Palavras-chave
Psicologia Educacional
Aprendizagem Adaptativa
Pedagogia Inclusiva
Analítica da Aprendizagem
Ética da Inteligência Artificial
Inteligência Artificial Generativa (IAG)
Como Citar
Resumo
Contexto: A rápida integração da inteligência artificial (IA) aos sistemas educacionais em todo o mundo apresenta oportunidades significativas para a aprendizagem personalizada, a pedagogia inclusiva e as práticas instrucionais orientadas por dados. No entanto, sistemas de IA desenvolvidos sem uma compreensão de como os estudantes adquirem conhecimento, mantêm a motivação, regulam as emoções e respondem a diferentes contextos sociais e culturais podem, inadvertidamente, reforçar desigualdades educacionais já existentes.
Objetivo: Este artigo propõe um referencial conceitual que posiciona a psicologia educacional como fundamento principal, e não como consideração secundária, para o desenvolvimento e a avaliação de sistemas educacionais apoiados por IA.
Métodos: O referencial foi desenvolvido por meio de uma síntese narrativa sistemática da literatura revisada por pares, de documentos internacionais de políticas públicas e de evidências empíricas recentes, com base em buscas realizadas nas bases PsycINFO, ERIC, Scopus e Web of Science, abrangendo o período de 2011 a 2025. O processo foi complementado pelo rastreamento retrospectivo e prospectivo de citações e pela análise de relatórios internacionais de políticas públicas. A busca identificou aproximadamente 620 fontes potencialmente relevantes, das quais cerca de 65 foram incorporadas após a triagem de títulos e resumos e a leitura dos textos completos, conforme critérios explícitos de inclusão.
Resultados: O referencial resultante é composto por três componentes interconectados: uma compreensão da diversidade dos estudantes fundamentada psicologicamente; práticas pedagógicas inclusivas e inovadoras viabilizadas por IA; e ensino reflexivo em ambientes inteligentes de aprendizagem. Esses componentes são relacionados, por meio de uma tabela de referência, a aplicações específicas de IA, evidências empíricas ilustrativas e implicações para a inclusão. Uma análise comparativa entre o Leste Asiático, a Europa, a África Subsaariana e o Sul da Ásia também identifica desafios específicos de cada região, diferentes contextos de políticas públicas e lacunas persistentes de validação intercultural, particularmente no que se refere à IA generativa e às ferramentas de aprendizagem adaptativa.
Conclusão: O referencial oferece a desenvolvedores de IA, formadores de professores e formuladores de políticas públicas uma base fundamentada psicologicamente, empiricamente mapeada e contextualizada internacionalmente para o desenvolvimento de sistemas educacionais apoiados por IA que promovam equidade, engajamento dos estudantes e uma transformação educacional significativa, desde que sejam adequadamente considerados o acesso, a preparação dos professores, a validade cultural e as salvaguardas éticas.
Referências
Baker, R. S., & Hawn, A. (2022). Algorithmic bias in education. Journal of Learning Analytics, 9(2), 134–158. https://doi.org/10.18608/jla.2022.7798
Bandura, A. (1986). Social foundations of thought and action: A social cognitive theory. Prentice-Hall.
Bloom, B. S. (1984). The 2 sigma problem: The search for methods of group instruction as effective as one-to-one tutoring. Educational Researcher, 13(6), 4–16.
Deci, E. L., & Ryan, R. M. (2000). The 'what' and 'why' of goal pursuits: Human needs and the self-determination of behavior. Psychological Inquiry, 11(4), 227–268.
Deng, R., Jiang, M., Yu, X., Lu, Y., & Liu, S. (2024). Does ChatGPT enhance student learning? A systematic review and meta-analysis of experimental studies. Computers & Education: Artificial Intelligence, 7, 100214. https://doi.org/10.1016/j.caeai.2024.100214
D'Mello, S., & Graesser, A. (2012). Dynamics of affective states during complex learning. Learning and Instruction, 22(2), 145–157.
Dweck, C. S. (1986). Motivational processes affecting learning. American Psychologist, 41(10), 1040–1048.
Ellucian. (2024). Higher education technology trends report: AI adoption, bias, and security. Ellucian. https://www.ellucian.com/insights/higher-education-technology-trends-report
Escalante, J., Pack, A., & Barrett, A. (2023). AI-generated feedback on writing: Insights into efficacy and the importance of student engagement. Educational Technology & Society, 26(2), 92–105. https://doi.org/10.30191/ETS.202304_26(2).0007
García-Martínez, I., Tadeu, P., Trujillo-Torres, J. M., & Ibáñez-Sánchez, G. (2023). Adaptive learning technologies and their effects on student performance: A meta-analysis. Computers & Education, 195, 104719. https://doi.org/10.1016/j.compedu.2022.104719
Holmes, W., Bialik, M., & Fadel, C. (2019). Artificial intelligence in education: Promises and implications for teaching and learning. Center for Curriculum Redesign. https://curriculumredesign.org/our-work/artificial-intelligence-in-education/
Luckin, R., Holmes, W., Griffiths, M., & Forcier, L. B. (2016). Intelligence unleashed: An argument for AI in education. Pearson. https://www.pearson.com/content/dam/one-dot-com/one-dot-com/global/Files/news/news-annoucements/2016/Intelligence-Unleashed-Publication.pdf
Meyer, A., Rose, D. H., & Gordon, D. (2014). Universal design for learning: Theory and practice. CAST Professional Publishing.
Mishra, P., & Koehler, M. J. (2006). Technological pedagogical content knowledge: A framework for teacher knowledge. Teachers College Record, 108(6), 1017–1054.
Molenaar, I. (2022). Towards hybrid human-AI learning technologies. European Journal of Education, 57(4), 632–645. https://doi.org/10.1111/ejed.12527
Piaget, J. (1952). The origins of intelligence in children. International Universities Press.
Popay, J., Roberts, H., Sowden, A., Petticrew, M., Arai, L., Rodgers, M., & Britten, N. (2006). Guidance on the conduct of narrative synthesis in systematic reviews: A product from the ESRC methods programme (Version 1). Lancaster University. https://doi.org/10.13140/2.1.1018.4643
Schön, D. A. (1983). The reflective practitioner: How professionals think in action. Basic Books.
Shi, Y., Yu, K., Dong, Y., & Chen, F. (2025). Large language models in education: a systematic review of empirical applications, benefits, and challenges. Computers and Education: Artificial Intelligence, 100529. https://doi.org/10.1016/j.caeai.2024.100529
Stadler, M., Bannert, M., & Sailer, M. (2024). Cognitive ease at a cost: LLMs reduce mental effort but compromise depth in student scientific inquiry. Computers in Human Behavior, 160, 108386. https://doi.org/10.1016/j.chb.2024.108386
Steele, C. M., & Aronson, J. (1995). Stereotype threat and the intellectual test performance of African Americans. Journal of Personality and Social Psychology, 69(5), 797–811.
Strielkowski, W., Vlasov, A., Selivanov, A., Kalyugina, S., & Shakhnov, V. (2024). AI-driven adaptive learning for sustainable educational transformation. Sustainable Development, 33(1), 1–18. https://doi.org/10.1002/sd.3126
Sweller, J. (1988). Cognitive load during problem solving: Effects on learning. Cognitive Science, 12(2), 257–285.
UNESCO. (2021). Recommendation on the ethics of artificial intelligence. United Nations Educational, Scientific and Cultural Organization. https://unesdoc.unesco.org/ark:/48223/pf0000381137
VanLehn, K. (2011). The relative effectiveness of human tutoring, intelligent tutoring systems, and other tutoring systems. Educational Psychologist, 46(4), 197–221.
Vygotsky, L. S. (1978). Mind in society: The development of higher psychological processes. Harvard University Press.
Zimmerman, B. J. (2000). Self-efficacy: An essential motive to learn. Contemporary Educational Psychology, 25(1), 82–91.