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 de Teoria na IA na Educação

Criado 2026-08-22 · Atualizado 2026-09-30

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

O desenvolvimento de teoria na IA na educação — o trabalho acadêmico de criar, avançar e examinar criticamente as teorias e os frameworks conceituais que explicam como aprendizes, professores e sistemas de IA interagem. À medida que a IA generativa remodela a educação, o campo está tanto propondo teorias novas da aprendizagem-com-IA quanto retrabalhando teorias da aprendizagem estabelecidas — enquanto uma fraqueza documentada no uso de teoria permanece uma limitação transversal da pesquisa em AIEd.

Questões a considerar

  • Frequentemente falamos em "aplicar uma teoria" à IA na educação, mas esta página pergunta se o campo está de fato inventando novas teorias. Antes de continuar a leitura: quando um framework familiar (como o behaviorismo ou o construtivismo) é esticado para cobrir a IA generativa, o que ele pode acertar, e o que ele pode distorcer silenciosamente?
  • Considere uma ocasião em que você usou a IA e sentiu que sua compreensão cresceu — ou o contrário. Qual é a diferença entre "aprender com uma ferramenta" e "coconstruir conhecimento com uma máquina"? Onde você traçaria essa linha, e faz algum sentido dizer que a máquina é um coagente?
  • Muitos estudos de educação com IA são criticados por usar a teoria de forma fraca ou não a usar. Se você lesse um estudo que mostrasse que uma ferramenta de IA "funcionou", o que ele precisaria lhe dizer sobre por que e como ela funcionou antes que você chamasse o achado de teoricamente significativo, e não apenas um tamanho de efeito?
  • Uma teoria proposta afirma que estudantes nativos de IA superestimam sua própria aprendizagem porque a IA infla seu desempenho. Você já notou a si mesmo ou a outros se sentindo mais competentes após uso pesado de IA do que conseguiriam demonstrar sem ela? Qual seria a evidência mais forte de que esse é um fenômeno real, e não apenas um artefato de um estudo?
  • A página distingue a teoria (explicar os mecanismos da aprendizagem) da filosofia (questionar o que a aprendizagem e a mente fundamentalmente são). Onde em seu próprio pensamento sobre a IA você se encontra se movendo entre as duas — por exemplo, perguntando não apenas se um framework explica bem a aprendizagem, mas se ele captura o que a aprendizagem realmente é?
  • Novas teorias estão aparecendo — generativismo, coagência epistêmica, comuns cognitivos. Como leitor, o que o convenceria de que uma delas é um avanço genuíno, e não uma reetiquetagem na moda de ideias antigas? Estabeleça seu próprio teste para o que uma boa teoria nova da aprendizagem com IA deveria ser capaz de explicar.

Introdução

O desenvolvimento de teoria na AIEd fica na fronteira entre as teorias da aprendizagem aplicadas que o campo adota e os construtos novos que a era da IA está produzindo. Onde as teorias da aprendizagem catalogam as teorias estabelecidas aplicadas à IA (behaviorismo, construtivismo, carga cognitiva, autodeterminação, etc.), este conceito acompanha o processo e o produto do teorizar em si: quais novas teorias e frameworks estão nascendo, como as teorias estabelecidas estão sendo avançadas, e a questão metodológica de se a pesquisa em AIEd teoriza bem.

Novas teorias da aprendizagem com IA

Um agrupamento crescente de artigos cria explicitamente nova teoria para a era da IA, em vez de aplicar quadros existentes:

  • Generativismo. O Generativismo é proposto como uma nova teoria da aprendizagem, argumentando que o behaviorismo, o cognitivismo, o construtivismo e o conectivismo repousam cada um sobre uma suposição que a IA generativa quebra: que a saída observável certifica a aprendizagem (behaviorismo), que as operações cognitivas acontecem dentro do aprendiz (cognitivismo), que o significado é construído em vez de fornecido (construtivismo), e que a parte difícil é navegar até o conhecimento existente em vez de gerá-lo (conectivismo). Ele nomeia quatro construtos — parceria epistêmica, agência distribuída, letramento generativo e metacognição adaptativa — e deriva um indicador de avaliação para cada um, uma aposta direta em nomear um paradigma teórico distinto para a aprendizagem mediada por IA. O que ele não faz é enunciar proposições que poderiam falhar: é um artigo de posição que sintetiza a evidência existente, de modo que, diferentemente do Agentivismo abaixo, ele oferece um vocabulário e uma agenda de medição, e não uma teoria falsificável.
  • Conectividade com a IA. Fu e Zhao (2026) reconstroem a conectividade para a era da IA por meio da ética do cuidado e da teoria neoecológica, definindo a "conectividade com a inteligência artificial" como um vínculo psicologicamente real, mas eticamente assimétrico, com três dimensões e seis proposições falsificáveis que aguardam desenvolvimento de escala.

A posição sintética acrescenta uma aposta rival que de fato enuncia proposições: ela nomeia a promoção sintética e a suspensão autoral — um self densamente vozeado, mas não autoral — e prediz uma interação de crossover em que a autoria e a coerência avaliadas de uma narrativa de decisão de vida se movem em direções opostas (Du et al. (2026)).

  • Agentivismo. Yan e Gašević (2026) propõem o Agentivismo como uma teoria da aprendizagem de alcance médio para a interação humano-IA, definindo a aprendizagem como crescimento durável na capacidade humana, e não como conclusão bem-sucedida de tarefas com IA, e especificando quatro mecanismos: agência delegada, monitoramento e verificação epistêmicos, internalização reconstrutiva e transferência sob apoio reduzido. O que o separa das outras apostas nesta página é a falsificabilidade: ele enuncia seis proposições, incluindo que a aprendizagem é mais forte quando a IA preserva a responsabilidade do aprendiz pelo enquadramento do problema, pela definição de critérios e pela justificação do que quando ela fornece as respostas, e que exigir verificação deveria melhorar o desempenho tardio, enquanto a delegação repetida de baixo atrito sem reconstrução deveria enfraquecer a calibragem que os aprendizes fazem de sua própria competência.

O teorizar do lado do professor agora faz o mesmo compromisso de testabilidade: o Modelo Capacidade–Decisão ordena a capacidade de AI-TPACK a montante da atitude e do controle comportamental percebido e nomeia quatro condições de desconfirmação — falha de mediação, colapso discriminante, nulidade de moderação e redundância de contexto —, embora o modelo permaneça não testado (Mnguni (2026)).

  • Coagência epistêmica. Learning with Machines constrói "rumo a uma teoria da coagência epistêmica", um modelo informado por teoria de como aprendizes e sistemas de GenAI produzem conjuntamente conhecimento e compreensão.
  • A linha de base cognitiva ausente (ACB). The Absent Cognitive Baseline teoriza uma lacuna estrutural na autoavaliação acadêmica de estudantes nativos de IA — um framework de três dimensões que explica por que os estudantes superestimam sua aprendizagem quando a IA infla o desempenho.
  • Os comuns cognitivos. Cognitive commons and expertise regeneration recorre à teoria dos recursos comuns e à cognição distribuída para explicar como decisões racionais de adoção de IA podem esgotar o pool de expertise compartilhada de que as profissões precisam para se renovar.
  • Desempenho vs. aprendizagem. O desempenho-vs-aprendizagem teoriza a divergência aguda entre o desempenho em tarefas inflado pela IA e a aprendizagem durável, uma distinção que recorre ao longo da evidência de ganhos de aprendizagem da base de conhecimento.
  • Letramento epistêmico em IA (EAIL). O Letramento Epistêmico em IA reenquadra o letramento em IA como uma competência epistêmica orientada ao processo, centrada em como o conhecimento é construído e justificado quando os estudantes coprogramam com IA generativa.
  • Teoria dos Três Sistemas. Shaw e Nave (2026) estendem as contas de processo duplo com o Sistema 3 — raciocínio externo, automatizado e dirigido por dados vindo da IA, que pode suplementar, suplantar ou suprimir os Sistemas 1 e 2 — e nomeiam a rendição cognitiva, a adoção acrítica da saída da IA, como sua falha característica.
  • Mordomia cognitiva. O Credential and cognitive stewardship teoriza a responsabilidade institucional por proteger o conhecimento e a aprendizagem em contextos de avaliação permeados pela IA.
  • Corregulação e proatividade epistêmica. A IA como parceira cognitiva na corregulação integra função executiva, metacognição, cognição distribuída e desenvolvimento sociocultural em um modelo desenvolvimental; a proatividade epistêmica teoriza a postura agêntica dos estudantes em relação à IA na matemática.
  • Paradigmas de engajamento humano-GAI. Strydom (2026) aborda o "déficit de teoria" do campo fundamentando sete paradigmas de engajamento humano-GAI encenados (guardado, focado em possibilidades, aumentado, pioneiro, simbiótico, baseado em valores, equidade) no modelo multidimensional de Schommer de crenças epistemológicas pessoais — uma teoria epistemológica, e não focada em ferramentas, de como os indivíduos se posicionam diferentemente em relação à IA.
  • O Framework de Coagência Ecológica. Poudyal (2026) argumenta que a IA generativa reatribui a autoridade epistemológica dos professores para os estudantes e para as máquinas, e introduz um framework que define a coagência por meio de três dimensões interdependentes — relacional, regulatória (mapeada sobre o ciclo da AAS) e pedagógica (continuum de adoção do professor) — todas limitadas por uma condição não negociável de responsabilidade epistêmica humana (contestabilidade, procedência e não delegação do crédito moral/intelectual). Ele posiciona a agência como um problema de design epistêmico, e não como uma preocupação de usabilidade, dando às instituições uma linguagem mais precisa do que "equilíbrio" para governar a integração da GenAI.
  • Agência epistêmica relacional e dependência epistêmica. Du & Yuan (2026) contribuem com uma conta crítico-integrativa de quando a dependência mediada por IA preserva versus desloca o juízo. Eles operacionalizam a fronteira dependência-produtiva/dependência-prejudicial por meio de seis critérios diagnósticos (contestabilidade, recuperabilidade, transferência, rastreabilidade, responsabilidade distribuída, pluralidade epistêmica) e traçam quatro vias sociotécnicas (autoridade fluente, delegação sem atrito, síntese opaca, dependência institucionalizada). Sua proposta normativa, a agência epistêmica relacional, estende as linhas de autonomia relacional e de coagência epistêmica retendo uma assimetria explícita — a IA pode moldar o raciocínio sem responsabilidade recíproca ou autoridade legítima —, ao mesmo tempo que integra responsabilidade e justiça epistêmica no nível institucional. Como teoria da aprendizagem com IA, ela move a questão do campo de se a IA ajuda ou prejudica para quais ações epistêmicas são preservadas, transformadas ou deslocadas, e faz do design da dependência, em vez do mero uso, o objeto da intervenção pedagógica e institucional.

Avançando a teoria estabelecida

Outros trabalhos estendem a teoria existente ao contexto da IA, em vez de fundar novos paradigmas: o trabalho do paradoxo-do-pensamento-crítico integra a teoria da carga cognitiva com a instrução de redução de carga em um framework de três níveis; a avaliação equitativa re-teoriza a avaliação sob a disrupção da GenAI. Ba, Gašević, Lim & Anderson (2026) reconceitualizam o próprio framework da Comunidade de Investigação: em vez de enquadrar a GenAI como uma ferramenta, parceira dialógica ou uma especulativa "quarta presença", eles a reposicionam como uma condição epistêmica que reconfigura como a presença cognitiva, social e de ensino são encenadas, evidenciadas e governadas — recastando as presenças da CoI como realizações sociotécnicas de conjuntos humano–GenAI e propondo uma heurística baseada em configuração na qual o envolvimento da GenAI e a qualidade da investigação estão condicionalmente relacionados por meio da responsabilidade humana. Grande parte disso é trabalho de framework conceitual (frameworks de escolas de negócios, simulação válida) que operacionaliza a teoria para a prática.

Lin e Chang (2026) estendem a aprendizagem autorregulada e a regulação humano–IA nomeando o que o aprendiz governa — padrões, juízos avaliativos e autorização de controle —, em vez de apenas o que a IA faz.

An, McLaren e Stamper (2026) avançam o ACT-R e o framework Conhecimento-Aprendizagem-Instrução ao teorizar a supergeneralização enganosa — um modo de falha em que a compilação de conhecimento produz uma produção supergeneralizada que gera ações corretas ao mesmo tempo que omite uma restrição crítica de aplicação — e ao validar empiricamente um procedimento de detecção/remediação ao longo de ITSs adaptativos e de um conjunto de dados de aprendizagem de decimais do K-12.

A pós-fenomenologia e a mediação tecnológica. Farazouli et al. (2026) avançam o framework pós-fenomenológico estabelecido da mediação tecnológica (Ihde 1990; Verbeek 2006, 2011; Rosenberger & Verbeek 2015) para o contexto da IA na educação. Em vez de propor uma nova teoria, eles a aplicam para reconceitualizar os chatbots de GAI como artefatos tecnológicos multiestáveis cujos "scripts" (responsividade rápida, texto de som natural que pode alcançar notas de aprovação) mediam as percepções dos professores e reconfiguram suas práticas — abalando a confiança dos professores, remodelando o que competência significa e empurrando os professores além das questões instrumentais de uso aceitável rumo à reavaliação de seu papel e do significado do ensino. Essa é uma contribuição de avanço da teoria: ela demonstra como uma conta filosófica das relações humano–tecnologia explica a disrupção emocional e profissional que os professores vivenciam quando a GAI entra na prática educacional estabelecida.

Uma contribuição adicional de framework é a tipologia AI×Ed de Rismanchian & Doroudi, que estende as "três interações" originais de Kahn (1977) ao longo de dois eixos — o papel da IA (ferramenta aplicada vs. analogia com a inteligência humana) e o usuário final (de pesquisador a aprendiz) — para localizar qualquer projeto de AIED. Além de categorizar o campo, ela argumenta por reviver a vertente de teoria e pesquisa da "IA como analogia à inteligência humana", usando modelos computacionais e baseados em agentes da aprendizagem (p. ex., seu próprio modelo computacional do framework ICAP) para construir uma ponte entre a teoria da aprendizagem contemporânea e a modelagem computacional — uma direção metodológica que o campo em grande parte abandonou quando se voltou para o trabalho aplicado e dirigido por dados.

A filosofia comparada como via para o pluralismo teórico. Xie (2026) modela uma via diferente para o desenvolvimento de teoria: em vez de teorizar a IA na educação a partir de dentro de uma tradição, o artigo encena um diálogo comparado no qual cada tradição "torna visível o que a outra obscurece", recusando-se explicitamente a sintetizá-las em um único framework — uma abordagem que trata o pluralismo teórico como uma posição metodológica, e não como um desacordo não resolvido. Ele argumenta que as tradições não ocidentais podem fazer mais do que diversificar os debates; elas podem remodelar os fundamentos conceituais da teoria da AIEd, reconstruindo a "natureza do Dao" taoista (道性), o autocultivo (修道) e o "Zhenren" (真人) como recursos para repensar a agência, os objetivos epistêmicos da educação e a ação ética sob condições mediadas por IA. Ele também declara os limites com clareza: a contribuição é de autor único e não empírica, e adverte que tal tradução exige contextualização para evitar romantização e orientalismo. (Alternative AI Philosophy: Daoism as Method for AI in Education)

O problema do uso de teoria na AIEd

O teorizar do campo é desigual. As Limitações na pesquisa em AIEd documentam que os estudos de AIEd frequentemente usam a teoria de forma fraca ou acrítica — uma fraqueza metodológica recorrente junto com lacunas de reprodutibilidade e de medição. Revisões descobrem que muitos artigos de AIEd aplicam a teoria superficialmente ou não a aplicam (p. ex., revisões de literatura notando que poucos estudos fundamentam intervenções na teoria da aprendizagem). Isso torna o desenvolvimento de teoria — e o uso de teoria — uma preocupação de qualidade tanto quanto uma produção acadêmica, conectando-se aos métodos de pesquisa e à avaliação da IA na educação.

Relação com a filosofia da IA na educação

O desenvolvimento de teoria e a filosofia da IA na educação são vertentes complementares, mas distintas, do trabalho fundacional da base de conhecimento. O desenvolvimento de teoria produz e testa empiricamente os mecanismos da aprendizagem-com-IA — teorias e frameworks nomeados, como o generativismo, a coagência epistêmica e a linha de base cognitiva ausente, que explicam e predizem como aprendizes e IA interagem. A filosofia interroga as pressuposições sobre as quais esses mecanismos repousam: o que conta como conhecimento, quem conta como conhecedor e o que o aprendiz fundamentalmente é. Uma teoria como a coagência epistêmica propõe um mecanismo ao mesmo tempo que adota implicitamente compromissos filosóficos sobre cognição distribuída e agência; a filosofia torna esses compromissos explícitos e contestáveis. Onde o desenvolvimento de teoria pergunta se um framework explica bem a aprendizagem, a filosofia pergunta se ele captura o que a aprendizagem e a mente realmente são — as duas vertentes se encontram nos artigos mais fundacionais do campo, que frequentemente fazem as duas coisas ao mesmo tempo.

Conceitos conectados

Artigos conectados

Metadados

Desenho do estudoLiterature Review
Aprendizagem e ensinoTeorias de aprendizagem
Métodos de pesquisa e avaliaçãoMétodos de pesquisa em AIED
Fundamentos da IA na educaçãoIA na educação, Limitações na Pesquisa em AIEd
Tipo de páginaFramework
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.