Design universal para a aprendizagem

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

O Design Universal para a Aprendizagem (DUA) — um framework educacional que projeta a instrução para ser acessível e eficaz para a gama mais ampla de quem aprende, incorporando proativamente meios flexíveis de engajamento, representação e ação/expressão, em vez de adaptar acomodações a posteriori para indivíduos.

Perguntas para considerar

• A afirmação central do DUA é que a variabilidade de quem aprende é a norma, não a exceção — então projete para muitos caminhos desde o início em vez de consertar um caminho único para quem tem dificuldade. Você tende a projetar para um quem aprende "médio" e a acrescentar acomodações depois? O que poderia se perder nessa abordagem padrão?
• Pense em uma vez em que um formato particular (um texto denso, uma aula expositiva, uma única forma de mostrar o trabalho) excluiu você ou alguém que você ensinou. Qual dos três princípios do DUA — engajamento, representação ou ação/expressão — estava em jogo, e como teria sido uma alternativa flexível?
• A IA generativa pode criar exemplos personalizados, legendas, resumos e múltiplos formatos de avaliação — aparentemente um presente para o DUA. Mas a página alerta que a IA também pode codificar viés e reduzir a agência de quem aprende. Antes de continuar lendo, como uma ferramenta construída para personalizar poderia acabar estreitando em vez de ampliar os caminhos de aprendizagem de alguns estudantes?
• Um mal-entendido comum é que o DUA significa baixar os padrões ou dar a todos desfechos diferentes. Considere uma tarefa que permite aos estudantes entregar uma redação, um vídeo, um diagrama ou código para o mesmo resultado de aprendizagem. Isso é um rebaixamento, ou uma forma mais justa de avaliar a mesma habilidade? Defenda sua visão.
• O DUA transforma "consertar quem aprende" em "consertar o design". Escolha uma experiência de aprendizagem frustrante que você teve ou projetou. Se a barreira fosse um problema de design, e não um problema do estudante, o que você mudaria no design para removê-la para todos?
• A página alerta contra IA que presume um único estilo de comunicação ou penaliza a expressão neurodivergente. Se você usa ou projeta ferramentas assistidas por IA, onde estilos "padrão" poderiam silenciosamente excluir quem aprende — e o que seria preciso para auditar isso?

Introdução

O DUA repousa sobre a percepção de que a variabilidade de quem aprende é a norma, não a exceção. Em vez de projetar um caminho único e acrescentar apoio para quem tem dificuldade, o DUA projeta múltiplos caminhos desde o início, de modo que as barreiras são removidas para todos. É uma lente central para a aprendizagem inclusiva, a equidade na educação com IA e a educação especial.

Os três princípios

• Múltiplos meios de engajamento — o "porquê" da aprendizagem: formas variadas de motivar e sustentar o interesse, conectar-se à relevância e apoiar a autorregulação.
• Múltiplos meios de representação — o "o quê" da aprendizagem: apresentar informação em formatos variados (texto, áudio, visual, interativo) para que todos possam percebê-la e compreendê-la.
• Múltiplos meios de ação e expressão — o "como" da aprendizagem: oferecer formas variadas de quem aprende demonstrar o que sabe (escrever, falar, construir, performar).

O DUA na era da IA

A IA generativa cria novas oportunidades e novos riscos para o DUA. A IA pode personalizar a representação e fornecer caminhos alternativos, apoiando a aprendizagem personalizada e a acessibilidade. Mas ela também pode codificar viés, presumir estilos de comunicação dominantes e — se reduzir a agência de quem aprende — minar o princípio do engajamento. A pesquisa sobre dano à aprendizagem por uso indevido de IA e equidade mostra que ferramentas de IA precisam ser projetadas com princípios inclusivos, ou elas recapitulam as lacunas de equidade na educação com IA. O DUA informa portanto tanto como a IA é implantada quanto como o letramento em IA e a avaliação são projetados para ser justos ao longo da variabilidade de quem aprende.

A equidade por design é uma forma concreta de operacionalizar essa postura. Wenzel, Geiger e Liening (2026) fundamentam seu framework CAIS-GBL para agentes conversacionais de IA em jogos de simulação de negócios em uma abordagem explícita de equidade por design alinhada ao design universal para a aprendizagem, derivando metarrequisitos que abrangem engajamento cognitivo, motivacional, afetivo e sociocultural. Seus princípios e características de design visam enfrentar as diferenças individuais de quem aprende em pontos fortes, desafios e interesses — uma aplicação concreta dos princípios do DUA ao design da aprendizagem baseada em jogos adaptativa e com apoio de IA.

A IA também aparece nesta literatura como obstáculo ao DUA, e não como instrumento dele. No estudo de |métodos mistos de Sidhu, Atif e Newland (2026) com 69 professores em uma universidade de Ontário, um dos quatro temas-chave é que a IA generativa está revertendo o progresso no design acessível de cursos; a citação do título, "A IA está reduzindo as opções que eu tinha", vem de suas entrevistas, porque as tarefas para fazer em casa e baseadas em redação que faziam o trabalho de inclusão são justamente as que uma IA agora consegue concluir por completo. Seus achados no nível do corpo docente mostram por que esse retrocesso recai sobre uma base já escassa: 90% dos respondentes acreditavam que criam um ambiente de aprendizagem acessível e 87% disseram considerar ativamente a acessibilidade, mas menos da metade (46%) achava que a universidade oferecia recursos suficientes para isso, e cerca de um quinto nunca tinha ouvido falar de técnicas tão básicas quanto PDFs legíveis por OCR ou links independentes de cor. A demanda está superando a oferta — as matrículas em universidades de Ontário cresceram 17% de 2013 a 2022, enquanto os registros nos serviços de acessibilidade subiram 126% —, de modo que o caso que o estudo faz é que o apoio ao DUA precisa ser provido de recursos para compensar as opções de avaliação que a IA removeu.

Conexões

O DUA se conecta à aprendizagem inclusiva, à equidade na educação com IA, à educação especial, ao design de aprendizagem e à pedagogia culturalmente relevante. Na avaliação, ele se cruza com a ênfase da avaliação autêntica na justiça representacional e com a redução do uso indevido de IA como guarda-corpo contra ferramentas que penalizam estilos de comunicação particulares. Como o DUA é o framework mais comumente invocado em contextos de deficiência no ensino superior (onde "educação especial" é um termo de K-12), ele costuma ser a página certa para vincular pesquisa de nível universitário sobre quem aprende com deficiência.

Implicações e exemplos para professores e designers instrucionais

O DUA transforma "consertar quem aprende" em "consertar o design". Para professores e designers trabalhando com IA, os três princípios se traduzem em movimentos concretos:

Engajamento — ofereça múltiplas formas de despertar e sustentar a motivação.

• Deixe quem aprende escolher como se engajar: opções baseadas em problemas, em jogos, de discussão ou no próprio ritmo.
• Use a IA para trazer a relevância à tona — exemplos personalizados, conexões com o mundo real, ou escolha de tema — em vez de uma única tarefa genérica.
• Exemplo: Um curso usa IA para gerar exemplos resolvidos variados atrelados a diferentes interesses de quem aprende (negócios, saúde, artes), permitindo aos estudantes escolher o contexto que os motiva.

Representação — apresente a informação em múltiplos formatos.

• Ofereça o mesmo conteúdo como texto, áudio, vídeo e interativo — a IA pode autogerar legendas, transcrições, resumos e explicações alternativas em diferentes níveis de leitura.
• Exemplo: Um instrutor usa um assistente de IA para produzir um resumo em linguagem simples e uma versão em áudio de uma leitura densa, para que quem aprende possa escolher seu ponto de entrada. Pareie com acessibilidade (legendas, texto alternativo) para que todo formato seja utilizável.

Ação e expressão — deixe quem aprende mostrar o que sabe de formas variadas.

• Ofereça escolha de produto de avaliação (redação, apresentação, vídeo, diagrama, código) alinhada ao mesmo resultado de aprendizagem.
• Exemplo: Um projeto permite a entrega como relatório escrito, explicador em vídeo assistido por IA ou demonstração ao vivo — com andaimes de IA apoiando cada modo. No design de avaliação, isso é paralelo à justiça representacional da avaliação autêntica.

Projete para letramento em IA e agência.

• Ensine aos estudantes como e quando usar IA, e construa pontos de verificação que mantenham quem aprende (e não a ferramenta) responsável — veja letramento em IA e redução do uso indevido de IA.
• Exemplo: Uma tarefa alinhada ao DUA deixa os estudantes usarem IA para redigir, mas exige uma reflexão metacognitiva sobre sua própria contribuição, preservando os princípios de engajamento e agência.

Use a IA para remover barreiras, não para acrescentá-las.

• Implante a IA para fechar lacunas de desempenho (por exemplo, vídeos segmentados por IA com pausas ajudaram quem aprende com TDAH) e para reduzir o custo de formatos acessíveis.

• Proteja-se contra IA que presume um único estilo de comunicação ou penaliza a expressão neurodivergente — conecte-se a acessibilidade, equidade na educação com IA e neurodiversidade.

• Mire as barreiras funcionais, não os diagnósticos. Rempel et al. (2026) concluíram que o corpus de 40 estudos de tecnologias assistivas para estudantes neurodivergentes se organiza em torno de acomodação e de ferramentas condicionadas a diagnóstico, e argumentam que projetar para as barreiras transversais que os estudantes de fato enfrentam é o que torna uma ferramenta plausivelmente universal.

Conceitos conectados

• Aprendizagem inclusiva
• Acessibilidade
• Tecnologia assistiva
• Equidade na educação com IA
• Educação especial
• Neurodiversidade
• Desenho de aprendizagem
• Aprendizagem personalizada
• Pedagogia culturalmente relevante
• Avaliação autêntica
• Experiência dos estudantes
• generative-ai
• Pedagogias e Estratégias de Ensino — Guarda-chuva: pedagogias e estratégias de ensino na educação com IA
• Mitigação de viés
• Reduzir o uso indevido de IA
• K-12 (educação básica e média)

Artigos conectados

• Cognitive Offloading in the Age of Generative AI: What Does It Mean for Students With Learning Disabilities? — Descarregamento cognitivo com IA generativa para estudantes com dificuldades de aprendizagem
• From authentic products to authenticated processes: a systematic conceptual review of authentic assessment in AI-rich — De produtos autênticos a processos autenticados
• Touching and Feeling the Data: A Reusable Software Pipeline for Tactile Statistical Graphs in Accessible Education — Gráficos estatísticos táteis para acessibilidade
• I can't read your mind": A Study of Neurodivergent Computing Students' Experiences with Collaborative Active Learning — Estudantes de computação neurodivergentes
• Designing Needs- and Attention-Aware AI Learning Tools for Engineering Education: Insights from Psychological Outcomes — Projetando ferramentas de aprendizagem com IA sensíveis a necessidades e atenção
• Generative AI, virtual reality, and beyond: A scoping review of digital assistive technologies for neurodivergent students in higher education — IA generativa, realidade virtual e além: uma revisão de escopo de tecnologias assistivas digitais para estudantes neurodivergentes no ensino superior
• “AI is reducing options I had used”: exploring faculty perceptions of accessible course design in a ChatGPT world — "A IA está reduzindo as opções que eu tinha": explorando percepções do corpo docente sobre design acessível de cursos em um mundo com ChatGPT