IA na escola sem uma tela para cada aluno: o que um estudo brasileiro mostrou

Uma professora acompanha uma turma que resolve exercícios de matemática no papel. Depois, fotografa as respostas com o celular e recebe sugestões sobre erros e próximas atividades. A inteligência artificial entra na rotina, mas cada criança continua trabalhando com lápis e folha.

Essa possibilidade foi investigada em um estudo publicado em 24 de setembro de 2026 na revista Smart Learning Environments, por Luiz Rodrigues, Guilherme Guerino, Thomaz Edson Silva e outros pesquisadores, incluindo Seiji Isotani. A questão é pertinente para escolas que precisam melhorar o ensino sem dispor de um equipamento por estudante.

O resultado exige uma leitura cuidadosa: acrescentar o sistema de IA à formação docente não produziu uma vantagem adicional de aprendizagem detectável nas duas semanas avaliadas. Para quem ensina, coordena ou escolhe tecnologias educacionais, o estudo oferece critérios úteis para avaliar uma proposta antes de ampliá-la. [1]

O que significa usar IA com os alunos no papel

Os autores trabalham com a abordagem AIED unplugged: inteligência artificial aplicada à educação em situações nas quais o estudante não precisa interagir diretamente com um dispositivo. O professor funciona como intermediário entre o sistema e a turma.

A ferramenta estudada seleciona exercícios de um banco elaborado por especialistas, reconhece respostas manuscritas em fotografias, sugere devolutivas e apresenta relatórios. Reconhecimento de escrita é a conversão de marcas na imagem em informações que o programa consegue analisar. A devolutiva, também chamada de feedback, indica o que revisar e como avançar.

O professor pode corrigir a avaliação do aplicativo e substituir exercícios. Segundo a descrição técnica dos pesquisadores, o sistema também foi projetado para funcionar quando o smartphone estiver sem conexão. Isso não comprova que qualquer ferramenta semelhante funcione integralmente sem internet nem que dispense infraestrutura.

Também é importante separar IA de chatbot, o programa com o qual conversamos por mensagens. O estudo não apresenta a intervenção como uma aplicação de ChatGPT. Sistemas que reconhecem escrita e recomendam atividades podem usar técnicas diferentes das que geram respostas em linguagem natural. [1]

Como a pesquisa separou formação e tecnologia

A investigação envolveu quatro escolas públicas brasileiras, 19 turmas e 320 estudantes. Para analisar a mudança na aprendizagem, os pesquisadores utilizaram os dados dos 221 alunos que fizeram tanto o teste inicial quanto o final. Os outros 99 não completaram os dois momentos de avaliação.

As turmas foram distribuídas entre três condições: ensino habitual; formação docente sem o aplicativo; e formação acompanhada do uso da IA. A preparação pedagógica abordava planejamento por habilidades, progressão dos conteúdos e tipos de erros em operações aritméticas. O grupo que utilizou a ferramenta também recebeu orientação para operá-la.

A intervenção com o aplicativo ocorreu em quatro aulas ao longo de duas semanas. As escolas foram selecionadas por parcerias acessíveis à equipe, e a distribuição das condições entre elas ficou desigual. Por isso, os resultados não representam automaticamente a diversidade das escolas brasileiras.

A publicação foi aceita em 30 de agosto e disponibilizada em 24 de setembro de 2026. A página oferece uma versão aceita após revisão por pares, ainda anterior à versão editorial definitiva. A data de publicação está confirmada; não localizei, no material consultado, as datas de calendário das aulas. [1]

O resultado que merece mais atenção

Na análise principal, os dois grupos que receberam formação tiveram ganhos superiores aos do ensino habitual. Entretanto, a comparação entre formação isolada e ensino habitual não apresentou a mesma conclusão em todos os métodos estatísticos utilizados. Essa variação recomenda prudência ao estimar a força do benefício.

Ao comparar formação com IA e formação sem IA, não apareceu uma diferença estatisticamente detectável. Isso significa que os dados não permitiram distinguir os ganhos dessas duas condições com segurança. Não demonstra que a ferramenta seja inútil ou que produza exatamente o mesmo resultado em qualquer situação.

O período foi curto, o número de professores foi pequeno e houve ausência de alunos em um dos testes. Uma ferramenta pode precisar de adaptação antes de ajudar; também pode acrescentar pouco a uma prática pedagógica bem organizada. O estudo não resolve qual dessas explicações prevalece. [1]

A implicação para a gestão escolar é concreta: ao financiar uma tecnologia acompanhada de capacitação, é preciso avaliar a contribuição de cada componente. Uma melhora observada depois de um pacote de mudanças não pode ser atribuída automaticamente ao software.

Poupar tarefas pode criar outras tarefas

Os professores relataram vantagens na preparação de exercícios e na visualização do desempenho. Também descreveram dificuldades: fotografar folhas, corrigir falhas de reconhecimento, revisar avaliações e manter a turma trabalhando enquanto operavam o aplicativo. [1]

A pesquisa mediu a carga de trabalho percebida com uma versão do NASA-TLX, instrumento que considera demanda mental, física e temporal, desempenho percebido, esforço e frustração. Trata-se de uma avaliação subjetiva estruturada. Ela não equivale a cronometrar horas economizadas nem a diagnosticar saúde mental. [2]

Não houve diferenças estatisticamente significativas entre os grupos nas dimensões de carga de trabalho. Uma análise exploratória sugeriu um possível caminho indireto entre uso do sistema, esforço docente e aprendizagem. Como o esforço foi observado, e não controlado experimentalmente, esse resultado aponta uma hipótese a investigar, não um mecanismo causal comprovado. [1]

Minha leitura é que o trabalho precisa ser avaliado de ponta a ponta. Uma lista pronta pode economizar preparação e, ao mesmo tempo, exigir longa conferência das correções. O saldo depende do tempo gasto, da atenção exigida e da utilidade pedagógica do resultado.

Um erro reconhecido ainda precisa virar aprendizagem

Considere um exemplo ilustrativo, distinto dos dados da pesquisa: uma criança erra uma subtração que exige reagrupamento. O sistema marca a resposta como incorreta. O professor pede que ela explique o procedimento, identifica onde se perdeu e propõe outra situação com materiais ou desenhos.

O valor está na possibilidade de agir sobre a dificuldade. A síntese de evidências da Education Endowment Foundation destaca devolutivas específicas sobre a tarefa e oportunidades para o estudante utilizá-las. Essa literatura apoia princípios de feedback; não constitui uma validação do aplicativo brasileiro. [3]

Um relatório que classifica alguém como iniciante precisa servir como pista para investigação. Antes de definir a próxima atividade, o professor deve considerar a explicação do aluno e conferir se a escrita foi interpretada corretamente. A classificação automatizada ganha utilidade quando ajuda a formular uma intervenção melhor.

Desenvolvimento profissional com espaço para aprender

Há uma dimensão de desenvolvimento profissional nessa discussão. Aprender a operar uma ferramenta envolve experimentação, revisão de decisões e reconhecimento dos próprios limites. Transformar toda dificuldade de uso em falta de atualização do professor prejudica a análise: o problema também pode estar no desenho do sistema.

Uma formação útil pode incluir o exame coletivo de um relatório errado e a comparação entre duas maneiras de dar uma devolutiva. Essa é uma proposta de prática profissional, não um resultado testado pelo estudo. O objetivo é ampliar o julgamento docente e permitir que o professor identifique quando vale a pena usar a tecnologia.

Em 5 de outubro de 2026, o Google publicou uma iniciativa com a TED para destacar ideias de educadores que inovam com tecnologia. Histórias de uso ajudam a descobrir possibilidades. Como comunicação de um fornecedor, porém, não substituem pesquisas que medem efeitos e investigam limitações. [4]

O que verificar antes de um projeto-piloto

Para uma escola interessada nessa abordagem, proponho começar por uma habilidade delimitada e um problema observável, como a demora para identificar erros recorrentes em operações. O piloto deve ter um prazo de avaliação e condições para interromper ou ajustar o uso.

Registre o tempo total, incluindo preparação, impressão, captura de imagens e conferência. Observe quantas avaliações exigem correção humana e se o professor consegue acompanhar a turma durante o processo. Compare atividades equivalentes e verifique se os alunos resolvem novas questões sem apoio.

Defina também quem pode acessar os registros, quais dados serão enviados e por quanto tempo ficarão armazenados. Fotografar uma folha pode capturar nomes e outras informações desnecessárias. As orientações de Fengchun Miao e Wayne Holmes, publicadas pela UNESCO em 2023, defendem a proteção de dados e a validação pedagógica e ética das ferramentas de IA generativa. Esses princípios ajudam a organizar a avaliação institucional, embora o sistema deste estudo não seja apresentado como generativo. [5]

A leitura da pesquisa é pública, mas não confirmei uma oferta aberta do aplicativo, preços ou condições de contratação. A versão consultada mantém seu nome oculto. Portanto, o artigo apresenta uma abordagem e suas evidências, sem recomendar um produto disponível para instalação. [1]

Uma inclusão digital que também respeite o professor

Usar IA sem exigir uma tela por aluno pode ampliar as opções de escolas com recursos limitados. Ainda assim, é preciso considerar equipamentos docentes, suporte, impressão e tempo de trabalho. Transferir toda a operação para o professor pode criar um novo ponto de sobrecarga.

O estudo brasileiro permite formular uma pergunta mais útil para decidir: a tecnologia melhora o que o professor consegue observar, planejar e ensinar, com um esforço sustentável? Responder exige formação, conferência dos resultados e avaliação continuada. É nesse trabalho concreto que a promessa de inclusão precisa demonstrar seu valor.

Referências

1. Rodrigues, Luiz; Guerino, Guilherme; Silva, Thomaz Edson; et al. AIED unplugged, teacher workload, and numeracy learning: a clustered quasi-experimental mixed-methods study. Smart Learning Environments. Publicado em 24 set. 2026; aceito em 30 ago. 2026. Versão aceita, de acesso aberto, sob CC BY 4.0. Este artigo apresenta análise e paráfrases próprias da pesquisa. Consultar fonte.
2. NASA. NASA Task Load Index (TLX). Documentação oficial do instrumento de carga de trabalho percebida. Consultada em 6 out. 2026. Consultar fonte.
3. Education Endowment Foundation. Feedback — Teaching and Learning Toolkit. Síntese de evidências sobre devolutivas pedagógicas; a página informa atualização da revisão em junho de 2021. Consultada em 6 out. 2026. Consultar fonte.
4. Google. World Teachers’ Day 2026. Comunicação institucional publicada em 5 out. 2026. Consultar fonte.
5. Miao, Fengchun; Holmes, Wayne. Guidance for generative AI in education and research. UNESCO, 2023. Página publicada em 7 set. 2023. Consultar fonte.

Fontes consultadas em 6 de outubro de 2026. Imagem de capa ilustrativa gerada por IA; não é um registro da pesquisa.