Nesta página

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

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

Síntese: A educação de graduação é onde a IA encontra as maiores turmas e a avaliação mais padronizada: cursos introdutórios de primeiro e segundo ano em que um instrutor ensina várias centenas de estudantes segundo uma rubrica compartilhada. Os ensaios neste nível se dividem pelo design, não pelo modelo. Um tutor construído a partir da própria pedagogia de um curso superou a aprendizagem ativa em sala de aula, enquanto um assistente de curso bem fundamentado, implantado sem integração instrucional, reduziu notas e participação. A evidência mais forte diz respeito a Retroalimentação (Feedback) em escala, a busca de ajuda com andaimes, a material de estudo verificado e a contato ativo que move prazos administrativos; a mais fraca diz respeito a afirmações de que um assistente geral eleva o que os estudantes conseguem fazer sem auxílio.

Perguntas para refletir

  • Se um tutor eleva as notas das tarefas em dois pontos e meio, mas a prova não se move, o que o curso comprou?
  • As notas caíram em um curso em que seis de cada sete estudantes nunca abriram o chatbot. O que a mera disponibilidade mudou?
  • O que é mais defensável em um curso de 600 estudantes: detectar envios escritos por IA, ou mudar o que o envio deve conter?
  • O que um curso de primeiro ano pode supor sobre os hábitos de IA que os estudantes aprenderam no ensino médio?
  • Quando a unidade de design é uma coorte de 900, e não um aprendiz, quais afirmações de personalização sobrevivem?

Introdução

A graduação é o conjunto de cursos do bacharelado: aulas expositivas, turmas, laboratórios e cursos de serviço, avaliados continuamente e somados em uma credencial. Os estudantes são adultos que escolhem seu próprio tempo de estudo, ensinados em coortes muito maiores que qualquer turma escolar. Ainda não são pesquisadores, e nenhum orientador é responsável por formar seu julgamento, o que separa essa faixa da pós-graduação.

A escala é a restrição definidora. Um curso introdutório de física, economia ou programação pode matricular de várias centenas a alguns milhares de estudantes, com assistentes de ensino que corrigem, cada um, dezenas de redações ou demonstrações. O volume de feedback, a disponibilidade de ajuda e o custo de perceber um estudante em dificuldade são os problemas recorrentes de design. A pergunta que decide se a IA ajudou não é se o sistema produziu uma resposta, mas o que os estudantes ainda faziam quando ele produzia.

O que a evidência neste nível mede

Os ensaios de graduação são fáceis de contar e difíceis de comparar. O desfecho costuma ser a nota de um curso, um teste escrito pelo instrutor ou uma rubrica aplicada a um artefato.

Tutoria e ajuda em grandes matrículas

O maior resultado positivo vem de um tutor construído a partir da própria pedagogia de um curso, não de um assistente geral.

A lacuna entre a nota e a aprendizagem

Quatro designs separam a nota na tarefa apoiada do que os estudantes conseguiam fazer sem ajuda, e concordam na direção.

O mecanismo usualmente oferecido é o descarregamento cognitivo: a ferramenta executa o processo que a tarefa foi desenhada para elicitar. O que se segue é uma ordenação, não uma proibição — uma tentativa primeiro, ajuda depois, e um julgamento avaliado sem a ferramenta.

O que os estudantes relatam sobre si mesmos

Os surveys neste nível perguntam aos estudantes o que eles ganharam, e suas respostas se alinham frouxamente com o que dizem ter feito. Torres-Peralta et al. (2026) pesquisaram 1.477 respondentes em Sonora, México, incluindo 765 estudantes universitários. Seu índice de engajamento repousa em três comportamentos relatados — ler, modificar e acrescentar ideias próprias — e mal se moveu com uma única autoavaliação de aprendizagem de 0–10, com correlação agregada de 0,052. Os estudantes universitários usaram o ChatGPT mais que os do ensino médio e avaliaram sua aprendizagem apenas ligeiramente mais alta. Os autores leem o resultado como um alerta sobre a validade da avaliação, não como um veredicto sobre a aprendizagem, já que nenhum desfecho foi medido.

Quando os preditores também são autorrelatados, um modelo descreve mais um estado de espírito do que um mecanismo. Kumar et al. (2025) modelaram caminhos para o desempenho autorrelatado em tarefas de 304 estudantes de duas universidades em Karnataka. O letramento digital alcançou β = 0,393 e a utilidade percebida β = 0,259, enquanto a consciência ética não predisse desempenho (β = −0,006, p = 0,924). Desempenho, letramento e ética foram todos autoavaliados, de modo que o caminho mais forte diz que estudantes que se avaliam como digitalmente letrados também avaliam melhor seu trabalho. O nulo da ética continua sendo o resultado útil: os autores o leem como a ética moldando a conduta, não as notas, e recomendam avaliar diretamente a divulgação e a citação.

A comparação entre níveis faz o lado da graduação parecer desigual, em vez de uniformemente baixo. Zaripova et al. (2026) compararam 381 estudantes de uma universidade técnica no Uzbequistão em uma subamostra balanceada de 302. Os estudantes de graduação tiveram média de 3,527 na escala de ética contra 4,627 dos de pós-graduação, com d = 1,47 para ética e autonomia acadêmica. A carga cognitiva percebida não diferiu por nível (p = 0,296). As distribuições carregam o ponto de design: os desvios padrão da pós-graduação em ética e autorregulação eram cerca de um terço dos valores da graduação, enquanto os graduandos atingiram o mínimo da escala. Uma coorte de primeiro ano, portanto, abriga estudantes que avaliam criticamente a saída ao lado de estudantes que relatam quase nada dessa disposição.

Lidos em conjunto, os surveys mostram o que o autorrelato pode e não pode estabelecer. Eles estabelecem distribuição e autoconceito — quão dispersa é uma coorte, como os estudantes se avaliam — e não aprendizagem. A evidência de desempenho acima é o que separa os dois, do teste de retenção de 57,5% contra 68,5% ao ganho de 0,54 DP que desapareceu quando o chatbot foi removido. Ganhos autorrelatados e preditores autorrelatados, portanto, precisam da mesma cautela em direções opostas. Um ganho medido por autoavaliação pode ser competência ou confiança, e um preditor medido da mesma forma pode acompanhar o desfecho porque um único instrumento produziu ambos. O teste é se um design muda algo que o estudante faz: um rascunho revisado, uma fonte verificada, um uso divulgado.

Escrita, feedback e integridade

A escrita é onde o uso de IA é mais visível e o contrato de avaliação mais fraco, porque um envio fluente não carrega nenhum traço do processo por trás dele.

O primeiro ano: transição, orientação e apoio

Os estudantes de primeiro ano chegam com hábitos formados na escola e pouca base para questionar uma resposta plausível. As ferramentas voltadas a eles fazem, em sua maioria, trabalho administrativo.

Conexões

A graduação se situa entre duas faixas estudadas com métodos diferentes. A educação secundária pressupõe frequência obrigatória, um adulto que media a ferramenta e a sala de aula como unidade de implantação. O ensino de graduação pressupõe aprendizes que definem seus próprios horários e trata o curso como unidade. O ensino superior é o quadro mais amplo — governança, desenvolvimento docente, compras e programas profissionais — e a maior parte da evidência sobre precisão de correção e política institucional está ali. A pós-graduação desloca a unidade de trabalho dos cursos para a pesquisa supervisionada, onde a questão se torna o julgamento. Os níveis educacionais apresentam o conjunto completo de faixas.

Implicações para a prática

Para instrutores

Para líderes de curso e de programa

  • Trate o chatbot de um curso como uma intervenção pedagógica. A mesma tecnologia não produziu efeito mensurável em um curso randomizado e reduziu notas em outro.
  • Orçe o trabalho de verificação. O material de estudo verificado custou 1,8 minuto de tempo da equipe por estudante e produziu seu maior ganho entre os estudantes mais fracos.
  • Monitore os efeitos por subgrupo antes de escalar. O diferencial de primeira geração no ensaio de 2.379 estudantes foi o maior dano e invisível na média do curso.

Para pesquisadores

  • Relate um desfecho sem auxílio e um tardio, ou um efeito no artefato será lido como um efeito de aprendizagem.
  • Pré-especifique uma margem de equivalência ao afirmar que o feedback de IA é tão bom quanto o feedback do instrutor.

Ideias equivocadas comuns

  • "O chatbot de um curso é infraestrutura neutra." No ensaio de 2.379 estudantes, 15% dos estudantes usaram a ferramenta e as notas caíram 0,37 DP, com a participação caindo 0,90 DP.
  • "Uma nota maior no exercício significa mais aprendizagem." Usuários do ChatGPT pontuaram 71,84% contra 29,85% em um exercício de CS1, enquanto os ganhos conceituais foram estatisticamente idênticos entre os braços.
  • "Detectores podem resolver um caso de integridade." Sete detectores tiveram média de 61,22% de falsos positivos em redações de escritores não nativos de inglês, e 97% foram sinalizados por pelo menos um.
  • "Uso diário significa que o letramento em IA pode ser presumido." O uso relatado subiu a cada ano do ensino médio enquanto a confiabilidade julgada permaneceu estável; a cautela em tarefas de pesquisa apareceu apenas no quarto ano.

Conceitos conectados

Artigos conectados

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.