Base de Conhecimento AIEdAIEd KB
Nesta página

Esta página foi traduzida para o português. As páginas de artigo continuam escritas em inglês. Ler esta página em inglês

Conceitos

Desenvolvimento profissional

Criado 2026-08-16 · Atualizado 2026-10-03

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

Desenvolvimento profissional — a preparação e o desenvolvimento profissional contínuo dos professores, abrangendo a formação inicial de professores (programas de certificação inicial) e o desenvolvimento profissional em serviço. Na pesquisa sobre IA em educação, a formação de professores tornou-se uma preocupação central, porque o letramento em IA dos professores, seu conhecimento tecnológico-pedagógico, sua fluência ética e sua prontidão para integrar a IA à instrução determinam se a adoção de IA nas salas de aula é bem-sucedida. Este conceito organiza a cobertura substancial desta base de conhecimento sobre como a IA remodela a preparação, o conhecimento, as crenças e a prática tanto de futuros professores quanto de professores em exercício.

Questões para considerar

  • A formação de professores aqui abrange a formação inicial (futuros professores em programas de certificação) e o desenvolvimento profissional em serviço (professores em exercício). Qual das duas você acha que enfrenta o desafio maior de se preparar para salas de aula com IA, e por quê?
  • A página sugere que a formação de professores precisa preparar os professores não apenas para usar ferramentas de IA, mas para compreendê-las, avaliá-las e integrá-las de forma ética — uma mudança que "redefine o que significa ser professor". Como você acha que essa redefinição deveria mudar o que um programa de credenciamento ensina?
  • Frameworks como o AI-TPACK estendem o modelo clássico TPACK ao acrescentar uma dimensão de IA e ética. O que você acha que uma "dimensão de IA" do conhecimento tecnológico-pedagógico-de-conteúdo deveria realmente conter, além de como operar um chatbot?
  • Uma revisão de escopo de 55 estudos citada na página conclui que a IA aumenta o desenho instrucional, a reflexão e o pensamento dos futuros professores. Mas, se a IA pode fazer parte disso por eles, quando seu uso na formação de professores constrói competência, e quando substitui o próprio julgamento de que eles precisarão?
  • Se você estivesse redesenhando um programa de formação de professores para a era da IA, o que exigiria que todo futuro professor vivenciasse — e o que você deliberadamente o impediria de terceirizar para a IA?

Introdução

A formação de professores se situa na interseção de várias vertentes desta base de conhecimento: ela é uma disciplina/domínio (como a educação médica e a educação em humanas), mas também se apoia nos conceitos gerais de papel do professor, TPACK, competência de IA docente e letramento em IA. Na era da IA, a formação de professores precisa preparar os professores não apenas para usar ferramentas de IA, mas para compreendê-las, avaliá-las e integrá-las de forma ética — uma mudança que redefine o que significa ser professor. As ciências da aprendizagem fornecem o conhecimento que essa formação precisa carregar: onde aquele campo estuda como as pessoas aprendem e como os ambientes de aprendizagem deveriam ser desenhados, a formação de professores é a formação profissional em que tal evidência precisa aterrissar como a própria capacidade do professor de desenhar, ensinar e avaliar.

A evidência entre níveis aguça a prioridade de desenho: um estudo multinível com 46 professores e 2.832 estudantes do ensino médio concluiu que o conhecimento pedagógico de IA (TPAIK) — e não o conhecimento técnico de IA — impulsionou as percepções dos estudantes sobre a IA para o bem social e sua intenção de aprender IA. A formação de professores deveria, portanto, colocar em primeiro plano como ensinar com e sobre IA acima da proficiência em ferramentas, consistente com a diretriz "pedagogia primeiro, tecnologia depois".

Formação inicial de professores

A formação inicial de professores prepara futuros professores durante seus programas de certificação. A pesquisa em IA nesta vertente inclui:

  • Prontidão em AI-TPACK e TPACK inteligente. Instrumentos e frameworks medem e constroem a prontidão dos futuros professores para integrar a IA, estendendo o framework TPACK com uma dimensão de IA/ética.(Conceptualizing pre-service teachers' readiness for AI integration into teaching practices: An intelligent-TPACK approach)(Assessing AI-TPACK readiness in mathematics teacher education: The role of self-efficacy and teaching beliefs)

  • Perfis de aceitação, e um paradoxo de facilidade de uso/intenção. Chen et al. (2026) perfilaram 128 futuros professores em quatro grupos de aceitação do ChatGPT: Céticos Resistentes (14,06%) relataram alta facilidade de uso percebida, mas intenção comportamental muito baixa, portanto o treinamento em competências operacionais sozinho não os converte.

  • Aplicações e benefícios. Uma revisão de escopo de 55 estudos mostra que a IA aumenta o desenho instrucional, a instrução por disciplina, as competências práticas de ensino, a avaliação, a prática reflexiva, o pensamento crítico, a integração de tecnologia e a inovação pedagógica dos futuros professores.(Harnessing artificial intelligence for preservice teachers' development: A scoping review of applications, benefits, and challenges)

  • Acesso sem andaimes a IA generativa pontuou abaixo de nenhuma IA generativa. Em um quase-experimento de 11 semanas com 52 futuros professores, a turma sem andaimes com IA generativa produziu planos de aula avaliados por rubrica mais baixos que a turma sem IA generativa (ajustado 86,54 contra 81,87, F = 8,348, p = 0,006, η² = 0,146), sem diferença de grupo em aprendizagem autorregulada ou pensamento crítico (Zhang et al. (2026)).

  • Robótica educacional e ML. A formação inicial de professores embute atividades de codificação, robótica e aprendizado de máquina (por exemplo, micro:bit) para construir pensamento computacional em futuros professores.(Coding, robots, computational concepts, and machine learning using the microbit card and the Maqueen and Nezha kits. A study in initial teacher training)

  • Avaliação autêntica e metacognição. Modelos de avaliação mediada por IA (por exemplo, AAIWA) integram avaliação autêntica baseada em rubricas, feedback de IA responsivo a condições e reflexão metacognitiva em programas iniciais.(AI-mediated authentic assessment and metacognitive reflection: A mixed-methods study of the AAIWA model)

  • Investigação apoiada por IA na educação em ciências. Um quase-experimento com 48 futuros professores de ciências na Türkiye (Aydın) integrou aprendizagem baseada em problemas e em desenho a um programa de investigação guiada apoiada por IA de 8 semanas sobre fotossíntese e respiração. Ele produziu ganhos significativos na compreensão conceitual dos dois processos biológicos, mas nenhum efeito significativo no letramento em IA ou no pensamento computacional autopercebido — um lembrete de que a investigação baseada em IA pode aprofundar a compreensão de conteúdo dos candidatos a professor sem construir automaticamente suas competências de IA/CT, que exigem desenho explícito e direcionado.

  • IA generativa para desenho instrucional construtivista. O modelo SAHAB é uma intervenção quase-experimental de desenvolvimento profissional em que a IA generativa empodera os professores a desenhar instrução construtivista, com grandes ganhos (d = 1,18). Ele mostra que a IA generativa pode dar andaimes ao desenho instrucional tanto de candidatos a professor quanto de professores em exercício — não apenas entregar conteúdo, mas apoiar o desenho de atividades de aprendizagem centradas no estudante.

  • Treinamento de sala de aula inteligente para estudantes de pós-graduação em matemática M.Ed. Zhu, Liang, Mao e Wang (2026) mostram como uma disciplina de M.Ed. em matemática pode ser aprimorada com tecnologias educacionais inteligentes (correção automatizada, recomendações personalizadas, feedback multi-IA) ao longo dos estágios pré-, durante e pós-aula, gerando ganhos estatisticamente significativos na proficiência em desenho de objetivos instrucionais. O Modelo D-T-E transferível (Demanda Disciplinar–Empoderamento Tecnológico–Laço de Avaliação) oferece aos formadores de professores um framework específico de disciplina para integrar educação inteligente à preparação docente de pós-graduação.

  • A adoção sob uma política permissiva é mais magra que os levantamentos sugerem, e o letramento em avaliação não se transfere. Zou et al. (2026) levantaram 85 professores em formação ao longo de três disciplinas de formação docente de Hong Kong em que a IA generativa era explicitamente permitida na avaliação: 62,4% (53) escolheram não usá-la de forma alguma, e o uso de quem adotou foi raso e corretivo (revisão de texto 43,8%, verificações de clareza 34,4%, geração de texto 18,8%, brainstorming 12,5%). O medo de ser acusado injustamente de plágio (41,5% de quem não adotou) e a preferência por trabalho solo (77,4%) superaram a falta de competências (13,2%), e nove de onze entrevistados leram a política permissiva como uma possível "armadilha" — evidência de que futuros professores trazem ansiedade de integridade, e não apenas prontidão de ferramentas, para o trabalho de curso em que a IA é permitida.

  • A escrita de política de IA em sala de aula como lente sobre o pensamento de quem está em formação. Nash e Burriss (2026) fizeram 27 futuros professores de inglês do ensino médio, no ano de conclusão de um programa de preparação em inglês do ensino médio, escreverem as políticas de IA que usariam em suas próprias salas de 6º ao 12º ano, em um estado sem orientação estadual de IA. 26 dos 27 permitiram algum uso de IA, quase sempre restrito a tarefas, horários e lugares especificados pelo professor, e apenas um a baniu de cara, por fundamentos éticos ligados a práticas de trabalho e direitos autorais; 22 permitiram IA para gerar ideias, enquanto 22 não permitiram ou deixaram ambíguo o uso de IA para compor frases, parágrafos ou trabalhos, e as reflexões acompanhantes leem-se como negociações entre compromissos pedagógicos e uma obrigação sentida de integrar IA. Pedir a futuros professores que autorem uma política — em vez de debater IA no abstrato — trouxe à tona suas filosofias, crenças e pressupostos curriculares, tornando a escrita de política uma atividade de alto valor para o trabalho de métodos.

  • A política não governa a prática. Quatro semestres de dados de levantamento de um programa de formação de professores dos EUA mostram o uso de IA generativa para preparação de avaliação subindo de 57% para 83% e para estudo de 44% para 76%, mesmo enquanto as instituições consideravam software de detecção de IA, com incerteza ética crescendo ao longo das ondas (Parker et al. (2026)).

Desenvolvimento profissional em serviço

O desenvolvimento profissional em serviço apoia professores em exercício a integrar a IA. A pesquisa em IA aqui inclui:

  • Frameworks de DP baseados em TPACK inteligente. Um framework informado por pesquisa alinha os cinco domínios de conhecimento do i-TPACK a quatro vias de DP baseadas em evidência (aprendizagem ativa, modelos/exemplos, coaching, feedback/reflexão).(Designing effective AI professional development: A framework grounded in intelligent-TPACK)

  • Conhecimento tecnológico pedagógico (TPK) específico de IA generativa. Os próprios formadores de professores precisam de TPK de IA generativa — raciocínio pedagógico, consciência ética e desenho instrucional aumentado por IA — para preparar professores.(Teaching the teachers: A systematic review of genAI-specific technological pedagogical knowledge (TPK) in teacher education)

  • Letramento em IA humanocentrado e crítico. A pesquisa baseada em desenho produz currículos de aprendizagem profissional que operacionalizam o letramento crítico em IA por meio de atividades de IA humanocentradas, incluindo tarefas de educador-na-alça.(Human-centered AI for teacher educators: Designing professional learning for critical AI literacy)

  • Capacidade construída fazendo, e não estudando. Um modelo estrutural baseado em TPACK com 122 professores em serviço concluiu que o uso real de IA em tarefas de ciências e energia verde e o envolvimento no desenvolvimento de materiais alinhados à EDS previram a capacidade de integração de IA, enquanto o conhecimento abstrato de IA e as atitudes para com a IA não previram (Riandi et al. (2026)).

  • Avaliação colaborativa de conteúdo gerado por IA como DP. Gat, Usher e Barak (2026) relatam uma oficina em que 60 professores de ciências do ensino fundamental avaliaram questões de avaliação geradas pelo ChatGPT por meio de seu julgamento disciplinar, pedagógico e curricular. A própria avaliação colaborativa funcionou como desenvolvimento profissional, ajudando os professores a aplicar critérios de precisão conceitual à saída da IA e a trazer à tona o risco de que o conteúdo de IA reforce concepções errôneas — posicionando os professores como avaliadores críticos do material de IA generativa, e não como consumidores passivos.

  • O DP estruturado para educadores de línguas é raro, mas eficaz. Uma revisão sistemática de 23 estudos (Li et al. 2026) concluiu que apenas três estudos incluídos relataram desenvolvimento profissional estruturado — um módulo embutido de disciplina de gramática, um programa governamental de EMI e investigação embutida com chatbot —, mas todos convergiram em ganhos de conhecimento, confiança e reenquadramento de identidade, deslocando a visão dos educadores sobre a IA generativa de "risco de substituição" para assistente/aumentadora. A revisão argumenta que o DP deveria parear a construção de competência técnica com sabedoria prática, movendo da conscientização e da ética pelo domínio prático da ferramenta até o codesenho de aulas aprimoradas por IA, e recomenda uma estratégia de implementação em duas fases de "bastidores primeiro, depois sala de aula".

A instância mais clara nesta base de conhecimento de DP de IA generativa orientado por framework para matemática é um estudo de oito professores em serviço de distritos rurais e de baixos recursos que completaram dez módulos interativos construídos sobre o framework 4P de Rhodes (How generative AI guided-professional development supports teachers’ engagement with mathematical creativity, content knowledge, and pedagogical content knowledge). Ele fornece dois mecanismos de desenho que o desenho de DP em serviço de outra forma não tem aqui: andaimes que desvanecem deliberadamente (orientação explícita no início, depois pedidos para justificar, generalizar e desenhar tarefas) e raciocínio simulado de estudantes ao longo dos Módulos 6–10, ao lado do achado de que MC, CK e PCK se moveram juntos — ao mesmo tempo em que mediram apenas o engajamento, e não o conhecimento do professor nem a aprendizagem dos estudantes.

  • Programas pós-qualificação. O letramento e o uso de IA de educadores de ciências em serviço informam o desenho de programas pós-qualificação relacionados a IA.(Science educators' AI literacy and AI usage in teaching: Implications for post-qualification programs)

  • Apoio e orientação de IA no trabalho de desenho do professor. Pishtari, Gnadlinger e Ley (2026) fizeram 13 professores do ensino superior desenharem atividades ao longo das condições sem IA, com chatbot de IA e com IA mais treinamento em um programa de meio dia. O acesso à IA elevou o atingimento de tarefas de ordem superior (Bloom) e cortou o esforço cognitivo percebido, enquanto a sessão subsequente de treinamento em interação estagnou a qualidade, mas elevou levemente o esforço (carga germânica vs. externa não resolvida). Ele enquadra o DP para o ensino na era da IA como precisando tanto de frameworks de desenho fundamentados em pedagogia (Bloom, ICAP) quanto de estratégias estruturadas de interação com chatbot, ao mesmo tempo em que adverte que os ganhos de qualidade podem mascarar o descarregamento de decisões pedagógicas para a IA.

Conhecimento, crenças e prática

Um achado-chave ao longo da pesquisa em formação de professores é a lacuna entre o que os professores articulam e o que exercem: os professores frequentemente reivindicam competências operacionais de IA, mas lutam para aplicar conhecimento pedagogicamente significativo na prática.(Beyond operational skills: Teachers' AI knowledge and interactions with generative AI in lesson planning) A distinção corre ainda mais fundo quando a experiência é cruzada com a proficiência em IA: Choi et al. (2026) concluíram que novatos tecnicamente fluentes ainda aceitam a saída da IA passivamente durante o desenho de aulas, enquanto professores experientes — mesmo aqueles com proficiência em IA medida mais baixa — re-instruem criticamente e adaptam as sugestões da IA a seus estudantes e contexto. A implicação é que o DP em serviço não pode tratar "construir competência em IA" como suficiente; ele precisa ser diferenciado pelo perfil de experiência e proficiência do professor — andaimes de avaliação de resposta e de adaptação crítica para novatos, construção prática de competência em IA para professores experientes com proficiência em IA mais fraca. O julgamento especialista de planos de aula gerados por IA marca essa postura de adaptação crítica como a norma, e não a exceção: Karaismailoglu, Surmeli e Yildirim (2026) concluíram que onze especialistas turcos em educação científica avaliaram planos do ChatGPT-4 e do Teacher's Buddy para uma unidade do sexto ano como rascunhos utilizáveis — 7 de 11 julgando-os "aplicáveis com correção", apenas 3 diretamente "Aplicáveis" —, e suas preferências divergiram das notas brutas, favorecendo qualidades afetivas e contextuais acima da fidelidade estrutural. A formação de professores deveria, portanto, construir a capacidade de avaliar, adaptar e localizar materiais instrucionais gerados por IA como competência profissional central, tanto em programas iniciais quanto em serviço. Fatores psicológicos também importam — a autoeficácia prevê positivamente o AI-TPACK, enquanto crenças tradicionais de ensino fortes podem atuar como barreira cognitiva.(Assessing AI-TPACK readiness in mathematics teacher education: The role of self-efficacy and teaching beliefs) A confiança na IA é modelada tanto por fatores técnicos — confiabilidade percebida e transparência da IA — e fatores relacionais, de modo que o desenvolvimento profissional precisa abordar os dois. Medir o letramento em IA dos professores é, por si só, uma frente ativa: como a maioria das avaliações de letramento em IA tem como alvo estudantes ou usuários gerais, a Teachers' AI Literacy Scale (TAILS) — fundamentada no framework ED-AI de seis dimensões — foi desenvolvida e validada especificamente para professores de idiomas em formação por meio de EFA e CFA, preenchendo a lacuna de mensuração dentro da formação de professores. Uma questão igualmente negligenciada é se o modo de preparação muda a disposição para IA: Mnguni et al. (2026) pesquisaram 186 professores de ciências em último ano na África do Sul e concluíram que o TPACK autorrelatado para ensino integrado a IA era mais alto em uma universidade presencial (64,0%) do que em uma universidade de (47,4%), com o Conhecimento Pedagógico e a Avaliação como as dimensões mais afetadas pela distância.

Prática instrucional simulada

Além de conteúdo e crenças, a preparação de professores usa cada vez mais salas de aula simuladas para prática prática que escala. O EducaSim usa agentes de estudantes generativos (com personas, memórias ancoradas na disciplina e um oráculo falante de LLM-como-juiz) para simular uma seção de pequeno grupo para professores em formação em uma disciplina de CS1 que apoia ~20.000 estudantes. Implantado como ferramenta opcional de preparação ao longo de 254 sessões (média ~16 min), ele fornece prática de dramatização de papéis de baixo custo (\0,05–0,05–\\0,10/sessão) com feedback estruturado pós-sessão (estatísticas de tempo de fala, comportamentos instrucionais identificados por LLM) e prompts de autorreflexão. Isso complementa o paradigma de simulação de estudantes: quem aprende simulado serve não apenas à avaliação, mas à preparação docente experiencial e de alta frequência, especialmente para cursos online massivos em que o coaching ao vivo não consegue escalar. Uma instância específica de disciplina é o Student GPT (Zhuang & Zhang 2025), um chatbot ChatGPT personalizado que dramatiza o papel de um estudante do ensino fundamental que sustenta concepções errôneas comuns de raciocínio de razões; futuros professores de matemática do ensino médio praticaram diagnosticar e remediar essas concepções errôneas em interações personalizadas e de baixo risco dentro de uma disciplina de métodos, mostrando como a dramatização de papéis leve com IA generativa pode apoiar o ensino baseado na prática.

Implicações para formadores de professores

  • Construa tanto letramento em IA quanto AI-TPACK crítico. Professores iniciais e em serviço precisam de prontidão para integrar a IA — instrumentos estendem o TPACK com uma dimensão de IA/ética (AI-TPACK, DP i-TPACK); ensine raciocínio ético, transparência e justiça ao lado do uso de ferramentas.

  • Feche a lacuna articular-vs-exercer. Os professores frequentemente reivindicam competências operacionais de IA, mas lutam para aplicá-las pedagogicamente; desenhe DP que vá do conhecimento à prática exercida (planejamento de aulas).

  • Use prática simulada para escalar a preparação. Salas de aula simuladas estilo EducaSim dão a professores em formação prática de baixo custo e alta frequência com feedback — um complemento ao coaching ao vivo limitado.

  • Aborde crenças e confiança. A autoeficácia prevê o AI-TPACK, enquanto crenças tradicionais de ensino fortes podem ser uma barreira, e a confiança é modelada por transparência/justiça — atenda a esses fatores psicológicos, e não apenas às competências.

  • Voltando atrás a partir de dilemas de sala de aula. Kohnke et al. (2026) entrevistaram 17 futuros professores em uma universidade de Hong Kong e trabalharam de trás para frente a partir de dilemas antecipados de sala de aula até as necessidades de desenho da formação de professores. Os futuros professores levantaram preocupações sobre integridade acadêmica, privacidade e preservação de competências humanas essenciais em um ambiente movido a IA generativa, apontando implicações de currículo que entranham ética, privacidade e letramento em IA (com competências de pensamento crítico) ao longo de toda a preparação docente, em vez de tratar o uso responsável como um complemento.

  • A IA como mediadora cognitiva na reflexão docente (2026): Um Modelo Reflexivo Triangular baseado na prática usa a IA para mediar entre a reflexão individual do professor e o conhecimento profissional compartilhado em comunidades de aprendizagem, abordando a falha comum da reflexão de não se transformar em aprendizagem profissional coletiva (The Reflective Triangle Model: AI as a Cognitive Mediator in Teachers' Professional Learning and Learning-Community Development).

  • Faça do desenho de avaliação com IA generativa parte do trabalho curricular profissional. Professores em formação em Zou et al. (2026) mostraram pouca intenção de redesenhar suas próprias avaliações escolares futuras em resposta à IA generativa, e os participantes de educação infantil e do ensino médio julgaram em grande parte a tecnologia irrelevante para seu próprio contexto de ensino — uma dimensão subdesenvolvida do letramento em avaliação, e não uma lacuna de conhecimento. Programas de formação de professores deveriam, portanto, embutir o uso ético de IA generativa no desenho de avaliação como parte do currículo profissional, pareando a consistência de política no nível do programa com exemplares concretos de uso aceitável e inaceitável e feedback oportuno sobre o uso real de IA pelos estudantes.

  • Separe o trabalho delegável do não delegável. O'Byrne (2026) concluiu que 23 graduandos, a maioria futuros professores, produziram artefatos comparáveis quer sustentassem o trabalho de fronteira quer o delegassem cedo, e a "tensão de cola" sobre autoria foi mais forte entre quem fazia mais trabalho de fronteira — portanto o objetivo de ensino é julgar qual trabalho interpretativo não entregar.

  • Faça da escrita de política de sala de aula uma atividade central da formação de professores, e trate a ambiguidade como defeito de política. Nash e Burriss (2026) concluíram que pedir a futuros professores que escrevam suas próprias políticas de IA em sala de aula funciona como construção retórica de mundo sobre para que serve a escrita — uma janela para crenças emergentes que a discussão abstrata não abre. Como a IA separa escrita-como-produto de escrita-como-processo, os programas deveriam ajudar os professores a localizar onde o pensamento, a aprendizagem e o valor realmente vivem ao longo de brainstorming, redação, revisão e edição, em vez de localizar o pensamento apenas no texto final, e deveriam apoiá-los a traduzir crenças em regras operacionais e inequívocas pareadas com instrução em letramento em IA: contradições como proibir texto gerado por IA ao mesmo tempo em que responsabilizam os estudantes pelo conteúdo gerado por IA que submetem deixam os estudantes incapazes de cumprir.

Conceitos conectados

Artigos conectados

Perguntas frequentes relacionadas

Metadados

NívelTeacher Education, K 12, Adult Learning
Público-alvoInstructors
Fundamentos da IA na educaçãoLetramento em IA, A docência, Conhecimento tecnológico, pedagógico e de conteúdo (TPACK)
SourceHistoryEditChat

Incorporar esta página

Copie o código abaixo para incorporar esta página num sistema de gestão da aprendizagem ou noutro site. A versão incorporada mostra apenas o conteúdo da página — o cabeçalho, a navegação e o rodapé do site ficam escondidos.