Base de Conhecimento AIEdAIEd KB
Nesta página

Todas as edições

Atualização semanal da pesquisa em IA na educação #2

Tradução automática da página em inglês, ainda sem revisão de uma pessoa falante nativa.

Um resumo semanal da Base de Conhecimento de IA na Educação, sobre o que a pesquisa publicada na última semana significa para instrutores, desenvolvedores, pesquisadores e administradores.

Desde a última edição, 121 novos estudos, quatro novos recursos, cinco novas FAQs e duas novas páginas de conceitos, sobre educação aberta e educação em estatística e ciência de dados, entraram na base de conhecimento, que agora reúne 1.926 resumos de artigos, 222 páginas de conceitos, 42 FAQs e 37 recursos. A página do Diário lista todos os estudos adicionados na última semana. Você também pode buscar na base de conhecimento ou usar a IA para conversar com ela.

Conteúdo

Principais destaques e perguntas

A maior parte dos resultados desta semana trata do trabalho que acontece ao redor de uma resposta, e do que mudar quando a resposta chega rápido demais ou com confiança demais. Dois experimentos isolaram o mesmo mecanismo em salas diferentes.

Um ensaio pré-registrado com 317 adultos deu a mesma tarefa de processamento profundo como uma folha de exercícios ou como uma janela de chat aberta, e a janela de chat elevou a desorganização da tarefa em 0,84 desvios-padrão sem que nada no modelo explicasse isso, de modo que a correção é estrutura em torno de sequenciamento e de parada, e não mais apoio de conteúdo. Um estudo de fórum descobriu que um assistente de ensino de IA respondia primeiro em 97% dos tópicos iniciados por estudantes, em uma mediana de 0,92 minutos contra 490 dos colegas, enquanto a linguagem autorregulatória no tópico caiu de 49% para 36%, o que aponta para atrasar a primeira resposta em vez de remover o assistente.

Novas FAQs

Cinco novas respostas entraram no ar esta semana, cada uma escrita para uma pergunta que um colega realmente faz, e não para um tema. O índice de FAQs também foi reorganizado em nove seções pela tarefa que você está tentando concluir, de modo que a pergunta com que você chega é encontrável sem saber como o campo a chama.

Posso usar IA para corrigir o trabalho dos estudantes de forma justa e confiável?

A resposta sobre correção dá à IA um lugar como segundo leitor supervisionado em trabalho que você já avaliou, e não como o avaliador de registro. A concordância não se mantém entre tipos de avaliação, e a verificação que parecia mais forte foi executada com o gabarito em mãos, o que não é o teste que você faz quando corrige às cegas.

Como verifico se as questões de quiz e de prova geradas por IA são boas?

A resposta sobre a qualidade das questões começa por resolver você mesmo cada item e depois perguntar o que ele exige que um estudante faça, porque gabaritos e exigência da tarefa falham mais vezes do que o enunciado. Uma questão gerada que ninguém respondeu é uma candidata, não uma avaliação.

Como a IA pode apoiar aprendizes multilíngues sem apagar a voz deles?

A resposta sobre multilinguismo pede que você decida o que a língua faz na tarefa antes de decidir o que a ferramenta pode fazer. Onde a língua é incidental, a IA pode remover uma barreira que nada tem a ver com o seu constructo; onde a língua é o constructo, a mesma ferramenta faz a tarefa pelo estudante.

O que os estudantes devem aprender para carreiras em que a IA é comum?

A resposta sobre carreiras é ensinar a tarefa profissional inteira e avaliar tanto o produto apoiado quanto o que o estudante consegue fazer sem ajuda. A evidência sustenta conhecimento disciplinar mais julgamento, verificação e transferência, e não sustenta nenhuma lista de habilidades com ferramentas.

O que a aprendizagem personalizada realmente significa, e quando ela ajuda?

A resposta sobre personalização separa cinco coisas que recebem o mesmo rótulo, de reordenar a prática a deixar o estudante escolher o que estudar em seguida. O que importa é o que é adaptado, qual evidência o orienta e se isso melhora a aprendizagem que você pretendia, algo que um exemplo familiar ou uma conversa responsiva pode parecer fazer sem fazer.

Conceito em destaque

Cinco páginas de conceitos absorveram os achados desta semana, duas delas novas. Cada uma é uma página permanente, e não um trabalho pontual, de modo que a nova evidência se soma ao que a página já argumentava.

Educação aberta

A página é nova e foi escrita porque treze estudos chegaram de uma vez sobre o que a IA generativa faz com o ensino de licença aberta. Seu argumento é que a licença, e não o modelo, é o que deve ser examinado, e os dois novos recursos abaixo descrevem instituições adaptando conteúdo aberto com IA mais rápido do que conseguem registrar quem escreveu o quê. Leia a página de educação aberta antes de escrever uma cláusula de IA em uma política de REA.

Descarregamento cognitivo

Ela agora separa o que uma ferramenta descarrega de quanto um estudante a usou, que é a distinção que a escada do descarregamento traça e que os experimentos de empatia demonstram em um lugar onde a maioria das pessoas não procuraria. A página de descarregamento cognitivo também traz o resultado de 0,84 desvios-padrão, porque é a evidência causal mais limpa que a página tem.

Juízo avaliativo

Sua nova evidência trata do que se pede a um juiz: métodos de correção moveram a estabilidade entre execuções de 2,9% para 15,9%, e treze modelos cederam à pressão dos estudantes a taxas de 46,5% a 98,5%. A página de juízo avaliativo agora trata a resistência a uma correção falsa como uma capacidade separada de acertar a resposta.

Letramento em IA

Dois resultados estreitaram o constructo: o pensamento crítico passou por como os estudantes dividiram e retrabalharam o trabalho cognitivo, não pela familiaridade com ferramentas, e uma rubrica construída a partir de 16 artigos centrais mostrou quão poucos recursos nomeiam a competência que alegam construir. A página de letramento em IA mantém os dois, porque um teste de letramento e um recurso de letramento medem coisas diferentes.

A outra página nova é educação em estatística e ciência de dados, cujo primeiro argumento é que a questão de IA na disciplina gira em torno do artefato, já que conjuntos de dados, gráficos e código podem agora ser gerados mais rápido do que qualquer pessoa consegue validá-los.

Para instrutores

Uma janela de chat aberta precisa de uma regra de parada, não de mais apoio de conteúdo

Combinar uma tarefa de processamento profundo com uma janela de chat aberta custa aos estudantes o domínio da própria tarefa, e a correção é andaimes em torno do sequenciamento e da parada, e não mais explicação. Em um experimento pré-registrado com 317 adultos, a condição de chat elevou a desorganização em 0,84 desvios-padrão (intervalo de credibilidade 0,47 a 1,21), com um efeito direto de 0,77 que nenhum mediador no modelo explicou, enquanto o processamento profundo não se moveu em nenhuma direção (mediana menos 0,22, intervalo que cruza zero).

Uma primeira resposta em menos de um minuto remove os colegas que faziam o raciocínio

Atrase ou limite a primeira resposta do assistente em um fórum de discussão, porque os colegas que raciocinam em voz alta são os que param de postar. Em quatro cursos de pós-graduação e 28.123 frases codificadas, um assistente de ensino de IA respondia primeiro em 97% dos tópicos iniciados por estudantes, em uma mediana de 0,92 minutos contra 490 dos colegas, e a linguagem autorregulatória caiu de 49% para 36% à medida que as respostas dos colegas caíram de 91% para 45% dos acompanhamentos, com as respostas dos colegas carregando cerca de 70% dessa regulação contra 27% dos estudantes que abriram o tópico. A aprendizagem autorregulada em um fórum é produzida pelas respostas, não pela resposta.

O treinamento em prompts compra tempo para os professores, não materiais melhores

Orce o trabalho de competência do professor em IA como uma intervenção de carga de trabalho, e não espere que ele eleve a qualidade do que os professores produzem. Em um ensaio randomizado com 204 professores, o treinamento em escrita de prompts acrescentou uma economia de 21% no tempo de preparação além do acesso simples ao ChatGPT, sem ganho na qualidade avaliada dos materiais, porque os professores treinados escreveram prompts mais longos e precisaram de menos passagens de refinamento.

Um assistente de aulas economiza tempo com uma cobertura pequena de aulas

Teste-o pelas horas que ele devolve e ainda não pelas lições que produz. Um ensaio independente por conglomerados do Aila da Oak National Academy acompanhou 416 professores do ensino fundamental da Inglaterra e mediu a preparação em 2,51 horas por semana contra 3,32 sem a ferramenta, o que dá cerca de 49 minutos por semana, enquanto ela cobriu 7% das lições e a qualidade foi testada apenas para não inferioridade, não para melhoria.

Acrescentar IA a uma tarefa aberta não acrescenta nada por si só

Financie a tarefa de educação aberta que você já aplica em vez de acrescentar uma ferramenta a ela e esperar um ganho de letramento. Duas turmas de um curso introdutório de desenvolvimento infantil, 55 estudantes trabalhando como de costume e 58 com ferramentas de busca de IA generativa acrescentadas, relataram o mesmo ganho percebido de habilidade na fonte, 0,50 contra 0,48 em uma escala de cinco pontos, com o termo de interação próximo de zero (F(1, 84) = 0,04, p = 0,85).

Escolha um assistente pelo que ele faz quando um estudante diz que ele está errado

A resistência a uma correção falsa separa modelos com mais nitidez do que a acurácia, então faça dela a primeira coisa que você testa. Em 200 problemas de treliça verificados e treze modelos, a acurácia de resolução variou de 64,5% a 97,0%, uma dispersão de 32,5 pontos, mas, ao serem informados de que um trabalho correto estava errado, os modelos o confirmaram a taxas de 46,5% a 98,5%, uma dispersão de 52,0 pontos, o que pertence à verificação de juízo avaliativo que você faz antes de uma implantação.

Ensine a escrita assistida por IA como um gênero e as notas deixam de se sobrepor

Tratar a escrita assistida por IA como algo a ensinar, e não a policiar, pertence ao currículo de ensino de escrita, e a lacuna que isso abriu não foi marginal. As médias pós-teste foram 9,8750 para a turma ensinada dessa forma contra 3,8125 para o controle, sem sobreposição entre as duas distribuições (Mann-Whitney U = 0,00, r = 0,86).

Para desenvolvedores

Construa o cenário, não a persona do tutor

Coloque os andaimes no cenário e na bancada de trabalho antes de ajustar a voz, porque a persona não é onde o efeito mora. Em dois ensaios pré-registrados de três braços, 131 estudantes em raciocínio jurídico e 54 em um braço de programação competitiva, o sistema estruturado alcançou 22,8 pontos percentuais contra 15,7 de um assistente básico, uma vantagem de 7,0 pontos (p = 0,018, d = 0,56), enquanto uma persona de LLM como professor sobre o mesmo modelo ganhou 2,8 pontos e não se separou (p = 0,121).

Um tutor que nomeia primeiro a solução por força bruta está orientando mal os estudantes

Audite qual solução um tutor nomeia antes de lançá-lo em um problema com várias soluções, e mantenha essa auditoria nos testes de aceitação de tutoria inteligente. Em 150 problemas executados com estudantes simulados, a força bruta foi a abordagem nomeada em 22,2 a 32,1 por cento das aberturas específicas de solução, contra 13,0 a 19,4 por cento para a solução ótima, e em conversas que começam com sondagem os quatro modelos de base moveram os estudantes para uma abordagem pior em 6,1 a 7,1 por cento dos casos.

Contar chamadas à IA não mede nada do progresso

Contagens de interação são o sinal mais fácil de coletar para um pipeline de analítica de aprendizagem e a coisa mais fraca a colocar em um painel, então instrumente o estado de execução dos dois lados de cada chamada. Em 140 pares estudante-tarefa de 35 estudantes, as interações com IA se correlacionaram com células executadas com sucesso em r = 0,12, e com células tocadas no mesmo r = 0,12.

Julgue uma sessão pela deriva, não pelo número de perguntas feitas

Uma sessão que desliza para a busca de respostas na segunda metade prediz um pós-teste pior, e uma verificação obrigatória de adequação após cada resposta é a intervenção barata. De 880 turnos substanciais de 112 estudantes de 14 e 15 anos, a inclinação da trajetória de busca de ajuda acrescentou uma mudança de R quadrado de 0,110 a um modelo que já continha a nota do pré-teste (beta = 0,34), enquanto características estáticas de interação acrescentaram 0,023 e não alcançaram significância (p = 0,684), e 81,5% dos turnos eram pedidos contra 2,2% de avaliação.

A regra de pontuação decide uma nota de benchmark mais do que o modelo

Se o seu harness relata um único número, você ainda não sabe o que ele mede. Os mesmos 2.250 diálogos entre cinco tutores e estudantes simulados pontuaram 42,1% com correspondência exata e 81,3% com um juiz calibrado por humanos, uma dispersão de 39,2 pontos maior do que os efeitos combinados de modelo, estratégia e pipeline, e quatro juízes de três fornecedores concordaram dentro de 6 pontos, enquanto rótulos estruturados de pipeline não deram vantagem (p = 0,263).

O método de correção, e não o modelo juiz, define a reprodutibilidade

Publique uma declaração de adjudicação nomeando o método, o harness, uma execução repetida e quantos itens avaliados sustentam cada afirmação, porque o método é o que move o resultado. As reexecuções mudaram de 2,9% a 6,1% dos resultados sob uma rubrica semirrígida e de 13,5% a 15,9% sob correção holística livre, enquanto trocar o modelo juiz moveu apenas cerca de três pontos.

Um par de IA que concorda com tudo perde seus usuários

Configure agentes para sustentar incerteza e recusar concordância por padrão, já que a calibração da confiança é um comportamento que você escreve, e não uma propriedade que um modelo tem. Sete especialistas passaram 20 minutos cada no papel de estudante com um agente caracterizado como par, e o que o fez parecer um par foi social: raciocínio hesitante e imperfeição deliberada construíram confiança, enquanto a concordância cega com tudo o que o aprendiz dizia a destruiu.

Para pesquisadores

Planeje um efeito pequeno, não a média publicada

Em um contexto novo, o efeito de manchete do ensino com IA generativa não é aquele com que planejar, então faça um piloto antes de escalar. Uma meta-análise de três níveis com 58 estudos e 6.941 participantes agrupou g = 0,864, depois relatou heterogeneidade perto de 87,9%, um intervalo de predição de menos 0,213 a 1,942 e um efeito corrigido para viés de g = 0,258; imprima esse intervalo ao lado da estimativa agrupada, onde um leitor não possa deixar de vê-lo.

O pensamento crítico segue a divisão do trabalho, não a familiaridade com ferramentas

Atribua uma divisão explícita do trabalho e exija que os estudantes retrabalhem a saída, porque a experiência com IA generativa chegou ao pensamento crítico apenas por essas duas rotas. Entre 891 estudantes nos Estados Unidos e na Turquia, especializar e coordenar o trabalho cognitivo carregou b = 0,636 e transformar reflexivamente a saída b = 0,367, sem caminho direto significativo, o que transforma a questão do descarregamento cognitivo em uma escolha de design, e não em um alerta.

Uma lacuna educacional menor no uso de IA não é equidade

Não leia uma lacuna de uso mais estreita como progresso, e não construa metas de acesso sobre um item binário de últimos três meses. Ao equiparar 16 países europeus nas suas taxas de adoção de 2025 ao seu próprio ano da era da internet, a lacuna mediana entre os mais e os menos escolarizados caiu de 56,4 pontos para 28,6, negativa em 15 dos 16 países (p = 0,0005), mas a equiparação sensível à composição reduz a mudança para menos 11,5 e menos 10,0, de modo que uma alegação de equidade precisa de um instrumento mais forte.

Baixo uso não é baixa disposição

Financie acesso e habilidades básicas para os mais velhos e os menos escolarizados, e não uma campanha sobre confiança, porque uso e confiança caminham separadamente. Em 2025, 48,4% dos dinamarqueses e 17,8% dos romenos tinham usado IA generativa nos três meses anteriores, contra 32,7% na UE, mas os romenos avaliaram sua confiança em 4,1 contra 3,8 em uma escala de sete pontos, e 47% deles consideraram as leis e salvaguardas atuais adequadas, contra 36% dos dinamarqueses.

O descarregamento só é erosivo quando contorna o objetivo

Pergunte quais operações cognitivas uma ferramenta descarrega, e não quanto um estudante a usou. O descarregamento ajuda quando assume trabalho periférico ao objetivo de aprendizagem e corre risco de erosão quando contorna o processamento constitutivo desse objetivo, e processar a saída depois pode resgatar um descarregamento que de outro modo seria constitutivo; sete proposições condicionadas substituem uma afirmação direcional, e a regulação do descarregamento se torna uma dimensão aprendível do letramento em IA.

Ferramentas de análise de sentimento erram cerca de metade das respostas negativas

Trate a codificação automatizada de texto aberto como um argumento de validade, e não como uma escolha de ferramenta, porque a acurácia esconde exatamente os casos sobre os quais você agiria. Contra 1.220 respostas codificadas à mão, o melhor transformer alcançou 0,79 de acurácia, mas apenas 0,42 de kappa, e capturou cerca de metade dos casos negativos, enquanto ferramentas de léxico classificaram mal aproximadamente um em cada cinco, em um corpus 76,5% positivo.

Para administradores

Pergunte o que o chatbot envia antes de licenciá-lo

Exija um inventário de scripts de terceiros antes de licenciar ou hospedar um chatbot de curso, e pergunte especificamente quais tags conseguem ler o título da página, a URL e o campo de entrada. A instrumentação de 42 plataformas encontrou 21 enviando títulos de conversa a pelo menos um rastreador e nove transmitindo o prompt literal, 11 das 13 plataformas de uso geral que vazavam também enviavam o e-mail de cadastro, e as plataformas educacionais somaram em média cerca de 367 solicitações de rastreadores cada, com 24% carregando conteúdo do usuário.

A recordação de conhecimento codificado é a parte de um diploma que perde valor

Proteja a prática supervisionada e o julgamento sob incerteza, e leia a implicação para o desenho curricular antes da implicação para o marketing do programa. Uma diferença em diferenças sobre 655.919 observações de pesquisa de 2018 a junho de 2026 encontrou que o retorno de um ano de escolaridade nas ocupações mais expostas à IA caiu 0,55 pontos logarítmicos depois de novembro de 2022, cerca de 7% do seu nível anterior ao choque, enquanto o retorno da experiência subiu 0,26 pontos logarítmicos aos três anos e caiu 0,12 aos vinte e cinco.

Chamar o chatbot de empático afasta a empatia das pessoas

Posicione o sistema como triagem que encaminha os estudantes de volta a pessoas, e observe a busca de ajuda como o comportamento que desaparece em silêncio. Em quatro estudos com 249, 494, 743 e 737 participantes, enquadrar a IA como capaz de empatia aumentou a disposição de descarregar a responsabilidade empática (efeito total 0,83) inteiramente por meio da capacidade percebida (indireto 0,73), e ouvir que um colega levou um problema ao ChatGPT reduziu a acurácia de leitura de emoções para 7,13 acertos em 12, contra 7,73 (p = .012).

Benchmarks aprovados, crianças ainda prejudicadas

Avalie no nível da sessão e da instituição, e não no nível da API, porque um filtro por saída não alcança uma interação de companhia em que nenhum turno isolado cruza um limite. Codificados a partir de 1.331 incidentes relatados envolvendo crianças, a sexualização é o maior subtipo de dano, com 316, à frente da exploração sexual, com 131, e os danos se agrupam com falhas de implantação, de governança e de uso indevido, e não com defeitos do modelo.

Escreva a política de integridade para o usuário ocasional e em conflito

Nomeie recusa, apoio e substituição como três populações que a mesma tarefa encontra, porque quase ninguém é usuário diário. Duas pesquisas anônimas em uma universidade do Reino Unido encontraram 81,05% de 94 estudantes do primeiro ano que tinham usado uma ferramenta de IA generativa para ajudar a concluir uma tarefa, contra 4,21% que relataram uso diário e 9,47% que relataram nenhum, o que faz da integridade acadêmica uma política para o meio de uma distribuição, e não uma divisão entre quem trapaceia e quem não trapaceia.

Módulos de ética não ensinam de onde vêm os dados

Acrescente uma tarefa de revisão de proveniência ao módulo de ética que você já aplica, o que é uma mudança de desenho curricular, e não um curso novo. Um censo de 36 programas em 21 universidades encontrou ética ensinada em 29 (80,6%), mas proveniência de dados no padrão dos autores em 8 (22,2%), sem nenhum programa de mestrado ou executivo que o cumprisse e com 22 dos 29 programas que cobrem ética sem proveniência alguma.

Novos recursos

Quatro recursos entraram na biblioteca de recursos esta semana, e todos os quatro descrevem uma decisão institucional, e não um truque de sala de aula.

Learning Design Wiki

O Learning Design Wiki é uma referência de licença aberta que divide o design do ensino em princípios, elementos, padrões e estratégias, cada um vinculado às citações por trás dele, e o próprio relatório de evidências do site diz que 98% das afirmações se apoiam em um único estudo. Modelos de linguagem o mantêm sob um único mantenedor humano e nenhuma página foi verificada por uma pessoa, de modo que é um conjunto de pistas bem fundamentadas, e não de achados.

teacher.dev

O teacher.dev é um estúdio sem fins lucrativos que publica um aplicativo de sala de aula gratuito por dia, 34 até agora, cada um voltado a um momento específico, como um gerador de figuras para impressão ou um quadro Primeiro/Depois para educação especial. A maioria funciona localmente, sem conta, de modo que nenhum dado do estudante sai do dispositivo.

AI + OER Case Studies: A DOERS Project

AI + OER Case Studies é uma antologia aberta de onze casos sobre onde a IA generativa encontra recursos de licença aberta no ensino superior, de uma universidade federada que redige orientações sob um contrato sindical a uma revisão de livro didático com humanos no circuito. Não há dois capítulos que compartilhem um instrumento, então é prática a adaptar, e não evidência a citar, e a coleção é CC BY 4.0 enquanto cada capítulo tem sua própria licença.

Integrating AI in TVET: a practical guide for institutions

Integrating AI in TVET é um guia de 2026 da UNESCO-UNEVOC para instituições que formam técnicos e trabalhadores de ofícios, e o material utilizável está em três anexos: uma ferramenta de autorreflexão sobre prontidão, um registro de riscos e um marco de indicadores. Ele não relata dados de resultado e chama a própria escala de maturidade de apoio à discussão, então use-o para estruturar uma primeira decisão institucional, e não para justificar uma já tomada.

Também adicionado esta semana

Os demais estudos, com métodos e resumos, estão listados por dia na página do Diário.

Notas sobre o site

Todas as 222 páginas de conceitos agora trazem uma seção comum de equívocos, que nomeia a crença errada que um leitor pode já ter e a corrige com a evidência daquela página.

Todas as FAQs foram reescritas esta semana, e cinco novas se juntaram a elas, levando a coleção a 42 respostas escritas para a pergunta que um colega realmente faz, e não para um tema. O índice as agrupa em nove seções pela tarefa que um leitor está tentando concluir, de modo que chegar com uma pergunta já não exige saber como o campo a chama.

As traduções foram além do inglês: as doze páginas de conceitos da seção Essenciais e todas as FAQs estão agora traduzidas integralmente em todos os idiomas.

Cada idioma tem sua própria página inicial, e dezesseis deles também oferecem um EPUB e um PDF para download:

Tudo o que está acima é público em github.com/edtechdev/aied.

Acompanhe a atualização

Receba cada edição pelo feed do boletim em um leitor de feeds, colando esse mesmo feed no Blogtrottr para receber as novas edições por e-mail no intervalo que você escolher, ou acompanhando-o no LinkedIn, onde cada edição é publicada como uma newsletter do LinkedIn.

AIEd Research Weekly Update vem da Base de Conhecimento de IA na Educação, que é gerada por um agente de IA. Esta edição foi redigida por esse mesmo agente de IA, com orientação editorial do desenvolvedor do site, e toda afirmação acima tem um link para a página de onde veio.

A base de conhecimento é dedicada ao domínio público sob uma licença CC0 1.0. Nenhum direito reservado.

Encontrou um problema no conteúdo? Relate no GitHub ou entre em contato com o desenvolvedor do site, Doug Holton.

FonteHistóricoEditarChat

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.