo, Yan et al. (2026) descobriram que a minoria orientada à realocação alternava trabalho independente com consulta à GenAI e relatava esforço total inalterado, mas com um foco deslocado — movendo recursos da busca para a verificação da qualidade e do equilíbrio argumentativos, e escrevendo notas de reflexão após as sessões para contrariar a retenção rasa —, enquanto aprendizes com objetivos de domínio, mas com letramento em IA fraco, caíam em um "paradoxo da eficiência", terceirizando "não por intenção, mas por padrão".

Da interação à pedagogia

Caracterizar a interação estudante-IA informa o design de aprendizagem: os instrutores podem notar quando os padrões de questionamento dos estudantes são estreitos ou rasos e projetar intervenções que ampliem a investigação; o papel do professor se desloca em direção a treinar os estudantes a interagir produtivamente com a IA. Isso também fundamenta currículos de letramento em IA que tratam o prompting e a verificação eficazes como habilidades aprendíveis, e não como capacidades inatas.

Alavancas de design podem deslocar esse padrão: em um curso de física assíncrono com cerca de 70 estudantes, o artefato avaliado era a transcrição do diálogo, e não uma resposta, mas muitos estudantes ainda faziam longas listas de perguntas sem responder aos acompanhamentos socráticos do modelo — o modo de falha que os critérios foram escritos para captar (Rodriguez & Wulff (2026)).

Os prompts de autoria do professor são uma dessas alavancas, mas o rigor encenado fica atrás do alvo: ao longo de 1.479 conversas, 38% ficaram abaixo do nível de Profundidade-de-Conhecimento pretendido pelo professor, aproximando-se de 50% no DOK 3, enquanto linhas de chegada explícitas estreitaram essa lacuna em 0,22 níveis, e um guardrail de "sem respostas diretas" cortou as taxas de resposta final da IA em 8,5 pontos percentuais (Liu et al. (2026)).

O não uso é ele mesmo um padrão de interação que a pedagogia precisa prever. Zou et al. (2026), estudando 85 professores em formação em três cursos onde o uso de GenAI na avaliação era explicitamente permitido, descobriram que 62,4% (53 de 85) recusaram usá-la de todo, muito abaixo dos 79–83% de adoção vistos em surveys comparáveis do Reino Unido e da Austrália, e que o uso dos adotantes era raso e corretivo em vez de generativo (revisão textual 43,8%, verificações de clareza 34,4%, geração de texto apenas 18,8%). Suas escolhas acompanharam o design da avaliação e a cultura institucional, e não a dificuldade técnica: 41,5% dos não adotantes temiam ser acusados injustamente de plágio, e nove de onze entrevistados leram a própria política permissiva como uma possível "armadilha". A lacuna entre 32 usuários relatados na survey e 28 autodeclarações mostra que a interação com IA relatada pelos estudantes é moldada pelas consequências avaliadas — uma ressalva de medição para as contas de análise de aprendizagem da interação estudante-IA.

Disciplina e engajamento cognitivo no chat estudante-IA

• Engajamento cognitivo associado à disciplina no chat estudante-IA. Chang e Li (2026) analisam prompts de estudantes à IA ao longo de 116 cursos com um design within-person e entre disciplinas, mostrando que as conversas estudante-IA refletem engajamento cognitivo associado à disciplina, e não estilos de interação individuais fixos. Cerca de 62% dos prompts codificavam demanda cognitiva de ordem superior no geral, mas os perfis de nível de Bloom diferiam acentuadamente por disciplina: cursos de STEM elicitaram prompts prevalentes em Aplicar (20,8%), cursos de línguas prevalentes em Entender (31,7%) e cursos de ciências sociais prevalentes em Criar (33,8%). Comparações pareadas within-person confirmaram que os mesmos estudantes produziam significativamente mais prompts de ordem superior em ciências sociais do que em cursos de STEM (n agrupado = 16, p < ,001), e a variação em nível de curso excedeu a variação em nível de estudante — um forte argumento de que os assistentes de ensino com IA deveriam ser projetados e avaliados com o contexto disciplinar em mente.

Conceitos conectados

• Quem aprende — Learners: the umbrella for the learner-side concepts
• Colaboração humano-IA
• Experiência dos estudantes
• Engenharia de prompts
• Analítica de aprendizagem
• Descarregamento cognitivo
• Tutoria inteligente
• Metacognição
• Autonomia de quem aprende
• IA generativa
• Grandes modelos de linguagem (LLMs)
• Letramento em IA

Artigos conectados

• From Cognitive Outsourcing to Reallocation: A 3P Analysis of Student–Generative AI Engagement in Unsupervised Assessments — Cognitive outsourcing vs. reallocation in unsupervised student–GenAI assessments (Yan et al. 2026)
• "Is this a trap?": Student teachers' perceptions and adoption of GenAI in assessments in three teacher education courses — "Is this a trap?": student teachers' non-adoption of GenAI in assessments (Zou et al. 2026)
• TutorTrace: A Dataset and Taxonomy for Classifying Learner Behavioral States during AI-Assisted Programming Education
• Analysis of Types of Inquiries in Student-AI Interaction: A case study of two CS2 tasks — Analysis of Types of Inquiries in Student-AI Interaction
• Toward Convergence in Student-LLM Interactions: A Rapid Scoping Review and Taxonomy for Learning-Oriented Use — Student-LLM Interaction Taxonomy Review
• Teacher-Authored Prompts for Configuring Student-AI Dialogue: K-12 Classroom Implementation — Teacher-Authored Prompts in Student-AI Dialogue
• Constructing Epistemic AI Literacy: Detecting Epistemic Aims and Processes in Student-AI Co-Programming — Constructing Epistemic AI Literacy
• Demystify, Use, Reflect, Assess (DURA): An Experience Report on LLM Integration in CS2 — Demystify, Use, Reflect, Assess (DURA): LLM Integration in CS2
• The Impact of an LLM-Based Educational Agent on Learning Achievement, Cognitive Dynamics, and Student Perceptions in Computer Science Education — LLM-based educational agent (DBagent) in CS education
• An Empirical Study of ChatGPT Use in Engineering Education: Prompting and Performance — Logged prompting and integration behaviors
• A Feasibility and Implementation Integrity Study of the Community Builder (CoBi): An AI-based Collaboration Support System in K-12 Classrooms
• You've Got AI Friend in Me: LLMs as Collaborative Learning Partners
• Ask Me Anything: Exploring Children's Attitudes Toward an Age-tailored AI-powered Chatbot
• Flawed but Memorable: Student Critical Reception of Interest-Personalized GenAI Analogies in Computing Education — Flawed but Memorable: Student Critical Reception of Interest-Personalized GenAI Analogies in Computing Education
• Bypass, Offload, or Scaffold: A Conceptual Model of How Large Language Models Shape Learning — Bypass, Offload, or Scaffold: A Conceptual Model of How Large Language Models Shape Learning
• When AI Tutors Speak: Evidence from a Randomized Field Experiment — When AI Tutors Speak: Evidence from a Randomized Field Experiment
• Artificial Intelligence Driven Physics Assignments using Context Prompts — Artificial Intelligence Driven Physics Assignments using Context Prompts
• Three Pathways of Student-AI Interaction: Constraint-First Design for Higher-Order Thinking — Three Pathways typology of student-AI interaction: 46% Passive Review, 18% Direct Question, 36% Strategic Dialogue