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

Conhecimento tecnológico, pedagógico e de conteúdo (TPACK)

Criado 2026-08-14 · Atualizado 2026-10-07

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

Conhecimento Tecnológico, Pedagógico e de Conteúdo (TPACK) — o framework (Mishra & Koehler, 2006) que descreve o conhecimento integrado de que os professores precisam para usar a tecnologia com eficácia no ensino: a interação entre Conhecimento Tecnológico (TK), Conhecimento Pedagógico (PK) e Conhecimento de Conteúdo (CK), e suas interseções. Na era da IA, o TPACK foi estendido para AI-TPACK / GenAI-TPACK, modelando como os professores integram a IA generativa à instrução em área de conteúdo. É a lente teórica dominante para compreender como a competência em IA do professor é estruturada e construída por meio do desenvolvimento profissional.

Essa dominância também é em parte um artefato de recuperação: em uma revisão de escopo PRISMA de 195 estudos de formação de professores com apoio de tecnologia, competência digital, TPACK e DigCompEdu eram descritores explícitos de busca, de modo que a parcela de 46,5% de frameworks de competência descreve o corpus recuperado, e não o campo (Patiño Hernández et al. (2026)).

Perguntas para refletir

  • O TPACK afirma que o ensino eficaz com tecnologia não é a soma de habilidades separadas (conhecer sua disciplina + conhecer o ensino + conhecer a ferramenta), mas o produto de sua interação. Pense em uma aula que genuinamente funcionou com uma tecnologia. Quais combinações de conhecimento de conteúdo, pedagogia e tecnologia — e não qualquer um deles isoladamente — pareciam fazer o trabalho?
  • Uma suposição comum é que um professor "afeito à tecnologia" está, portanto, pronto para ensinar com IA. Onde essa suposição pode falhar — por exemplo, quando um professor tecnicamente fluente ainda usa a IA de forma pedagogicamente rasa ou imprecisa no conteúdo? Como seria uma "competência" que um simples teste de habilidades técnicas deixaria passar?
  • A era da IA reenquadra a tecnologia no TPACK, de uma ferramenta passiva para um agente ativo que pode planejar, gerar e dar tutoria. Se o trabalho do professor passa de operar uma ferramenta para orquestrar uma IA que age por conta própria, que novo conhecimento isso exige — e alguma checklist estática consegue capturá-lo?
  • A página sugere que o desenvolvimento profissional deveria treinar as interseções, e não apenas as ferramentas. Pense no último treinamento de tecnologia que você frequentou ou desenhou. Ele era majoritariamente "como usar o software", ou construía conteúdo e pedagogia junto com a tecnologia? Qual abordagem você esperaria que mudasse mais a prática em sala de aula, e por quê?
  • A pesquisa encontrou diferentes "arquétipos de professor" — otimizadores, criadores, observadores passivos — que se beneficiam de diferentes tipos de apoio. A qual arquétipo você mais se assemelha ao usar IA no ensino, e que tipo de andaimento você acha que o ajudaria mais? Seus estudantes o descreveriam da mesma forma que você se descreve?
  • Alguns pesquisadores argumentam que a integração eficaz de IA emerge das crenças e do senso de eficácia de um professor, e não apenas de seu conhecimento. No que você acredita sobre o papel da IA na aprendizagem, e como essa crença — mais que sua habilidade técnica — poderia moldar se e como você de fato a integra?

Introdução

  • Crompton et al. operacionalizam por DBR padrões de integração de tecnologia do corpo docente que estendem o framework TPACK para a prática institucional.

O framework

O TPACK sustenta que a integração eficaz de tecnologia não é a soma de domínios de conhecimento separados, mas o produto de sua interação dinâmica. O framework compreende três domínios base e quatro interseções:

  • Conhecimento de Conteúdo (CK) — conhecimento da matéria a ser ensinada.
  • Conhecimento Pedagógico (PK) — conhecimento de métodos de ensino, estratégias e de como os estudantes aprendem.
  • Conhecimento Tecnológico (TK) — conhecimento de como usar ferramentas e tecnologias, incluindo IA generativa.
  • Conhecimento Pedagógico de Conteúdo (PCK) — como ensinar conteúdo específico com eficácia.
  • Conhecimento Tecnológico de Conteúdo (TCK) — como a tecnologia molda e representa o conteúdo.
  • Conhecimento Tecnológico Pedagógico (TPK) — como a tecnologia apoia ou restringe as estratégias de ensino.
  • TPACK — o conhecimento integrado e emergente no centro, onde os três domínios interagem para possibilitar o ensino específico de conteúdo, ampliado por tecnologia.

AI-TPACK e GenAI-TPACK

A era da IA empurrou o framework para uma leitura de tecnologia-com-inteligência. Em vez de uma ferramenta passiva, a IA generativa é um agente ativo que pode planejar, gerar conteúdo, dar tutoria e se adaptar —, de modo que o conhecimento de integração inclui crescentemente a orquestração: decidir quando e como a IA age, dá andaimento ou cede ao juízo humano.

  • Além do conhecimento discreto. A pesquisa sobre AI-TPACK argumenta que a integração eficaz de IA emerge não de possuir domínios separados, mas da interação dinâmica de pensamento sistêmico, crenças pedagógicas e Autoeficácia — desafiando modelos estáticos e baseados em checklist da competência docente em IA. Arquétipos de professor (Otimizadores Sistemáticos, Criadores Prolíficos, Observadores Passivos) emergem de como os professores desenham fluxos de trabalho instrucionais multiagentes.
  • O que os frameworks de integração deixam de fora. Uma crítica de co-agência sustenta que o TPACK e o SAMR abordam o conhecimento do professor e os níveis de adoção, mas deixam sem tratamento poder, propriedade de dados e responsabilização, de modo que o conhecimento de integração precisa de uma fronteira ética explícita, e não de mais um domínio de conhecimento (Poudyal (2026)).
  • Evidência transníveis para o núcleo pedagógico. Um estudo multinível de 46 professores e 2.832 estudantes do ensino médio constatou que o conhecimento técnico de IA, isoladamente, era insuficiente — chegando a amortecer levemente as percepções dos estudantes sobre a IA para o bem social —, enquanto o conhecimento pedagógico de IA (TPAIK) foi o que fomentou as percepções dos estudantes e a intenção comportamental de aprender IA. O resultado se destila em uma diretriz de "pedagogia primeiro, tecnologia segundo" que ecoa os achados sobre papel mediador acima.
  • A ética como mediadora integradora, não como fronteira. Em uma pesquisa com 454 professores universitários, o conhecimento tecnológico de IA isolado teve uma associação direta negativa com o AI-TPACK integrado (β = −0,303), enquanto seu efeito total permaneceu positivo (β = 0,639), passando pelo conhecimento pedagógico, de conteúdo e ético (Chen et al. (2026)). O conhecimento ético também canalizou o efeito adiante, prevendo tanto o conhecimento pedagógico (β = 0,353) quanto o de conteúdo (β = 0,269).
  • Uma lente de revisão para todo o campo. Uma revisão sistemática da perspectiva do TPACK (Liu & Zhong, 2025) analisou 71 estudos empíricos de IA generativa na aprendizagem dos estudantes, encontrando um efeito positivo no geral (g de Hedges = 0,752) e identificando o letramento em IA generativa para estudantes e o desenvolvimento profissional em GenAI-TPACK para professores como as duas prioridades críticas para o campo.
  • A proficiência, isoladamente, não prevê a integração pedagógica. Choi et al. (2026) mensuraram o Intelligent-TPACK dos professores para segmentar os participantes e observaram que mesmo novatos proficientes em IA se apoiavam passivamente na saída da IA durante o desenho de aulas, enquanto professores experientes — com Intelligent-TPACK medido mais baixo — reengajavam-se criticamente e adaptavam as sugestões da IA ao contexto pedagógico. O resultado reforça o padrão acima: o AI-TPACK se traduz em uso sólido em sala de aula por meio do juízo pedagógico experiente, e o apoio da formação de professores precisa, portanto, mirar a aplicação do conhecimento de IA, e não sua mera posse.
  • Contexto da formação de professores. O TPACK é instrumental para cultivar a competência dos professores de integrar tecnologia à instrução específica de currículo, e é por isso que a pesquisa em formação de professores e DP (por exemplo, programas intensivos de DP com IA generativa, prontidão em AI-TPACK entre professores de matemática em formação) o mensura crescentemente como o resultado de interesse.
  • O conhecimento pedagógico medeia a integração de IA generativa. Mohebi e ElSayary (2026) pesquisaram 325 professores em serviço em 26 países e entrevistaram sete, usando um desenho de métodos mistos explicativo sequencial para modelar o TPACK-GenAI. Conhecimento Tecnológico (TK), Conhecimento Pedagógico (PK) e Conhecimento Pedagógico de Conteúdo (PCK) se associaram cada um ao TPACK-GenAI geral, mas o Conhecimento Tecnológico Pedagógico (TPK) mediou esses vínculos — evidência de que o movimento "da proficiência para a pedagogia" importa: traduzir a habilidade em IA generativa em uso sólido em sala de aula passa pelo conhecimento de integração tecnológico-pedagógica, e não pela mera familiaridade com a ferramenta.
  • No ensino superior, a expertise de conteúdo não se transfere para a integração de IA generativa. Sutedjo, Chowdhury & Liu (2026) adaptaram o instrumento TPACK-21 para pesquisar 127 professores em uma universidade de pesquisa dos EUA sobre o uso de IA generativa para ensinar competências do século XXI. Os professores relataram CK forte (M = 5,15) e PCK (M = 4,70), mas conhecimento integrado a tecnologia baixo — TPK (M = 2,62), TCK (M = 2,75) e TPACK geral (M = 2,55, o domínio mais baixo) —, e o CK mostrou nenhuma correlação significativa com o TK ou com qualquer domínio integrado a tecnologia (r = .11–.15, ns). Os três domínios integrados a tecnologia se intercorrelacionaram tão fortemente (r = .81–.91) que podem funcionar como um único fator de integração de IA generativa. O resultado reforça o princípio de desenho de treinar as interseções: o desenvolvimento docente precisa construir deliberadamente o conhecimento de integração de IA generativa por meio de atividades específicas da disciplina, em vez de pressupor que a expertise na matéria se transferirá, e tratar os domínios integrados a tecnologia como uma base compartilhada de letramento em IA generativa.
  • O modo institucional e o nível de treinamento interagem. Mnguni et al. (2026) compararam 186 professores de ciências em formação do último ano em uma universidade sul-africana presencial (n = 85) e em uma universidade de educação a distância (n = 97). O TPACK autorrelatado foi maior no campus (64,0% versus 47,4%), o Conhecimento Pedagógico foi o domínio menos relatado em ambos os grupos (53% no campus), e o nível de treinamento em IA se associou ao TPACK autorrelatado apenas na instituição a distância, onde completar um curso curto de cinco créditos previu TPACK relatado mais fraco que nenhum treinamento (p = .039, versus p = .607 no campus). A prontidão acompanha, portanto, o contexto de provisão institucional, e não as horas de treinamento isoladamente, e os autores advertem que a prontidão autorrelatada não pode substituir a evidência de desempenho.

Uma advertência de mensuração complementar vem do Modelo Capacidade–Decisão do mesmo autor: quando o TPACK é autorrelatado e o controle comportamental percebido é mensurado como autoeficácia, os dois podem não ser empiricamente distinguíveis, de modo que um estudo não consegue dizer se a capacidade ou a confiança geral preveem a intenção (Mnguni (2026)).

  • O TPACK integrado se move mais quando a IA recebe andaimento dentro de tarefas autênticas baseadas em problemas. Chen e Osman (2026) compararam um módulo de CTD-ABP apoiado por IA de oito semanas com instrução convencional para 130 professores de física em formação do terceiro ano em um desenho quase-experimental de turma intacta (65 por condição), com os grupos usando o DeepSeek por meio de templates de prompt específicos de tarefa e cada saída de IA obrigada a passar por verificação humana antes de entrar em um artefato instrucional. O grupo do módulo relatou maior TPACK no pós-teste (M = 4,04 versus 3,40, p < 0,001, d = 1,02) e maior resolução colaborativa de problemas percebida (M = 3,62 versus 3,05, d = 0,88), com interações significativas de grupo × tempo em ambos os resultados. Onde os ganhos aterrissaram é o detalhe relevante para o TPACK: os maiores efeitos dimensionais foram nos domínios integrados — TPCK (d = 1,21), PCK (d = 1,06) e TPK (d = 0,95) —, e os ganhos de colaboração foram mais claros na construção compartilhada de conhecimento e na regulação social, isto é, nas interseções, e não nos domínios base. Os autores apresentam isso como mudança diferencial associada a uma condição instrucional integrada, e não como um efeito da IA: a IA nunca foi isolada da cadeia de tarefas de ABP, da colaboração estruturada, do andaimento do instrutor, do feedback entre pares ou da revisão reflexiva, e ambos os resultados eram percepções de competência baseadas em questionário, e não desempenho demonstrado em sala de aula.
  • Uma intervenção pode mover primeiro o domínio base. Um programa de desenvolvimento profissional de seis meses construído diretamente sobre o framework Intelligent-TPACK elevou mais o conhecimento técnico de IA (AITK: 3,92 para 4,43, t(63) = 3,856, p < .001, d = .48), o conhecimento tecnológico-pedagógico em seguida (AITPK: d = .33) e o AITPACK integrado menos (d = .26), com a consciência ética deixada comparativamente estagnada (Tan, Cheng & Ling, 2025). A ordenação é a imagem espelhada dos ganhos de domínio integrado de Chen e Osman, e ambos são autorrelato.

O AI-TPACK como mediador entre letramento e integração em sala de aula. Um modelo de equações estruturais de professores de ciências chineses em formação (Zou, Li, Wang & Du, 2026) posiciona o AI-TPACK não como uma competência paralela, mas como o mecanismo de transmissão pelo qual o letramento em IA geral se torna prática de ensino. O letramento em IA previu fortemente o AI-TPACK, o AI-TPACK por sua vez previu a Autoeficácia de ensino de ciências, e a autoeficácia de ensino foi o preditor isolado mais forte da intenção de ensinar por meio de investigação integrada à IA.

A cadeia serial completa (letramento em IA → AI-TPACK → autoeficácia → intenção) foi significativa, assim como as rotas indiretas separadas por meio do AI-TPACK e por meio da autoeficácia; tomadas em conjunto, a maior parte da associação do letramento em IA com a intenção passou por esses mediadores, e não diretamente, e o resultado se manteve após controlar por gênero, ano de estudo, curso e frequência de uso de IA. A afirmação prática do modelo é uma sequência com um ponto de entrada: o letramento em IA é necessário, mas insuficiente, e o trabalho de integração acontece onde o conhecimento tecnológico, pedagógico e de conteúdo são combinados — que é também onde a confiança dos professores em ensinar a disciplina é construída.

  • A validação como quarta competência. Orhon, Cekerol e Ugur (2026) estendem o modelo com Conhecimento de Validação de IA — submeter a saída probabilística de IA a verificação específica da disciplina antes de tratá-la como evidência de uma decisão legítima — e o associam a uma rubrica orientada ao processo para a educação em design.

Por que isso importa na educação com IA

O TPACK é o framework organizador do lado docente da base de evidências da base de conhecimento. Ele explica por que a competência em IA do professor é mais que fluência em ferramentas: os professores precisam integrar conhecimento tecnológico, pedagógico e de conteúdo juntos para transformar a IA em ganhos de aprendizagem. A página de competência em IA do professor da base de conhecimento cobre as dimensões da competência; o TPACK é a estrutura de conhecimento que as sustenta. A pesquisa sobre confiança do professor, desenvolvimento profissional e o papel docente em transformação opera toda dentro (ou contra) esse framework. O framework está agora sendo estendido para avaliar programas inteiros: Wu & Li (2026) constroem um sistema de avaliação AHP-Fuzzy-AHP para programas de certificado em IA sobre as dimensões do TPACK e constatam que a competência profissional do corpo docente — e não a infraestrutura técnica — é a maior lacuna entre a prioridade dos especialistas e a provisão atual, sinalizando que a credenciação deveria investir na capacidade pedagógica integrada dos professores.

Implicações para o desenho

  1. Treine as interseções, e não apenas as ferramentas. O DP deveria construir conhecimento tecnológico, pedagógico e de conteúdo juntos, em vez de oferecer treinamento isolado em ferramentas — o princípio central de desenho do TPACK.
  2. Trate a IA como um agente, não como um eletrodoméstico. O AI-TPACK estende o framework para a orquestração de agentes de IA, exigindo pensamento sistêmico e juízo pedagógico sobre quando a IA deveria agir.
  3. Diferencie o DP por perfil de professor. Diferentes arquétipos de professor (otimizadores, criadores, observadores) se beneficiam de andaimentos diferentes — frameworks avançados, feedback rápido ou modelagem explícita, respectivamente.
  4. Avalie a competência integrada. Os resultados orientados ao TPACK (por exemplo, ganhos de AI-PCK) deveriam ser mensurados como capacidade integrada, e não como familiaridade autorrelatada com ferramentas.

Conceitos conectados

Artigos conectados

Perguntas frequentes relacionadas

Metadados

Público-alvoFaculty Developers, Instructors
Tecnologias e técnicasIA generativa
Fundamentos da IA na educaçãoLetramento em IA, Desenho curricular, Desenvolvimento educacional, Desenho de aprendizagem, A docência, Conhecimento tecnológico, pedagógico e de conteúdo (TPACK), Competência em IA do professor
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.