Do sábio no palco ao arquiteto da aprendizagem

Imagine uma estudante universitária – chame-a de Sara – sentada em frente ao seu laptop às 23h, três dias antes de uma prova intermediária. Ela assistiu a todas as palestras, baixou todos os slides e destacou suas anotações até que as páginas ficassem mais amarelas do que brancas. Ela entende o material, mais ou menos, da mesma forma que você entende uma cidade que só viu em um mapa. Quando chegar o exame, o mapa não será suficiente.

A situação de Sara não é incomum. É o modo dominante de aprendizagem no ensino superior e na maioria das plataformas online. O conteúdo é abundante. A compreensão genuína – aquela que sobrevive três semanas e se transfere para um novo problema – é muito mais rara. As taxas de conclusão de cursos on-line ficam abaixo de 15%, de acordo com pesquisadores do MIT e de Harvard que estudam MOOCs. Os alunos se matriculam com intenção real e depois se afastam. O conteúdo nunca foi o problema. O desenho era.

A IA generativa introduziu algo que a sala de aula tradicional nunca conseguiu: um ambiente de aprendizagem que se adapta a cada indivíduo, disponível a qualquer hora e capaz de encontrar o aluno precisamente onde ele está. A questão já não é se a IA pertence à educação. É se as plataformas que o implantam entendem o suficiente sobre como os humanos realmente aprendem a usá-lo com sabedoria.

O que as plataformas de IA podem fazer pelas salas de aula

Pense no que um professor particular qualificado realmente faz. Eles percebem quando você hesita antes de responder. Eles se lembram de que, há duas semanas, você confundiu duas ideias relacionadas e voltou silenciosamente para testar se a confusão foi resolvida. Eles se ajustam, em tempo real, à forma específica do seu entendimento.

Um professor que gere trinta alunos não pode realisticamente fazer tudo isso – não porque os professores não tenham competências, mas porque a aritmética estrutural não o permite. Um sistema de IA bem projetado pode. Ele rastreia quais alunos precisam de mais prática de recuperação, quais têm um equívoco persistente e quais estão se desinteressando – simultaneamente, em todo um grupo.

O registro de eficácia aqui é significativo. Uma meta-análise de 2016 feita por Kulik e Fletcher no Revisão da Pesquisa Educacional examinou 50 estudos controlados de sistemas de tutoria inteligentes e encontrou tamanhos de efeito em média 0,66 desvios padrão acima das condições de controle. A pesquisa fundamental de Benjamin Bloom, de 1984, sobre o “problema dos dois sigma” mostrou que a tutoria individual superou a instrução convencional em sala de aula por dois desvios-padrão – uma lacuna que era economicamente inescalável até agora. A tutoria de IA não reproduz totalmente um grande tutor humano, mas move o ponteiro numa lacuna de acesso que os sistemas educativos passaram quarenta anos incapazes de colmatar.

É também aqui que as plataformas de IA se tornam relevantes, não como novidade, mas como resposta estrutural. Ao permitir que os alunos criem cursos a partir dos seus próprios materiais e ao fornecer assistência contextual de IA calibrada para conteúdo pessoal, estas plataformas mudam a dinâmica do consumo passivo para a construção ativa – o tipo de envolvimento que a aprendizagem científica associa consistentemente a uma retenção mais profunda.

Por que a motivação é o alvo errado – e o hábito é o alvo certo

É aqui que a maior parte da indústria EdTech cometeu um erro importante. A filosofia de design dominante em plataformas voltadas para o consumidor tem sido a otimização do engajamento: faixas, emblemas, placares, notificações programadas para atraí-lo de volta. A suposição é que os alunos motivados continuam aprendendo. É uma suposição que lisonjeia o produto e decepciona a pessoa.

A motivação não é um recurso estável. Ele flutua de acordo com o humor, o estresse e as circunstâncias. A pessoa animada para estudar no domingo à tarde muitas vezes não é a mesma que consegue reunir essa energia na quarta-feira à noite, após um dia difícil. Projetar um sistema de aprendizagem em torno de picos motivacionais é projetar para uma versão do aluno que não aparece de forma confiável.

A teoria da autodeterminação, desenvolvida por Deci e Ryan, torna o problema mais preciso: a motivação extrínseca – impulsionada por recompensas e pressão social – tende a excluir a motivação intrínseca uma vez removido o gatilho externo. O aluno que estudou diariamente para manter uma seqüência pode descobrir, quando a seqüência se rompe, que não tem motivo interno para retornar.

O alvo mais durável é o hábito. A investigação de Wendy Wood e colegas sobre a automaticidade comportamental mostra que os hábitos – rotinas desencadeadas por estímulos contextuais em vez de motivação deliberada – são preditores muito mais estáveis ​​de comportamento sustentado. Um aluno que construiu um hábito de estudo consistente não necessita de um estado motivacional para começar. A deixa aciona a rotina. A rotina se torna autossustentável.

Esta é a filosofia de design em torno da qual as plataformas de IA devem ser construídas. Em vez de competir pelo envolvimento motivacional, a sua arquitectura deve visar a formação de hábitos de estudo sustentáveis ​​– comportamentos que persistem independentemente de o aluno se sentir particularmente energizado num determinado dia.

A pesquisa de usabilidade realizada por Kampster com alunos matriculados na London School of Economics em 2025 indicou que os alunos distinguiam claramente entre mecanismos de envolvimento de curto prazo e sistemas concebidos para uma aprendizagem duradoura. Portanto, um padrão metodológico de que o setor EdTech precisa urgentemente: basear-se primeiro na ciência cognitiva e, em seguida, testar as decisões de design por meio de pesquisa estruturada com usuários exigentes e treinados analiticamente.

O trabalho de Bjork e Bjork sobre “dificuldades desejáveis” reforça por que isso é importante. Condições que parecem fáceis – releitura passiva, conteúdo abaixo da capacidade atual – produzem fraca retenção a longo prazo. A recuperação esforçada e a repetição espaçada produzem um aprendizado durável precisamente porque parecem mais difíceis. Uma plataforma otimizada para índices de satisfação oferece o primeiro. Uma plataforma projetada em torno da retenção escolhe a última opção, mesmo quando é a opção menos imediatamente recompensadora.

O novo papel do educador

Nada disso torna o professor obsoleto. Isso muda o que as melhores horas de um professor são gastas fazendo.

Se a IA trata do agendamento da recuperação, do feedback adaptativo e da explicação do conceito de primeira passagem, a contribuição insubstituível do educador muda para algo mais difícil de automatizar: as dimensões relacionais da aprendizagem, a orientação que liga o conteúdo académico ao sentido de identidade de um aluno, a capacidade de perceber que um aluno quieto não está desinteressado, mas sim em dificuldades. Estes não são periféricos à educação. Em muitos casos, eles são o ponto principal.

O relatório da OCDE de 2023 Professores como designers de ambientes de aprendizagem enquadra isto precisamente: educadores funcionando cada vez mais como arquitetos de aprendizagem, projetando experiências em vez de entregar conteúdo. É um papel mais exigente, e não menor – e exige que as instituições invistam no desenvolvimento dos professores, em vez de tratarem a IA como um instrumento de redução de custos.

Conclusão

Volte para Sara em seu laptop. O que ela precisava não era de mais conteúdo. Ela precisava de um sistema que a ajudasse a recuperar, espaçar e lidar produtivamente com o material nas semanas anteriores – fazendo o trabalho nada glamoroso de construir uma retenção real, não apenas a impressão superficial de familiaridade.

Esse sistema agora é tecnicamente possível de ser construído em escala. A ciência cognitiva por trás disso não é nova. O que mudou foi a capacidade de agir de forma acessível, económica e de uma forma que se adapte ao indivíduo e não ao aluno médio imaginado. As plataformas que levam isto a sério – concebendo em torno do hábito em vez da motivação, da retenção em vez do envolvimento – estão a trabalhar no problema certo. O mesmo acontece com os educadores aprendendo a trabalhar ao lado deles.

Referências:

• Ho, AD, et ai. 2014. “HarvardX e MITx: O primeiro ano de cursos online abertos.” Documento de trabalho nº 1 de HarvardX e MITx.
• Kulik, JA, & Fletcher, JD 2016. “Eficácia de sistemas de tutoria inteligentes: uma revisão meta-analítica.” Revisão da Pesquisa Educacional, 86(1), 42–78.
• Bloom, BS 1984. “O problema dos 2 sigma: A busca por métodos de instrução em grupo tão eficazes quanto a tutoria individual.” Pesquisador Educacional, 13(6), 4–16.
• Deci, EL e Ryan, RM 1985. Motivação intrínseca e autodeterminação no comportamento humano. Imprensa Plenária.
• Deci, EL, Koestner, R., & Ryan, RM 1999. “Uma revisão meta-analítica de experimentos que examinam os efeitos das recompensas extrínsecas na motivação intrínseca.” Boletim Psicológico, 125(6), 627-668.
• Wood, W., & Neal, DT 2007. “Um novo olhar sobre os hábitos e a interface hábito-objetivo.” Revisão Psicológica, 114(4), 843–863.
• Wood, W., Quinn, JM, & Kashy, DA 2002. “Hábitos na vida cotidiana: pensamento, emoção e ação.” Jornal de Personalidade e Psicologia Social, 83(6), 1281–1297.
• Bjork, EL, & Bjork, RA 2011. “Tornando as coisas difíceis para você, mas no bom sentido: Criando dificuldades desejáveis ​​para melhorar o aprendizado.” Em MA Gernsbacher et al. (Ed.), Psicologia e o mundo real: ensaios que ilustram contribuições fundamentais para a sociedade (págs. 56–64). Editores que valem a pena.
• Ebbinghaus, H. 1885. Sobre memória (Memória: uma contribuição à psicologia experimental). Duncker e Humblot.
• OCDE. 2023. Visão geral da educação da OCDE 2023. Publicação da OCDE.
• OCDE. 2023. Professores como designers de ambientes de aprendizagem: A importância de pedagogias inovadoras. Publicação da OCDE.
• Unesco. 2023. Orientação para IA generativa na educação e pesquisa. Publicação da UNESCO.