Antes de ensinar, descobrir o que o aluno já sabe: Ausubel e o uso da IA na aprendizagem

A inteligência artificial pode ajudar a explorar conhecimentos prévios, organizar conceitos e formular perguntas que favoreçam a compreensão. A teoria de David Ausubel oferece critérios para avaliar essas possibilidades. Pesquisas recentes mostram benefícios em algumas aplicações, mas também deixam claro que acrescentar IA a uma atividade não garante aprendizagem.

Uma pessoa pede à inteligência artificial que explique um assunto. Em poucos segundos, recebe definições, exemplos e uma síntese bem organizada. O texto parece claro. Mas será que essa pessoa compreendeu o conteúdo? E com quais ideias anteriores conseguiu relacioná-lo?

Essas perguntas deslocam a atenção da qualidade da resposta produzida para a aprendizagem de quem a utiliza.

Em 10 de setembro de 2026, Chrysanthi Melanou, Maik Beege e Martin Kimmig publicaram um estudo que acompanhou 87 estudantes universitários durante um semestre. Compararam atividades com IA orientada como tutor, uso sem orientação e uma condição sem IA. Todos os grupos apresentaram ganhos de conhecimento, mas a integração da tecnologia não trouxe benefício adicional nesse resultado. O desenho quase experimental e a amostra limitam a generalização, mas o achado merece atenção.

Para entender quando a IA pode ser útil, vale recuperar uma questão central na obra de David Ausubel: como o conhecimento novo se relaciona com aquilo que o estudante já sabe?

Aprender envolve construir relações

Ausubel desenvolveu uma teoria da aprendizagem significativa, na qual novas ideias se integram a conhecimentos relevantes já presentes na estrutura cognitiva do aprendiz — a organização de seus conceitos e relações.

Essa integração modifica a compreensão. Aprender um conceito pode ampliar, precisar ou reorganizar ideias anteriores. A teoria, retomada pelo autor em The Acquisition and Retention of Knowledge, publicado originalmente em 2000, descreve um processo ativo de construção de significados.

Os subsunçores são conhecimentos relevantes que funcionam como apoio para essa aprendizagem. Por exemplo, compreender proporção pode ajudar alguém a entender uma nova situação envolvendo porcentagens.

Entretanto, uma atividade interessante ou uma explicação agradável não assegura esse processo. É preciso considerar a organização do material, os conhecimentos disponíveis e a disposição do estudante para estabelecer relações. Uma explicação apresentada pelo professor também pode favorecer aprendizagem significativa; o aluno não precisa descobrir tudo sozinho. Essas distinções são discutidas por Novak e Cañas.

A aplicação desses conceitos à IA é uma interpretação pedagógica. Ausubel não estudou os atuais assistentes generativos, e as pesquisas discutidas aqui não constituem testes diretos de sua teoria.

A primeira utilidade da IA pode estar nas perguntas

Antes de explicar um tema, a IA pode ajudar o professor a preparar perguntas para explorar o ponto de partida dos estudantes.

Considere uma formação profissional sobre análise de dados. Perguntar apenas “Você sabe calcular uma média?” informa pouco sobre a compreensão. Uma investigação mais útil poderia incluir:

• O que uma média permite observar?
• Duas equipes com a mesma média podem ter resultados muito diferentes?
• Em qual situação você evitaria tomar uma decisão usando somente a média?

As justificativas ajudam a identificar ideias que poderão apoiar a próxima explicação.

Minha proposta é utilizar a IA para formular essas perguntas e sugerir aprofundamentos. O professor examina as respostas e decide como conduzir o ensino.

Isso exige cuidado: uma resposta curta, um problema de escrita ou a ausência de um termo técnico não comprova desconhecimento. A ferramenta deve ajudar a levantar hipóteses sobre a compreensão, sem transformar sua interpretação em um diagnóstico definitivo do aluno.

Organizadores prévios: preparar uma ponte para o novo conteúdo

Outro conceito importante é o de organizador prévio: um material apresentado antes da aprendizagem detalhada, em um nível mais geral, para estabelecer uma ponte entre conhecimentos existentes e o assunto novo. Sua função vai além de antecipar os tópicos da aula. Veja a discussão de Novak e Cañas sobre os fundamentos da aprendizagem.

Em uma formação sobre processos de trabalho, por exemplo, poderíamos começar pela ideia de que uma entrega percorre etapas e depende de condições para avançar. Depois, seriam introduzidos conceitos mais específicos, como filas, capacidade e tempo de espera.

A IA poderia sugerir diferentes formas de apresentar essa ponte, considerando experiências informadas pelos participantes: atendimento ao público, desenvolvimento de software ou organização de eventos.

O professor precisaria verificar se o exemplo realmente ajuda a compreender o conceito. Analogias também podem induzir erros quando suas diferenças ficam escondidas.

Um pedido útil seria: “Proponha uma introdução que conecte este assunto às experiências descritas. Explique também onde a comparação deixa de funcionar”.

Diferenciar ideias e examinar contradições

A diferenciação progressiva envolve tornar os conceitos mais precisos, distinguindo suas características e relações. A reconciliação integradora permite esclarecer conexões e aparentes contradições entre ideias.

Esses processos oferecem bons critérios para elaborar atividades com IA.

Imagine um estudante que utiliza “eficiência” e “eficácia” como sinônimos. Podemos propor situações e pedir que ele justifique qual conceito está utilizando. A IA ajuda a variar os casos; o estudante compara, explica e revisa sua compreensão.

Também podemos explorar afirmações como: “Se a equipe está sempre ocupada, deve estar entregando bons resultados”. Que informações sustentariam essa conclusão? Quais poderiam colocá-la em dúvida?

A contribuição da ferramenta estaria na preparação de perguntas e situações de comparação. A quantidade de exemplos importa menos que a qualidade das relações discutidas.

Mapas conceituais: mostrar como o estudante organiza o conhecimento

Os mapas conceituais representam conceitos e relações explicitadas por palavras de ligação. Foram desenvolvidos por Joseph Novak e colaboradores, com base, em parte, na teoria de Ausubel. Uma sequência de caixas conectadas sem explicar as relações perde uma característica essencial desse recurso.

A IA pode ajudar a revisar um mapa elaborado pelo estudante. Poderíamos pedir perguntas sobre uma ligação pouco clara, solicitar um contraexemplo ou examinar se determinada relação está apoiada no material estudado.

É diferente de entregar ao aluno um mapa pronto e considerar a atividade concluída.

Uma pesquisa de Can Zhao e colaboradores, publicada em 22 de maio de 2026, investigou um tutor de IA integrado a um grafo de conhecimento, uma representação estruturada de conceitos e relações. Entre 301 estudantes de enfermagem que concluíram o estudo, o grupo com IA apresentou resultados superiores em diferentes avaliações. Entretanto, a intervenção combinava recursos pedagógicos, ocorreu em uma instituição e não permite atribuir todos os benefícios à IA isoladamente. Grafos de conhecimento também não equivalem automaticamente a mapas construídos pelos alunos.

Quando o aluno explica, a IA pode ajudar a aprofundar

Uma aplicação promissora consiste em pedir ao estudante que explique o conteúdo e utilizar a IA para formular perguntas sobre sua explicação.

Guido Makransky e colaboradores investigaram essa abordagem em pesquisa publicada em 16 de junho de 2025. Dois experimentos envolveram 175 universitários e 234 estudantes do ensino médio. O ChatTutor, desenvolvido com orientação pedagógica, melhorou o conhecimento conceitual em relação ao ChatGPT nas avaliações imediatas dos dois estudos. Os resultados posteriores e as comparações com as condições de controle variaram. Um dos autores declarou interesse comercial no sistema.

Esses resultados apoiam a investigação de ferramentas desenhadas para promover elaboração pelo estudante. Não demonstram que qualquer conversa com um assistente terá o mesmo efeito.

Uma atividade possível seria: “Explique o conceito com suas palavras, apresente um exemplo e responda a duas perguntas sobre os limites dessa explicação”.

O erro pode orientar a próxima intervenção

Em agosto de 2026, Philip Oreopoulos e colaboradores divulgaram um experimento com mais de 6 mil estudantes utilizando a plataforma NUMI.

A assistência por IA melhorou a correção de tentativas seguintes aos erros, embora os estudantes avançassem mais lentamente e respondessem a menos questões. Os ganhos na avaliação realizada uma semana depois foram mais limitados e concentrados em uma combinação específica de assistência e progressão por domínio. O trabalho foi divulgado como working paper, uma publicação de pesquisa em discussão.

A implicação pedagógica é investigar o que o erro revela. O estudante confundiu conceitos? Aplicou uma regra em uma situação inadequada? Deixou de considerar uma condição?

A IA pode sugerir uma pista ou pergunta. Para avaliar sua utilidade, precisamos observar se essa intervenção ajuda a pessoa a compreender e enfrentar uma nova situação.

Uma sequência prática para experimentar

Proponho uma experiência pequena, com conteúdo conhecido pelo professor e critérios definidos previamente.

Primeiro, peça uma explicação inicial ou um mapa breve, antes da assistência por IA. Registre as relações apresentadas e as dúvidas.

Depois, utilize uma introdução que conecte conhecimentos relevantes ao assunto novo. Apresente o conteúdo em etapas, com exemplos e comparações.

Na interação com a IA, solicite justificativas e perguntas de aprofundamento. O professor acompanha a correção das informações e intervém quando necessário.

Por fim, proponha uma situação diferente para o estudante resolver sem a ferramenta. Peça que explique seu raciocínio e compare sua compreensão atual com a inicial. Uma nova verificação posterior pode ajudar a observar o que permaneceu.

Essa sequência é uma proposta pedagógica, não um protocolo cuja eficácia tenha sido demonstrada pelos estudos citados.

O critério que proponho é concreto: a pessoa passou a estabelecer relações mais claras, justificar suas escolhas e aplicar o conhecimento em novas situações?

A IA pode contribuir para preparar esse percurso e ampliar as oportunidades de acompanhamento. A decisão sobre como ensinar continua exigindo atenção ao estudante, ao conteúdo e às evidências de aprendizagem.

Referências

• David P. Ausubel. The Acquisition and Retention of Knowledge: A Cognitive View. Publicação original: 2000.
• Joseph D. Novak e Alberto J. Cañas. The Theory Underlying Concept Maps and How to Construct and Use Them. Relatório técnico, revisão de 2008. Veja também Psychological Foundations of Human Learning.
• Chrysanthi Melanou, Maik Beege e Martin Kimmig. Generative AI and Learning Dynamics in Higher Education. Publicado em 10/09/2026.
• Can Zhao e colaboradores. Tutor de IA integrado a grafo de conhecimento no ensino de anatomia. Publicado em 22/05/2026.
• Guido Makransky e colaboradores. Beyond the “Wow” Factor. Publicado em 16/06/2025.
• Philip Oreopoulos, Michael Liut, Alp Sungu e Nina Low. Making AI Tutoring Productive. Documento de trabalho, agosto de 2026.

Imagem de capa ilustrativa, gerada com inteligência artificial.