Experiência dos estudantes

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

Experiência dos estudantes — como quem aprende percebe, interage com e é afetado pelas ferramentas de IA em contextos educacionais. Com mais de 85 artigos nesta base de conhecimento, a experiência dos estudantes é uma das dimensões mais pesquisadas da IA em educação. A IA afeta os estudantes em direções tanto positivas quanto negativas, e a mesma ferramenta pode ajudar e prejudicar dependendo de como é desenhada e usada.

Questões para considerar

• A página afirma que a IA afeta os estudantes em direções tanto positivas quanto negativas, muitas vezes simultaneamente — a mesma ferramenta pode ajudar e prejudicar dependendo do desenho e do uso. Você consegue dar um exemplo da sua própria experiência em que a IA ajudou e prejudicou ao mesmo tempo?
• Ela descreve uma "lacuna desempenho–aprendizagem": os estudantes vão melhor com IA, mas pior em tarefas posteriores sem assistência. Como você acha que essa lacuna surge, e o que seria necessário para fechá-la?
• Se a dependência excessiva de IA significa delegar o raciocínio que você realmente precisa praticar, onde você traçaria a linha entre ajuda legítima e descarregamento que corrói a aprendizagem?
• A pesquisa pergunta se simplesmente saber que a IA está disponível muda o esforço do estudante. Você acha que a consciência da IA faz os estudantes trabalharem mais, menos ou de forma diferente — e como você testaria sua crença?
• Dado que o acesso à IA e sua eficácia variam entre populações de estudantes, que preocupações de equidade você acha que mais importam quando uma disciplina adota uma ferramenta de IA, e quem é responsável por abordá-las?

Introdução

Como a experiência dos estudantes é estudada

• Levantamentos em larga escala: AI in the Wild analisa interações autênticas de milhares de estudantes universitários, enquanto os estudos de disponibilidade e satisfação correlacionam acesso à IA com resultados dos estudantes. Essas são medidas de autorrelato: elas capturam percepções e intenções bem, e comportamento apenas aproximadamente.
• O não uso é uma posição ponderada, não uma lacuna a fechar. Um levantamento interinstitucional britânico com 7.087 estudantes concluiu que 32% não usavam IA generativa para estudar de forma alguma, com quem não usava citando querer fazer o trabalho por conta própria (86%), imprecisão (81%) e preocupações éticas ou ambientais (Gow et al. (2026)).
• Padrões de interação: Rastreando o letramento em IA generativa mapeia como os estudantes se engajam com a IA ao longo das tarefas. A análise de prompting revela níveis de engajamento cognitivo pela estrutura do prompt.
• Motivação e agência: a disponibilidade de IA e a motivação examina se saber que a IA está disponível muda o esforço do estudante. A missão inacabada da AIED enquadra a agência e a motivação como desafios centrais.
• Percepções e atitudes: os levantamentos de uso de IA generativa e os estudos de modelos mentais investigam como os estudantes entendem e confiam na IA.
• Dimensões de equidade: a experiência dos estudantes intersecciona a equidade na educação com IA — o acesso à IA e sua eficácia variam entre populações de estudantes.

Formas como a IA afeta os estudantes

A IA afeta os estudantes nas dimensões cognitiva, motivacional, afetiva, de identidade, social e de equidade. A pesquisa aponta impactos positivos e negativos em cada dimensão, muitas vezes simultaneamente — a direção depende do desenho e do uso.

Impactos cognitivos

• Positivo: a IA pode dar andaimes à aprendizagem com feedback, dicas e explicações, apoiando a compreensão, a prática e a busca de ajuda. Os estudantes podem usar a IA para aprender a usar bem a IA, e ferramentas bem desenhadas mantêm quem aprende fazendo o trabalho cognitivo (ver A IA ajuda os estudantes a aprender?).
• Negativo: a IA pode impulsionar a dependência excessiva e o descarregamento cognitivo, em que os estudantes delegam o raciocínio que precisam praticar. Essa é a lacuna desempenho–aprendizagem: os estudantes vão melhor com IA, mas pior em tarefas posteriores sem assistência (ver Uso indevido de IA e dano à aprendizagem). O uso excessivo também pode corroer a metacognição e a aprendizagem autorregulada.

Impactos motivacionais

• Positivo: a IA pode elevar a motivação e o engajamento ao fornecer apoio personalizado, imediato e de baixo risco — ajudando os estudantes a persistir e a se sentirem competentes (ver as perspectivas de autodeterminação sobre autonomia, competência e relação).
• Negativo: Saber que a IA está disponível pode reduzir o esforço do estudante e a motivação de lutar produtivamente (disponibilidade de IA e motivação, a lacuna de segurança). A dependência excessiva pode corroer a agência e a sensação de realização que vem de fazer o trabalho por conta própria.

Impactos afetivos e de bem-estar

• Positivo: a IA pode oferecer ajuda sob demanda e de baixa pressão e reduzir a ansiedade de fazer perguntas, apoiando o bem-estar e a confiança.
• Negativo: o uso de IA é associado a ansiedade e estresse, incluindo medo de ser substituído, avaliação incerta e a pressão de acompanhar. Estudos como uma análise abrangente da ansiedade com IA e o AIvaluate documentam esses custos afetivos. A vergonha e a culpa em torno do uso de IA podem levar a esconder e a divulgação seletiva, prejudicando o engajamento honesto e o bem-estar socioemocional. Essas pressões são locais e sociais, e não escritas: ver as normas sociais de uso de IA. As condições de avaliação acrescentam sua própria pressão: uma revisão de escopo da supervisão remota de provas na avaliação em enfermagem conclui que os estudantes estão ansiosos com a conectividade e com serem acusados injustamente de colar, com usuários de primeira viagem de um app de vigilância descrevendo-o como indutor de ansiedade e relatando dificuldade de concentrar-se enquanto observados, e cerca de um quinto batendo em falhas de extensão de navegador ou de conectividade apesar dos recursos preparatórios.

Impactos de identidade

• Positivo: a IA pode apoiar a formação de identidade ao dar andaimes ao pertencimento disciplinar, à confiança e às aspirações profissionais — por exemplo, ajudando os estudantes a se verem como praticantes capazes.
• Negativo: a IA pode ameaçar a identidade de quem aprende por perda de autoria e dúvida de competência — quando a IA produz o trabalho, os estudantes podem parar de sentir que ele é "deles". O paradoxo da competência nos campos criativos mostra a facilidade de uso minando a identidade baseada no ofício que os estudantes derivam da autoria.

Impactos de integridade acadêmica e justiça

• Negativo: a IA habilita novas formas de desonestidade acadêmica (redações geradas por IA, conclusão não autorizada), impulsionando debates sobre detecção e redução. Isso interage com a equidade: acesso desigual às ferramentas de IA e compreensão desigual delas podem ampliar lacunas entre estudantes.
• Positivo/construtivo: a IA pode apoiar a avaliação autêntica, a avaliação orientada ao processo e a prática reflexiva (por exemplo, autoavaliação guiada), transformando preocupações de integridade em oportunidades de letramento em IA e responsabilidade.

Os relatos dos estudantes sobre integridade são menos assentados que o enquadre de desonestidade sugere. Mulisa e Mezgebu (2026) entrevistaram 27 graduandos de uma universidade etíope e concluíram que o corpo estudantil estava dividido contra si mesmo: quase todos usavam IA generativa ou viam pares usarem, e a maioria a creditava por elevar seu desempenho, uma minoria chamava o uso em trabalhos acadêmicos de falta grave pura e simples, e a queixa mais aguda e mais amplamente compartilhada era a justiça — quem usa IA pontuando acima de estudantes que trabalhavam honestamente, o que alguns descreveram como algo que matava seu senso de diligência e deixou um participante sem saber "se estamos nos beneficiando ou sofrendo com o uso de IA". O lado do procedimento também importa: Munoz et al. (2026) codificaram 1.162 casos de falta grave com IA generativa e concluíram que a evidência mais citada — saída de detector, relatórios de similaridade, padrões de conteúdo típicos de IA — carregava o valor probatório mais fraco, e que, sem nenhum limiar mínimo de evidência no pipeline, estudantes com casos frágeis eram empurrados para recursos de apelação. Definições excessivamente abrangentes ampliam essa exposição: Wright (2026) mostra que proibições voltadas à "IA generativa" podem capturar ferramentas que meramente convertem o formato de um trabalho que o estudante já produziu, uma inclusão excessiva que recai com mais força sobre estudantes com deficiência e expostos a questões de equidade. Sharma (2026) aponta a saída construtiva, tratando a integridade como prática pedagógica exercida por meio do julgamento avaliativo — trilhas de decisão anotadas, verificação, defesa oral, histórico de versões —, e não como conformidade garantida por vigilância.

A verificação pode mudar a forma como os estudantes vivenciam a questão: um pedido para explicar seu trabalho foi lido primeiro como acusação, mas, depois que o programa da disciplina o enquadrou com antecedência como pedagogia, e não como vigilância, eles divulgaram o uso de IA mais abertamente e trataram as tarefas como tarefas de aprendizagem, em conversas de cinco a dez minutos (Mandernach (2026)).

Impactos sociais e relacionais

• Positivo: a IA pode mediar a colaboração e a interação humano–IA, apoiando trabalho em equipe, interação entre pares e acesso a perspectivas diversas.
• Negativo: a IA pode reduzir a interação genuína com pares e com o instrutor, criar dinâmicas aduladoras e — quando opera como companheira de equipe não divulgada — remodelar o discurso de grupo e a agência de formas que quem aprende não consegue ver ou contestar (ver agência emergente de quem aprende na HAI implícita).

Impactos de longo prazo / capacidade

• Positivo: a IA pode ajudar os estudantes a construir competências transferíveis para um mercado de trabalho integrado à IA — capacidades adaptativas como letramento em IA, cognição distribuída e metacognição — e elevar as expectativas sobre prontidão em competências de IA (expectativas de competências de IA para egressos).
• Negativo: uma experiência de IA excessivamente dependente ou não reflexiva pode deixar os estudantes menos capazes de performar sem IA, menos praticados no raciocínio independente e incertos das próprias capacidades (ver uso indevido de IA e dano à aprendizagem).

No geral: a mesma ferramenta de IA pode apoiar ou minar os estudantes dependendo do desenho e do uso. A proteção ao longo de tudo é manter quem aprende fazendo o trabalho cognitivamente importante, ao mesmo tempo em que usa a IA para apoio (dê andaimes, não substitua), e atender à gama completa de impactos — não apenas ao desempenho. Uma configuração desloca onde a experiência começa: quando a IA gera as próprias leituras da disciplina, em vez de ajudar com a lição de casa, os estudantes se tornam auditores do próprio currículo. Na disciplina de pós-graduação de Sidorkin (2026), os estudantes valorizaram a especificidade contextual e a ajustabilidade dos textos gerados, e 75 por cento concordaram que aprenderam mais que em uma disciplina comparável sem companheiro de IA, mas eles tiveram de inferir a qualidade da fonte a partir do contexto, porque links da Wikipédia e citações revisadas por pares apareciam nas mesmas listas sem rótulos, e quatro de 24 respondentes do levantamento usaram linguagem de dependência, incluindo um que se descreveu como "meio codependente da IA para segurança e estrutura".

Os desfechos de mais longo prazo que um estudante vivencia — se volta no período seguinte, acumula créditos e se forma — são institucionais, e não instrucionais, e Apoio e sucesso do estudante rastreia como o apoio de IA os afeta: a conclusão de tarefas se move com facilidade, a persistência e a formatura muito menos.

Conexões

A experiência dos estudantes se conecta à dependência excessiva (dependência excessiva de IA), ao letramento em IA (competências para uso eficaz), ao descarregamento cognitivo (como a IA muda o trabalho cognitivo) e ao engajamento (como os sistemas de IA medem e respondem ao comportamento do estudante). Ela é o membro voltado a quem aprende do guarda-chuva de partes interessadas, e é o lar para resumir todas as formas como a IA afeta os estudantes.

Conceitos conectados

• Quem aprende — Quem aprende: o guarda-chuva dos conceitos do lado de quem aprende
• Parcerias pedagógicas — Parcerias pedagógicas
• Identidade de quem aprende — identidades de quem aprende disciplinares, profissionais, criativas e acadêmicas em evolução
• Autonomia de quem aprende
• Bem-Estar
• Ansiedade e estresse
• Aprendizagem socioemocional
• Supervisão Remota
• IA generativa
• Grandes modelos de linguagem (LLMs)
• Ensino superior
• Letramento em IA
• Descarregamento cognitivo
• Equidade na educação com IA
• K-12 (educação básica e média)
• Andaime (Scaffolding)
• Metacognição
• Aprendizagem autorregulada
• Enquadrando o uso de IA para estudantes
• Integridade acadêmica
• Partes interessadas — Guarda-chuva: pessoas e públicos na educação com IA (quem aprende, professores, desenhistas, administradores, formuladores de política)
• Medidas de autorrelato
• Engajamento do estudante — como os sistemas de IA medem e respondem ao comportamento do estudante
• Normas sociais de uso de IA — como o uso de IA se torna visível aos pares
• Apoio e sucesso dos estudantes — o lado institucional do apoio: o que a universidade faz aos estudantes, não o que acontece em uma disciplina

Artigos conectados

• Stuck in a Spiral": Shame and Guilt as Social Regulators of AI Use in Computing Education — Vergonha e culpa como reguladores sociais do uso de IA
• The Competence Paradox: Negotiating Ease, Risk, and Creative Identity in Text-to-Image Generative AI Use Among Art and Design Students — O paradoxo da competência: identidade criativa no uso de IA generativa texto-para-imagem
• The Best Response to Student AI Use Is Not Detection, It Is Dialog
• How Does Students' Perception of ChatGPT Shape Online Learning Engagement and Performance?
• Is using artificial intelligence tools for academic work cheating? Student perceptions, ethics, and the impact on academic performance and critical thinking
• "It is a temptation to get it to do the work…" Student Experiences of Navigating the Generative AI Landscape in UK Higher Education: A Cross-Institutional Survey with International Comparison
• Metacognitively Discordant Completion and the Aware Pass-Through of Non-Understanding in Generative AI Learning
• AI-Generated Interactive Fiction for Educational Use: A Pilot Study of Perceived Comprehensibility, Coherence, and Engagement
• AI in the Wild: A Large Scale Analysis of Authentic Interactions of College Students with Generative AI
• Generative AI Availability, Grades, and Student Satisfaction at a Large University
• It's OK Because...": The Wild West of Student Rationalization of AI Use in Academic Writing — Racionalização estudantil do uso de IA na escrita acadêmica (Kim et al. 2026)
• Tracing GenAI Literacy: Student-AI Interaction Patterns in Academic Writing
• Cognitive Offloading in Student–AI Collaboration: A Longitudinal Analysis of Prompting Strategies
• Why Put in This Much Effort?": How AI Availability Shapes Students’ Motivation in Introductory Programming
• AIED's Unfinished Mission: Centering Agency and Motivation in the Age of Effortless Bypass
• Uncovering Students' Mental Models of Generative Artificial Intelligence
• A study of GenAI usage by Design Students: Analysis of Survey Results and Journals of AI practices at the Politecnico di Milano in 2025/2026
• Exploring AI-Supported Disciplinary Mediation in Student Project Teams' Text-Based Communication
• AI skills for college graduates: Exploring how instructors and employers prioritize AI skills differently — Expectativas de competências de IA para egressos universitários vs. prontidão institucional
• Analysis of Types of Inquiries in Student-AI Interaction: A case study of two CS2 tasks — Análise dos tipos de investigação na interação estudante–IA
• Navigating AI in STEM: What Secondary Students Actually Do With Generative AI-Driven Tools — O que estudantes do ensino médio fazem com ferramentas de IA generativa ao longo de 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 IA generativa e formulação de problemas na ciência do primário
• Heads We Win, Tails You Lose: AI Detectors in Education — Cara ganhamos, coroa você perde: detectores de IA na educação (Bassett et al. 2026)
• The Safety Gap: Restoring Productive Struggle Through Pedagogically Aligned Generative AI — A Lacuna de Segurança: restaurando a luta produtiva
• Exploring student anxiety and experience in performance-based assessments using AIvaluate: an LLM-augmented emotionally — AIvaluate: avaliação da ansiedade de estudantes aumentada por LLM (2026)
• AI Anxiety: A Comprehensive Analysis of Psychological Factors and Interventions — Uma análise abrangente da ansiedade com IA
• Students' Perceptions of Artificial Intelligence Tools for Study Productivity and Learning: An Exploratory Survey Study — Percepções de estudantes sobre ferramentas de inteligência artificial para produtividade de estudo e aprendizagem: um estudo exploratório de levantamento
• Factors Associated with Students' Adoption of Artificial Intelligence Technology in Tertiary Education: A Meta-Analytic Review — Perspectiva de adoção pós-secundária
• Raising Ethical Awareness of GenAI Use Through Student Self-Assessment in the Transition to Higher Education — Elevando a consciência ética do uso de IA generativa por meio da autoavaliação dos estudantes
• Reimagining Success and Failure: Equitable Assessment Practices in an Age of Artificial Intelligence — Avaliação equitativa em uma era de IA
• Longitudinal Insights into AI in Education: Usage, Ethics, and Policy Development in Higher Education — Uso longitudinal de IA generativa, ética e política na formação de professores (Parker et al. 2026)
• The Use and Usefulness of GenAI in Higher Education: Student Experience and Perspectives — Experiência dos estudantes com a utilidade da IA generativa no ensino superior australiano (Chung et al. 2026)
• Modelling Generative AI's Influence on Students' Perceived Decision Capability: A Cognitive Load and Decision Augmentation Approach — IA generativa e a capacidade de decisão percebida dos estudantes (conta de carga cognitiva)
• Conceptualizations of GenAI and Students' Professionalization: Within the Multi-Layered Environment of Learning for Higher Education — Conceituações de IA generativa e profissionalização dos estudantes
• From One-Size Texts to Tailored Readings: Student Experiences with AI-Generated Course Materials — Estudantes como auditores do próprio currículo gerado por IA (Sidorkin 2026)
• Tools facilitate cheating, or partner supports learning? GenAI and academic integrity issues from students' perspectives — Estudantes sobre se a IA generativa é ferramenta de cola ou parceira de aprendizagem
• How strong is the evidence in generative AI-related academic misconduct allegations? A mixed-methods analysis — O que os arquivos de alegação de falta grave realmente contêm como evidência
• Transcription is not generation: Distinguishing non-generative AI tool use from academic misconduct in higher education assessment — Regras de IA excessivamente abrangentes e os estudantes que elas pegam
• Educational integrity in GenAI-augmented assessment: making judgment visible — Integridade como julgamento avaliativo, e não como conformidade
• Under surveillance: Mapping remote proctoring practices in the assessment of nursing students — a scoping review — Custos emocionais e de equidade da supervisão remota de provas para os estudantes