A docência

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

A docência — como a IA ressignifica o trabalho, a identidade e a agência dos educadores. Com mais de 50 artigos examinando essa dimensão, a base de conhecimento documenta uma transformação fundamental: de autoridade única do conhecimento a orquestrador de ambientes de aprendizagem humano–IA. Esta página vai além de descrever essa mudança — ela detalha o que os professores de fato fazem de diferente, como podem adaptar sua prática e como se conectam ao desenho da aprendizagem, ao letramento em IA e à integridade acadêmica.

Malyn-Smith et al. (2026) chamam isso de paradoxo do mais-humano: em seis cenários de 2030 coconstruídos por 20 pesquisadores de 13 países, a saturação da IA intensifica, em vez de deslocar, o trabalho pedagógico humano. Os cenários descrevem a IA como "o sistema de tratamento de ar do ecossistema de aprendizagem" — você só a nota quando ela falha.

Perguntas para refletir

• A página descreve a mudança do professor "de autoridade única do conhecimento a orquestrador de ambientes de aprendizagem humano–IA". O que você ganha e o que você perde como educador quando deixa de ser a fonte principal de conteúdo?
• Ela argumenta que a IA realoca o recurso mais escasso de um professor — a atenção — da produção de materiais para a interpretação de quem aprene. Esse reenquadramento soa verdadeiro, e o que você de fato faria com o tempo recuperado?
• A pesquisa citada na página mostra os professores como desenhistas ativos de IA — escrevendo os prompts e os andaimentos que moldam como a IA se comporta para seus estudantes — e não como consumidores passivos. O que seria necessário para que você (ou professores que você conhece) se sentisse um desenhista de IA, e não um usuário dela?
• Na ponta mais distante do espectro do "emparelhamento professor–IA", o professor orquestra uma equipe de aprendentes humanos, tutores de IA e recursos curriculares. Onde o julgamento humano permanece insubstituível nessa equipe, e o que poderia se corroer silenciosamente se a orquestração ficar em grande parte com a IA?
• Se a atenção do professor é realocada da produção de materiais para a interpretação de quem aprene, que novas competências e riscos isso introduz — e quem apoia o professor a desenvolvê-las?

Introdução

A docência nomeia aqui o papel profissional tal como a IA o ressignifica: menos entrega de conteúdo, mais orquestração de participantes humanos e de máquina, interpretação do que quem aprene realmente entende, e desenho das condições sob as quais o uso da IA é legítimo. As páginas reunidas sob esse conceito documentam o emparelhamento professor–IA e a mudança de fluxo de trabalho, as competências que o papel agora exige, e a tensão entre ganhos de eficiência e a atenção que o apoio individual requer. Ela fica ao lado do desenvolvimento educacional, do letramento em IA e da avaliação como um dos papéis que determinam se a integração da IA muda a prática ou apenas a decora. As ciências da aprendizagem são o campo de pesquisa cuja evidência ressignifica essa posição: elas descrevem e testam como a aprendizagem acontece e quais desenhos a mudam, enquanto esta página cobre o papel em sala de aula que precisa agir sobre essa evidência no momento.

Como a IA transforma a docência

• De instrutor a orquestrador: os cinco níveis de emparelhamento professor–IA e a pesquisa sobre orquestração da agência mapeiam o espectro da IA como ferramenta à IA como parceira de ensino. Na ponta mais distante, o professor orquestra uma equipe que inclui aprendentes humanos, tutores de IA e recursos curriculares, em vez de entregar todo o conteúdo ele mesmo.
• Transformação do fluxo de trabalho: Como a IA muda os fluxos de trabalho do ensino documenta como a IA desloca o tempo do professor da entrega de conteúdo para atividades de maior valor, como apoio individual, feedback e desenho curricular. O recurso mais escasso do professor — a atenção — é realocado da produção de materiais para a interpretação de quem aprene. Uma revisão sistemática de educadores de línguas (Li et al. 2026) corrobora isso: os educadores valorizam a GenAI sobretudo para o trabalho preparatório (planejamento de aulas, criação de materiais, apoio à escrita), enquanto hesitam no uso ao vivo em sala de aula, e sua adoção é moldada por fatores de identidade profissional, pedagógicos, técnicos, institucionais e de integridade acadêmica — com lacunas de competência mapeando-se a episteme (compreender as capacidades e os limites da IA), techne (prompt engineering, desenho de tarefas e de avaliação aprimorado por IA, detecção de texto gerado por IA) e phronesis (julgamento ético, tratamento de viés e privacidade, julgamento sensível ao contexto). documenta como a IA desloca o tempo do professor da entrega de conteúdo para atividades de maior valor, como apoio individual, feedback e desenho curricular. O recurso mais escasso do professor — a atenção — é realocado da produção de materiais para a interpretação de quem aprene.
• Exigências de competência: os frameworks de competência docente em IA definem o que os educadores precisam saber, da fluência básica com ferramentas à orquestração pedagogicamente fundamentada. Os estudos de adoção identificam as barreiras reais: confiança, apoio institucional e preocupações com carga de trabalho. Bai & Hsieh (2026) acrescentam um peso empírico a isso em um SEM com 898 professores universitários chineses: a inovação docente apoiada por GenAI depende menos de conhecimento tecnológico de IA isolado e mais de competência em IA pedagogicamente e disciplinarmente embutida (letramento em IA e identidade profissional), ambos medeando parcialmente a relação competência→inovação — um sinal para construir o desenvolvimento do corpo docente em torno de competência em IA embutida e ligada à identidade, e não de treinamento apenas com ferramentas.
• A prontidão como capacidade de desenho, não como atitude: Charles (2026) argumenta que a prontidão do professor para a aprendizagem interativa rica em IA não pode ser lida a partir da adoção, da confiança ou da competência digital, porque nenhuma delas prediz a qualidade dos desenhos que os professores realmente produzem. A prontidão-pelo-desenho é orientada à enação: os professores mobilizam conhecimento pedagógico relacionado à IA, crenças pedagógicas, autoeficácia e orientação ética por meio da mediação do desenho (seleção de ferramenta, desenho de tarefa e de prompt, andaimento, transparência, verificação, redesenho da avaliação, planejamento de acessibilidade e supervisão humana) dentro de uma ecologia institucional e de política que viabiliza e modera a tradução. Duas afirmações carregam peso prático. A autoeficácia é um recurso de mobilização, e não um indicador de qualidade, então a confiança sem conhecimento pedagógico relacionado à IA ou sem orientação ética pode acelerar um desenho ruim. E a clareza da política e o apoio material são moderadores separados, então uma escola bem munida de recursos ainda pode deixar os professores adivinhando o que é permitido. Charles também se recusa a equiparar a não utilização à falta de prontidão: uma decisão ponderada de reter a IA pode, ela mesma, demonstrar prontidão.
• Codesenho e agência: os prompts de autoria docente e o vibe coding para professores mostram os educadores como desenhistas ativos de IA, e não como consumidores passivos — escrevendo os prompts e os andaimentos que moldam como a IA se comporta para seus estudantes. No planejamento de aulas de artes STEAM para crianças, Luo e Tahir (2025) confirmaram experimentalmente que como o professor delega ao ChatGPT importa: preencher lacunas de conteúdo em uma aula autodelineada (o método favorecido por 60% e recomendado) preservou a autonomia de desenho do professor, ao mesmo tempo que elevou a qualidade do plano avaliada por especialistas (mediana 20,5 contra 17,6, p = .002, efeito grande), superando tanto fazer a IA gerar planos inteiros quanto meramente verificar um plano finalizado. A IA serviu sobretudo como colaboradora de inspiração e de descoberta de lacunas, e não como fonte de inovação totalmente original — reforçando que o professor permanece o agente de desenho e o juiz da saída, incluindo a captura de falhas de segurança infantil e de viés cultural que a ferramenta não detectou. Uma revisão sistemática do codesenho professor–IA de tarefas de aprendizagem (Wang, Liu & Islam 2026) conclui que essa postura de codesenhista permanece desigual — o modo dominante ainda é a IA como assistente/geradora de conteúdo — e Talebzadeh (2026) mostra que a agência do professor como "desenhista de aprendizagem bilíngue" é o que transforma atividades de grupo desenhadas pela IA em instrução diferenciada e alinhada à ZDP.
• Autoral um bot não é o mesmo que controlar o que ele ensina. Vinte e sete professores do ensino fundamental e médio que configuraram uma ferramenta de autoria de chatbot com propósito e regras viram apenas fidelidade parcial no comportamento gerado — o alinhamento caiu de 88,9% para responsividade e 81,5% para persona para 70,4% para regras e 59,3% para propósito, e a adesão às regras variou pelo modelo escolhido — a lacuna entre execução e avaliação que faz do papel de professor-como-desenhista um ensaio da intenção, e não uma garantia dela (Riahi et al. (2026)).
• Preparação de pré-serviço: o treinamento baseado em TPACK e os programas de desenvolvimento educacional preparam futuros professores para salas de aula aumentadas por IA antes de entrarem nelas. A dramatização de papéis com estudante simulado estende isso à prática prática: um bot personalizado do ChatGPT (Student GPT) que interpreta um estudante do ensino fundamental e médio atormentado por equívocos matemáticos permite que professores pré-serviço ensaiem diagnosticar e guiar o raciocínio dos estudantes em um contexto de baixo risco, preparando-os para uma tarefa central da docência — ler e remediar o pensamento dos estudantes.
• Uma fronteira voltada ao professor que a base de evidências quase não penetrou: Štefánik et al. (2026) reúnem as Edustories, 1.492 estudos de caso escritos por professores de salas de aula reais do ensino fundamental e médio — comportamento desafiante dos estudantes, a intervenção que o professor tentou, e o que se seguiu — precisamente porque a maioria da pesquisa em IA na educação visou a assistência individualizada aos estudantes, enquanto a maior parte do ensino acontece em salas de aula coletivas. Ao submeter a benchmark quatro famílias de modelos de linguagem na previsão de se uma intervenção foi bem-sucedida, os modelos mais fortes alcançaram 58% de precisão contra 64% dos especialistas humanos; os autores leem a lacuna nas duas direções, como um limite da assistência atual voltada ao professor e como evidência de potencial emergente. O que a página ganha com isso é um teto mensurado, e não uma afirmação de capacidade: o conselho aos professores precisa ser melhor do que o julgamento especializado antes que possa ser confiável, e hoje a ordenação é a outra. Uma lacuna paralela aparece na revisão PRISMA de Yalçın et al. (2026) de 46 estudos empíricos de GenAI no ensino superior em programação: os papéis dos instrutores e as práticas institucionais estavam entre as áreas menos estudadas do campo, e 26 dos 46 estudos não deram descrição codificável alguma de sua abordagem instrucional, então as decisões de desenho que produziram os resultados relatados são frequentemente invisíveis até para outros instrutores.
• Onde a IA de fato entra no trabalho, por tarefa: Holster (2026) separa a adoção da alocação usando dados do TALIS 2024 de 56.669 professores, com uma amostra de alocação de 24.058 usuários de IA em 46 sistemas educacionais. Uma tarefa avaliada um ponto acima da demanda média do próprio professor tinha maior probabilidade de receber ajuda da IA (OR = 1,163), mas a direção difere por tarefa: o planejamento sobe com a demanda (OR = 1,084), a avaliação e a correção caem (OR = 0,921), e o apoio e a adaptação à educação especial sobem acentuadamente (OR = 1,442, uma dispersão prevista de 34,0% a 50,3% ao longo da faixa de demanda). A leitura de competência e política é que os professores já mantêm a correção de alto impacto humana, ao mesmo tempo que recorrem à IA no trabalho de adaptação individualizada, então uma orientação que trata o uso da IA pelos professores como um comportamento único deixará de ver onde o apoio é realmente necessário.

Como o papel em mudança realmente se parece: exemplos concretos

A abstração "orquestrador" é mais fácil de captar por meio de mudanças concretas e cotidianas no trabalho do instrutor:

• De escrever cada apostila a curar rascunhos gerados por IA. Um instrutor que antes passava uma noite construindo uma folha de exercícios diferenciada agora faz prompting de uma IA para produzir três versões em diferentes níveis de dificuldade, e então passa a mesma noite revisando e adaptando — uma mudança da autoria para o julgamento editorial. Os fluxos de trabalho de Currículo-como-Código tornam esse pipeline explícito, e a revisão sistemática de Kibar & Ilgaz mostra a IA agindo como uma "colega" que redige o conteúdo que o desenhista depois refina. A validação por especialistas de planos de aula de ciências gerados por IA torna explícito o que esse julgamento editorial precisa ponderar: Karaismailoglu, Surmeli e Yildirim (2026) concluíram que onze especialistas de educação em ciências avaliaram os planos de sexta série do ChatGPT-4 e de uma ferramenta com foco educacional como rascunhos utilizáveis — 7 de 11 julgando-os "aplicáveis mediante correção", apenas 3 diretamente "Aplicáveis" — e as preferências divergiram das pontuações brutas (7 preferiram a ferramenta com foco educacional, de maior pontuação, 4 o plano de uso geral) porque o julgamento ponderava dimensões afetivas e contextuais além da fidelidade estrutural. Os professores permanecem os árbitros de se e como um rascunho de IA se torna uma aula ensinável e contextualmente fundamentada.
• De lecionar a treinar em tempo real. Em vez de entregar a mesma explicação a toda a turma, os professores encaminham cada vez mais as perguntas rotineiras a um tutor de IA e focam o tempo presencial nos estudantes que precisam de julgamento humano — os estudos de fluxo de trabalho documentam exatamente essa realocação da atenção.
• De corrigir a desenhar avaliações que a IA não consegue burlar. Os instrutores deixam de depender de tarefas baseadas em recordação que as LLMs resolvem trivialmente e, em vez disso, desenham avaliações autênticas, escalas de avaliação e tarefas que preservam os ganhos de aprendizagem.
• De ensinar conteúdo a ensinar uso. O trabalho do professor inclui cada vez mais modelar como fazer prompting, avaliar e usar a IA de forma responsável — um currículo de letramento em IA tecido em cada curso, e não uma matéria separada.
• De ler painéis a agir sobre eles — contextualmente. Mejia-Domenzain et al. (2026) mostram que como os professores realmente usam os painéis de analytics diverge por contexto: professores de sala de aula invertida (universidade) seguiam uma exploração sequencial e favoreciam a adaptação no nível do curso e a exibição dos painéis em aula, enquanto professores vocacionais revisitavam as páginas de resumo e usavam a ferramenta principalmente para sessões individuais de coaching. As ações que os professores propunham eram moldadas pelo conteúdo representado e por seu nível de ensino, e não pelo tipo de gráfico — professores universitários favoreciam testes semanais e adaptação de curso, professores vocacionais o coaching direto e individualizado. Isso aponta para desenho de painel consciente do contexto e para necessidades diferenciadas de apoio ao professor, em vez de uma interface de analytics única para todos.
• De receber alertas a julgá-los. Swidan (2026) acompanhou um professor e oito estudantes de alto desempenho do ensino médio em uma aula de geometria no GeoGebra em que o Dash4Emotion enquadrava os estudantes com retângulos vermelhos sinalizando emoção negativa, e concluiu que os alertas não dirigiam os resultados — o movimento do professor depois de cada alerta dirigia: reenquadrar a tarefa de Mira de encontrar um valor mínimo para o lugar geométrico dos pontos mínimos reabriu sua exploração, três alertas simultâneos provocaram um reenquadramento de toda a turma, e a não intervenção deliberada de um período foi, ela mesma, uma decisão pedagógica. A postura do estudo é que um alerta emocional gerado por IA é uma pista a ser interpretada junto com o que o professor consegue ver, e não uma instrução a ser obedecida.
• De porteiro a facilitador principesco do feedback de colaboração. Os pilotos em sala de aula do Community Builder (CoBi) mostram que o papel do professor molda decisivamente a integridade da implementação: professores que usavam as observações e as visualizações da IA para provocar metacognição e reflexão crítica sobre a colaboração alcançavam uso de alta integridade, enquanto os que deixavam o sistema derivar para o monitoramento de desempenho — ou se desviar para discussões gerais sobre IA — não o alcançavam. Os professores também se preocupavam em ser colocados "no olho do furacão" pelo feedback em tempo real e preferiam a revisão pré/pós-ação à exibição ao vivo, ressaltando que orquestrar a colaboração de toda a sala de aula com IA exige aprendizagem profissional substancial, e não apenas fluência com a ferramenta.
• De instruir com a IA a substituí-la. Onde a divisão digital não deixa um dispositivo para cada estudante, o professor pode se tornar a interface física do sistema — um proxy, em vez de um orquestrador dele. No modelo "IAED desconectada" de Rodrigues et al. (2026), os estudantes continuam trabalhando com papel e caneta enquanto o professor fotografa suas soluções, e a IA devolve listas de exercícios personalizados e feedback específico de erro para serem devolvidos. Este é um quase-experimento agrupado em 19 turmas brasileiras autênticas do ensino fundamental, e não uma demonstração de protótipo, e seus dois resultados incidem diretamente sobre o papel. Primeiro, a vantagem de aprendizagem sobre a prática usual veio de uma única sessão de treinamento docente de 50 minutos, e não da tecnologia: as condições de treinamento e treinamento-mais-sistema não diferiram nos ganhos (−4,33, IC de 95% [−17,29, 7,23]), então a preparação, e não a ferramenta, é o ingrediente ativo. Segundo, o benefício do próprio sistema correu indiretamente, por meio do professor — o Esforço reduzido mediou um efeito positivo sobre os ganhos (3,649, IC de 95% [1,097, 6,398]) — então o efeito alcança estudantes que a IA nunca toca, e o trabalho de capturar e verificar que os professores descreveram (fotografar as folhas, esperar o processamento, corrigir erros de reconhecimento) é parte do custo pedagógico de estender a IA a salas de aula com poucos recursos.
• De provedor de informação a desenhista da aprendizagem. Hochberg e Waitzman (2026) acompanharam 93 professores por um programa de IA de oito semanas e concluíram que a prática se deslocava rumo ao desenho heutagógico para a agência de quem aprene, embora os deslocamentos autorrelatados não fossem significativos após ajuste, e os resultados de aprendizagem não tenham sido mensurados.

A metáfora da orquestração

A metáfora dominante na base de conhecimento é a orquestração: os professores coordenam aprendentes humanos, tutores de IA e recursos curriculares. Isso contrasta com as narrativas de substituição — a IA aumenta, em vez de substituir, o ensino humano. A evidência empírica sustenta essa postura: uma revisão sistemática guiada pela PRISMA de 42 estudos (2023–2025) concluiu que as LLMs igualam avaliadores humanos em tarefas curtas e bem estruturadas, mas que o desempenho cai em trabalho mais longo, multilíngue e matizado — concluindo que as LLMs não conseguem substituir plenamente os professores e que sistemas híbridos de avaliação com humano no circuito alcançam a maior eficácia de correção (Can ChatGPT Replace the Teacher in Assessment? A Review of Research on the Use of Large Language Models in Grading and Providing Feedback). A lente da orquestração reenquadra a habilidade central do instrutor como julgamento: decidir quando um humano, uma IA ou uma atividade de aprendizagem desenhada é o instrumento certo para um dado aprendente e momento. Uma revisão PRISMA de 2026 de 29 estudos de intervenção docente na instrução baseada em IA no K-12 aguça a metáfora em um ciclo de quatro fases — monitoramento, julgamento, intervenção, orquestração — e mostra por que nenhuma fase pode ser pressuposta. Os professores preferiram o controle compartilhado, aceitando, modificando, rejeitando ou sobrepondo-se a sugestões da IA; alguns postergaram a intervenção deliberadamente para que os estudantes pudessem antes lutar de forma produtiva; e painéis que expandiam a consciência também podiam sobrecarregar a atenção ou exceder o que um professor conseguia fisicamente fazer. Suas três estratégias — tradução pedagógica da saída da IA, desenho do apoio à aprendizagem e reconstrução das estruturas de interação — descrevem o trabalho como recontextualização, e não como aprovação, o que coloca o professor mais próximo de mediador do que do papel de revisor humano-no-circuito. A observação em sala de aula nomeia os mesmos comportamentos como tipos. Seis aulas com um professor experiente acrescentaram três tipos de orquestração aos quatro de Drijvers — monitoramento por painel, correção de IA e mediação de IA — com os papéis de conteúdo e éticos do professor mais visíveis quando ele corrigia feedback gerado por IA (Noh & Kim, 2026)).

Papéis docentes em evolução e críticos

Trabalhos recentes expandem a metáfora da orquestração para conceituações de papel mais ricas:

• Coorquestrador ao longo das transições de atividade. Yang et al. (2026) usam speed dating participativo com 17 professores e 13 estudantes para mapear como o controle deveria ser distribuído ao longo dos estágios de uma atividade em sala de aula — as transições antes, durante e depois entre trabalho individual e colaborativo — em uma ferramenta de coorquestração que apoia o emparelhamento dinâmico em tempo real. O princípio de desenho que emerge é que o controle não é um ponto fixo: professores e estudantes querem quantidades diferentes de agência em cada estágio, e a ferramenta deveria permitir que o professor ajuste agrupamento, transições de atividade e tempo de intervenção em tempo real, ao mesmo tempo que retém uma sobreposição docente. Isso posiciona o professor como coorquestrador de todo o ambiente de aprendizagem ao vivo — um papel mais específico do que a metáfora geral da orquestração, focado nas decisões granulares, momento a momento, de quem trabalha com quem, quando e com que apoio — e conecta a pesquisa em tutoria individual ao desenho no nível da sala de aula.
• O "coreógrafo cognitivo". Frameworks pós-humanistas reformulam o professor como um coreógrafo cognitivo que orquestra a cognição distribuída por sistemas biológicos e artificiais, indo além de modelos instrumentalistas como o TPACK e o SAM.(Pedagogical Symbiosis: conceptualizing the Post-Human Learner in the age of cognitive AI)
• Facilitador, coinvestigador, supervisor ético. Na aprendizagem de ciências, os papéis dos professores se deslocam de transmissores de conhecimento para facilitadores e coinvestigadores, e ganham novas responsabilidades como supervisores éticos do uso responsável da IA pelos estudantes.(Artificial Intelligence in Science Learning within the Framework of Situated Learning Theory: A Qualitative Investigation of Teachers' Perspectives)
• Mediador dos princípios de aprendizagem. Os educadores operacionalizam princípios de aprendizagem antigos (cognição experiencial, situada e distribuída) por meio da IA, tratando a IA como uma ferramenta que aumenta, em vez de substituir, o papel norteador do educador.(Empowering Educators: Operationalizing Age-Old Learning Principles Using AI)
• Mediador crítico que transforma a saída da IA em objeto de crítica. Canonigo (2026) acompanhou dez professores secundários de matemática por uma intervenção de oito semanas com o ChatGPT-4 e identificou cinco práticas de mediação: formulação de problemas gerada por IA, andaimentos de dicas desenhados para desaparecer, comparação crítica da saída da IA com o trabalho dos próprios estudantes, prompting diferenciado (uma analogia visual para um estudante em dificuldade, uma extensão cúbica para um par) e a IA como parceira de diálogo reflexivo. Onde os professores enactavam essas práticas, a saída se tornava algo com que argumentar, e não um gabarito, e os estudantes se moviam rumo à conjectura e ao questionamento metacognitivo; onde a mediação estava ausente, a autoridade migrava para o algoritmo, com os estudantes consultando a IA antes do professor e voltando apenas para validação, levando um professor a descrever a mudança de "oráculo" para "editor". O achado de equidade do estudo é o mais afiado: ao longo de 300 respostas do modelo, o modelo de nível gratuito foi impreciso em 32,7% das instâncias contra 12% para o modelo premium (χ²(1) = 17,5, p < .001), então professores da escola com poucos recursos o chamavam de "quase inútil para matemática". A qualidade da ferramenta, e não apenas o acesso a ela, se torna uma variável pedagógica, e a política de uso aceitável da escola de um professor tinha uma década e era silenciosa sobre IA, deixando a lacuna de governança para a sala de aula.
• Identidade profissional instável e vulnerável. Farazouli et al. (2026) documentam o lado emocional da reconfiguração de papel: 24 professores universitários suecos vivenciaram a emergência da GAI como alarmante e avassaladora, relatando um "estado de vulnerabilidade" (baixa confiança, insegurança, medo de "não estar à frente dos estudantes") e sentindo-se "travados" entre discursos utópicos e distópicos. A GAI os levou a reavaliar suas prioridades — cultivar pensamento crítico, julgamento avaliativo e uso ético da GAI — e a questionar o próprio papel futuro e o da universidade em um cenário que parecia "fora de controle". Isso enquadra a mudança do papel do professor como de nível identitário e carregada de emoção, e não meramente como uma mudança de habilidades ou de fluxo de trabalho.
• Desenvolvedores acadêmicos como mediadores digitais, inclusive como freio. Sithole (2026) entrevista doze desenvolvedores acadêmicos e desenhistas de aprendizagem em duas Instituições Historicamente Desfavorecidas sul-africanas e conclui que o papel se desloca de facilitar o ensino reflexivo para intermediário tecnológico e resolvedor de problemas, com a mediação abrangendo pedagogia, ética e política institucional. O movimento distintivo é tratar a desaceleração como parte do trabalho: um participante descreve traduzir entre "o que a gestão quer, o que a tecnologia consegue fazer e com que os palestrantes realmente se preocupam", e nomear plágio, dependência dos estudantes e a terceirização do pensamento antes que o entusiasmo dite o ritmo — "Não é apenas suporte técnico; também é negociação." O mesmo estudo documenta o custo afetivo ("Sinto-me um impostor. Estou aprendendo IA conforme vou fazendo, mas a instituição espera especialização") e a resposta de aprendizagem profissional: espaços de pares que testam e deliberadamente quebram ferramentas, mirando o julgamento em vez da habilidade, e uma recusa explícita da binária adoção-ou-resistência — "Não sou anti-IA; sou a favor do contexto."
• Seletividade principesca em vez de adoção ou resistência. Adiozaman e Segar (2026) entrevistaram dois acadêmicos com mais de dez anos de experiência três vezes ao longo de um único semestre e concluíram que o trabalho de identidade se organiza em torno de três tensões interrelacionadas — pedagogia versus plataforma, educador versus facilitador, e cuidado versus conformidade — que se resolveram não em uma posição assentada, mas em seletividade principesca: decisões sensíveis ao contexto guiadas por valores pedagógicos, compromisso ético e julgamento profissional. Eles descrevem uma trajetória da orientação implícita, passando por estratégias de meio de semestre, como pedir aos estudantes que expliquem seu pensamento e redesenhar tarefas e avaliação, até posturas que permaneceram deliberadamente abertas, e não fixas, com a recusa de um uso particular tratada como exercício legítimo de julgamento, e não como falha em adotar. Isso fornece a contraparte construtiva à vulnerabilidade documentada acima: o que a mudança de papel exige é julgamento, então respostas institucionais construídas em torno de treinamento com ferramentas tratam do problema errado.
• A semiautonomia como ponto de operação preferido. Dai et al. (2026) pesquisaram 287 professores experientes em GenAI em 27 países e regiões e os encontraram colocando a ferramenta nos níveis semiautônomos de uma escala de automação — 130 escolheram o Nível 2 ("assistência do professor"), 94 o Nível 3 ("automação parcial") e exatamente um escolheu o Nível 6 — descrevendo-a como "auxiliar", "andaimento", "complemento" ou "parceira". A utilidade percebida dominou sua intenção de adoção (β = .832, p < .001), enquanto a autonomia artificial percebida influenciou a intenção apenas indiretamente, por meio da utilidade, e a aversão ao risco deprimiu a intenção sem diminuir a utilidade, porque suas preocupações se ligavam ao uso dos estudantes — trapaça e integridade, conhecimento fundacional e pensamento de ordem superior enfraquecidos, alucinações, interação humana reduzida, e riscos éticos, jurídicos e de equidade. O rótulo de "amigo-inimigo" dos autores captura a postura com precisão: a GenAI valorizada como ferramenta de apoio, mas desconfiada como agente autônomo. O corolário para o papel docente é que os professores querem permanecer o agente que decide e querem resolver o uso caso a caso — disciplina, necessidades dos estudantes, tipo de tarefa, momento — então as ferramentas de orquestração deveriam ser construídas em torno da supervisão humana e do julgamento no nível do caso, e não de promessas de autonomia.
• A autoridade permanece com o professor; a capacidade se expande apenas dentro dela. Reichert, Briceno, Tabarsi & Barnes (2026) deram a seis professores secundários, da 6ª à 12ª série (estudos sociais, matemática, ciência animal, ciências, e ciência da computação e robótica), a tarefa de prototipar em papel um chatbot de IA conversacional para a própria sala de aula, e concluíram que todo protótipo codificava a mesma postura: o sistema era um especialista delimitado, especializado, mas confinado a um domínio definido e supervisionado pelo professor. Os professores traçaram duas fronteiras. As fronteiras de autoridade decorriam da responsabilidade profissional e jurídica — o controle sobre o que os estudantes aprendem e como são mantidos seguros não podia ser delegado, então a supervisão (registros completos de conversa, alertas em tempo real para consultas inadequadas e sobreposição manual) era tratada como um dever do papel, e não como uma verificação da ferramenta. As fronteiras de especialização decorriam do que o modelo não pode saber: os históricos dos estudantes individuais, as dinâmicas da sala de aula e as normas institucionais. A delegação era então alocada seletivamente ao longo da instrução — os professores davam as boas-vindas à IA para apresentar conteúdo, fornecer problemas de prática, andar e dar feedback formativo, mas mantinham para si informar os estudantes dos objetivos e a avaliação somativa. Isso fornece à preferência por semiautonomia documentada acima uma arquitetura concreta: a autoridade do professor é o elemento fixo, e a capacidade da IA cresce apenas dentro dela.
• Professores como corretores carregados de valor. Luo & Dawson (2026) mostram que corrigir trabalho assistido por GenAI não é um ato neutro e baseado em critérios, mas um julgamento de valor moldado pela conjectura dos professores sobre quem o estudante é (honestidade, diligência), do que é capaz (independência, habilidade com GenAI, domínio disciplinar), como se relaciona com os outros (confiança) e se a decisão leva a bons resultados (equidade, beneficência). Os professores frequentemente não têm consciência das orientações de valor que fundamentam sua correção, e essas variam por disciplina (as humanidades mais críticas do uso de GenAI; as ciências duras e aplicadas com menos desafios de correção) e por postura epistemológica (absolutista, multiplista, avaliacionista). Isso posiciona o professor como um profissional avaliativo cujo julgamento — e não apenas o uso da ferramenta — precisa ser apoiado e tornado transparente.
• O professor como árbitro das explicações pedagogicamente significativas. Como a confiança dos professores nas recomendações da IA sobe quando as explicações são enquadradas na linguagem curricular e pedagógica deles, em vez de nos internos brutos do modelo, as ferramentas eficazes precisam "falar" o domínio do professor. Em um experimento intra-sujeito, Feldman-Maggor et al. (2025) concluíram que explicações dirigidas pelo domínio de uma ferramenta de IA de agrupamento eram muito mais confiáveis e aceitas do que as de importância de características dirigidas por dados, posicionando o vocabulário pedagógico do professor como a interface pela qual a IA ganha confiança e uso — e seu julgamento de se uma explicação é pedagogicamente sólida como fator decisivo na adoção.
• Facilitador cuja função pode ser parcialmente delegada. Kuhail et al. (2026) fizeram 32 estudantes de STEM debaterem sob um moderador humano, um chatbot de IA (GPT-4, com prompting dos comportamentos esperados do corpo docente: neutralidade, tempo de fala igual, instruções curtas, imposição de permanência no tema, perguntas de acompanhamento, desescaladação), ou cada um por sua vez, e não encontraram diferença significativa em eficácia, prazer, satisfação, utilidade ou intenção de reutilizar (t = 0,23 a 1,30, p = 0,198 a 0,818). Os autores leem o resultado nulo como normalização da colaboração humano–IA em discussão regida por regras, e não como equivalência. A rota para a reutilização diferiu: sob moderação humana, a satisfação dirigia a intenção de usar, enquanto sob moderação por IA, a utilidade percebida o fazia (0,806 contra 0,495), então uma atividade facilitada por IA sobrevive na utilidade demonstrada, e não em quão prazerosa se sente. A leitura prática é a moderação por IA como auxílio de escala para cursos grandes ou com equipe enxuta, sob supervisão humana, com a equidade não verificada para sarcasmo, linguagem indireta e estilos de comunicação de minorias.
• Definidor de propósitos, não apenas de competências. Fagerlund et al. (2026) entrevistaram 13 professores finlandeses, da educação infantil à 9ª série, sobre por que os estudantes deveriam aprender sobre e com a IA, lendo seus relatos pela qualificação, socialização e subjetificação de Biesta. A qualificação foi o propósito mais claro e concreto, cobrindo a IA tanto como alvo de aprendizagem quanto como ferramenta para ela; a socialização apareceu como cultivar posturas favoráveis à IA e preparar os estudantes como futuros trabalhadores fluentes em IA; a subjetificação, o engajamento autodeterminado e pessoalmente significativo, foi endossada como importante, mas não tinha estratégias instrucionais concretas por trás dela, repousando no "discutir e contemplar". Os autores propõem a agência informada em IA, a subjetificação no centro com as competências como sua fundação, o que dá ao papel docente um dever de definição de propósitos: tornar explícito o "porquê", para que as habilidades adquiram contexto, em vez de permanecer como fins em si mesmas, e complementar frameworks técnicos como o TPACK com atenção sustentada ao propósito educacional.

Esses papéis conectam o trabalho docente à cognição distribuída, à aprendizagem situada, à aprendizagem corporificada e à pedagogia crítica, e reenquadram o professor como desenhista e guia ético da aprendizagem mediada pela IA, e não meramente como um usuário.

• As decisões apoiadas por IA se agrupam onde há dados comportamentais disponíveis. Köroğlu et al. (2026) revisaram 27 estudos empíricos (2016–2025) e identificaram oito tipos de decisão docente, concluindo que o apoio da IA se concentrava em decisões instrucionais, de feedback e de avaliação, enquanto decisões curriculares, de ambiente de aprendizagem, emocionais, éticas e administrativas eram raramente apoiadas. Os painéis de learning analytics eram o sistema mais comum, processando dados de texto e de registro em indicadores comportamentais de desempenho e de engajamento; dados multimodais e baseados em interação, sistemas agênticos e resultados cognitivos, metacognitivos, motivacionais e afetivos eram todos comparativamente raros no corpus revisado. A leitura prática para instrutores é que o espaço de decisão que uma ferramenta de IA abre é limitado pelos dados que ela exibe, então a seleção de ferramenta é também uma escolha sobre quais decisões docentes estão sendo munidas de recursos.

Como os instrutores deveriam adaptar suas práticas de ensino à IA

A evidência da base de conhecimento converge para um conjunto de adaptações concretas:

Desenhe a embalagem pedagógica da IA, e não apenas a ferramenta. A mesma IA produz grandes ganhos de aprendizagem ou dano líquido dependendo de como a atividade é desenhada em torno dela. Kibar & Ilgaz e a evidência de ganhos de aprendizagem são consistentes: o trabalho do instrutor é desenhar a experiência de aprendizagem, tratando a IA como um componente dentro de uma atividade estruturada, e não como o motor de respostas. Ande primeiro uma tentativa do estudante, depois deixe a IA treinar — essa é a diferença entre avaliação e inflação de desempenho.

Exija um ponto de verificação humano no circuito. Em vez de aceitar a saída da IA pelo valor de face, ensine os estudantes a avaliar, corrigir e assumir a titularidade do trabalho assistido por IA. O letramento em IA de uso justo enquadra isso como equilibrar a produtividade da IA contra o florescimento e a autoria humanos genuínos. Desenhe tarefas para que a IA ajude na redação, mas quem aprene permaneça o agente da avaliação e da revisão.

Cure rascunhos de feedback por IA; não os retransmita. Chen et al. (2026) deram a 64 professores pré-serviço chineses feedback assistido por ChatGPT sobre escrita argumentativa e concluíram que tratar a saída como material de rascunho, e não como comentário finalizado, moveu o pensamento crítico onde o feedback apenas do professor não moveu (d de Cohen no pós-teste de 3,74 contra 0,25 no pré-teste, p < .001). O que os professores fizeram com o rascunho é a parte transferível: copiaram conteúdo apropriado em um nível semelhante ao deles (28%), expandiram-no com insumo mais profundo (16%), o forneceram (16%), o revisaram (14%) ou o descartaram inteiramente (14%), com outros 9% precisando de correção. O feedback assistido pendeu para a modelagem (demonstração, 33,1% contra 10,9%) e a sondagem (perguntas próximas, 21,5% contra 6,0%), e os estudantes o revisaram rumo à análise, à avaliação e à criação, e não ao reconhecimento, mas seis de oito entrevistados ainda relataram imprecisão e falta de profissionalismo. A etapa de verificação do professor é o que torna o híbrido seguro.

Adapte a avaliação à era da IA. Afaste-se de tarefas que as LLMs conseguem completar verbatim, rumo a avaliações autênticas, baseadas no processo e presenciais. As escalas de avaliação dão aos instrutores uma rubrica para decidir quanta assistência da IA é legítima em cada etapa, e a evidência metanalítica mostra que a IA pode apoiar o pensamento de ordem superior quando o desenho da avaliação o exige.

Proteja as condições para a aprendizagem durável. Como as respostas da IA fazem a aprendizagem parecer fácil, os instrutores precisam desenhar para combater a lacuna desempenho-aprendizagem. Lodge & Loble alertam que o sucesso sem esforço com a IA pode mascarar a ausência de aprendizagem; os instrutores deveriam embutir luta produtiva, exigir demonstração sem assistência de domínio e tratar as respostas apoiadas por IA como um ponto de partida, e não como o resultado finalizado.

Planeje o meio de entrega. A adaptação não é neutra em relação ao meio: o ensino online com a IA multiplica tanto as oportunidades (personalização escalável, apoio sempre disponível) quanto os riscos (integridade, deslocamento cognitivo). Desenhe a embalagem da IA de forma tão deliberada no online quanto nos contextos presenciais.(Can AI deliver appropriate support for diverse student profiles? A large-scale evaluation)

Incorporar o letramento em IA ao ensino

O letramento em IA não é um módulo separado — ele é tecido na forma como os instrutores desenham cada curso. Abordagens eficazes incluem:

• Modele o letramento em IA na prática. Professores que eles mesmos usam, avaliam e criticam a IA definem a norma para os estudantes. Os continuum de letramento em IA descrevem a progressão da fluência com ferramentas à avaliação crítica que os instrutores deveriam andar.
• Ensine a avaliação e a calibração, e não apenas o uso. Os estudantes precisam saber quando a IA é confiável e quando ela alucina — pensar criticamente sobre as saídas da IA é um letramento central. Isso se conecta ao uso responsável e a como o uso da IA é enquadrado para os estudantes.
• Coconstrua normas de uso da IA com os estudantes. As abordagens com princípios da educação em IA e os prompts de autoria docente mostram que expectativas explícitas e codesenhadas funcionam melhor do que regras punitivas.

Garantir a integridade acadêmica na era da IA

A integridade acadêmica com a IA é um problema de desenho, e não um problema de policiamento. Os instrutores se adaptam por meio de:

• Reenquadrar a integridade em torno do processo e da autoria. Em vez da detecção, enfatize a integridade acadêmica como uso transparente e documentado. A pesquisa sobre IA agêntica e estudantes fantasmas mostra que o risco de integridade se desloca quando os estudantes implantam agentes de IA em seu nome, então os instrutores precisam definir o que a autoria significa quando o "fantasma" é uma IA.
• Usar divulgação e enquadramento. Como o uso da IA é enquadrado para os estudantes — se como muleta ou como ferramenta legítima — molda se eles o divulgam. As normas de transparência (por exemplo, divulgação do uso da IA) reduzem o incentivo a esconder o uso da IA.
• Desenhar para eliminar o incentivo a trapacear. Avaliações autênticas, baseadas no processo e presenciais (exames orais, portfólios, resolução de problemas observada) tornam a terceirização menos atraente do que as ferramentas de detecção de IA. As escalas de avaliação e a avaliação autêntica são a alternativa construtiva às corridas armamentistas de detecção.
• A regulação no nível da tarefa é como os instrutores de fato governam a IA. O estudo de Chirikov (2026) de mais de 31.000 planos de curso mostra os instrutores agindo cada vez mais como reguladores no nível da tarefa, em vez de aplicar regras abrangentes: restringem a IA para redação/revisão (79% dos cursos) e raciocínio/resolução de problemas (65%), permitem-na para edição/revisão de texto (83%) e apoio aos estudos (80%), e deixam a ideação e o planejamento como os mais contestados (46% permitem / 54% restringem). Essa diferenciação — construída sobre quais tarefas a IA desloca versus aumenta — é uma alternativa concreta e dirigida pelo instrutor à política de adoção-ou-proibição e dá ao papel do professor um lugar central na formação de política.

Conectar a docência ao desenho da aprendizagem

Ensinar e desenhar a aprendizagem são duas faces da mesma moeda — os julgamentos cotidianos do instrutor são a execução ao vivo da experiência de aprendizagem desenhada. A IA aperta essa conexão:

• Professores como desenhistas da aprendizagem. O LearnAI e o desenho de prompts de autoria docente mostram instrutores funcionando como desenhistas: especificando a atividade, o papel da IA e os andaimentos que estruturam a aprendizagem. Esse é o desenho da aprendizagem em ação no ponto de uso.
• Os princípios do desenho da aprendizagem governam a pedagogia com IA. Os mesmos princípios de desenho da aprendizagem — objetivos claros, avaliação alinhada, andaimento e feedback — determinam se a IA ajuda ou prejudica. O ISD-Agent-Bench valida empiricamente que fundamentar o desenho da IA em modelos formais de desenho instrucional supera o prompting livre de teoria.
• Desenhe para a orquestração do professor. Ambientes de aprendizagem com IA eficazes são desenhados tendo o professor em mente — as ferramentas que a IA centrada no humano oferece deveriam reduzir a carga de trabalho do professor e aumentar seu julgamento, e não acrescentar outra caixa preta opaca. Quando os instrutores codesenham atividades de aprendizagem com IA (perspectivas da teoria da atividade), a adoção e a qualidade melhoram ambas.

Relação com a identidade de quem aprene

O papel do professor e a identidade de quem aprene são faces recíprocas do mesmo processo humano, e a IA ressignifica ambas.

• A identidade do professor é uma identidade profissional; a identidade de quem aprene é uma identidade de aprendizagem. A página do papel do professor documenta como a IA ressignifica o trabalho, a identidade e a agência dos educadores — sua autocompreensão profissional em evolução (veja o enquadramento de Laidlaw da GenAI como crise de identidade). A identidade de quem aprene é o construto paralelo para os estudantes: quem são e quem estão se tornando como aprendentes, em termos disciplinares, profissionais, criativos e acadêmicos.
• Elas são acopladas causalmente. Professores que vivenciam ruptura de identidade (incerteza sobre seu propósito profissional em meio à GenAI) são menos capazes de apoiar o desenvolvimento da identidade de seus estudantes — um professor que duvida de seu papel tem dificuldade para validar o senso emergente de si dos estudantes no mesmo domínio. Inversamente, professores que sustentam uma identidade profissional confiante estão melhor posicionados para andar o pertencimento e a autoria dos estudantes.
• Modos de falha distintos. A identidade do professor é ameaçada pela obsolescência do papel e pelo propósito (a pergunta "qual é o sentido de ensinar?"). A identidade de quem aprene é ameaçada pela perda de autoria e pela competência (a pergunta "isso é realmente meu / eu sou bom o bastante?"). Ambas são respostas de nível identitário (e não apenas de nível de habilidades) à IA.
• Ambas são preocupações de desenvolvimento profissional e pedagógico. Apoiar a identidade do professor pertence ao desenvolvimento educacional e à competência docente em IA; apoiar a identidade de quem aprene pertence à experiência do estudante, à avaliação autêntica e à agência. Um sistema bem desenhado e integrado à IA atende a ambas — porque a identidade do professor é a condição sob a qual as identidades de quem aprene se formam.

Codesenho docente do letramento inicial em IA

• Codesenho docente no letramento inicial em IA. Lee (2026) mostra que dois professores de pré-escola e dois de jardim de infância que codesenharam o currículo Play With AI (PL-AI) vivenciaram crescimento substancial em confiança e em agência pedagógica, com o codesenho fomentando titularidade do currículo, prática reflexiva e adaptação significativa. Isso posiciona os professores como codesenhistas centrais — e não apenas implementadores — de currículos de letramento em IA apropriados ao desenvolvimento, um modelo com implicações para a formação de professores em educação em IA na primeira infância de IA na educação.

Professores Codesenhando Recursos de Aprendizagem com IA

• O papel do professor se estende a codesenhar recursos de aprendizagem com IA: simulações codesenhadas professor–IA para instrução STEM com drones mantiveram a saída da GenAI pedagogicamente válida e contextualmente relevante, e os professores são os beneficiários pretendidos da Escala de Letramento em IA de Professores. A integração eficaz da GenAI depende cada vez mais do envolvimento dos professores no desenho.

Conceitos conectados

• Parcerias pedagógicas — Parcerias Pedagógicas
• Identidade de quem aprende — identidades disciplinares, profissionais, criativas e acadêmicas de quem aprene em evolução
• Educação em negócios
• Desenvolvimento educacional
• Competência em IA do professor
• Letramento em IA
• K-12 (educação básica e média)
• Ensino superior
• Andaime (Scaffolding)
• Desenho de aprendizagem
• Tutoria inteligente
• Grandes modelos de linguagem (LLMs)
• Aprendizagem no trabalho
• Cognição distribuída
• Aprendizagem situada
• Pedagogia crítica
• Desenvolvimento profissional
• Ciências da Aprendizagem
• Integridade acadêmica
• Pedagogias e Estratégias de Ensino — Guarda-chuva: pedagogias e estratégias de ensino na educação com IA
• Partes interessadas — Guarda-chuva: pessoas e públicos na educação com IA (quem aprene, professores, desenhistas, administradores, formuladores de política)

Artigos conectados

• Navigating AI's educational future: expert scenarios and implications for teaching and teacher preparation — O paradoxo do mais-humano: cenários de 2030 de especialistas concluem que a saturação da IA intensifica, em vez de deslocar, o trabalho pedagógico humano (Malyn-Smith et al. 2026)

• Exploring Teachers' Instrumental Orchestration and Roles in High School Mathematics Classes Using AI-Based Digital Tools — Seis aulas observadas de matemática do ensino médio estendem a orquestração instrumental com três novos tipos (Noh & Kim 2026)

• Responding to AI-generated emotional alerts: teachers' intervention and students' engagement in the mathematics classroom — Respondendo a alertas emocionais gerados por IA: a intervenção dos professores e o engajamento dos estudantes na sala de aula de matemática

• Edustories: A Collection of Real-world Case Studies from Classroom Practices — Edustories: Uma Coleção de Estudos de Caso do Mundo Real de Práticas em Sala de Aula

• Human-Centered Design of LLM-Powered Educational Chatbots: A Study with Secondary Teachers — Professores desenham chatbots de sala de aula como especialistas delimitados e retêm a autoridade

• GenAI as a Frenemy in Teaching: Perceived Autonomy and Risks — A GenAI como "amigo-inimigo": professores preferem semiautonomia, a utilidade dirige a adoção, a aversão ao risco mira o uso dos estudantes (Dai et al. 2026)

• AI-Supported Lecturer Decision-Making in Higher Education: A Socio-Technical Perspective — Tomada de Decisão Docente Apoiada por IA no Ensino Superior

• How Instructors Regulate AI in College: Evidence from 31,000 Course Syllabi — Como os instrutores regulam a IA em 31.000 planos de curso; regulação no nível da tarefa (Chirikov 2026)

• AI Teaching Innovation Behavior Among College Teachers: A Structural Equation Modeling Analysis Based on the AI-TPACK Framework, Teaching Self-Efficacy, Professional Identity, and AI Literacy — Comportamento de inovação docente com IA entre professores universitários (SEM de TPACK de IA; Bai & Hsieh 2026)

• Towards Synergistic Teacher-AI Interactions with Generative Artificial Intelligence

• Balancing Teacher and Student Agency: Co-Orchestration Tool Design Supporting Real-Time Dynamic Pairing

• How AI Is Changing Teaching Workflows

• Teacher-Authored Prompts for Configuring Student-AI Dialogue: K-12 Classroom Implementation

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

• Artificial intelligence, cognitive offloading and implications for education — IA, deslocamento cognitivo e implicações para a educação (Lodge & Loble 2026)

• The Intersection of Artificial Intelligence and Instructional Design Practice: A Systematic Review — A IA e a Prática de Desenho Instrucional: Uma Revisão Sistemática (Kibar & Ilgaz 2026)

• Can AI deliver appropriate support for diverse student profiles? A large-scale evaluation — A IA consegue oferecer apoio apropriado a perfis diversos de estudantes? Uma avaliação em grande escala

• The Devil is in the Details: AI Agents, Ghost Students, and the Crisis of Verified Presence in an Agentic AI World — Estudantes fantasmas e IA agêntica na avaliação

• 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)

• Navigating uncertainty: university teachers' experiences and perceptions of generative artificial intelligence — Experiências e percepções de professores universitários sobre a GAI: vulnerabilidade, repensar a avaliação, aprendizagem dos estudantes em risco (Farazouli et al. 2026)

• Exploring value judgements in grading: will teachers mark down student work assisted by GenAI, and should they? — Julgamentos de valor na correção de trabalho assistido por GenAI: honestidade, confiança, validade e transparência de duas vias (Luo & Dawson 2026)

• Making machine learning findings accessible to teachers in blended classrooms — Tornando os achados de ML acessíveis aos professores em salas de aula híbridas

• A Systematic Review of Language Educators' Practices and Development with GenAI — Práticas e desenvolvimento dos educadores de línguas com a GenAI

• ChatGPT-Assisted Lesson Planning for Children's STEAM Arts Education: An Experimental Study on Benefits, Challenges, Methods, and a Prompt Framework

• A Feasibility and Implementation Integrity Study of the Community Builder (CoBi): An AI-based Collaboration Support System in K-12 Classrooms

• Integrating ChatGPT in Mathematics Teacher Education: AI-Based Simulation Role-Playing to Support Practice-based Teaching

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

• Suitability of Artificial Intelligence Supported Lesson Plans from the Perspective of Science Education Experts

• Can ChatGPT Replace the Teacher in Assessment? A Review of Research on the Use of Large Language Models in Grading and Providing Feedback

• ‘Resistance is futile?’: identity tensions and principled selectivity in AI-integrated teaching — Tensões de identidade e seletividade principesca no ensino integrado à IA (Adiozaman & Segar 2026)

• Teacher intervention in K-12 AI-based instruction: a systematic review of processes, strategies, and effects — A intervenção docente na instrução baseada em IA no K-12: uma revisão sistemática

• Beyond the algorithm: academic developers as digital mediators in Global South higher education — Desenvolvedores acadêmicos como mediadores digitais: reconfiguração de papel, trabalho afetivo e julgamento em HDIs sul-africanas

• Where Artificial Intelligence Enters Teacher Work — Onde a Inteligência Artificial Entra no Trabalho Docente

• AIED unplugged, teacher workload, and numeracy learning: a clustered quasi-experimental mixed-methods study — IAED desconectada: o professor como proxy entre quem aprene e a IA, quase-experimento com 19 turmas em que o treinamento e a redução indireta do esforço dirigem os ganhos (Rodrigues et al. 2026)

• Instructional Governance by Design: A Framework for AI in Computing Education — Governança Instrucional pelo Desenho: Um Framework para a IA na Educação em Computação

• Will It Teach as Intended? How Teachers Configure Educational AI Chatbots — Ela Ensinará como Pretendido? Como os Professores Configuram Chatbots Educacionais de IA

• Teacher Mediation and the Contingent Promise of Generative AI in Mathematics Education — Mediação docente em matemática: cinco práticas de mediação crítica, o deslocamento da autoridade e a divisão algorítmica entre gratuito e premium

• Teacher Readiness-By-Design for AI-Rich Interactive Learning — Prontidão-pelo-desenho do professor: a prontidão como capacidade de desenho, e não como adoção ou confiança (Charles 2026)

• Effects of ChatGPT-Assisted Teacher Feedback on College Students' Critical Thinking Skills and Perceptions of Argumentative Writing — Feedback docente assistido por ChatGPT: professores curam rascunhos de IA em vez de retransmiti-los

• From Competency to Agency: Teachers' Views of the Purposes of AI Education — Da competência à agência: as visões dos professores sobre os propósitos da educação em IA

• The Great Debaters Meet the Great Facilitators: How Debate Students Evaluate Human Moderators and Their AI Counterparts — Moderadores de debate humanos versus de IA: avaliações equivalentes, rotas diferentes para a reutilização

• Mapping Research on Generative Artificial Intelligence for Programming Education: A Systematic Review — A GenAI na educação em programação: uma revisão sistemática em que os papéis dos instrutores são os menos estudados

• From information providers to learning designers: heutagogical teaching practices in AI-enhanced education — De provedores de informação a desenhistas da aprendizagem: práticas de ensino heutagógico na educação aprimorada por IA

• The design rule derived from the split is experience-adapted recommendation modes. Experienced teachers want analytics on improved learning after helping a student (40% vs. 26%, p = .019) and on their teaching methods (42% vs. 26%, p = .012); their top obstacle is tracking performance (28% vs. 15%, p = .009). Design rule: novice mode = structured prompts and engagement analytics; expert mode = flexible longitudinal analysis — a direct argument against uniform dashboards. (How expertise levels shape preferences and reflection needs — towards AI reflection systems for teacher empowerment)

• How expertise levels shape preferences and reflection needs — towards AI reflection systems for teacher empowerment — How Expertise Levels Shape Preferences and Reflection Needs: Towards AI Reflection Systems for Teacher Empowerment (Falhs et al. 2025)

• A Conversational AI Framework for Teacher Training — Conversational AI diagnostic for teaching misconceptions with evidence-grounded dialogue (Miranda & Calvani 2026)