Escrita

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

Escrita — o uso de ferramentas de IA para a instrução em escrita, a avaliação, o feedback e o estudo de como a IA generativa remodela o próprio processo de escrita. A educação em escrita é um dos domínios mais afetados pela IA, porque os LLMs se destacam justamente nas atividades em que a instrução em escrita se centra — geração de texto, revisão e avaliação. A pesquisa nesta área abrange correção automatizada, qualidade do feedback de IA, apoio ao processo de escrita, escrita em segunda língua, integridade acadêmica e a questão mais profunda de como a IA muda o que significa escrever e ser um escritor.

Perguntas para refletir

• A afirmação central da página é que a escrita não é meramente uma saída, mas um processo cognitivo, social e retórico — e que a IA pode deslocar o próprio trabalho mental que faz da escrita uma atividade de aprendizagem. Quando você escreve, o que acontece no seu pensamento que um parágrafo finalizado produzido por IA simplesmente apaga?
• Um enquadramento comum é "a IA como ferramenta" ou, no extremo oposto, "a IA como ameaça à autoria". A página oferece uma terceira visão: a escrita como um entrelaçamento humano-IA em que a autonomia é distribuída. Qual desses enquadramentos corresponde à sua própria experiência de escrever com ou sem IA — e o que cada enquadramento implica para como você ensinaria?
• A pesquisa constatou que delegar as camadas mais profundas da escrita — raciocínio e lógica argumentativa — prejudica mais sua escrita independente que delegar camadas de superfície como a gramática. Pense no seu último texto escrito com ajuda de IA. Qual camada você de fato delegou, e o que isso prevê sobre o que você consegue fazer agora sozinho?
• A página adverte que o feedback de IA sobre escrita não é neutro em relação à linguagem: personalizar o feedback com a raça, a língua ou a deficiência de um estudante pode deslocá-lo em direções alinhadas aos estereótipos — como elogiar em excesso ou reter a crítica. Se você já recebeu ou deu feedback de IA "personalizado", como detectaria que uma ferramenta estava suavizando sua crítica para alguns estudantes?
• A orientação de desenho aqui é "coaching, não composição" — fazer a IA perguntar e criticar esboços, mas exigir que quem aprende produza a prosa primeiro. Por que deixar quem aprende redigir antes de a IA intervir pode proteger a propriedade e o juízo de formas que uma ferramenta que redige o rascunho não conseguiria?
• Um achado: os estudantes frequentemente dizem "tudo bem porque…" para racionalizar o uso de IA, deslocando a questão da repressão ao plágio rumo à ética e ao letramento em IA. Se você estivesse desenhando um curso de escrita, como construiria nele honestidade e juízo ético sobre IA, em vez de depender de detecção ou punição?

Introdução

A escrita não é meramente uma saída, mas um processo cognitivo, social e retórico. É por isso que o impacto da IA sobre a educação em escrita é tão consequente e contestado: a IA pode ser um andaimento que ajuda os estudantes a redigir, revisar e receber feedback que de outro modo não receberiam, mas também pode deslocar o trabalho cognitivo — e o público humano — que fazem da escrita uma atividade de aprendizagem. A pesquisa da base de conhecimento enquadra consistentemente a IA na escrita como um complemento humanocentrado, e não uma substituição, dos processos sociais e cognitivos da escrita. Onde o foco é o inglês especificamente — inglês para fins acadêmicos (EAP) e o ensino da língua inglesa (EFL/ESL/L2) —, veja a página de conceito dedicada ao ensino de inglês, que distingue a pesquisa específica do inglês e de registro acadêmico da escrita geral e da aprendizagem geral de línguas.

Como a IA na educação em escrita aparece na pesquisa

• Correção automatizada de redações: sistemas de correção automatizada de redações como o AES baseado em âncoras e o AIAWE avaliam a escrita dos estudantes em escala, levantando questões sobre validade de construto e a redução da escrita a atributos mensuráveis. Para escrita argumentativa curta (cerca de 150–200 palavras) em espanhol, a concordância da correção por IA varia acentuadamente por dimensão da rubrica (Curi et al., 2026): itens orientados à estrutura e ao registro — introdução, conclusão, registro, concordância nominal, concordância sujeito–verbo — alcançaram concordância corrigida pelo acaso moderada com corretores humanos na edição de 2025, enquanto itens linguísticos de micro nível (vocabulário, sintaxe, pontuação, conectores, argumentação) permaneceram na faixa de razoável a leve. Isso sugere que a assistência de LLM é mais defensável para atributos de discurso de macro nível, e que as convenções linguísticas de baixo nível deveriam manter ferramental determinístico ou revisão humana.
• Corrija mais amostras, não modelos maiores. Em um estudo de triagem universal do 3º ao 6º ano, as notas de julgamento comparativo por LLM convergiram com as rubricas dos pesquisadores (r = .59–.73) e a média das três ondas de triagem elevou a validade de critério (β = .68–.74 para a escala de ELA, AUC = .82–.86 para proficiência), enquanto maior capacidade ou custo do modelo acrescentou pouco (Mercer & Reed (2026)).

A concordância é uma propriedade do corpus, não do corretor: Li (2026) pontuou 60 posts de marketing de estudantes com regras determinísticas, um LLM e um híbrido de peso igual — o LLM liderou com ICC(2,1) = .435, enquanto o .266 do híbrido reteve o viés negativo das regras —, e acrescentar 15 âncoras de baixa qualidade elevou o LLM para .846.

• Feedback de escrita: a pesquisa sobre qualidade do feedback de IA (feedback de IA generativa versus do professor, feedback cuidado-so, feedback repetido de IA) examina se o feedback de IA melhora a escrita e como ele se compara ao feedback humano. O modelo PAIRR (Revisão por Pares e IA + Reflexão) combina a IA com a avaliação entre pares e constata que o feedback de IA é mais útil em um processo humanocentrado. Um quase-experimento de 8 semanas com 61 escritores chineses de L2 (Tang et al., 2026) dá a essa afirmação humanocentrada uma forma concreta: o feedback do professor entregou muito mais itens (316 versus 185 na primeira tarefa) e se repriorizou para organização e argumentação, mas sua vantagem pós-revisão cedeu de 4,06 para 2,73 pontos quando uma segunda tarefa exigiu mudança estrutural, enquanto o feedback entre pares assistido por IA manteve um foco mais estreito e constante e passou ligeiramente à frente (3,89 pontos, com uma média de revisão da tarefa 2 de 89,82 contra 88,35 do controle — uma diferença pequena que não alcançou significância). Nenhum dos modos moveu a complexidade sintática, de modo que os autores argumentam por uma divisão de trabalho híbrida "IA–Par–Professor": IA para marcação de erros e orientação de conteúdo, pares para negociar revisões, professores para sintaxe complexa e argumentação.
• O feedback de IA não se adapta aos estágios da escrita como os professores fazem. Almousa et al. (2026) constataram que o professor mudou significativamente em cinco tipos de foco de feedback entre os estágios de rascunho — Elogio subindo de 26,9% inicialmente para 84,9% nos rascunhos finais —, enquanto o modelo mais próximo mudou em três tipos e o menor em nenhum, e nenhum modelo reproduziu a diferenciação que o professor fazia entre estudantes de maior e menor desempenho.
• Revisão e posicionamento dialógico: onde a maioria da pesquisa sobre feedback de escrita pergunta se uma revisão melhorou o texto, Zhao e Ji (2026) perguntam que postura o texto revisado assume. Codificando 168 redações argumentativas de estudantes de inglês como língua estrangeira com a Teoria da Avaliação — primeiros rascunhos, revisões após feedback entre pares e revisões pelo ChatGPT-4 dos mesmos rascunhos —, eles constataram que as três condições eram estatisticamente indistinguíveis em quanta linguagem de Engajamento usavam, mas diferentemente configuradas: as revisões com feedback entre pares se tornaram mais contrativas (mais Contrariar e Endossar, menos Entreter), enquanto as revisões da IA mantiveram uma mistura Contrato/Expansão mais equilibrada que combinava contrargumentação mais forte com hedging continuado. Sua leitura é que uma revisão de IA é mais útil como um texto de contraste que os estudantes comparam à própria revisão do que como uma resposta modelo, e que o feedback de IA sobre argumentação pode melhorar a prosa ao mesmo tempo que fecha silenciosamente o espaço dialógico do escritor — uma dimensão que nenhuma rubrica atual captura.
• Apoio ao processo de escrita e autonomia: a pesquisa sobre lacuna de agência e a pesquisa sobre propriedade por estágio exploram como a IA muda o processo de escrita do planejamento à revisão, e como a autonomia dos estudantes é afetada quando a IA participa em diferentes estágios.
• Perspectivas pós-humanistas: a abordagem pós-humanista do letramento em IA reenquadra a escrita como um entrelaçamento humano-IA no qual a autonomia é distribuída, desafiando tanto a antropomorfização acrítica da IA quanto sua dispensa como mera ferramenta — uma visão relacional, e não transacional, do letramento em IA.
• Escrita em L2 / multilíngue: a avaliação de escrita em L2, a pesquisa sobre diversidade linguística e a pesquisa sobre propriedade por estágio abordam como a IA apoia (ou restringe) escritores de segunda língua e multilíngues, incluindo o risco de reforçar normas de inglês acadêmico padrão. A amostra de L2 mais jovem da base de conhecimento vem de um programa de escrita de opinião apoiado por IA generativa de nove semanas com 301 estudantes do 5º e 6º anos no leste da China (Lu et al., 2026), que elevou o self ideal de escrita em L2 e a resiliência acadêmica e melhorou o uso da linguagem pontuado por rubrica, deixando inalterados a organização e as notas totais — o apoio de IA moveu dimensões específicas da escrita, e não a habilidade de escrita como um todo.
• Viés no feedback personalizado (Pedagogias Marcadas): Tan et al. (2026) mostram que as ferramentas de feedback de escrita com LLM não são neutras em relação à linguagem: personalizar o feedback com a raça, a etnia, a designação ELL, a deficiência de aprendizagem, o desempenho ou a motivação de um estudante desloca sistematicamente o feedback em direções alinhadas aos estereótipos — incluindo viés de feedback positivo e viés de retenção de feedback (uso excessivo de elogios, crítica menos substantiva, pressupostos de capacidade limitada) para estudantes marcados por raça, língua ou deficiência, mesmo quando a redação é idêntica. Isso faz da "personalização" ela mesma um vetor de viés que as ferramentas de feedback de escrita precisam auditar e controlar.
• Integridade acadêmica: a evidência de pesquisa complica diretamente o enquadramento da repressão: entre 504 estudantes de sociologia (Kuznetsov et al., 2026)), 65% haviam usado IA generativa para trabalhos de curso, mas apenas 3% para gerar texto de tarefa e 2% para produzir um rascunho inteiro, enquanto o medo de uma infração acadêmica era a segunda preocupação mais comum (28%) e cerca de um quarto relatou nenhuma orientação (19%) ou orientação que consideravam pouco clara. Com base nessa evidência, o problema da educação em escrita é a ambiguidade sobre o uso permitido, e não a geração generalizada de texto. Nash e Burriss (2026) mostram como tal ambiguidade é produzida no nível da sala de aula. Codificando as próprias políticas de IA em sala de aula de 27 professores de artes de linguagem em formação, eles constataram que 26 de 27 permitiam algum uso de IA generativa, mas esmagadoramente em termos especificados pelo professor, com 22 de 27 permitindo IA para ideação e brainstorming, mas proibindo a composição de frases, parágrafos ou artigos por IA. Os limites raramente eram operacionalizados — um participante permitia IA "para começar seu pensamento" e declarava "é aqui que a linha deveria ser traçada" sem dizer onde —, e muitas políticas proibiam simultaneamente submeter texto de IA e responsabilizavam os estudantes pelo texto de IA que submetiam, uma contradição que deixa os estudantes incapazes de cumprir. Vinte e duas das 27 políticas eram silenciosas sobre a leitura, entregando o trabalho de compreensão apoiado por IA a nenhuma orientação.
• A política diverge entre cinco sites. Entrevistando 20 estudantes de graduação, Kim e colegas localizam cinco sites distintos de política de IA — intenção do corpo docente, política formal, interpretação do estudante, autopolítica e prática — e catalogam 23 racionalizações, em grande parte ad hoc e post hoc, explicando por que regras em um site raramente moldam o comportamento em outro (Kim et al. (2026)).
• A conformidade pode mascarar investigação ausente (apagamento acadêmico). A partir de 49 relatos de educadores, Nwagboso & Atuba (2026) nomeiam o apagamento acadêmico — fluência que satisfaz todo critério de superfície ao mesmo tempo que contorna o trabalho epistêmico da argumentação — e rastreiam seu impulsionador até a cultura de avaliação, onde rubricas que recompensam o polimento fazem do uso de IA a resposta racional, e não uma má conduta.

A escrita como pensamento

Como a escrita é um processo cognitivo, a pesquisa sobre IA na escrita se conecta ao descarregamento cognitivo (o apoio de IA à escrita contorna o pensamento?), à Metacognição (o feedback de IA melhora a autoavaliação?), à aprendizagem autorregulada (os estudantes regulam seu uso do feedback de IA?) e ao letramento em IA (os estudantes conseguem avaliar criticamente a escrita gerada por IA?). A pesquisa sobre andaimento ao pensamento crítico e sobre feedback de IA para o pensamento crítico mostra que o valor pedagógico da IA na escrita depende de ela provocar reflexão e juízo, em vez de substituição de respostas.

Uma validação de duas ondas com aprendizes chineses de inglês como língua estrangeira (EFA N = 305; CFA N = 342) separa seis dimensões regulatórias e acrescenta a regulação ambiental — verificar o conteúdo gerado, filtrar recursos sugeridos e limitar a dependência —, uma faceta que as escalas existentes de escrita em L2 não carregavam (Wang, Zhang e Zhang (2026)).

Chen (2026) afia isso com uma explicação sensível a camadas do descarregamento cognitivo na escrita acadêmica assistida por IA generativa: delegar as camadas mais profundas (raciocínio, lógica argumentativa) carrega uma associação negativa mais forte com a qualidade da escrita independente sem IA e com o pensamento de ordem superior que delegar camadas de superfície (gramática, vocabulário). A colaboração aberta com IA produziu o melhor produto apoiado, mas os piores resultados independentes, enquanto o apoio delimitado com reflexão preservou a competência — evidência de que o apoio de IA generativa à escrita não é uniformemente prejudicial, mas seu efeito depende de qual camada cognitiva os estudantes delegam.

• Condicionar a saída de IA ao engajamento prévio devolve o esforço a quem escreve. Com 398 participantes, Su et al. (2026) constataram que os escritores compuseram por 28,02 minutos contra 23,26 com um chatbot aberto, e depois avaliaram as passagens mais rapidamente (17,41 versus 22,21 minutos) com precisão igual e sem tempo extra de tarefa. Onde Chen localiza o custo em qual camada é delegada, esse desenho decide quando o modelo pode falar.

Lu et al. (2027) estendem esse pensamento à composição multimodal por escritores mais jovens. Fazer 60 estudantes do 5º ano externalizarem suas narrativas como imagens e vídeos curtos gerados por IA produziu ganhos autorrelatados sustentados em interpretação, análise, avaliação e explicação — as facetas que a resemiotização multimodal exercita —, mas nenhum ganho em inferência. Tornar o significado visualmente explícito reduziu a demanda de inferir significado implícito do texto, exatamente o mecanismo de descarregamento que Chen descreve; apenas a discussão estruturada entre pares restaurou as ocasiões de inferência. O estudo adverte que a composição com IA multimodal ajuda escritores jovens a refletir sobre clareza e coerência, ao mesmo tempo que pode raspar o trabalho inferencial que a escrita apenas em texto preserva — uma consideração de desenho para instrutores de escrita que associam visuais de IA a feedback entre pares.

Um padrão específico por dimensão reaparece ao longo dessa literatura, e é um diagnóstico útil. No programa de escrita em L2 de nível fundamental, o engajamento emocional e comportamental subiu, enquanto o engajamento cognitivo e metacognitivo não, e os autores nomeiam o automonitoramento diminuído durante a escrita como um risco explícito do apoio de IA generativa (Lu et al., 2026). O prazer e a atividade em tarefa não são, portanto, evidência de que um processamento mais profundo está acontecendo — a mesma distinção que a pesquisa sobre descarregamento traça ao perguntar qual camada de trabalho cognitivo um estudante delegou.

Uma meta-análise de 2026 (Teng, 2026) de 11 efeitos no nível do estudo extraídos de 31 estudos reforça o diagnóstico a partir da direção oposta. Ela relata uma grande vantagem média para a instrução em escrita apoiada por IA generativa (g = 0,80), mas heterogeneidade alta o bastante para que uma nova implementação plausivelmente não mostrasse nenhum benefício, e o único moderador robusto foi a classificação de risco de viés, e não nenhum atributo pedagógico — a qualidade do estudo, e não o desenho do ensino, explicou a maior parte da variância. A mesma síntese constata que a IA generativa é consistentemente mais forte em atributos de ordem inferior (gramática, diversidade lexical, fluência de frases), enquanto os efeitos de ordem superior sobre argumentação e coerência permanecem inconsistentes, o que é precisamente a lacuna de camadas que esta página trata como o problema central de desenho.

Desenhando apoio de IA à escrita: coaching, não composição

Como a escrita não tem uma única resposta correta, as ferramentas de escrita com IA exigem um desenho diferente do de tutores verificáveis por resposta. A orientação de desenho da base de conhecimento (veja o exemplo trabalhado do coach de escrita com IA no FAQ sobre Desenhando um tutor de IA) se centra em preservar a autoria e o juízo avaliativo, em vez de produzir texto finalizado:

• Rastreie capacidades de escrita, e não apenas notas de redação. O modelo de quem aprende de um coach de escrita pode rastrear argumento (especificidade da tese, alinhamento afirmação–evidência, contra-argumento), organização, integração de evidência, revisão e estilo —, de modo que o feedback mira capacidades que persistem entre redações.
• Fundamente o feedback na tarefa. Recupere o prompt real, a rubrica, as leituras do curso, as convenções de citação e de gênero e a política de uso de IA, de modo que o feedback referencie a tarefa específica, em vez de inventar expectativas genéricas.
• Trate os estágios da escrita de formas diferentes. O envolvimento da IA no planejamento reduz menos a propriedade percebida que no rascunho, e o rascunho gerado por IA produz a maior redução de propriedade. Assim, um coach pode fazer perguntas e criticar esboços no planejamento, exigindo que quem aprende produza a prosa primeiro no rascunho.
• Torne o feedback priorizado e reflexivo. Cada rodada pode oferecer uma força a preservar, um problema de alto impacto, uma pergunta que exija o juízo de quem escreve, e um objetivo concreto de revisão —, e o coach deveria pedir a quem aprende que avalie se concorda com uma sugestão, desenvolvendo juízo avaliativo em vez de obediência.
• Preserve a voz autoral e proteja-se contra a homogeneização. O coach deveria distinguir erros, problemas de clareza, escolhas retóricas e preferências de estilo — e não "corrigir" automaticamente estas últimas, especialmente para escritores multilíngues e estilos retóricos não padrão.

Duas sínteses recentes qualificam quão bem essa orientação de desenho é seguida na prática. Uma revisão de 23 estudos empíricos de personalização (Luo, 2026) constata que, embora os objetivos tenham se movido para os processos de escrita e as habilidades de ordem superior, a rota técnica dominante permanece a engenharia de prompts (13 de 23 estudos) voltada a otimizar a qualidade da saída, com as teorias de aprendizagem confinadas à interface, de modo que o sistema se comporta de forma "em grande medida agnóstica a teoria" — um descompasso que ajuda a explicar o excesso de dependência e a revisão superficial que os mesmos estudos relatam. Seu reenquadramento é tratar a personalização como arquitetura, e não como formulação: sequenciar estágios, reter respostas e construir laços de revisão. Um fluxo de trabalho estruturado de cinco partes testado ao longo de 11 semanas com 53 estudantes de graduação sauditas de inglês como língua estrangeira (Alshehri et al., 2026) mostra a alternativa na prática — os estudantes enquadram problemas e desenham prompts, redigem, revisam, verificam afirmações e citações contra bases de dados acadêmicas e regulam sua própria dependência, registrando o que aceitam ou rejeitam e por quê. A proficiência em escrita e o pensamento crítico digital subiram juntos nessa condição (15,23 versus 11,91 e 89,84 versus 56,18 no pós-teste), enquanto o controle sem IA quase não se moveu, embora o resultado de site único e em parte autorrelatado seja um limite superior preliminar, e não um efeito estabelecido.

Essa postura de coaching-não-composição é a expressão, no domínio da escrita, da fronteira mais abrangente da base de conhecimento de "coach em vez de muleta": identificar a atividade cognitiva que produz a aprendizagem (planejar, redigir, avaliar, revisar) e desenhar a IA para apoiá-la sem a tirar de quem aprende.

Conexões

A educação em escrita se conecta à correção automatizada de redações, à qualidade do feedback de IA, à integridade acadêmica, ao descarregamento cognitivo, ao letramento em IA, à aprendizagem de línguas, à avaliação formativa, à avaliação entre pares, à Metacognição, à aprendizagem autorregulada e ao ensino superior. É um domínio onde as capacidades e os riscos da IA são ambos altamente visíveis, o que faz dele um rico campo de estudo de como a IA transforma a pedagogia, a avaliação e a própria natureza da autoria e da autonomia.

Implicações para instrutores de escrita

• Enquadre a IA como um complemento, e não uma substituição, do processo de escrita. A pesquisa da base de conhecimento trata consistentemente a IA como um andaimento para redigir, revisar e dar feedback, ao mesmo tempo que protege o trabalho cognitivo e o público humano que fazem da escrita uma atividade de aprendizagem — coaching em vez de muleta.
• Use o feedback de IA dentro de um processo humanocentrado. O PAIRR constata que o feedback de IA é mais útil combinado com revisão entre pares e reflexão; desenhe laços de feedback que mantenham o instrutor e o público de pares no centro.
• Audite o feedback automatizado quanto a viés. As Pedagogias Marcadas mostram que o feedback de LLM se desloca em direções alinhadas aos estereótipos quando personalizado com atributos dos estudantes — monitore viés positivo/de retenção, e seja explícito de que a personalização pode ser um vetor de viés.
• Proteja o trabalho cognitivo da escrita. Fique atento ao excesso de dependência que contorna planejamento, revisão e autoavaliação; use a IA em estágios escolhidos (propriedade por estágio) para proteger a autonomia do estudante.
• Desenhe para o empoderamento, e não para a imposição. Um estudo PLS-SEM com 327 estudantes de graduação chineses de inglês como língua estrangeira (Li & Zhang, 2026) testou as duas alavancas que os instrutores de escrita de fato têm em mãos e constatou que apenas uma delas funciona. O letramento em prompting de IA previu fortemente a competência percebida, a segurança psicológica e a motivação intrínseca, e as três necessidades psicológicas mediram parcialmente seu vínculo com o engajamento em revisão profunda, sendo a motivação intrínseca o impulsionador isolado mais forte da revisão profunda. Os mandatos externos não tiveram nenhum efeito direto. A tradução prática é que exigir revisão profunda não a produz — a exigência impositiva pode ser necessária para fazer a revisão acontecer, mas a profundidade vem de construir a capacidade de prompting dos estudantes e a motivação intrínseca e a segurança psicológica que se seguem dela.
• Aborde a integridade acadêmica de forma construtiva. Passe da repressão ao uso de IA para a construção de letramento em IA e de um enquadramento de uso ético que permita aos estudantes usar IA sem má conduta não intencional.
• A detecção não é uma estratégia de integridade para a escrita. Bassett et al. (2026) argumentam que as notas de detectores não conseguem atender ao padrão de equilíbrio de probabilidades que os casos de integridade exigem e que a dicotomia humano-ou-IA lê mal o trabalho criado com a IA, e não por ela, recomendando que as instituições desloquem orçamento da detecção e da vigilância para o desenho da avaliação e o letramento em IA.

Conceitos conectados

• Correção automatizada de redações
• Qualidade do feedback de IA
• Integridade acadêmica
• Descarregamento cognitivo
• Letramento em IA
• Aprendizagem de línguas
• Ensino superior
• Metacognição
• Grandes modelos de linguagem (LLMs)
• IA generativa
• Avaliação formativa
• Avaliação entre pares
• Aprendizagem autorregulada
• Experiência dos estudantes
• Letramento em feedback
• Retroalimentação (Feedback)
• A IAed nas disciplinas
• Ensino de inglês (EAP / EFL / ESL)
• Avaliação
• Autonomia de quem aprende

Artigos conectados

• Writing the Rules for Generative Machines: Tensions and Entanglements in Preservice Teachers' Classroom AI Policies — Políticas de IA em sala de aula de professores em formação: tensões e entrelaçamentos
• A Human-in-the-Loop Framework for AI-Assisted Scoring in Large-Scale Writing Assessment — Um framework com humano no circuito para a correção assistida por IA em avaliação de escrita em larga escala
• Validity of Large Language Model Comparative Judgment for Universal Writing Screening — Validade do julgamento comparativo por grandes modelos de linguagem para a triagem universal de escrita
• Layer-Sensitive Cognitive Offloading in Generative AI-Assisted Writing: Supported Performance and Independent No-AI Outcomes — Descarregamento cognitivo sensível a camadas na escrita assistida por IA generativa (Chen 2026)
• Your Brain on ChatGPT: Accumulation of Cognitive Debt when Using an AI Assistant for Essay Writing Task
• Coach not crutch: Evidence that AI can improve writing skill despite reducing effort — Ferramentas de escrita com IA podem melhorar a habilidade de escrita apesar de reduzir o esforço (Lira et al. 2025)
• LLMs Do Not Grade Essays Like Humans — Os LLMs não corrigem redações como os humanos (Mathew et al. 2026)
• Peer and AI Review + Reflection (PAIRR): A Human-Centered Approach to Formative Assessment — Revisão por Pares e IA + Reflexão (PAIRR)
• A Posthumanist Approach to AI Literacy — Uma abordagem pós-humanista do letramento em IA
• Anchor Is the Key: Toward Accessible Automated Essay Scoring with Large Language Models Through Prompting — Correção automatizada de redações baseada em âncoras
• AiAWE: An Open-Source LLM Automated Writing Evaluation System Using LoRA-Adapted Instruction-Tuned Models — AIAWE: avaliação automatizada de escrita
• The agency gap in AI-supported writing: how reactive and proactive agent designs shape multimodal reasoning — A lacuna de agência na escrita apoiada por IA
• From Planning to Revision: How AI Writing Support at Different Stages Alters Ownership — Do planejamento à revisão: apoio de IA à escrita em diferentes estágios
• Comparing Generative AI and teacher feedback: student perceptions of usefulness and trustworthiness — Comparando feedback de IA generativa e do professor
• It's OK Because...": The Wild West of Student Rationalization of AI Use in Academic Writing — "Tudo bem porque…": o faroeste da racionalização dos estudantes
• The care-full craft of feedback in an age of generative AI — Abordagens de feedback cuida-so
• Towards Self-Referential Analytic Assessment: A Profile-Based Approach to L2 Writing Evaluation with LLMs — Avaliação de escrita em L2 autorreferencial
• AICoFe: Implementation and Deployment of an AI-Based Collaborative Feedback System for Higher Education — Sistemas de feedback entre pares com IA
• Student Evaluation of Repeated AI Feedback Across a Semester of Writing — Avaliação pelos estudantes do feedback repetido de IA
• VeriForge: Mitigating Latent Knowledge Gaps in Narrative Drafting via Mixed-Initiative Scaffolding — VeriForge: andaimento à redação narrativa
• Using AI-Generated Feedback to Improve Critical Thinking and Writing Proficiency — Usando feedback gerado por IA para melhorar o pensamento crítico
• Marked Pedagogies: Examining Linguistic Biases in Personalized Automated Writing Feedback — Pedagogias marcadas: vieses linguísticos no feedback automatizado de escrita personalizado
• Heads We Win, Tails You Lose: AI Detectors in Education — Heads we win, tails you lose: detectores de IA na educação (Bassett et al. 2026)
• Academic Erasure: The Disappearance of Complexity Under AI-Supported Writing — Apagamento acadêmico: o desaparecimento da complexidade sob a escrita apoiada por IA
• Making AI Annoying on Purpose: When Helpful Tools Don't Always Help — Making AI annoying on purpose: restrição na escrita apoiada por IA (Konradt, Boote & Taub 2026)
• More externalization, but less inference? Exploring changes in young learners' critical thinking during conversational — Composição com IA multimodal e pensamento crítico na escrita no fundamental (Lu et al. 2027)
• Student Use of and Views on GenAI for Writing — Uso e visões dos estudantes sobre IA generativa para a escrita (Kuznetsov, Sheely & Baker 2026)
• Exploring the impact of a GenAI-supported writing program on primary students' writing motivation, engagement — Um programa de escrita apoiado por IA generativa para motivação, engajamento e desempenho em L2 no fundamental (Lu et al. 2026)
• Agreement and error in automated scoring of student marketing posts — Concordância e erro na correção automatizada de posts de marketing de estudantes
• Empowerment over enforcement: unpacking the psychological drivers of AI-assisted deep revision in EFL writing — O letramento em prompting e a motivação intrínseca impulsionam a revisão profunda, enquanto mandatos externos não têm efeito direto (Li & Zhang 2026)
• Evaluating Feedback Focus and Pedagogical Adaptivity in LLM-Generated Feedback on Student Writing — Avaliando o foco do feedback e a adaptatividade pedagógica no feedback gerado por LLM sobre a escrita dos estudantes
• Teacher feedback vs. AI-assisted peer feedback in L2 writing: A quasi-experimental study in a Chinese university — Feedback do professor versus feedback entre pares assistido por IA como andaimentos heterogêneos em L2 em um quase-experimento de 8 semanas (Tang et al. 2026)
• Effectiveness of GenAI in Enhancing Writing Performance: A Meta-Analysis — Meta-análise do desempenho de escrita com IA generativa: grande efeito agrupado, magnitude frágil, metodologia acima da pedagogia (Teng 2026)
• Customizing AI for writing pedagogy: a systematic review of pedagogical goals, theoretical principles, and technical design — Revisão sistemática da personalização da escrita com IA e o descompasso entre teoria e desenho (Luo 2026)
• From tool to scaffold: Structured human–AI collaboration and its effects on academic writing and digital critical thinking — Colaboração humano–IA estruturada na escrita acadêmica e no pensamento crítico digital (Alshehri et al. 2026)
• Human-written and AI-generated revisions: An appraisal analysis of dialogic positioning in argumentative writing — Revisões humanas e de IA do mesmo rascunho assumem posturas dialógicas diferentes: o feedback entre pares fecha o espaço dialógico, a revisão por IA o mantém equilibrado (Zhao & Ji 2026)
• Who Thinks First? Designing Productive Friction with Engage-to-Unlock GenAI — Engage-to-Unlock: condicionar a saída de IA ao engajamento prévio redistribuiu o esforço para a escrita sem custar tempo ou precisão (N = 398)
• Generative artificial intelligence-supported self-regulated learning (GenAI-SRL) in L2 writing: scale development, validation, and short-form construction — Uma escala GenAI-SRL de seis dimensões para a escrita em L2, com a regulação ambiental (governança de ferramentas) como uma dimensão distinta