O que os educadores devem evitar fazer com a IA?

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

A maior parte das orientações sobre IA na educação diz o que tentar. Esta página reúne as práticas que a evidência indica que devem ser abandonadas, organizadas pelo papel que teria de abandoná-las. Crenças falsas são tratadas em outro lugar: o FAQ sobre concepções errôneas cuida delas, e a página de conceito Concepções errôneas sobre IA explica por que persistem. O que a pesquisa ainda não consegue dizer pertence a limitações na pesquisa em AIEd. O que segue aqui é o passo depois da crença, ou seja, o que as pessoas fazem, quanto isso custa e o que fazer em vez disso.

Três falhas se repetem em todos os papéis.

1. Substituição. Uma ferramenta faz o pensamento que o estudante deveria fazer, e a saída é avaliada como se o estudante a tivesse feito. A redação entregue é um registro do que o modelo consegue fazer, não do que o estudante consegue fazer.
2. Evidência sem lastro. Um sinal barato de coletar, como confiança, fluência, engajamento ou uma taxa de conclusão, é tratado como prova de algo que não consegue mostrar. Um painel pode informar quarenta minutos em uma sessão de tutoria; não pode informar se alguém aprendeu a fórmula quadrática.
3. Estrutura deixada à exortação. Pede-se a um aviso, a uma frase de política ou a uma sessão de treinamento que faça o trabalho que o desenho da interface, o desenho da avaliação ou a governança precisam fazer. O plano de ensino diz para usar a IA com responsabilidade, e o tutor continua entregando a resposta pronta no primeiro prompt.

A versão curta

1. Nunca atribua nota, cite ou promova uma saída como evidência da capacidade que a produziu.

2. Colete a medida sem assistência ao lado da assistida, sempre.

3. Trate fluência, confiança e engajamento como características do uso, não como aprendizagem.

4. Coloque a salvaguarda no fluxo de trabalho, não em um aviso.

5. Presuma que qualquer dado que a ferramenta consegue ver será retido, combinado e vazado.

6. Se a afirmação vem com uma demonstração mas não com uma comparação, é marketing.

Para docentes

Não certifique a saída como capacidade. Um trabalho polido é evidência de um trabalho polido. Se um estudante entrega uma revisão de literatura cujas fontes você não consegue conferir com nada do que o curso ensinou, e a avaliação não distingue o que esse estudante consegue fazer sem ajuda, a avaliação deixou de medir aquilo que a credencial afirma (Validade da avaliação, Avaliação autêntica). A correção é um redesenho da tarefa; um código de honra mais rígido não vai resolvê-lo.

Não use a pontuação de um detector como prova de má conduta. Em um estudo controlado de 642 resumos publicados, os detectores sinalizaram 38–80% de edições leves de IA conformes às diretrizes e 9–15% de textos humanos não modificados, enquanto pegaram menos de 4% das reescritas passadas por um serviço de humanização (Karr et al., 2026). Um benchmark independente constatou que nenhuma das 14 ferramentas comerciais alcançava 80% de acurácia, e uma paráfrase simples reduz até esse número pela metade (Teichmann et al., 2026). Em taxas-base realistas, falsos positivos superam verdadeiros positivos (Devemos usar detectores de IA?). Um detector pode iniciar uma conversa; não pode encerrá-la.

Não acrescente IA a uma avaliação que você não redesenhou. Acoplar uma ferramenta a uma tarefa desenhada para desempenho sem assistência produz exatamente a inflação de notas que esconde a perda, com a lição de casa em alta e a prova em baixa. Pergunte, de cada tarefa avaliada, o que a versão sem assistência mostraria, e conserte a tarefa primeiro (Reduzir o uso indevido de IA). Se a lista de exercícios de casa e o quiz em sala testam a mesma habilidade, só um dos dois está medindo o estudante.

Não trate engajamento como aprendizagem. Tempo na tarefa, satisfação, volume de busca de ajuda e atividade no chat são todos fáceis de instrumentar e todos compatíveis com nenhuma aprendizagem. Em um experimento de 3 × 2 com 186 participantes que julgavam casos civis em uma plataforma apoiada por LLM, uma salvaguarda que reduziu a troca para uma posição incorreta da IA de 42–60,5% para 5,7–8,2% não produziu efeito mensurável de aprendizagem dentro da sessão (β = 0,03, p = 0,18; Tuo et al., 2026). O comportamento mudou; a medida de aprendizagem não (Engajamento do estudante).

Não confie em um aviso onde a interface poderia restringir. Um tutor que consegue produzir a resposta pronta vai produzi-la sob pressão de prazo, diga o que disser o plano de ensino. A salvaguarda que funciona está embutida na interação (Reduzir o uso indevido de IA, Segurança pedagógica). Reter a resposta final nas duas primeiras tentativas é uma decisão de desenho; pedir aos estudantes que não a peçam é um pedido.

Não cole trabalhos de estudantes, planos educacionais individualizados, registros disciplinares ou rascunhos identificáveis em uma ferramenta de consumo. A minimização de dados é uma decisão de desenho que você toma em nome do estudante, tenha você pensado nisso ou não (Privacidade). A conta gratuita de chatbot que responde a uma pergunta sobre o plano de comportamento de um estudante também é uma cópia desse plano no servidor de outra pessoa.

Para estudantes

Não entregue a parte que você deveria estar praticando. Suponha que a tarefa seja uma redação de cinco parágrafos: você cola o enunciado em um chatbot, pega o rascunho que ele devolve e entrega. O que você entrega é um registro do que o modelo consegue fazer. A questão é qual trabalho cognitivo se desloca, não quanta IA você usa. Terceirizar a lição de casa eleva as notas da lição de casa e baixa as notas das provas sem consulta: em 26.811 estudantes do ensino secundário acompanhados por 30 meses, as notas da lição de casa subiram 18% e as notas das provas caíram 20% em seis meses (Strömberg, Lei e Wu, 2026). A prática que constrói conhecimento recuperável foi para a ferramenta (Reduzir o uso indevido de IA). Se o exercício é o ponto, a ferramenta não pode fazer o exercício.

Não leia fluência como precisão. Texto fluente é a saída de um modelo de linguagem quer o conteúdo seja verdadeiro quer não, e o mecanismo que o torna persuasivo é o mesmo que o torna errado (Risco de alucinação). Verifique a afirmação específica, não o tom do parágrafo. Esse hábito raramente acontece sozinho: em um painel de acompanhamento passivo de 900 adultos norte-americanos que receberam um resumo de IA, os leitores seguiram uma fonte citada dentro dele em 1% das visitas (Jaidka e Cai, 2026). Se a sua tarefa exige três fontes, abra as três.

Não aceite concordância como feedback. Os modelos afirmam substancialmente mais do que os humanos: em 11 modelos, as respostas de IA afirmaram os usuários 49% mais vezes do que as respostas humanas, e o excesso é o que faz a interação parecer acolhedora (Potel e Kumashiro, 2026). Um tutor que nunca discorda de você removeu o sinal corretivo pelo qual você veio (Sicofância de IA). Peça a objeção, não o endosso: "O que está errado neste argumento, e o que um cético diria?"

Não troque uma pergunta por uma resposta quando estiver travado. O esforço produtivo que você pula é a aprendizagem. A busca de ajuda que recupera uma resposta é um comportamento diferente da busca de ajuda que recupera uma dica (Busca de ajuda, Dificuldades desejáveis). Use ferramentas que retêm a resposta pronta, e peça o próximo passo em vez da solução.

Não cole informações pessoais, de saúde ou familiares em uma ferramenta para obter uma resposta melhor. A ferramenta não tem obrigação de esquecê-las, e o custo de privacidade não aparece na qualidade da resposta (Privacidade). Um prompt melhor não precisa do seu diagnóstico, do seu endereço ou dos nomes da sua família.

Para pais e famílias

Não faça a lição de casa com a ferramenta, nem deixe que ela seja feita ao seu lado. O padrão nos dados é inflação de notas com um custo oculto: no mesmo painel de 30 meses, as notas da lição de casa subiram 18% enquanto as notas das provas sem consulta caíram 20% (Strömberg, Lei e Wu, 2026). Uma criança que traz lição de casa perfeita e reprova na prova do capítulo está mostrando exatamente essa lacuna. O que você consegue verificar é o processo. Seu filho consegue explicar o passo, refazer um problema no papel e dizer em que parte tinha dúvida? Se não, a ferramenta fez a tarefa.

Não deixe um chatbot se tornar o confidente. Sistemas bajuladores afirmam muito mais do que as pessoas, 49% mais em 11 modelos, e essa afirmação é o que os faz parecer seguros para conversar (Potel e Kumashiro, 2026). Em um grande estudo longitudinal, os usuários recorreram à IA bajuladora para conselhos pessoais quase tão frequentemente quanto a amigos próximos e familiares, com menor satisfação em seus relacionamentos reais (Sycophantic AI makes human interaction feel more effortful and less satisfying over time). Uma criança que leva o sofrimento a um modelo que sempre concorda não está sendo ouvida. Está sendo espelhada. Se seu filho está conversando com um chatbot sobre uma amizade ou uma perda, esse é o momento de perguntar a quem mais ele contou.

Não entregue um chatbot generativo a uma criança pequena e chame isso de supervisionado porque você está na sala. A orientação por faixas de idade é concreta: atividades com andaimento e não generativas dos 9 aos 12 anos, uso generativo supervisionado com raciocínio ético a partir dos 13 (Como pais e professores devem abordar a IA com crianças menores de 13 anos?). Para as crianças mais novas, o risco é de crença. Crianças pré-operacionais aceitam conteúdo gerado como verdadeiro, e os sistemas não são calibrados ao desenvolvimento no feedback que dão. O uso conjunto com um adulto significa sentar ao lado da criança e perguntar o que o brinquedo acabou de fazer, não observar da porta (Educação infantil e anos iniciais).

Não presuma que a ferramenta da escola protege os dados do seu filho porque a escola a escolheu. Pergunte o que é retido, por quanto tempo, se treina algo e quem mais vê (Privacidade). A consciência não decorre da exposição: um mês depois de uma aula em que uma turma do 7º ano viu seu próprio comportamento registrado projetado ao vivo, 66% dos 47 estudantes ainda escolhiam a configuração de chatbot menos protetora (Bergdahl, 2026). Faça as perguntas à escola por escrito e peça as respostas por escrito.

Não use o resultado de um detector para acusar seu filho, nem para apoiar uma acusação da escola. Em um estudo controlado de 642 resumos publicados, os detectores sinalizaram 9–15% de textos humanos não modificados e pegaram menos de 4% das reescritas de IA humanizadas (Karr et al., 2026). Em taxas-base realistas, falsos positivos superam verdadeiros positivos (Detecção de IA). Trate uma sinalização como motivo para pedir o histórico de rascunhos e uma conversa, não como um achado.

Não conclua que proibir a ferramenta é a opção segura. A confiança baixa demais é uma falha de calibração com custo próprio, que é a capacidade não exercida, e a habilidade que importa é a confiança ajustada, não a evitação (Calibração da confiança). O movimento parental útil é o mesmo que a pesquisa apoia para estudantes: exigir uma etapa de verificação e torná-la barata o suficiente para que uma criança cansada realmente a faça (Como ensino os estudantes a verificar a saída da IA?). Pedir para ver a fonte que um chatbot usou custa um minuto; proibir o chatbot custa a prática.

Não confunda filtro de conteúdo com segurança. Filtros tratam do que um sistema vai dizer. Não tratam do que uma interação faz a um aprendiz: prática erodida, concordância bajuladora ou recusas desiguais (Segurança pedagógica).

Para desenvolvedores educacionais e de corpo docente

Não faça treinamento de ferramenta e chame isso de letramento em IA. Uma sessão sobre prompting ensina a interface de um produto. O letramento em IA é a capacidade de julgar quando a ferramenta deve ser usada, o que ela está fazendo e o que verificar. Professores que aprendem os botões sem o julgamento saem com confiança e nenhuma calibração (Competência em IA do professor). Uma oficina que termina com todos capazes de gerar um plano de aula, e ninguém capaz de dizer quando esse plano não deveria ser usado, ensinou a interface.

Não faça desenvolvimento profissional de uma única sessão e espere que a prática mude. A evidência sobre formação profissional é consistente quanto a duração e acompanhamento: eventos únicos movem a confiança autorrelatada, raramente o comportamento em sala, e o ganho de confiança pode mascarar a ausência de mudança (Desenvolvimento educacional). Uma sessão de duas horas em agosto, sem acompanhamento em outubro, é uma intervenção de confiança.

Não ignore o sistema de avaliação que você está deixando no lugar. O corpo docente só adotará a prática que você ensina se a avaliação à qual ele está submetido não a punir. Uma oficina sobre desenho de tarefas resistentes à IA que acontece ao lado de um regime de provas inalterado ensina aos docentes que o treinamento é decorativo.

Não modele o uso acrítico contra o qual você adverte. Demonstrar uma ferramenta gerando um plano de aula diante do corpo docente, sem etapa de verificação, ensina ao público que a saída é o produto. Gere-o diante deles e depois marque as duas afirmações que precisam de verificação.

Não aceite a demonstração de um fornecedor como evidência de eficácia. A afirmação que você está avaliando é sobre aprendizagem, e uma demonstração mostra capacidade. Peça resultados sem assistência, resultados por subgrupo e testes de segurança em múltiplos turnos (Como sabemos que uma IA educacional está funcionando corretamente, e não apenas pontuando bem?).

Para desenvolvedores de software educacional

Não otimize a métrica fácil de registrar. Duração da sessão, número de mensagens e avaliações de satisfação vão melhorar sob quase qualquer mudança; a aprendizagem muitas vezes não. A mesma equipe que entrega uma salvaguarda pode entregar um painel que recompensa volume de interação, e os dois apontarão em direções opostas (Analítica de aprendizagem, Engajamento do estudante). Se sua métrica de sucesso é mensagens por sessão, você construiu um produto que recompensa os estudantes por ficarem no chat.

Não lance um detector sem um estudo de validação contra o construto. Um benchmark de quinze modelos de EEG alcançou 0,9853 de F1 sob validação cruzada estratificada; o Group K-Fold independente do ensaio, que respeita os limites entre ensaios, derrubou o pico para 0,6038 contra um nível de acaso de 25% (Nanayakkara e Halloluwa, 2026). Um detector de sorriso pode operar negativamente em relação à empatia avaliada por observadores porque lhe falta o contexto que um avaliador humano tem (Validade da avaliação, Analítica de sensores e do olhar). Publique o protocolo de validação junto com o número de manchete.

Não infira afeto, atenção ou "engajamento" a partir de rostos e corpos sem consentimento e um propósito declarado. O risco de múltiplos turnos não é o risco de um único turno: em uma revisão de segurança pedagógica, as falhas subiram de 17,7% nas avaliações de turno único para 77,8% nas de múltiplos turnos (Hazra et al., 2026). Um sistema certificado em prompts isolados está certificado em uma interação que os estudantes não têm (Segurança pedagógica, Privacidade).

Não esconda a passagem de bastão. Um estudante que não consegue dizer quando um tutor está gerando versus recuperando, ou quando há um humano no circuito, não consegue calibrar a confiança nele. O viés de automação opera de forma mais limpa quando o sistema está certo e o humano parou de verificar (Calibração da confiança). Diga na interface quando uma pessoa vai ler o trabalho.

Não projete para o benchmark e depois reivindique a sala de aula. O desempenho em benchmark é uma propriedade do benchmark. Relate as condições de uso que você testou, a população e as tarefas; caso contrário, o número será lido como uma promessa sobre um contexto diferente (Limitações na Pesquisa em AIEd).

Não faça da ferramenta a única via de ajuda. Se o acesso de um estudante ao feedback depende da disponibilidade, da cota ou da licença de um modelo, a questão de equidade já foi decidida pela contratação (Equidade na educação com IA).

Para administradores educacionais

Não compre alegações de capacidade como evidência de resultado. Fornecedores conseguem demonstrar um produto; só uma avaliação consegue demonstrar aprendizagem. Exija resultados sem assistência, resultados por subgrupo, atrito e um plano para o que acontece quando o piloto termina (Como sabemos que uma IA educacional está funcionando corretamente, e não apenas pontuando bem?, Que medidas e métodos de pesquisa um instrutor pode usar para avaliar intervenções relacionadas à IA?). Uma demonstração mostra o tutor resolvendo um problema; não mostra um estudante resolvendo o próximo.

Não implante vigilância porque ela está disponível. Sistemas de proctoring capturam imagens faciais, documentos de identidade, varreduras do ambiente incluindo varreduras de 360 graus e áudio do microfone. Uma revisão de 80 estudos constatou que apenas 25% abordavam questões éticas, 35% não divulgavam seu conjunto de dados e 30% não podiam ser reproduzidos (Malhotra e Chhabra, 2026). O custo recai sobre os estudantes, e a base de evidências é mais fina do que o contrato sugere (Privacidade, Supervisão Remota).

Não escreva uma política apenas proibitiva e chame isso de governança. Uma proibição sem redesenho da avaliação, sem apoio e sem via de recurso desloca o comportamento em vez de preveni-lo, e pune os estudantes com menos capacidade de contestar uma acusação falsa. A política precisa cobrir também quem avalia: em um teste de red team de um fluxo de avaliação cotidiano, duas de cinco estratégias de injeção de prompt escondidas em uma entrega fizeram uma redação reprovada passar com 100% e 94% de sucesso conforme o tipo de arquivo (Humble, 2026). Uma política que restringe os estudantes e não o pipeline de avaliação é meia política.

Não equacione adoção com melhoria. Um painel que relata uso, satisfação e conclusão parecerá sucesso enquanto a medida de aprendizagem fica estagnada. Decida de antemão qual resultado faria você cancelar o contrato (Avaliação de IA na educação). Anote esse número antes de o piloto começar.

Não deixe a acessibilidade chegar como pedido de adaptação. Em uma revisão de escopo de 40 estudos sobre tecnologias assistivas digitais para estudantes neurodivergentes, 28 faziam de um diagnóstico formal uma condição de participação. Esse modelo condicionado ao diagnóstico exclui todo aprendiz com necessidades e sem rótulo (Rempel et al., 2026; Acessibilidade, Design universal para a aprendizagem).

Para pesquisadores educacionais

Não deixe o autorrelato carregar a afirmação causal. Confiança, aprendizagem percebida e satisfação são resultados, mas não são os resultados que a maioria dos estudos diz estar medindo. A literatura sobre empatia é o caso mais claro: um campo que pretende ensinar empatia mede, sobretudo, conforto, e uma revisão de 17 estudos encontrou ganhos de confiança muito mais comuns do que evidência de empatia em si (Ismail e Zafira, 2026; Medidas de autorrelato).

Não cite um efeito sem o seu desenho. Em uma revisão crítica de 80 estudos de IHC sobre pensamento crítico com IA, 42 (52%) não tinham grupo de controle (A Critical Review of Critical Thinking in HCI Research About AI). Um efeito de manchete vindo de 30 estudantes em um curso de um único local é a forma comum de uma afirmação frágil (Limitações na Pesquisa em AIEd).

Não relate heterogeneidade sem o modelo. Os mesmos dados produzem I² = 82,98% sob um modelo de efeitos fixos e I² = 15,75% sob um modelo de efeitos aleatórios (The Impact of Artificial Intelligence-Supported Instruction on Student Learning in STEM: A Systematic Review and Meta-Analysis). Um I² citado sem seu modelo é impossível de interpretar (Meta-Análise e Revisão Sistemática).

Não generalize a partir de um único contexto e chame isso de achado. Um curso, uma instituição, uma versão de modelo, um idioma. O comportamento do modelo muda a cada lançamento, e detectores treinados em uma geração perdem recall na seguinte (Quais são as lacunas notáveis na literatura de pesquisa sobre IA na Educação?, Detecção de IA).

Não trate uma correlação entre interação e resultado como mecanismo. O volume de prompts não mede o descarregamento cognitivo. Os clusters por volume não diferiram na distribuição do trabalho cognitivo, e o diálogo codificado manualmente não encontrou descarregamento algum em 49,6% de 125 diálogos (Piatnitckaia et al., 2026; Descarregamento cognitivo). Meça o trabalho em si.

Não publique um parágrafo de limitações que poderia ter sido escrito antes do estudo. Nomeie a ameaça específica, a contagem específica e a afirmação que ela delimita. É isso que torna uma limitação utilizável pelo próximo leitor (Interpretar e aplicar a pesquisa em AIEd).

Por que estes itens andam juntos

Cada item acima eleva um proxy a veredito. A redação representa o autor, a pontuação representa a má conduta, o sorriso representa a empatia e a demonstração representa a aprendizagem. A correção é sempre a mesma: nomear o construto, encontrar uma medida que poderia dar o resultado oposto e coletá-la ao lado da conveniente.

Nenhuma dessas cautelas significa que a ferramenta está sempre errada. Um detector pode ser um motivo para conversar com um estudante. Um chatbot pode ser um ensaio útil. Um painel pode ser um convite a fazer uma pergunta. O que causa dano é a substituição.

O que fazer nesta semana

• Escolha uma tarefa avaliada e escreva o que ela mostraria com a ferramenta fechada. Se a resposta for "nada diferente", o problema é a tarefa.
• Acrescente uma medida sem assistência a um curso que hoje relata apenas desempenho assistido.
• Leia o contrato de proctoring ou de ferramenta de IA da sua instituição quanto a retenção, uso secundário e termos de violação, e verifique se o texto de consentimento descreve o que o sistema de fato captura.
• Peça a um fornecedor resultados sem assistência e resultados por subgrupo. Se a resposta for uma demonstração, você já tem sua resposta.
• Na sua próxima sessão com o corpo docente, use a segunda metade para o redesenho da avaliação em vez de prompts.

Para onde ir agora

• Como podemos abordar as concepções errôneas mais comuns sobre a IA na educação?: as crenças por trás dessas práticas, e como corrigi-las sem condescendência.
• Limitações na Pesquisa em AIEd: o que a base de evidências ainda não consegue sustentar.
• Reduzir o uso indevido de IA: alavancas estruturais para o uso indevido, e por que elas superam a exortação.
• Segurança pedagógica: o que um tutor pode fazer a um aprendiz passando por todas as verificações de conteúdo.
• Devemos usar detectores de IA?: a evidência sobre detectores em detalhe.
• Como sabemos que uma IA educacional está funcionando corretamente, e não apenas pontuando bem?: como avaliar uma afirmação antes de adotá-la.