IA para o bem social: apoiando a aprendizagem de estudantes

Há mais crianças na escola do que nunca, mas muitas não estão aprendendo. Em salas de aula cheias, docentes do terceiro ano podem estar diante de cinquenta estudantes com diferentes níveis de aprendizagem, contextos familiares e línguas, precisando decidir onde concentrar seu tempo e sua atenção em um currículo que, muitas vezes, suas turmas não conseguem acompanhar. Algumas crianças ficam para trás, enquanto outras deixam de alcançar seu potencial. Depois de muitos dias frequentando a escola sem aprender, muitas acabam por parar de ir. Sem apoio e sobrecarregada, a docência segue pelo mesmo caminho.

Essa situação, repetida em milhões de escolas ao redor do mundo, constitui uma crise global de aprendizagem. Ferramentas de IA podem ajudar? Elas têm potencial para personalizar ainda mais as aulas, acelerar a análise de dados sobre estudantes, aprofundar as devolutivas sobre desempenho e tornar programas educacionais informados por evidências mais fáceis de implementar em escala.

Ou a IA pode se tornar mais uma “bala de prata” que não melhora a aprendizagem, levando governos a gastar recursos escassos em tecnologias educacionais que acabam sem uso nas escolas.

Isso já aconteceu antes. No Peru, por exemplo, após um investimento de cerca de US$ 180 milhões em laptops para estudantes e dez anos de iterações, uma avaliação mostrou que ter laptops não levou a melhores resultados. Na verdade, o desempenho foi ligeiramente pior.

Diversos estudos mostram que simplesmente inserir tecnologia nas salas de aula não é suficiente para melhorar a aprendizagem. As tecnologias precisam estar integradas às práticas de ensino e aprendizagem. O risco das “balas de prata” baseadas em tecnologia é que elas costumam vir acompanhadas de uma onda de entusiasmo exagerado: quando a tecnologia é o martelo, todo problema na educação começa a parecer um prego.

A apenas um clique nos navegadores, a IA já chegou a muitas salas de aula, e estudantes vêm participando, na prática, de um experimento não regulado com sua própria educação. Na Turquia, a dependência de IA sem regulação prejudicou a aprendizagem ao reduzir oportunidades de desenvolver habilidades de pensamento crítico de longo prazo, já que o GPT era usado para obter respostas rápidas a exercícios de prática.

Para acompanhar o avanço da IA, a gestão pública, profissionais da educação e a comunidade de pesquisa devem mobilizar as evidências existentes e evitar seguir cada novo caso de uso sem critério, especialmente aqueles construídos sobre teorias de mudança ineficazes. Com o apoio de evidências, os sistemas educacionais podem direcionar investimentos para usos da IA capazes de fortalecer o que já sabemos que tem maior probabilidade de funcionar. Com essa abordagem, reduzimos o risco de desperdiçar tempo docente, atenção de estudantes e recursos públicos. 

Evidências iniciais sobre ferramentas educacionais promissoras baseadas em IA

A IA oferece caminhos promissores para fortalecer sistemas educacionais e melhorar resultados de aprendizagem quando é integrada de forma cuidadosa ao ensino personalizado, à comunicação com famílias, à instrução eficaz em leitura e outras intervenções com boa relação custo-efetividade.

Avaliação e devolutivas para estudantes: os resultados de testes e questionários podem mostrar ao corpo docente e a estudantes onde cada estudante está, mas são devolutivas frequentes e de alta qualidade que mostram como avançar para o próximo nível. No entanto, oferecer comentários personalizados em pilhas de atividades e redações leva tempo, período em que a aprendizagem pode ficar estagnada.

Aqui, há gargalos que a IA pode ajudar a destravar. No Brasil, equipes de pesquisa avaliaram um corretor de redações com IA que oferece devolutivas imediatas sobre redações de prática para um exame nacional. Estudantes com acesso ao corretor de IA melhoraram sua escrita por meio de mais ciclos de prática, comentários mais úteis e mais atenção individual da docência, que pôde gastar menos tempo analisando a sintaxe dos textos. O programa de IA foi treinado com milhares de redações, notas e comentários de várias correções humanas, além de critérios padronizados de avaliação definidos pela coordenação do exame nacional. O programa está sendo levado em escala em escolas públicas no Brasil.

Tecnologias de reconhecimento de voz com IA também têm potencial para avaliar rapidamente habilidades de leitura em línguas locais. Avaliações em andamento do software de reconhecimento de voz do Facebook na África do Sul e do aplicativo Padhi, da Pratham, na Índia, devem trazer novos aprendizados. Muitas tecnologias de reconhecimento de imagem com IA, como o Photomath, também estão amplamente disponíveis para verificar exercícios de matemática por meio da digitalização de uma foto e do acompanhamento de explicações passo a passo. No entanto, ainda precisamos entender melhor como estudantes estão usando essas ferramentas: estão internalizando e aprendendo com essas verificações rápidas ou apenas copiando e colando uma resposta de IA para concluir a tarefa?

Personalização das aulas para estudantes: sabemos que adaptar o ensino ao nível de aprendizagem de cada estudante aumenta a aprendizagem, mas a personalização exige tempo e conhecimento docente. Um avanço em tecnologia educacional que já se apoia em evidências sobre ensino personalizado é o software de Aprendizagem Adaptativa por Computador, ou CAL, voltado a estudantes. Sistemas de CAL, como o Mindspark, ajustam a próxima aula ou questão com base no acerto ou erro de cada estudante.

Estudos sobre CAL mostram ganhos de aprendizagem substanciais e consistentes, especialmente entre estudantes com pior desempenho, quando as escolas usam a tecnologia para complementar o ensino em sala de aula e oferecer instrução direcionada. Quando a tecnologia educacional é usada para substituir o ensino em sala de aula, os resultados são mistos.

Embora as evidências existentes sobre CAL tenham analisado softwares baseados em regras e conteúdos previamente escritos, um corpo crescente de pesquisas vem avaliando tutores com IA. Essas ferramentas geram e personalizam respostas para estudantes em tempo real e também mostraram resultados promissores em estudos iniciais, como tutoria no contraturno com o Microsoft CoPilot na Nigéria, acesso ao chatbot de tutoria Rori durante períodos de estudo em Gana e o tutor Khanmigo no Canadá. Pesquisas em andamento sobre o chatbot de matemática da Darsel, na Jordânia, e o chatbot mEducation, nas Filipinas, trarão evidências sobre outros contextos e ferramentas. Assim como a supervisão adulta é importante para a efetividade da CAL, evidências emergentes sugerem que a instrução com IA ainda precisa de presença humana para motivar os estudantes e sustentar sua responsabilização.

Como em muitas aplicações de IA, permanecem perguntas em aberto sobre quanto tempo os usuários devem passar com ferramentas de IA e que tipos de interações humanas e sociais essas ferramentas estão substituindo.

Uso de informações detalhadas para apoiar famílias: sabemos que compartilhar informações que orientam famílias em processos de inscrição escolar e alertam quando uma criança está ficando para trás permite que elas apoiem melhor a aprendizagem. Por exemplo, várias intervenções com chatbots integrados mostram que eles podem ajudar em diferentes tarefas, desde encontrar informações sobre auxílio financeiro até identificar erros em inscrições para a universidade. Chatbots integrados com IA podem ajudar famílias a navegar por processos complexos, como encontrar uma escola para suas crianças.

Oportunidades ainda pouco exploradas para IA na educação

Há alguns problemas persistentes na educação que ainda não contam com boas soluções escaláveis. A IA pode ajudar a resolvê-los, mas essas ideias ainda foram pouco testadas e mais pesquisa é necessária.

Tomada de decisão orientada por dados: a IA pode analisar dados rapidamente e fazer previsões precisas quando os dados são de boa qualidade. Isso poderia ajudar a docência a identificar lacunas de aprendizagem e organizar estudantes em grupos para oferecer ensino personalizado. Na Itália, equipes de pesquisa estão avaliando se um algoritmo de IA pode reduzir vieses de gênero em STEM ao oferecer à docência recomendações mais informadas sobre trajetórias em matemática para estudantes que ingressam no ensino médio. Os resultados ainda serão divulgados.

A IA também pode ajudar redes de ensino a alocar recursos com mais eficiência, como direcionar bolsas de estudo ou administrar intervenções de saúde nas escolas. A focalização costuma ser a parte mais cara desse tipo de intervenção, de modo que previsões baseadas em IA sobre quem mais precisa de apoio poderiam ajudar os sistemas, desde que dependam de fontes confiáveis e não enviesadas.

Adaptação de pedagogia estruturada e ensino personalizado para maior escala: implementar programas em escala exige muitos ajustes. Frequentemente são necessários recursos para traduzir materiais para línguas locais, adequar currículos a diferentes calendários escolares e adaptar sistemas antigos. Em Uganda, equipes de desenvolvimento curricular usaram o ChatGPT para traduzir guias docentes para línguas locais, reduzindo custos sem perda de qualidade.

No Quênia, a EIDU está implementando uma nova ferramenta de aprendizagem remediativa que usa IA para identificar lacunas de aprendizagem e criar aulas personalizadas para pequenos grupos. Em parceria com a EIDU, equipes de pesquisa estão avaliando as formas mais efetivas de implementar a nova ferramenta em sala de aula, como combiná-la com agrupamento dinâmico semelhante ao Teaching at the Right Level.

Materiais mais compreensíveis e relevantes: quando estudantes não entendem o que uma pergunta está pedindo, podem chutar, sentir-se derrotados e desistir. Isso é especialmente relevante para estudantes que estão aprendendo uma língua e estudantes com deficiências de aprendizagem. Um programa emergente, o M7E AI, ajuda equipes de desenvolvimento curricular a revisar problemas de matemática em linguagem clara e acessível, mas ainda não foi avaliado em escala. Da mesma forma, uma boa tutoria usa analogias que fazem sentido para estudantes. A IA generativa pode potencialmente liberar os interesses e a criatividade de estudantes. No entanto, precisamos de mais evidências para garantir que modelos que desenvolvem conteúdos novos e não testados sejam precisos e efetivos.

Avaliação e mentoria docente: docentes também precisam de devolutivas personalizadas e contínuas. À medida que novos programas pedagógicos e reformas são implementados, os sistemas educacionais precisam de formas de capacitar e apoiar a docência em escala, mas a mentoria presencial é cara. Estudos ainda não encontraram a fórmula mais custo-efetiva para formar docentes, embora uma avaliação na África do Sul tenha mostrado que a mentoria virtual foi menos eficaz do que a mentoria presencial para melhorar e sustentar resultados de aprendizagem. Quando a mentoria acontece em sala de aula, docentes recebem devolutivas práticas, baseadas em observação, e constroem a confiança e a responsabilização necessárias para testar novas abordagens. Ainda não está claro se a IA pode entregar o mesmo valor.

Uma avaliação em andamento usa um programa de IA para analisar gravações de interações entre estudantes e tutoria, oferecendo uma forma de entregar devolutivas à docência que antes eram difíceis de observar à distância, como o uso de uma linguagem mais acolhedora com estudantes.

Seleção, alocação e retenção docente: há muitas perguntas sem resposta sobre a contratação e a retenção docente. Evidências quase experimentais dos Estados Unidos sugerem que sistemas seletivos de avaliação, com incentivos à efetividade docente e mecanismos para afastar profissionais com baixo desempenho, podem melhorar os resultados de aprendizagem. No entanto, muitos sistemas de alocação dependem de favoritismo e designações aleatórias, o que significa que docentes frequentemente são alocados a salas de aula sem considerar se há boa adequação às necessidades de estudantes.

Alguns sistemas escolares que tentaram desenvolver processos de contratação baseados em mérito enfrentaram dificuldades para prever com precisão quem será um bom educador. A IA tem potencial para melhorar a previsão de quem terá bom desempenho docente e aumentar a aprendizagem, permitindo uma correspondência mais eficiente entre docência e escolas, mas essa abordagem ainda não foi testada.

Preenchimento de lacunas em saúde mental oferecida pelas escolas: a IA pode ter potencial para oferecer ferramentas de apoio emocional onde há escassez de orientação escolar, especialmente em áreas rurais. No entanto, também há riscos: quando a IA substitui seres humanos como companhia para crianças, pode piorar sua saúde mental. Mais estudos são necessários para encontrar o equilíbrio adequado.

Cuidados e ressalvas: IA não é uma bala de prata

Há vários riscos específicos do setor educacional que a gestão pública e a pesquisa devem considerar ao avaliar soluções de IA.

Erosão do pensamento crítico: estudantes podem depender da IA para obter respostas rápidas, reduzindo oportunidades de desenvolver raciocínio, resolução de problemas e criatividade. Muitos sistemas de IA priorizam eficiência em vez de pedagogia, oferecendo soluções em vez de orientar a investigação. Sem salvaguardas, há risco de enfraquecer a aprendizagem profunda.

Perda de interação social: o aumento do tempo de tela com tutores ou companhias de IA pode deslocar a colaboração entre pares e a interação entre docência e estudantes, enfraquecendo habilidades socioemocionais, como a capacidade de colaborar com outras pessoas.

Proteção e segurança: chatbots desenhados para simular intimidade podem confundir limites, especialmente na adolescência, e já demonstraram capacidade de produzir respostas inadequadas ou inseguras. Além disso, sistemas de IA que lidam com dados sensíveis de estudantes exigem proteções robustas. Sem salvaguardas, dados podem ser usados indevidamente e estudantes podem ser expostos a conteúdos nocivos.

Sobrecarga docente: se as ferramentas de IA forem mal integradas, podem acrescentar complexidade em vez de reduzir a carga de trabalho, aumentando o estresse sem melhorar resultados.

Equidade: o acesso desigual a dispositivos, conectividade e ferramentas de IA pode ampliar disparidades existentes entre estudantes e escolas. Modelos treinados com bases de dados estreitas podem oferecer exemplos ou orientações irrelevantes, ou até prejudiciais, em contextos diversos.

Dependência de fontes não verificadas: modelos de IA que se alimentam da internet aberta podem fornecer informações imprecisas ou enganosas se não estiverem alinhados a currículos confiáveis.

Olhando adiante

Tanto a iniciativa Learning for All do J-PAL quanto o Project AI Evidence financiam novas avaliações de soluções de IA voltadas a responder perguntas em aberto. Continuaremos compartilhando novos resultados de pesquisa à medida que mais achados surgirem, inclusive em nosso AI Evidence Playbook. O guia resume o que sabemos e o que ainda não sabemos sobre o papel da IA em diferentes setores e apresenta perspectivas sobre como avançar a partir dessas lições.