Usar IA realmente ajuda meus estudantes a aprender?

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

Sim, pode ajudar — mas um trabalho melhor produzido com IA não é necessariamente evidência de melhor aprendizagem. A pesquisa documenta benefícios genuínos de aprendizagem, efeitos negligenciáveis e danos à aprendizagem. A pergunta importante não é simplesmente se os estudantes usam IA, mas o que a IA os ajuda a fazer, que pensamento permanece como responsabilidade deles, e o que eles conseguem fazer depois.

A base de conhecimento chama de lacuna desempenho–aprendizagem a distinção entre um trabalho assistido por IA bem-sucedido e a capacidade adquirida. Um estudante pode entregar uma redação mais forte ou resolver mais problemas de prática com a IA sem ficar melhor — e às vezes ficando pior — em fazer um trabalho comparável de forma independente. Inversamente, um feedback, exemplos e tutoria com IA bem desenhados podem melhorar o desempenho subsequente sem a IA. Veja Ganhos de Aprendizagem e Descarga Cognitiva.

O que a pesquisa realmente mostra?

Algumas intervenções apoiadas por IA melhoram a aprendizagem

Um ponto de partida amplo é Can EdTech Close Learning Gaps? Global Evidence from Digital Interventions. Essa síntese do Banco Mundial de 14 estudos randomizados em dez economias estimou um efeito médio positivo de aprendizagem de 0,125 desvios-padrão para tecnologia educacional adaptativa e habilitada por IA. No entanto, ela combinou sistemas adaptativos anteriores com ferramentas de IA generativa. Não encontrou nenhuma vantagem estatisticamente estabelecida para as ferramentas generativas mais recentes, embora reconhecesse uma considerável incerteza nessa comparação. O resultado apoia o potencial dessas intervenções — não uma afirmação de que qualquer chatbot vai melhorar a aprendizagem.

Uma evidência mais específica mostra por que o desenho instrucional importa. Em Human-centered GenAI feedback design in higher education, um estudo randomizado multi-sítio com 1.176 estudantes do primeiro ano de graduação comparou feedback dos pares, feedback direto da IA, autoavaliação seguida de feedback da IA, e uma sequência híbrida combinando autoavaliação, feedback dos pares e crítica da IA.

Os desenhos reflexivos e híbridos produziram uma transferência tardia sem IA mais forte do que o feedback direto da IA. Os estudantes, em seguida, tiveram um desempenho melhor em uma nova tarefa de argumentação científica, e não meramente na tarefa que estava sendo revisada. No entanto, essas condições também exigiram atividade avaliativa adicional e possivelmente mais tempo. O estudo apoia o desenho completo do feedback, em vez de provar que um componente ou a própria IA causou a vantagem.

A IA pode melhorar o desempenho na prática enquanto prejudica a aprendizagem

O cuidado mais claro vem de Generative AI without guardrails can harm learning: Evidence from high school mathematics.

Neste experimento de campo randomizado com quase 1.000 estudantes, uma interface de IA de estilo de propósito geral aumentou as notas na prática assistida em 48% em relação ao grupo de controle, mas os estudantes, em seguida, tiraram 17% menos em exames sem assistência. Um tutor configurado com orientações e pistas desenhadas pelo professor evitou em grande parte essa penalidade. Crucialmente, ele não produziu uma melhora estatisticamente significativa no desempenho em exame sem assistência em relação ao grupo de controle. Evitar o dano não é o mesmo que demonstrar aprendizagem adicional. Essas porcentagens descrevem esta intervenção e este contexto particulares, e não efeitos universais do uso de IA.

A implicação é prática: julgar uma ferramenta de IA pelo dever de casa concluído, pelas respostas corretas na prática ou pela satisfação dos estudantes pode dar uma imagem enganosa do seu valor educacional. Satisfação e aprendizagem percebida são medidas de autorrelato, e a base de conhecimento documenta até onde elas podem derivar da aprendizagem medida.

Um estudo de campo maior e mais longo aponta na mesma direção em escala. The Generative AI Learning Penalty acompanhou 26.811 estudantes secundários chineses (7ª a 12ª séries) ao longo de 30 meses usando adoção de IA escalonada. As notas de dever de casa subiram 18% e o tempo de conclusão caía 30% (de 64 para 45 minutos), enquanto as notas dos exames mensais de livro fechado caíam 20% dentro de seis meses e as notas dos exames de ingresso de alto risco caíam 18–24% em relação à linha de base — mas apenas depois de cerca de dois anos. As perdas se concentraram entre os aproximadamente 81% de usuários de IA cujo comportamento indicava terceirização do dever de casa; os usuários que mantinham um tempo de dever de casa comparável ao dos não usuários aprenderam com eficiência mais ou menos equivalente. A divergência entre o desempenho no dever de casa e no exame é a lacuna desempenho–aprendizagem escrita ao longo de uma coorte nacional, e a defasagem de dois anos significa que avaliações curtas subestimam sistematicamente o custo.

Acesso e salvaguardas não bastam

Um experimento escolar randomizado de dois anos, One Click Away: AI Tutoring with Khanmigo, encontrou ganhos modestos de desempenho em matemática em 18 escolas de ensino médio (middle school). No entanto, os estudantes raramente se engajavam em conversas substantivas de tutoria. Os autores observaram que os ganhos se assemelhavam àqueles associados à prática estruturada sem IA. Como a intervenção combinou prática individualizada e tutoria com IA, ela não isolou de forma limpa a contribuição adicional do componente de IA. Um tutor capaz estar disponível é diferente de os estudantes o usarem produtivamente.

O experimento mais recente Making AI Tutoring Productive oferece uma lição relacionada. Entre mais de 6.000 estudantes de middle school usando o NUMI, o apoio da IA melhorou a recuperação após erros, mas desacelerou o progresso pelas questões. Uma regra de domínio de três acertos seguidos aumentou o sucesso definido pela plataforma sem, por si só, melhorar a aprendizagem uma semana depois. O sinal mais forte de aprendizagem tardia apareceu quando a IA foi incorporada ao fluxo de trabalho de domínio, mas os ganhos foram marginalmente significativos em termos estatísticos e concentrados em material praticado em particular. Este working paper fornece uma evidência sugestiva para uma abordagem cuidadosamente estruturada, não uma receita amplamente comprovada.

Como os estudantes usam a ferramenta, e não apenas o acesso a ela, determina o resultado

A mesma tecnologia produz aprendizagens diferentes dependendo de como a interação é estruturada. Em um estudo qualitativo com 38 estudantes de graduação em avaliações de redação sem supervisão, o engajamento abrangeu um espectro da terceirização cognitiva à realocação cognitiva — deslocando o esforço da recuperação de baixo nível para a avaliação crítica. A maioria dos estudantes (n = 31) pretendia usar a IA generativa como assistente de aprendizagem, mas 76,32% se apoiavam em um diálogo de turno único de perguntar–receber resposta–parar, e 78,94% usavam a ferramenta antes ou depois de redigir, em vez de ao longo da tarefa, produzindo um paradoxo de eficiência: conveniência obtida ao custo do trabalho cognitivo que constrói esquemas ("a velocidade com que você esquece isso também é muito rápida"). Apenas 8 estudantes trabalharam como parceiros cognitivos por meio de um diálogo sustentado e iterativo.

A lição pedagógica é a de que permissões ou proibições gerais deixam os estudantes adivinhando ambos. O que mudou o comportamento foi a orientação específica por tarefa sobre qual trabalho cognitivo os estudantes devem reter e qual assistência de IA era apropriada — a direção de desenho desenvolvida em Como posso reduzir a cola com IA no meu curso?.

Menos esforço não significa automaticamente menos aprendizagem

Seria também um erro concluir que a IA ajuda apenas quando faz os estudantes trabalharem mais ou nunca mostra um exemplo completo.

Nos experimentos pré-registrados relatados em Coach not crutch, adultos que praticavam a revisão de cartas de apresentação com a IA produziram, em seguida, uma escrita melhor sem IA do que aqueles que praticavam sozinhos, apesar de despenderem menos esforço. Os benefícios persistiram em um acompanhamento de um dia. Outro experimento descobriu que ver um exemplo revisado pela IA produzia benefícios comparáveis aos de praticar com a ferramenta. Essas eram tarefas de escrita breves e delimitadas — não uma evidência de melhora duradoura em todos os tipos de escrita —, mas elas mostram que exemplos podem apoiar a aprendizagem em vez de necessariamente substituí-la.

O objetivo, portanto, não é a dificuldade máxima. É preservar ou melhorar a atividade de aprendizagem que desenvolve a capacidade pretendida.

O padrão se repete na educação em computação

A revisão sistemática de 72 estudos em educação em computação encontra a mesma estrutura em seu resultado mais robusto. A IA generativa eleva de forma confiável a conclusão de curto prazo e reduz o tempo na tarefa (36 estudos), e nem um único estudo do corpus documenta um efeito negativo no desempenho imediato — mas esses ganhos "não transferem para o desempenho independente" (21 estudos). Estudantes assistidos pelo Codex completaram o dobro de tarefas durante a aprendizagem, mas não tiveram desempenho melhor do que os controles em pós-testes sem IA. O conhecimento prévio modera tudo: estudantes bem preparados convertem a assistência em habilidade durável, enquanto estudantes mal preparados arriscam usá-la como muleta que remove a prática de que precisam. A exigência central de desenho da revisão é a verificação — ler, testar, modificar, explicar e criticar o resultado da IA — tornada um componente avaliado e observável do trabalho, em vez de uma aspiração deixada ao critério.

Um princípio de desenho útil: apoiar, não substituir

As sínteses de Apoio (Scaffolding) e Aprendizagem Ativa da base de conhecimento enfatizam um suporte que ajuda os aprendizes a entender, praticar, avaliar e, por fim, realizar com menos assistência.

"Apoiar, não substituir" é um princípio útil, mas ele precisa ser aplicado ao objetivo de aprendizagem, e não mecanicamente a cada funcionalidade de IA. Um exemplo completo trabalhado pode ser algo de que os estudantes aprendem; uma sequência de pistas ainda pode se tornar algo por que eles clicam sem pensar. A distinção importante é o que quem aprende faz com a assistência. Veja Descarga Cognitiva e Busca de Ajuda.

Para uma atividade destinada a desenvolver capacidade independente, uma rotina inicial razoável é:

1. Estabeleça o pensamento de quem aprende. Peça uma tentativa inicial, uma previsão, um rascunho, uma explicação ou uma interpretação de um exemplo apropriado.
2. Forneça assistência direcionada. Use a IA para uma pista, uma explicação, um exemplo contrastante ou um feedback focado na dificuldade.
3. Exija uma resposta à assistência. Faça o estudante explicar, revisar, verificar ou justificar aceitar ou rejeitar a sugestão.
4. Verifique uma nova aplicação com menos apoio. Peça ao estudante que resolva um problema comparável ou aplique a ideia em um contexto diferente.

Este é um ponto de partida instrucional, não uma sequência universalmente validada. A quantidade e o momento do apoio deveriam refletir o conhecimento prévio dos estudantes e a tarefa. Veja Redução do Mau Uso de IA e Conhecimento Prévio.

Torne explícito o pensamento retido

Para matemática, um instrutor pode pedir aos estudantes que entreguem sua solução tentada antes de pedir ajuda, e depois usar um prompt como: "Identifique o primeiro passo que eu deveria reconsiderar, me dê uma pista útil, e me peça para tentar de novo." A verificação subsequente deveria exigir uma nova solução e uma explicação — não a reprodução da resposta da IA. Isso aplica a orientação de Apoio (Scaffolding) e Busca de Ajuda.

Para escrita, um instrutor pode fazer os estudantes avaliarem seu rascunho contra uma rubrica antes de receber a crítica da IA, e depois explicar quais sugestões aceitaram, modificaram ou rejeitaram. Se a construção de argumento é o objetivo, a prosa gerada pela IA não deveria substituir a evidência de que o estudante consegue construir um argumento. Se avaliar revisões alternativas é o objetivo, comparar exemplos completos pode ser apropriado. Veja Educação em Escrita e Alfabetização em Feedback.

Essas são aplicações de desenho da evidência. Elas ainda deveriam ser avaliadas no curso, em vez de supormos que funcionam porque soam pedagogicamente sensatas.

Como posso saber se a IA está ajudando no meu curso?

A página de Avaliação em IA Educacional recomenda separar a qualidade do resultado da IA, a experiência dos estudantes ao usá-la e a aprendizagem real dos estudantes. Uma avaliação prática precisa de mais do que uma pesquisa de satisfação ou uma comparação de notas de tarefas.

Especifique a capacidade primeiro. Decida o que os estudantes deveriam entender ou ser capazes de fazer depois da atividade. "Produzir um relatório polido" é diferente de "selecionar evidência apropriada", "explicar uma relação causal" ou "detectar uma conclusão sem suporte". A avaliação deveria revelar a capacidade que você pretende desenvolver. Veja Mensuração Educacional.

Meça antes, depois e mais tarde. Use uma tarefa breve de linha de base, uma verificação imediata de aprendizagem e uma aplicação tardia. Inclua tanto uma tarefa comparável quanto, onde apropriado, uma que mude o contexto ou exija uma aplicação diferente. Quando o objetivo é a competência independente, remova a assistência de IA que poderia realizar essa competência pelo estudante. Uma verificação bem-sucedida imediatamente após a prática é útil, mas não estabelece retenção ao longo de meses ou transferência entre domínios. Veja Ganhos de Aprendizagem e Transferência de Aprendizagem.

Use uma comparação significativa. Onde viável, compare a atividade apoiada por IA com uma alternativa sem IA bem desenhada usando conteúdo, tempo instrucional e oportunidades de prática semelhantes. Uma simples melhora de antes para depois não pode estabelecer que a IA causou o ganho; os estudantes podem melhorar por causa do resto do ensino do professor. Para afirmações causais mais fortes, consulte Métodos de Pesquisa de Eficácia ao desenhar a comparação.

Observe como os estudantes usam a ajuda. Procure explicações, tentativas de corrigir erros, revisões justificadas e verificação — e não apenas logins, contagens de mensagens ou questões concluídas. Essas observações podem ajudar a explicar um resultado, mas não deveriam substituir uma medida de aprendizagem. Veja Busca de Ajuda e Interação Estudante–IA.

Verifique o que um painel realmente mede. Em uma avaliação de oito agentes de ensino com IA em educação médica, o ranking dos agentes pela pontuação da própria plataforma divergiu de uma rubrica de qualidade de ensino validada por especialistas — o agente classificado em terceiro pela plataforma ficou em último em qualidade pela rubrica —, porque a pontuação da plataforma rastreava o desempenho do estudante durante a interação, e não o comportamento de ensino do agente. Uma métrica embutida é uma hipótese a validar, não uma evidência de aprendizagem. Veja Que medidas e métodos de pesquisa um instrutor pode usar para avaliar intervenções relacionadas à IA? para as medidas e desenhos de comparação que tornam tal verificação crível.

Uma qualificação importante é a de que nem todo desfecho de aprendizagem legítimo precisa ser demonstrado sem IA. Um curso pode deliberadamente ensinar o trabalho eficaz apoiado por IA. Nesse caso, avalie a capacidade dos estudantes de selecionar, verificar, revisar e defender seu uso de IA, junto com quaisquer fundamentos independentes que a disciplina exija. A Human Capability Test for Learning Outcomes in the AI Era propõe essa distinção entre capacidade independente, desempenho aumentado por IA e responsabilidade de verificação. É um framework conceitual de avaliação, não uma solução validada para todo curso.

Verifique quem se beneficia — e a que custo

Uma melhora média pode ocultar estudantes que recebem pouco benefício ou encontram novas barreiras. A síntese de Divisão Digital distingue o acesso a uma ferramenta das habilidades necessárias para usá-la e dos desfechos por fim obtidos.

Para uma avaliação em sala de aula, examine os resultados por pontos de partida relevantes, como conhecimento prévio, necessidades de língua e requisitos de acessibilidade. Forneça orientação em vez de supor que os estudantes já sabem como obter e avaliar um feedback útil. Ao avaliar a aprendizagem independente, remova a assistência que fornece o pensamento-alvo — não as acomodações necessárias para acessar a tarefa. Veja Alfabetização em IA, Equidade na Educação em IA e Acessibilidade.

Inspecione também o feedback que os estudantes realmente recebem. Uma resposta fluente pode diagnosticar mal a dificuldade deles, reforçar um erro, ou oferecer uma resposta quando um tipo diferente de apoio era necessário. Use materiais alinhados ao curso, mantenha uma rota para ajuda humana e evite coletar mais informação do estudante do que a atividade exige. Essas preocupações se conectam diretamente a Qualidade do Feedback com IA, Segurança Pedagógica e Privacidade.

Conclusão principal

A IA pode ajudar os estudantes a aprender, mas nem o acesso, nem um resultado polido, nem um rótulo de "tutor" estabelecem que ela o faz. A evidência é mais forte quando um desenho instrucional especificado é avaliado contra uma alternativa significativa usando medidas das capacidades que se supõe que os estudantes desenvolvam. Retenção de longo prazo, transferência ampla e generalização entre aprendizes e contextos permanecem incertezas importantes. Veja Limitações na Pesquisa em AIEd.

A pergunta mais útil para um instrutor é:

Depois desta atividade apoiada por IA, o que meus estudantes entendem, explicam, julgam ou fazem que não conseguiam fazer antes — e que evidência mostra essa melhora?