Engajamento do estudante

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

Engajamento do estudante — o grau e a qualidade do envolvimento ativo de quem aprende no processo de aprendizagem, mais frequentemente decomposto nas dimensões comportamental, cognitiva e afetiva. Na pesquisa em IA na educação, o engajamento do estudante é ao mesmo tempo um resultado-chave (uma ferramenta de IA mantém os estudantes engajados?) e um mecanismo (o engajamento media entre o desenho da IA e a aprendizagem?). Ele é conceitualmente distinto da própria aprendizagem — engajamento é participação na aprendizagem, não prova de ganho cognitivo — e das métricas específicas usadas para mensurá-lo.

Perguntas para refletir

• A página insiste que engajamento não é o mesmo que aprendizagem — um estudante pode estar comportamentalmente ativo (clicando, passando tempo) enquanto é cognitivamente raso. Onde você já viu alto "engajamento" que produziu pouca aprendizagem, e como notou?
• Pense em um momento em que você estava profundamente engajado cognitivamente em algo — verdadeiramente lidando com uma ideia. O que era diferente nisso em comparação com as vezes em que você estava apenas ocupado ou entretido, e uma ferramenta de IA poderia criar esse estado de forma confiável?
• O engajamento é decomposto em dimensões comportamental, cognitiva e afetiva, que podem divergir. Por que você acha que os pesquisadores insistem em tratá-las separadamente, em vez de como uma coisa só, e o que você mensuraria para distingui-las?
• A pesquisa sugere que o engajamento cognitivo profundo com a IA prevê a aprendizagem, enquanto o engajamento raso prevê o excesso de dependência. Se uma ferramenta é "engajante", mas rasa, de quem é a culpa — do desenho, da tarefa ou de quem aprende?
• Como uma ferramenta de IA poderia satisfazer autonomia, competência e vínculo (as necessidades por trás do engajamento) sem que esses recursos se transformem em entretenimento raso que desloca a aprendizagem real?

Introdução

O engajamento é um construto multidimensional enraizado na psicologia educacional. O engajamento comportamental refere-se à participação, ao esforço, à persistência e à atividade em tarefa. O engajamento cognitivo refere-se à profundidade do processamento mental — elaboração, análise crítica, autoregulação e o investimento de esforço mental. O engajamento afetivo refere-se a reações emocionais como interesse, prazer, ansiedade e identificação com a aprendizagem. Essas dimensões podem divergir: um estudante pode estar comportamentalmente ativo (clicando, passando tempo) enquanto é cognitivamente raso (aceitando passivamente a saída), ou afetivamente interessado enquanto comportamentalmente distraído. Essa multidimensionalidade é a razão pela qual o engajamento não pode ser equiparado a nenhum comportamento observável único.

Como o engajamento do estudante aparece na pesquisa

• O engajamento como resultado do desenho de IA: a pesquisa sobre motivação com IA generativa mostra que o engajamento na aprendizagem apoiada por IA generativa segue a satisfação das necessidades psicológicas básicas (autonomia, competência, vínculo) — o engajamento é o resultado a jusante do apoio motivacional, e não da mera disponibilidade de tecnologia. O engajamento é frequentemente mensurado por autorrelato, enquanto o engajamento comportamental vem de registros de interação, e os dois não são intercambiáveis.
• Ganho de engajamento sem ganho de aprendizagem, em um ensaio de sala de aula randomizado por cluster: Rücker e Becker-Genschow (2025) randomizaram 195 turmas de nono ano (grupo experimental de 102 estudantes) para um chatbot de matemática específico do domínio ou para materiais convencionais de diferenciação em uma única aula sobre o método de Heron para estimar raízes quadradas. O interesse situacional subiu substancialmente na condição de chatbot (M = 2,63 versus 2,43, p = 0,00005, d de Cohen = 0,63) e a aceitação nas quatro dimensões do Modelo de Aceitação de Tecnologia foi alta, mas a comparação de desempenho pré–pós não encontrou interação significativa de grupo por tempo (F(1194) = 2,84, p = 0,094) e a carga cognitiva extrínseca foi ligeiramente maior. O estudo é um dos poucos testes randomizados por cluster de um chatbot personalizado em matemática do ensino médio, e seu resultado dividido é o ponto: interesse e desempenho se moveram em ritmos diferentes, de modo que um achado de engajamento não é evidência de aprendizagem.
• Qualidade acima de quantidade: o engajamento crítico no completamento de código por IA, a análise de discurso de engajamento cognitivo e o andaimento ao engajamento crítico mostram que o engajamento profundo (cognitivo) com a IA prevê a aprendizagem, enquanto o engajamento raso (comportamental) prevê o excesso de dependência e o deslocamento da aprendizagem que dominam a literatura de risco da base de conhecimento.
• Frágil e dependente do contexto: Artefatos polidos, engajamento frágil e os padrões de engajamento multi-instituição constatam que o engajamento varia por tarefa, contexto e quem aprende — uma ferramenta de IA que engaja profundamente um estudante pode produzir comportamento raso de perseguição de saída em outro.
• Antecedentes motivacionais: Disponibilidade de IA e motivação mostra que saber que a IA está disponível pode reduzir o valor percebido do engajamento esforçado, particularmente para quem aprende sendo novato — o engajamento é moldado por expectativa, valor e competência percebida tanto quanto pelos recursos da ferramenta. Wang & Wang (2026) estendem isso com uma explicação pela teoria de estabelecimento de metas de 758 estudantes universitários de inglês em aprendizagem assistida por IA, mostrando que o apoio do professor aumenta diretamente o engajamento e opera por meio das metas de aproximação ao domínio e de aproximação ao desempenho dos estudantes (e não de metas de esquiva). O engajamento em contextos de IA não é, portanto, apenas um resultado individual ou de desenho — ele também é socialmente andaimentado pelo professor e pelas orientações de meta que se incentiva quem aprende a adotar.

Esse andaimento tem uma contraparte institucional com via dupla. O desenho de dois estudos de Chen (2026) (160 estudantes de arte em um experimento de cenário, 425 pesquisados) constatou que a inconsistência percebida entre a defesa de IAG por uma universidade e suas práticas reais de ensino e avaliação previu o engajamento no processo criativo por meio de duas avaliações opostas — negativa via impedimento (β = −0,060, p = 0,004) e positiva via desafio (β = 0,217, p < 0,001) —, com o pensamento por trajetórias fortalecendo apenas a rota positiva, de modo que a mesma condição institucional engajou alguns estudantes e desengajou outros.

• Competência e emoção como impulsionadores do engajamento: Zhao et al. (2026) modelam 871 estudantes universitários interagindo com um chatbot de LLM, constatando que a competência em IA generativa prevê o engajamento com o chatbot tanto diretamente quanto indiretamente por meio de emoções positivas (a via afetiva), e que tanto a competência quanto a emoção positiva preveem o engajamento e emoções positivas de aprendizagem. O engajamento é, portanto, conjuntamente uma habilidade e um resultado afetivo — quem aprende sem competência em IA e que vivencia ansiedade ou frustração se desengaja, o que tem implicações para o treinamento em letramento em IA como intervenção de engajamento, e não meramente como objetivo de habilidade.
• Engajamento cognitivo associado à disciplina no chat estudante–IA. Chang e Li (2026) mostram que os prompts dos estudantes à IA codificam ~62% de demanda cognitiva de ordem superior, em média, mas os perfis de engajamento por nível de Bloom diferem acentuadamente por disciplina (STEM com predomínio de Aplicar 20,8%, línguas com predomínio de Compreender 31,7%, ciências sociais com predomínio de Criar 33,8%). Usando um desenho intrapessoal, eles constataram que os mesmos estudantes produziram significativamente mais prompts de ordem superior em ciências sociais que em cursos de STEM (p < .001), com a variação no nível do curso excedendo a variação no nível do estudante — evidência de que o engajamento cognitivo com a IA é moldado pelo contexto disciplinar, e não apenas pelo estilo individual.
• O feedback de IA sustenta a ativação comportamental. O experimento de laboratório em campo de um semestre de Geschwind et al. (2026) constatou que os estudantes que receberam feedback individual do GPT-4 em tarefas abertas sustentaram a maior participação ao longo de oito tarefas semanais (~50% na última, contra ~30% dos grupos de feedback do professor ou de pares) e escreveram ~29 caracteres a mais por resposta — o feedback individual de IA ativou o engajamento tanto na margem extensiva (participação) quanto na margem intensiva (esforço por resposta), embora os estudantes tenham avaliado o feedback dos pares ligeiramente mais alto.
• Prevendo o uso acadêmico de IA a partir de construtos de aprendizagem. Um framework exploratório de aprendizado de máquina analisou dados de pesquisa de 166 estudantes universitários para identificar construtos relacionados à aprendizagem associados ao uso acadêmico pretendido de ChatGPT, usando análise SHAP para manter a interpretabilidade. Os achados informam como engajamento, apoio à aprendizagem e outros construtos moldam a incorporação de ferramentas de IA ao trabalho acadêmico pelos estudantes.
• O acesso a uma ferramenta de IA pode reduzir o engajamento mensurado, e as taxas de conclusão não mostrarão isso. Liu et al. (2026) randomizaram o acesso a tutores em 13 blocos em uma grande universidade pública dos EUA e constataram que a participação registrada na plataforma caiu 0,90 DP, as visualizações de página 0,37–0,38 DP e os dias ativos 0,51–0,61 DP —, enquanto o envio de lição de casa e o envio no prazo não foram afetados. A dissociação é a lição de mensuração: um curso que monitorasse apenas a conclusão de tarefas não teria visto nada, porque a redução estava na atividade de discussão, quiz e interação com o instrutor que a plataforma registrava. Os estudantes nas turmas tratadas também relataram fazer menos perguntas de conteúdo ao instrutor (cerca de 57% versus 44%), de modo que o declínio coincidiu com substituição para longe do contato humano, e não com desengajamento do curso.
• A latência de resposta é uma alavanca de engajamento. Em 1.137 sessões de tutoria de IA Quantitativa, respostas mais rápidas se associaram a mais mensagens de estudantes e mais prática correta (tempo mediano de resposta de 1,9 s a 31,0 s entre modelos; menor latência se correlacionando com engajamento em ρ de Spearman = −0,81, p = .0056), uma cadeia que os autores leem como explicando como modelos que pontuam de forma nada notável em qualidade de ensino ainda alcançam ganhos de nível humano (Northcutt et al. (2026)).
• O uso de IA pode vir acompanhado de maior absenteísmo às aulas, enquanto a confiança não o prevê. Uma pesquisa PLS-SEM com 291 estudantes universitários portugueses constatou que o uso geral de IA se associou positivamente ao absenteísmo (β = 0,148, f² = 0,029) e à autoeficácia para aprendizagem independente, mas a autoeficácia em si não previu o absenteísmo (β = −0,068, p = 0,276) — o padrão de "confiante, mas ausente" do artigo. A associação com a assiduidade foi modesta e secundária à influência dos pares (β = 0,510, f² = 0,326) e à gestão do tempo (β = −0,163) e, como o construto de uso de IA era unidimensional e misturava itens orientados ao apoio com itens orientados à substituição, o estudo não consegue separar uso complementar de uso substitutivo nem estabelecer direção (Franco et al. (2026)).

Mensurando o engajamento: o problema da escolha de métrica

O engajamento é operacionalizado por meio de uma gama de sinais observáveis. As métricas comportamentais mensuram o que quem aprende faz (tempo em tarefa, contagens de atividade, frequência de interação, persistência); as métricas cognitivas mensuram como quem aprende pensa (profundidade de processamento, engajamento crítico, análise de discurso); as métricas afetivas mensuram como quem aprende sente (emoção, motivação, interesse); e as métricas contextuais capturam multitarefa e atenção. A pesquisa em educação com IA combina crescentemente essas abordagens e trata o engajamento como um mecanismo mediador entre o desenho da ferramenta de IA e os resultados de aprendizagem, e não como um resultado em si.

• Seis famílias de aplicações de IA + mensuração multimétodo: a revisão sistemática de Zhou (2025) de 24 estudos da WoS mapeia seis aplicações de IA para o engajamento — chatbots no desenho de cursos, reconhecimento de emoção/face/voz e rastreamento ocular, ML para análise de dados, apoio à interação professor–estudante, feedback/recomendações personalizados, e bots movidos a IA em ambientes inteligentes de aprendizagem. Ela constata que integrar múltiplas modalidades e fontes de dados de IA produz percepção mais precisa e em tempo real do engajamento cognitivo, emocional e comportamental que as abordagens de fonte única — reforçando o problema da escolha de métrica acima.

A escolha da métrica é definicional: um estudo que mensura o engajamento como tempo em tarefa pode concluir que uma ferramenta de IA aumenta o engajamento quando os estudantes passam mais tempo interagindo com ela, enquanto um estudo que mensura o engajamento como processamento crítico pode chegar à conclusão oposta para a mesma ferramenta. É por isso que a pesquisa da base de conhecimento distingue engajamento (participação) de aprendizagem (ganho cognitivo real) — veja desempenho versus aprendizagem — e por que as métricas de engajamento precisam ser validadas contra o que alegam mensurar.

• O engajamento como sinal frágil e dependente da situação: Artefatos polidos, engajamento frágil e os padrões de engajamento multi-instituição constatam que o engajamento varia por contexto, tarefa e quem aprende — a mesma ferramenta produz forte engajamento para alguns estudantes e comportamento raso de perseguição de saída para outros.
• Telemetria comportamental de plataformas de aprendizagem: a previsão de esforço e progresso, o Assistente de Engajamento na Aprendizagem, a avaliação de engajamento em vídeo e os painéis de aprendizagem traduzem sinais comportamentais e fisiológicos (atenção, atividade, persistência) em métricas de engajamento usadas para feedback adaptativo e intervenção do instrutor.
• A percepção fisiológica acrescenta uma modalidade — e um problema de linha de base. O E3Sense colocaliza EEG de eletrodos secos, óculos de rastreamento ocular e eletrodos eletrodérmicos frontais na cabeça e prevê 450 avaliações de engajamento no nível do segmento a partir de 30 participantes universitários em uma escala ordinal de cinco níveis: o AdaBoost sobre a representação multimodal fundida alcançou 75,0% de precisão balanceada dentro de um nível, contra 63,0% de prever sempre a avaliação mais comum. A estreiteza dessa lacuna é o ponto — o crédito dentro de um nível entrega à linha de base sem sensores a maior parte de sua pontuação em avaliações enviesadas —, e perguntar a quem aprende o que engajamento significa para eles moveu a mesma medida de 64,6% para 71,5%, evidência de que o rótulo de autorrelato, e não apenas o sensor, decide o que tal analítica pode alegar.
• As restrições de equidade precisam de sujeitos retidos para se sustentar. O regularizador direcionado a gênero de um estimador de atenção multimodal reduziu a lacuna de MAE de validação de 0,02 para 0,005, mas aumentou tanto a lacuna quanto o erro do pior grupo em sujeitos retidos, de modo que a validação repetida e consciente de subgrupos no nível do sujeito pertence a qualquer afirmação de percepção de engajamento (Fragkiadakis et al. (2026)).
• O engajamento como sinal de modelagem de quem aprende: a intensidade do engajamento como sinal de modelagem de quem aprende usa a força do engajamento para informar sistemas de IA adaptativos, posicionando as métricas de engajamento como insumos para a modelagem de estudante e a aprendizagem adaptativa, e não meramente como saídas de avaliação.

Engajamento versus aprendizagem

Um tema central na pesquisa da base de conhecimento é que engajamento e aprendizagem precisam ser distinguidos. Ferramentas de IA que geram alto engajamento (tempo em tarefa, volume de interação) podem não produzir aprendizagem se esse engajamento for passivo ou substituir o trabalho cognitivo da compreensão — veja desempenho versus aprendizagem. Inversamente, a dificuldade produtiva e a dificuldade desejável podem produzir aprendizagem mesmo quando o engajamento de superfície parece menor. O engajamento é, portanto, melhor tratado como um mecanismo — valioso na medida em que reflete ou possibilita um processamento cognitivo significativo — do que como um resultado terminal.

A distinção não é acadêmica. Pramod e Patil (2026) colocam o engajamento no centro de seu modelo PLS-SEM, entre motivação e presença social de um lado e o desempenho percebido do outro — o maior coeficiente de seu modelo, e ainda uma percepão, e não uma medida de aprendizagem.

A pedagogia medeia o efeito da IA sobre o engajamento

Uma síntese sistemática da IA no ensino superior (Long et al., 2026) enfatiza que o método de ensino no qual uma ferramenta de IA está embutida é o mediador decisivo de ela engajar os estudantes. Chatbots, sistemas adaptativos e analítica preditiva aumentam mais o engajamento quando implantados dentro de pedagogias interativas — salas de aula invertidas, aprendizagem baseada em projetos e ciclos de feedback com andaimento —, e não como ferramentas isoladas. A revisão formaliza isso como o modelo PMAISE (Mediação Pedagógica da IA para o Engajamento do Estudante), mapeando o alinhamento entre tecnologias de IA, estratégias pedagógicas e as dimensões afetiva, comportamental e cognitiva do engajamento. A implicação é que os resultados de engajamento são coproduzidos pela ferramenta e pelo desenho instrucional circundante: a mesma IA pode amplificar o engajamento em uma pedagogia e inibi-lo em outra.

Conexões com conceitos afins

O engajamento do estudante se conecta à motivação e à teoria da autodeterminação como seus impulsionadores psicológicos, e à experiência do estudante como o contexto vivido. Sua mensuração depende da analítica de aprendizagem e da mensuração educacional, que fornecem as ferramentas quantitativas para operacionalizar as dimensões acima. A distinção entre engajamento profundo e raso se liga diretamente à aprendizagem autorregulada (quem aprende autorregulado se engaja estrategicamente), ao descarregamento cognitivo e ao excesso de dependência (a dependência rasa como modo de falha), e à Metacognição. No desenho de sistema, os sinais de engajamento alimentam a modelagem de estudante e a aprendizagem adaptativa, e os resultados de engajamento aparecem nas avaliações de métodos de pesquisa sobre intervenções de educação com IA.

• As características de quem aprende moderam as aulas baseadas em diálogo com TTS (2026): em aulas de diálogo professor–estudante, estudante–estudante e professor–professor geradas por LLM+TTS, o estilo de aprendizagem experiencial e a disposição ao pensamento crítico interagiram significativamente com o formato de diálogo para a motivação baseada no ARCS, indicando que o conteúdo de diálogo gerado por IA é diferencialmente motivador dependendo do perfil de quem aprende (Interaction Effects Between Learner Characteristics and Dialogue Format in TTS Dialogue-Based Lessons).
• Ganhos específicos por dimensão no nível fundamental (2026): um programa de escrita em L2 apoiado por IA generativa de nove semanas com 301 estudantes do 5º e 6º anos elevou o engajamento comportamental e emocional, mas deixou o engajamento cognitivo e metacognitivo inalterados, e seus autores nomeiam a redução do automonitoramento durante a escrita como um risco permanente (Lu et al., 2026). O padrão é uma instância concreta da distinção entre engajamento e aprendizagem acima: mais atividade e mais prazer não se traduziram em processamento mais profundo.
• A dissociação pode correr no outro sentido (2026): em um curso de design de interiores profissionalizante de 12 semanas, um estúdio imersivo de RV com um assistente de ensino de LLM embutido elevou o engajamento cognitivo (d = 0,90) e comportamental (d = 0,75) em relação à instrução baseada em projetos tradicional, enquanto o engajamento afetivo não diferiu significativamente (d = 0,38) — o inverso do caso de escrita em L2 acima (Jin et al., 2026). Os ganhos cognitivo e comportamental aqui vieram com menor carga cognitiva relatada, o que os autores atribuem ao assistente absorver o esforço de busca e de integração interdisciplinar. Lidos contra o caso da escrita, os dois estudos sugerem que qual dimensão de engajamento uma intervenção apoiada por IA move é uma propriedade do desenho — colaboração imersiva e pesada em discurso versus apoio à escrita solitária —, e não da assistência de IA em geral, e que uma vantagem afetiva não pode ser pressuposta a partir de feedback de alta fidelidade ou inteligente.
• O letramento em IA age sobre o engajamento por meio de recursos psicológicos (2026): um estudo de mediação moderada com 1.198 estudantes de graduação em Zhengzhou, China (Wang, 2026), modelou o engajamento como um resultado do letramento em IA, e não como um subproduto do uso de ferramentas. O letramento em IA previu o engajamento na aprendizagem diretamente e também indiretamente por meio da construção de capital psicológico, com a rota indireta carregando aproximadamente metade do efeito total — mediação parcial, de modo que uma competência tecnológica se converte em engajamento apenas em parte por meio dos recursos psicológicos que gera. O compromisso profissional, uma variável baseada em identidade, moderou o vínculo entre capital psicológico e engajamento, sem nenhum efeito direto próprio, e a tradução do capital psicológico em engajamento foi acentuadamente mais forte para estudantes que se viam como rumo à profissão. O padrão é a instância mais clara disponível do ponto acima de que as características de quem aprende condicionam como a IA afeta o engajamento.
• A prática pré-aula com IA pode elevar a participação ao vivo (2026): um experimento de campo pré-registrado com 759 estudantes de MBA constatou que preparar-se com um parceiro de discussão de IA baseado em voz elevou as contribuições voluntárias em cerca de 31% em sessões posteriores, mas apenas após um segundo uso; um primeiro uso foi seguido de menor participação (Wang et al., 2026)).

Conceitos conectados

• Quem aprende — Quem aprende: o guarda-chuva dos conceitos do lado do estudante
• Parcerias pedagógicas — Parcerias pedagógicas
• Comunidade de investigação — Comunidade de investigação (o engajamento agêntico como dimensão da CdI)
• E-portfólio
• Ensino e aprendizagem online — Ensino e aprendizagem on-line
• Motivação
• Teoria da autodeterminação
• Experiência dos estudantes
• Analítica de aprendizagem
• Medição educacional
• Aprendizagem autorregulada
• Descarregamento cognitivo
• Metacognição
• Modelagem de quem aprende e instrução adaptativa
• Aprendizagem adaptativa
• Métodos de pesquisa em AIED
• Ensino superior
• Enquadrando o uso de IA para estudantes
• Partes interessadas — Guarda-chuva: pessoas e públicos na educação com IA (quem aprende, professores, designers, administradores, formuladores de políticas)
• Medidas de autorrelato
• Falência produtiva

Artigos conectados

• How assigned AI use before class shapes active student engagement in class — A prática pré-aula com IA baseada em voz elevou as contribuições voluntárias às aulas em ~31%, mas apenas após um segundo uso (Wang et al. 2026)

• Confident but absent: AI use, self-efficacy for independent learning, and student absenteeism in higher education — O uso de IA se associou a maior absenteísmo às aulas, enquanto a autoeficácia não o previu, com a influência dos pares como correlato dominante (Franco et al. 2026)

• When universities advocate GAI but practice falls short: student appraisals and creative process engagement in art education — Quando as universidades defendem a IAG, mas a prática fica aquém: avaliações dos estudantes e engajamento no processo criativo na educação em arte

• E3Sense: Head-Confined Multimodal Sensing of Learner Engagement — EEG confinado à cabeça, rastreamento ocular e EDA preveem avaliações de engajamento em cinco níveis, enquanto as definições dos próprios estudantes deslocam o mapeamento (Anupkrishnan et al. 2026)

• Fairness-Aware Multimodal Transformer Modeling for Real-Time Student Attention Estimation — Modelagem de transformador multimodal consciente de equidade para estimativa de atenção do estudante em tempo real

• Artificial Intelligence and Student Engagement in Online Learning: A Literature Review

• Artificial intelligence in higher education: a systematic review of its impact on student engagement and the mediating role of teaching methods — IA no ensino superior: revisão sistemática do engajamento + papel mediador dos métodos de ensino

• Examining the Impact of Generative AI on Student Motivation and Engagement: The Mediating Role of Autonomy-Support and Autonomous Motivation in Education — Impacto da IA generativa sobre a motivação e o engajamento dos estudantes

• To Tab or Not to Tab: Measuring Critical Engagement in AI Code Completion Tools Using Behavioral Signals and Attention Checks — To Tab or Not to Tab: mensurando o engajamento crítico no completamento de código por IA

• Measuring Cognitive Engagement in Collaborative Discourse with an Extended ICAP Framework: Comparing Human Annotation, In-Context Learning, and Reflective LLM Agents — Mensurando o engajamento cognitivo no discurso colaborativo

• Not All Students Engage Alike: Multi-Institution Patterns in GenAI Tutor Use — Not All Students Engage Alike: padrões multi-instituição

• "Polished Artifacts, Fragile Engagement? Tackling the Challenge of Reduced Epistemic Effort in Human-AI Knowledge Construction" — Artefatos polidos, engajamento frágil

• Why Put in This Much Effort?": How AI Availability Shapes Students’ Motivation in Introductory Programming — "Why Put in This Much Effort?": como a disponibilidade de IA molda a motivação

• Distinguishing performance gains from learning when using generative AI — Distinguindo ganhos de desempenho de aprendizagem

• Scaffolding critical engagement with GenAI: Transforming ethnic minority preparatory students' collaborative discourse — Andaimento ao engajamento crítico com IA generativa

• Engagement Intensity as a Learner-Modeling Signal for Adaptive AI Ethics Instruction — Intensidade do engajamento como sinal de modelagem de quem aprende

• Learning Engagement Assistant (LEA): Cross-Course Scalability and Classroom Evaluation of an Agentic AI Tutoring System — Assistente de Engajamento na Aprendizagem

• EduGage: Methods and Dataset for Sensor-Based Momentary Assessment of Engagement in Self-Guided Video Learning — Avaliação de engajamento na aprendizagem em vídeo

• From Heuristics to Analytics: Forecasting Effort and Progress in Online Learning — From Heuristics to Analytics: prevendo esforço e progresso

• Interactive learning dashboards: rethinking learning visualisations as engagement tools — Painéis interativos de aprendizagem e engajamento

• Interaction Effects Between Learner Characteristics and Dialogue Format in TTS Dialogue-Based Lessons — Características de quem aprende × interações em formato de diálogo com TTS

• Explaining learning engagement in AI-assisted learning through teacher support and achievement goals: insights from goal-setting theory — Teoria de estabelecimento de metas: apoio do professor, metas de desempenho e engajamento na aprendizagem de inglês assistida por IA (758 estudantes chineses)

• Engagement in LLM Chatbot-Supported Learning: The Pivotal Roles of GenAI Competency and Emotion — Competência em IA generativa e emoção como impulsionadores do engajamento com chatbot (Zhao et al. 2026)

• Chat as Learning: Student-AI Conversations as Discipline-Associated Cognitive Engagement Patterns — Engajamento cognitivo de nível de Bloom associado à disciplina em conversas estudante–IA (Chang & Li 2026)

• GPT-4 feedback increases student activation and learning outcomes in higher education

• Exploring the impact of a GenAI-supported writing program on primary students' writing motivation, engagement — Ganhos de engajamento específicos por dimensão no nível fundamental (Lu et al. 2026)

• Cultivating Design Creativity of Vocational Students: A Model of Project-Based Learning in AI-Enabled Immersive Virtual Environments — Engajamento cognitivo e comportamental em alta, engajamento afetivo estável, em um estúdio imersivo de ABP em RV (Jin et al., 2026)

• Enhancing enthusiasm for STEM education with AI: Domain-specific chatbot as personalized learning assistant — Ensaio randomizado por cluster de matemática do ensino médio: o interesse situacional subiu com um chatbot personalizado, enquanto o desempenho em prova não (Rücker & Becker-Genschow 2025)

• The impact of artificial intelligence literacy on learning engagement among university students: the mediating role of psychological capital and the moderating role of professional identity — O letramento em IA impulsiona o engajamento diretamente e por meio do capital psicológico, amplificado pelo compromisso profissional (Wang 2026)

• StudentBench: AI and human tutoring yield equivalent GRE learning gains — StudentBench: tutoria com IA e humana produzem ganhos de aprendizagem equivalentes no GRE

• The Effects of Course-Integrated AI Tutoring on Student Performance and Engagement: A Randomized University Trial — O acesso a um tutor de IA reduziu a participação registrada na plataforma em 0,90 DP, enquanto o envio de lição de casa se manteve estável (Liu et al. 2026)

• Disengagement as a turn-level move, not a stable state: Rho et al. (2026) coded 5,522 student utterances to an AI teachable agent in Math Nation into six conversational-disengagement categories (False Answering, Mocking, Ghosting, Mirroring, Withholding, Random/Noisy) and found the engagement rate dominated at 75.7% of utterances. The prevalence-based associations of False Answering and Mocking with post-test scores did not survive a human-annotated sensitivity check. The sequential analysis is the engagement-relevant result: the highest-performing cluster combined moderate disengagement with strong recovery-to-engagement transitions (Withholding → Engagement p = 0.83), while the lowest showed persistent self-loops without recovery (Engagement self-loop p = 0.96). Withholding was the one disengagement type that tended to persist rather than resolve — persistence versus repair, not presence versus absence, is the distinction that separates engagement trajectories.

• Disengaged Conversational Behaviors and Learning in Student-AI Dialogues for Mathematical Problem Solving — Disengaged conversational behaviors and learning in student-AI dialogues (Rho et al. 2026)