Competência em IA do professor

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

Competência em IA do professor — o conhecimento, as habilidades e as disposições de que os professores precisam para integrar a IA ao ensino e à aprendizagem de forma eficaz, ética e equitativa. Ela vai além do uso técnico de ferramentas para incluir integração pedagógica, letramento em avaliação, juízo ético e a confiança para usar bem a IA. A competência em IA do professor é a contraparte do lado docente do letramento em IA, e é desenvolvida por meio do desenvolvimento profissional. Ela é central para como o papel do professor está se transformando nas salas de aula aumentadas por IA.

Perguntas para refletir

• A página argumenta que o professor é "o fator decisivo" para a IA melhorar a aprendizagem — que as ferramentas só ajudam quando os professores conseguem planejar para elas, dar andaimento ao uso e avaliar as saídas. Isso corresponde à sua experiência, ou você acha que a própria ferramenta importa mais que o professor?
• A competência em IA do professor abrange proficiência técnica, integração pedagógica, letramento em avaliação e juízo ético. Qual delas você acha que os professores mais têm falta, e qual é a mais difícil de treinar?
• A pesquisa documenta uma lacuna entre a habilidade em IA autopercebida e a real dos professores. Por que você acha que as pessoas superestimam sua prontidão, e o que seria necessário para fechar essa lacuna com honestidade?
• Um programa intensivo de desenvolvimento profissional produziu grandes ganhos de habilidade pedagógica em IA na pesquisa citada, sugerindo que a habilidade técnico-pedagógica é treinável. Se isso é verdade, por que tantos professores ainda parecem despreparados — o que está no caminho?
• Se um professor consegue "usar bem a IA", o que "bem" significa para você — e como você saberia que um professor alcançou isso, em vez de apenas ter adotado a ferramenta?

Introdução

A competência em IA do professor importa porque o professor é o fator decisivo para a IA melhorar a aprendizagem. A pesquisa mostra consistentemente que as ferramentas de IA só se traduzem em melhores resultados quando os professores conseguem planejar para elas, dar andaimento ao uso pelos estudantes, avaliar as saídas e integrá-las a uma instrução coerente. A literatura da base de conhecimento examina as dimensões dessa competência, as lacunas entre autopercepção e habilidade real, e o desenvolvimento profissional que a constrói.

Dimensões centrais da competência

A pesquisa da base de conhecimento converge em várias dimensões interconectadas:

• Proficiência técnica: elaborar prompts eficazes para objetivos educacionais, avaliar ferramentas de IA quanto a adequação pedagógica e segurança, e resolver falhas em tempo real. Um programa intensivo de DP com IA generativa documentou ganhos significativos nos cinco componentes de AI-PCK (no geral d = 2,36), mostrando que a habilidade técnico-pedagógica é treinável.
• O conhecimento pedagógico é a camada decisiva. Um estudo transníveis de educação em IA no ensino médio (46 professores, 2.832 estudantes) constatou que o conhecimento técnico de IA, isoladamente, era insuficiente — e poderia até mesmo reduzir ligeiramente as percepções dos estudantes sobre a IA para o bem social —, enquanto o conhecimento pedagógico de IA impulsionava as percepções dos estudantes e sua intenção de aprender IA. Os frameworks de competência deveriam, portanto, ponderar o conhecimento pedagógico de IA como a dimensão pivotal, e não como um complemento soft.
• Integração pedagógica: mapear o uso de IA aos objetivos de aprendizagem, desenhar andaimento que apoie a Metacognição e a autoregulação dos estudantes, e integrar a IA ao desenho instrucional. A pesquisa sobre AI-TPACK modela como os professores combinam conhecimento tecnológico, pedagógico e de conteúdo por meio de fluxos de trabalho multi-agentes, enquanto o framework de cinco níveis de trabalho em equipe professor–IA (transacional → sinérgico) captura como a IA generativa pode substituir, complementar ou ampliar a competência do professor.
• Letramento em avaliação: avaliar conteúdo gerado por IA e saídas de IA dos estudantes, e compreender como a validade se desloca quando os estudantes usam IA. Isso se conecta à avaliação automatizada, à detecção de IA e à agenda mais ampla de redesenho da avaliação. Para sistemas de recomendação, isso se estende a julgar se as explicações de uma IA são genuinamente compreensíveis e pedagogicamente significativas: Feldman-Maggor et al. (2025) constataram que os professores confiavam mais nas recomendações de agrupamento por IA quando as explicações eram enquadradas na linguagem do domínio (curricular) do que quando expunham atributos brutos do modelo — uma habilidade de exigir e avaliar a qualidade da explicação, em vez de aceitar uma saída opaca.
• Seleção de modelo e desenho de prompt como habilidades demonstráveis: o letramento em IA instrumental inclui saber qual modelo usar e como formular a tarefa. Jacobsen et al. (2026) fizeram os objetivos de planejamento de aula de 153 professores em formação serem criticados pelo ChatGPT-4, pelo Claude 3 e pelo Gemini Advanced sob quatro prompts sistematicamente variados (N = 240 feedbacks no Estudo 1, 345 no Estudo 2), com o Retroalimentação (Feedback) avaliado em nove categorias de qualidade. A escolha do modelo, isoladamente, explicou 26,9% da variância na qualidade avaliada (18,4% no Estudo 2), e o desenho do prompt acrescentou 15,9% significativos (5,7%) por cima; o único recurso de prompt decisivo foi a linguagem técnica específica do domínio, cuja remoção reduziu significativamente a qualidade (β = −0,412), enquanto acrescentar exemplos e abandonar a instrução de cadeia de pensamento não fez diferença significativa no Estudo 1. Sua leitura — de que a terminologia da disciplina tanto destrava conteúdo relevante dos dados de treinamento quanto enquadra o pedido profissionalmente, como o prompting de papel —, mais uma regra prática de usar o modelo de fronteira mais capaz disponível, faz da escolha do modelo uma decisão didática, e não técnica.
• Uso ético e crítico: reconhecer viés nas saídas de IA, proteger os dados dos estudantes (privacidade) e garantir resultados equitativos (equidade). O uso de IA culturalmente relevante examina como os professores podem usar LLMs para diversificar materiais, em vez de reforçar normas dominantes.
• A responsabilidade ética é distribuída, não individual. Ao longo de sete casos nacionais, os professores são posicionados como guardiões morais do uso de IA enquanto carecem de apoio institucional e epistêmico, de modo que o letramento ético em IA precisa se estender à agência crítica e política, e não à habilidade técnica (Raffaghelli et al. (2026)).
• Confiança e atitudes: a confiança do professor molda a adoção. A pesquisa sobre adoção constata que confiança, apoio e utilidade percebida impulsionam se os professores de fato usam IA, e as orientações do corpo docente moldam a adoção na pesquisa e no ensino.
• Em uma pesquisa de cinco países com 1.405 professores do K-12, a prontidão em IA previu crenças positivas sobre o valor instrucional da IA generativa (B = .59, R² = .50), mas previu maior preocupação com criatividade (B = .18), e os mesmos preditores explicaram apenas 7% e 6% da preocupação — construir prontidão, isoladamente, deixa a preocupação intocada (Xiu et al. (2026)).

A prontidão deveria ser ordenada e mensurada de acordo: o Modelo Capacidade–Decisão coloca a capacidade em IA demonstrada a montante da atitude e da confiança e propõe indicadores de desempenho, e não apenas autorrelato — tarefas de desenho de aula, tarefas de avaliação de prompts semeadas com erros, julgamentos de validade de conteúdo e rubricas de artefatos de sala de aula (Mnguni (2026)).

A prontidão emocional e moral é uma dimensão distinta. Vassallo (2026) pesquisou o corpo acadêmico de uma universidade maltesa (109 respondentes) e construiu um Índice de Culpa com IA (α = 0,88) a partir de quatro itens de emoção moral, constatando que a culpa antecipatória superava o remorso vivenciado após o uso: o endosso mais forte era a preocupação de que o uso de IA mina a credibilidade de alguém (34,9% de concordância), seguida de sentir que se está trapaceando ao usá-la (25,7%), enquanto o remorso pós-uso obteve apenas 9,2%. Os achados que importam para os frameworks de competência são que os não usuários relataram mais culpa que os usuários (M = 3,25 versus M = 2,32) e que a culpa caía à medida que a segurança de carreira subia — acadêmicos em início de carreira relataram a maior (M = 2,71) e acadêmicos seniores a menor (M = 2,03). A prontidão emocional não é, portanto, capturada por medidas de habilidade ou de confiança, e o artigo argumenta que os frameworks de competência deveriam tratar culpa e preocupação de identidade como respostas transicionais normais, e não como falhas a corrigir.

Uma versão mais forte desse reenquadramento sustenta que a IA generativa é um conceito-limiar, e não uma lacuna de habilidades: um relato autoetnográfico argumenta que a ansiedade e a resistência do corpo docente são constitutivas da travessia do limiar, de modo que o treinamento baseado em habilidades falha, e a não adoção principista deveria ser respeitada, e não corrigida (Laidlaw (2026)).

A lacuna de competência

Um achado-chave é a lacuna entre competência autorrelatada e baseada em desempenho. A pesquisa sobre avaliação de letramento em IA documenta uma discrepância substancial (de até ~40%) entre o que os professores acreditam que conseguem fazer e o que de fato conseguem demonstrar — professores confiantes em habilidades de IA frequentemente carecem de habilidades fundamentais de fazer prompts e avaliar. Isso motiva a avaliação baseada em desempenho da competência docente, em vez da dependência de autorrelato, e se conecta à autoavaliação calibrada. Uma pesquisa nacional com 2.586 professores nigerianos do ensino médio mensurou os dois lados com instrumentos separados — consciência de IA moderada (M = 3,13 de 8) contra habilidade pedagógica em IA mais baixa (M = 2,47 de 5) —, com professores em início e meio de carreira relatando habilidade maior que os colegas experientes (Olurinola et al., 2026).

A lacuna não está apenas entre habilidade percebida e real, mas na amplitude do que os professores sabem: uma pesquisa nacional com 2.018 educadores ucranianos do ensino médio constatou que 84% relataram usar IA na prática profissional, enquanto apenas 11% conseguiam nomear um serviço de IA especializado além do ChatGPT (Marienko, Markova & Semerikov (2026)). Uma segunda estreiteza aparece no que os professores voluntariam, e não no que conseguem nomear: 53 professores em serviço marcando seus próprios casos de sala de aula contra o Framework de Letramento em IA da OCDE descreveram 43 práticas letradas em IA contra apenas 10 falhas (Wang et al., 2026)). Suas seleções de competências se agruparam no julgamento prático (avaliar saídas de IA, N = 38) e raramente alcançaram o viés social (N = 5), o alinhamento ético (N = 6) ou o consumo de energia da IA (N = 9).

A lacuna é visível no artefato tanto quanto no autorrelato. Um laboratório colaborativo do corpo docente entre instituições na preparação de professores, no qual formadores de professores desenharam IA em seus próprios cursos de metodologia, relatou que os candidatos conseguiam produzir planos de aula polidos assistidos por IA sem serem capazes de explicar por que um plano servia a quem aprende e aos padrões, já que o próprio plano nada diz sobre o raciocínio por trás dele. Avaliar a justificativa, e não o produto, é uma resposta. O enquadramento das pedagogias da prática sugere outra, tratando o ensaio como uma aproximação da prática: o ensaio mediado por IA com feedback estruturado pós-ensaio elevou o uso de perguntas de sondagem e de exploração pelos candidatos, mas os próprios julgamentos dos candidatos sobre seu desempenho ainda divergiam do que os observadores registravam.

Uma autoavaliação em queda após o treinamento pode sinalizar aprendizagem, e não perda. Em um programa de desenvolvimento profissional de seis meses de Intelligent-TPACK com 64 professores universitários de Hong Kong contra 61 controles, a competência geral em IA subiu cerca de meio desvio-padrão (d de Cohen = −.521), mas alguns professores em ambos os grupos pontuaram mais baixo no pós-teste que no pré-teste (Tan, Cheng & Ling, 2025). As entrevistas atribuíram os declínios a uma mudança da incompetência inconsciente para a consciente — a recalibração que o efeito Dunning–Kruger prevê —, e não a habilidade perdida. Os autores concluem que o autorrelato pré–pós subestima uma intervenção, porque parte do ganho chega como uma correção para baixo no próprio instrumento.

A lacuna também aparece como não participação. Watson & Rainie (2026) pesquisaram 1.057 professores universitários dos EUA no fim de 2025 e constataram que 26% não usam ferramentas de IA generativa de modo algum, sendo que um terço escolhe não usá-las para o ensino, e o não uso se concentra nas artes e nas humanidades (40%). O lado institucional da lacuna era maior que o individual: 68% disseram que suas escolas não haviam preparado o corpo docente para usar IA generativa no ensino e na mentoria, e os professores nomearam a resistência dos colegas (82%) e o desconhecimento (83%) como os principais obstáculos à adoção departamental — um quadro no qual a construção de capacidade, as normas dos pares e a política todas precisam se mover juntas.

O treinamento pré-serviço contorna em grande medida a dimensão ética da competência. Uma revisão sistemática de IA na formação inicial de professores para professores de matemática do fundamental em formação (Pinto et al. 2026, 11 estudos selecionados de 341 registros) constatou que as intervenções se concentravam em ganhos técnicos e pedagógicos de curto prazo, com nove das onze executando intervenções breves de uma a seis sessões, e relatou que a ética foi abordada em apenas três dos onze estudos. Os frameworks de competência nomeiam o juízo ético como uma dimensão; a literatura de pré-serviço destinada a construí-lo raramente o ensina ou o mensura.

Desenvolvimento profissional que funciona

A literatura de DP da base de conhecimento identifica abordagens eficazes:

• Programas intensivos e fundamentados em teoria: um programa intensivo de DP com IA generativa com 163 professores/professores em formação produziu ganhos significativos em todos os componentes de AI-PCK, com os professores em formação se beneficiando mais. O DP baseado na teoria da autodeterminação mostra que o treinamento que apoia as necessidades melhora o letramento em IA, as atitudes e o engajamento dos professores, ao mesmo tempo que reduz a ansiedade.
• Abordagens baseadas em design e integradas: o treinamento em letramento com IA generativa baseado em DBR aborda a superênfase no conhecimento técnico e nas ferramentas pré-IA generativa; os frameworks integrativos e desenvolvimentais e a integração de competências socioemocionais ampliam o letramento além da pura técnica.
• Investigação e prática autêntica: os modelos de investigação apoiados por IA constroem letramento em IA e desempenho autêntico em professores em formação.
• Prontidão específica ao contexto: o framework de prontidão EPIQ-AI enfatiza que a prontidão do corpo docente é uma questão sociotécnica que exige alinhamento da capacidade do corpo docente, da governança e da garantia de qualidade.
• O apoio precisa ser diferenciado por experiência e proficiência em IA. Choi et al. (2026) constataram que como os professores de fato interagem com a IA no desenho de aulas depende da interação entre experiência de ensino e proficiência em IA, e não de qualquer uma delas isoladamente. Professores experientes com alta proficiência em IA adaptam criticamente a saída da IA ao contexto (refazendo prompts, elaborando), enquanto novatos — mesmo os tecnicamente fluentes — tendem a aceitar diretamente as respostas da IA e raramente consideram os estudantes e o contexto. Isso argumenta por um DP baseado em perfis: checklists de avaliação de resposta e templates de prompt para novatos, e construção prática de habilidade para professores experientes com menor proficiência em IA.

A configuração de crenças é um segundo eixo de perfil: entre 40.680 professores no TALIS 2024, o mesmo status de não uso mascarava barreiras opostas — 83,3% do perfil Indiferente citavam reservas pedagógicas, enquanto 66,2% do Endosso Medido citavam conhecimento e habilidades insuficientes (Fang & Jin (2026)). A aprendizagem profissional relacionada à IA acompanhou a filiação a perfil de forma mais consistente que idade ou titulação.

• Os professores não compartilham uma única concepção de IA. Um estudo fenomenográfico com 16 professores dinamarqueses do ensino superior encontrou três concepções de ensinar-com-IA e três de aprender-com-IA, de modo que um único modelo de oficina alcança apenas parte de qualquer grupo do corpo docente (Stenalt (2026)).
• O codesenho e o letramento pedagógico em prompts são competências, e não complementos. Uma revisão sistemática do codesenho professor–IA de tarefas de aprendizagem (Wang, Liu & Islam 2026, 28 estudos) constata que o modo de colaboração dominante é a IA como assistente/geradora de conteúdo, e localiza uma lacuna nas capacidades mais plenas de codesenho e de parceria dialógica dos professores. Talebzadeh (2026) mostra que o DP que associa treinamento técnico em IA a raciocínio pedagógico — construindo o "letramento pedagógico em prompts" (codificando PCK em prompts) — é o que permite aos professores transformar a saída da IA em atividades de grupo diferenciadas eficazes.
• Estruturas que constroem competência, em vez de listas dela. Perl-Nussbaum e Finkelstein (2026) conduziram uma comunidade de aprendizagem do corpo docente bissemanal de seis sessões em um grande departamento de física de uma universidade R1 pública — dezenove professores ao longo da série, cerca de dez em cada encontro —, em que cada sessão abria com dados locais, passava ao teste em pequenos grupos da IA contra lição de casa real anonimizada de estudantes, e fechava em discussão coletiva, e ela produziu um repositório compartilhado de cinco entradas, em vez de um pacote de treinamento. O letramento em avaliação pode ser construído da mesma forma por meio de uma ferramenta de desenho: no piloto de Paula et al. (2026), oito coordenadores experientes de cursos de STEM e Saúde aumentaram seu letramento em avaliação criticando os rascunhos de avaliação de um GPT personalizado contra padrões disciplinares, embora as saídas repetidamente ignorassem o contexto disciplinar, desconsiderassem o sequenciamento de tópicos e, em um caso, carregassem referências fabricadas ao longo de repetidos prompts. Todos os oito mantiveram o juízo acadêmico consigo e recusaram a automação de ponta a ponta, o que faz da crítica estruturada a rascunhos gerados o mecanismo de desenvolvimento, e não do treinamento em ferramentas.
• Sessões curtas podem mover a aceitação sem mover a adoção. Mesenhöller e Böhme (2026) avaliaram uma sessão INSIGHT de três horas com 100 professores alemães do fundamental e do médio e constataram que a utilidade percebida e a facilidade de uso percebida ambas subiram significativamente (utilidade t(99) = -3,24, p = .002, d = .32; facilidade de uso d = .25), enquanto a intenção comportamental de usar tecnologias baseadas em IA para diferenciação não mudou. Os autores observam que suas linhas de base já eram favoráveis, de modo que um efeito teto é plausível. A leitura para o desenho de DP é estreita, mas útil: uma sessão curta pode mudar como os professores julgam as ferramentas de IA sem mudar se planejam usá-las, o que é o tipo de mudança que precisa de acompanhamento, e não de um evento único.
• Os instrutores preferem fluência, mas atribuem a aprendizagem ao andaimento. Ao longo de 41 instrutores, uma linha de base GPT-4o foi preferida no geral (21 contra 13), mas o modelo ajustado de três passos (identificar, explorar, desenvolver) foi mais frequentemente creditado com aprendizagem (18 contra 13), e os dois julgamentos concordaram apenas 39% das vezes (Molnar et al. (2026)).
• Apoio institucional: o desenvolvimento profissional precisa ser associado a infraestrutura institucional (política, mudança institucional) para uma adoção sustentável.
• Ferramentas de autoria não garantem fidelidade pedagógica. Riahi et al. (2026) estudaram 27 professores do ensino fundamental II configurando chatbots educacionais em oficinas de desenvolvimento profissional, analisando grupos focais junto com registros de configuração e de interação. Os professores tratavam o chatbot como um andaimento instrucional delimitado por regras definidas pelo professor, mas o alinhamento baseado em registros entre intenção e comportamento foi mais forte para responsividade (88,9%) e persona (81,5%) que para regras (70,4%) e propósito (59,3%). Controles configuráveis, isoladamente, não levam a intenção pedagógica ao comportamento, de modo que expressar, testar e refinar a pedagogia de um chatbot é, ela mesma, uma competência que as ferramentas de autoria precisam apoiar.

Um contrexemplo baseado em design trata a competência como situacional, e não como um degrau em uma escada. O estudo baseado em design de Eyal (2025) com 22 formadores de professores do ensino superior fez os participantes examinarem cinco frameworks de avaliação publicados e codesenharem uma alternativa organizada em torno de três eixos inter-relacionados: adequação ao contexto (infraestrutura, fatores socioculturais, necessidades locais, estágio desenvolvimental), necessidades profissionais (disciplina, pedagogia, liderança, apoio) e desenvolvimento dinâmico. O modelo rejeita níveis fixos de competência e permite progressão não linear, e vem com um questionário reflexivo de autoavaliação de 20 itens avaliado de 1 a 5. Sua validação é apenas qualitativa, sem testes quantitativos de confiabilidade, de modo que ele se apresenta como uma contribuição de desenho, e não como um instrumento validado.

• Estimativa meta-analítica. Guo et al. (2026) agruparam 212 tamanhos de efeito de 34 estudos e estimam o DP de letramento em IA de professores em g = 0,76 (IC 95% [0,50, 1,02]), mais forte para habilidades (g = 0,91) e mais fraco para atitudes e valores (g = 0,61); corrigir pela aparente seleção de publicação reduz a estimativa para cerca de g = 0,49.
• A assiduidade prevê ganhos onde a sensação de participar não prevê. No mesmo programa de seis meses, a taxa de assiduidade previu o ganho de competência (β = .407, p = .001), enquanto a participação autopercebida não (β = .049, p = .692), e disciplina, experiência de ensino e título profissional explicaram pouco; os autores leem a assiduidade como investimento comportamental e a participação percebida como engajamento de superfície (Tan, Cheng & Ling, 2025).
• Os valores ficam atrás das habilidades em um programa específico de domínio também. Em um programa de um ano em Hong Kong com 30 professores de inglês, o conhecimento de estratégias multimodais de avaliação subiu de 3,13 para 4,15 de 5 (η² parcial = 0,571) e a competência em apoiar estudantes de 3,05 para 3,98 (0,482), ambas significativas, enquanto todo subdomínio de valores permaneceu estatisticamente estável sob um alfa corrigido por Bonferroni de .006. Os professores atribuíram os ganhos ao coplanjamento na escola e aos encontros de agrupamento entre escolas, e não às oficinas isoladamente (Jiang et al., 2026)).

A competência em IA do professor e o papel docente em transformação

À medida que a IA assume tarefas instrucionais e de avaliação de rotina, a contribuição distintiva do professor se desloca para a orquestração, o juízo e a relação: decidir quando e como a IA é usada, dar andaimento à autonomia do estudante e ao uso crítico, garantir a equidade, e fornecer o apoio social e emocional que a IA não consegue. Isso reenquadra a competência docente em torno da supervisão com humano no circuito, do juízo ético e do apoio à aprendizagem autorregulada — conectando-se ao papel do professor e à proteção contra o excesso de dependência.

Implicações para a IA na educação

• Avalie o desempenho, e não apenas o autorrelato: a competência docente deveria ser avaliada por demonstração, dada a lacuna de autorrelato documentada.
• Treine a competência inteira, e não apenas as ferramentas: o DP deveria construir as dimensões técnica, pedagógica, de avaliação e ética juntas, fundamentado nas teorias de aprendizagem.
• Construa confiança junto com a habilidade: atitudes e autoeficácia moldam a adoção, de modo que o DP deveria reduzir a ansiedade e construir confiança por meio de prática autêntica e apoiada.
• Apoie a camada institucional: a competência docente sustentável exige política, governança e capacidade alinhadas, e não treinamento isolado.
• Competência digital do professor para o desenho curricular com IA generativa. Guillén-Gámez (2026) validam um instrumento diagnóstico baseado no TAM com 434 professores em serviço; a intenção comportamental foi a principal preditora da competência digital para usar IA generativa no planejamento curricular, com a autoeficácia como impulsionadora-raiz.

Um instrumento psicométrico para a competência em IA do professor

• Um estudo psicométrico desenvolveu a Escala de Letramento em IA de Professores (TAILS) para mensurar o letramento em IA especificamente na formação de professores de línguas, operacionalizando as seis dimensões do framework ED-AI. O desenvolvimento do instrumento preenche uma lacuna nas avaliações que miram estudantes ou usuários gerais, apoiando a mensuração da competência em IA do professor.

A paisagem de instrumentos foi, desde então, revisada. A revisão sistemática de Zainal, Mohd Matore e Maat (2026) sobre ferramentas de mensuração do letramento em IA de professores avaliou 33 instrumentos publicados entre 2019 e 2025 e constatou que o campo é metodologicamente monótono: 31 (93,9%) são escalas de autorrelato de confiança percebida, apenas dois (6,1%) testam conhecimento objetivamente, e nenhum usa tarefas baseadas em desempenho. A consistência interna foi o domínio de qualidade mais forte (28 de 33 em Grau A) e a equidade o mais fraco, com cinco instrumentos (15,2%) relatando evidência de invariância de mensuração ou de funcionamento diferencial de itens. O conteúdo também fica atrás da tecnologia, já que 29 instrumentos (87,9%) miram conceitos gerais de IA e apenas quatro (12,1%), todos de 2025, abordam a IA generativa.

Conceitos conectados

• Letramento em IA
• Desenvolvimento educacional
• A docência
• Engenharia de prompts
• Desenho de aprendizagem
• Andaime (Scaffolding)
• Metacognição
• Validade da avaliação
• Equidade na educação com IA
• Ética
• Autoeficácia
• IA com humano na alça (HITL)
• Autonomia de quem aprende
• Descarregamento cognitivo
• Política educacional de IA
• IA na educação
• Conhecimento tecnológico, pedagógico e de conteúdo (TPACK)
• Desenvolvimento profissional
• Pedagogias e Estratégias de Ensino — Guarda-chuva: pedagogias e estratégias de ensino na educação com IA

Artigos conectados

• Conceptualizing and developing second language teachers' multimodal assessment literacy in the GenAI era — Letramento em avaliação multimodal: um programa de um ano em que conhecimento e competência se moveram e valores não

• The impact of professional development programs on K-12 teachers' AI literacy: A systematic review and meta-analysis

• Enhancing Teachers' AI Competency: A Professional Development Intervention Study Based on Intelligent-TPACK Framework — DP de Intelligent-TPACK: meio desvio-padrão de ganho, e ganhos negativos que leem como recalibração — O impacto dos programas de desenvolvimento profissional sobre o letramento em IA de professores do K-12: uma revisão sistemática e meta-análise

• AILitHub: Building AI Literacy Infrastructure to Situate Frameworks into Practice — Professores marcaram seus próprios casos de IA em sala de aula e alcançaram prontamente competências práticas, mas raramente as societais e éticas (Wang et al. 2026)

• Typology of Generative AI Tools for Education — A seleção de ferramentas como exercício da autonomia do educador

• Generative Artificial Intelligence (GAI) in Teaching and Learning Processes at the K-12 Level: A Systematic Review — Revisão sistemática de IA generativa no ensino e na aprendizagem do K-12 (Marzano 2026)

• Pedagogy first, technology second: Cross-level relationships between teacher professional knowledge and student — Conhecimento profissional do professor na educação em IA do K-12: TAIK versus TPAIK e aprendizagem dos estudantes (Shen et al. 2026)

• Analyzing teacher-AI interaction patterns across teacher experience and AI proficiency in student-centered lesson design — Padrões de interação professor–IA no desenho de aulas, por experiência e proficiência em IA (Choi et al. 2026)

• Preparing Pre-Service Teachers for Responsible Generative AI Use: Curriculum Implications for Ethics, Privacy, and AI Literacy — Uso responsável de IA generativa por professores em formação: implicações curriculares (Kohnke et al. 2026)

• Validating AI-generated classroom observations: Reliability, accuracy, and limits of LLM-based pedagogical judgment — Observação de sala de aula com LLM para o desenvolvimento profissional do professor (Melo et al. 2026)

• Responsible Integration of AI into Pedagogies of Practice in Mathematics Teacher Education — IA generativa ao longo de representações, decomposições e aproximações: ensaio, feedback estruturado e as ressalvas de precisão

• Efficacy of an Intensive Generative AI Professional Development Program on Pedagogical Content Knowledge (AI-PCK) and the Comparative Analysis of Learning Gain between Experienced and Pre-service Teachers — Eficácia de um programa intensivo de desenvolvimento profissional com IA generativa

• Modeling AI-TPACK in Practice: Insights from Teachers'' Multi-Agent Workflow Design — Modelando o AI-TPACK por meio de fluxos de trabalho multiagentes do professor

• Towards Synergistic Teacher-AI Interactions with Generative Artificial Intelligence — Rumo a interações sinérgicas professor–IA

• Teacher education for artificial intelligence literacy through a self-determination theory perspective — Formação de professores para o letramento em IA pela teoria da autodeterminação

• Development and evaluation of artificial intelligence literacy training for teacher education students — Treinamento em letramento com IA generativa por pesquisa baseada em design

• Rethinking Generative AI Literacy: An Integrative, Developmental, and Dialectical Framework for K-12 Teacher Education — Repensando o letramento em IA generativa na formação de professores

• Exploring interfaces and implications for integrating social-emotional competencies into AI literacy for education: a narrative review — Integrando competências socioemocionais ao letramento em IA

• AI Adoption Among Teachers: Insights on Concerns, Support, Confidence, and Attitudes — Adoção de IA entre professores: confiança e apoio

• Faculty Orientations Shape Adoption of AI in Research and Teaching — Orientações do corpo docente moldam a adoção de IA

• How to Assess AI Literacy: Misalignment Between Self-Reported and Objective-Based Measures — Desalinhamento entre competência em IA autorrelatada e baseada em desempenho

• Effects of an AI-supported inquiry model on AI literacy and authentic performance: A quasi-experimental study with preservice teachers — Investigação apoiada por IA para professores em formação

• Faculty Readiness for AI-Supported Teaching and Scalable Online Program Delivery in Higher Education: The EPIQ-AI Framework for Epistemic Integrity — Framework de prontidão do corpo docente EPIQ-AI

• LLMs to Support K-12 Teachers in Culturally Relevant Pedagogy: An AI Literacy Example — LLMs para a pedagogia culturalmente relevante no K-12

• A Framework for Institutional Change in the Age of AI — Framework de mudança institucional para IA

• TeachingCoach: A Fine-Tuned Scaffolding Chatbot for Instructional Guidance to Instructors — Chatbot TeachingCoach para orientação do instrutor

• When faculty ask, 'what's the point of teaching?': GenAI as identity crisis, not skills gap — A IA generativa como crise de identidade, e não como lacuna de habilidades

• Situated AI ethics: a cultural-historical and ecological framework for education

• Transforming Curriculum Design with Generative AI: A Model for Assessing Teacher Digital Competence — Avaliando a competência digital do professor para o desenho curricular com IA generativa (Guillén-Gámez 2026)

• Understanding what good education is: a phenomenographic investigation of university teachers' understandings of AI — estudo fenomenográfico das concepções de IA de professores universitários

• AI Literacy in Secondary Education: Framework, Assessment, and Professional Development in the Ukrainian Context — Framework de letramento em IA de cinco níveis + DP para educadores ucranianos do ensino médio (Marienko et al. 2026)

• Reimagining teacher-AI co-design in learning task design: trends and perspectives — Codesenho professor–IA de tarefas de aprendizagem: tendências e perspectivas (Wang et al. 2026)

• The Architecture of Roles in AI-Designed Group Activities: A comparative inductive analysis of novice and experienced teachers' differentiated instruction within the IAT framework — Arquitetura de papéis em atividades de grupo diferenciadas desenhadas por IA (Talebzadeh 2026)

• The Impact of Explainable AI on Teachers' Trust and Acceptance of AI EdTech Recommendations: The Power of Domain-specific Explanations

• AI Literacy of Teachers: Prompt Engineering and Model Selection as Predictors of AI-Feedback Quality — Engenharia de prompts e seleção de modelo como preditores da qualidade do feedback de IA (Jacobsen et al. 2026)

• The AI guilt complex: Moral emotions and ethical dilemmas in academic technology adoption — O Complexo de Culpa com IA: culpa antecipatória e quatro perfis de resposta moral entre o corpo acadêmico (Vassallo 2026)

• Empowering teachers to use AI for differentiation: changes in teachers’ acceptance of AI-based technologies following participation in a short professional development training session — Uma sessão de DP de três horas elevou a utilidade e a facilidade de uso percebidas, mas não a intenção declarada de adotar (Mesenhöller & Böhme 2026)

• Artificial intelligence in initial teacher training for pre-service primary school teachers in mathematics: a systematic review — Revisão sistemática de IA na formação inicial de professores de matemática: ética abordada em apenas três de onze estudos (Pinto et al. 2026)

• The AI Challenge: How college faculty assess the present and future of higher education in the age of AI — Pesquisa AAC&U/Elon com 1.057 professores dos EUA: preparo, não uso e a lacuna de política individual versus institucional (Watson & Rainie 2026)

• AI Integration as Instructional Design: Lessons from a Cross-Institutional Faculty Collaboratory in Teacher Preparation — Laboratório colaborativo do corpo docente entre instituições: a integração de IA como desenho instrucional na preparação de professores

• Assessing teachers' AI literacy: a systematic review of measurement tools — Revisão sistemática de 33 instrumentos para mensurar o letramento em IA de professores: 31 de autorrelato, dois testes objetivos de conhecimento, nenhuma tarefa de desempenho (Zainal, Mohd Matore & Maat 2026)

• Rethinking artificial-intelligence literacy through the lens of teacher educators: The adaptive AI model — Um modelo adaptativo de letramento em IA baseado em design e um questionário reflexivo de 20 itens codesenhado com 22 formadores de professores (Eyal 2025)

• A Workshop Series for Effective Use of AI in Uncertain Times: Building a Physics Faculty Learning Community — Uma série de oficinas para o uso eficaz de IA em tempos incertos: construindo uma comunidade de aprendizagem do corpo docente de física

• Designing Authentic Assessments with Generative AI: A Pilot Study of Assessment Authentifire in Higher Education — Desenhando avaliações autênticas com IA generativa: um estudo piloto do Assessment Authentifire no ensino superior

• Will It Teach as Intended? How Teachers Configure Educational AI Chatbots — Will It Teach as Intended? How Teachers Configure Educational AI Chatbots

• A Capability–Decision Model of teacher readiness for AI integration in teaching — Modelo ordenado de prontidão docente em IA com a capacidade em primeiro lugar e indicadores de capacidade baseados em desempenho

• K-12 in-service teachers' beliefs about generative AI in classrooms: insights from the United States, India, Qatar, Colombia, and the Philippines — Pesquisa transnacional com 1.405 professores do K-12: a prontidão prevê crenças positivas, mas não preocupação

• Teachers’ AI Belief Profiles and Their Associations with AI Use, Pedagogical Applications, and Barriers: A Person-Centered Analysis of TALIS 2024 — Quatro perfis de crenças de professores do TALIS 2024 ligam aprendizagem profissional e barreiras específicas de perfil ao uso de IA

• Microlearning can develop university teachers' AI competence. Cechovsky (2026) refined two vocational-education modules across two online group discussions into five design principles — clear structure and orientation, guidance and navigation support, segmentation and modularization, multimodal presentation, and learner activation — and found platform navigation and locating modules the main practical barriers.

• Desenvolvimento educacional

• Designing Microlearning Modules on AI for University Teachers in Vocational Teacher Education: A Design-Based Research Study — Designing Microlearning Modules on AI for University Teachers in Vocational Teacher Education: A Design-Based Research Study