Quando a IA pensa por nós: as ciências da aprendizagem à prova dos LLM

Um dos paradoxos mais bem estabelecidos das ciências da aprendizagem é que aquilo que torna o estudo fácil torna-o, muitas vezes, ineficaz. A retenção duradoura assenta em «dificuldades desejáveis»: testar-se em vez de reler, espaçar as revisões, produzir uma resposta antes de a verificar. O clássico efeito de teste de Roediger e Karpicke mostra que uma simples recuperação em memória, sem releitura adicional, melhora fortemente a retenção a longo prazo ^[1]. Ora, os grandes modelos de linguagem (LLM) destacam-se precisamente a eliminar esse esforço: produzem a resposta, o plano, a síntese. A questão não é, portanto, saber se a IA ajuda a produzir, mas se ajuda a aprender.

A descarga cognitiva, uma faca de dois gumes

A «descarga cognitiva» (cognitive offloading) consiste em confiar uma tarefa mental a uma ferramenta externa. Útil para libertar a memória de trabalho, torna-se problemática quando substitui os processos que constroem a compreensão. Vários estudos de 2024-2026 documentam uma «preguiça metacognitiva»: os alunos que se apoiam num LLM interagem sobretudo com a ferramenta, copiam e colam mais e regulam menos a sua própria aprendizagem ^[2]. Foi mesmo proposta e validada recentemente uma escala de medição do fenómeno ^[3].

Este resultado é matizado e muitas vezes mal citado: no mesmo estudo, uma versão «tutor» do modelo, dotada de salvaguardas pedagógicas (pistas progressivas, recusa em dar a solução completa, convite a raciocinar), não provocava essa degradação ^[4]. Por outras palavras, o efeito depende menos da IA em si do que da conceção da interação.

Conceber para o esforço, não contra ele

As ciências cognitivas oferecem uma grelha de conceção. Um tutor de IA alinhado com a aprendizagem deveria: privilegiar a recuperação ativa (colocar questões antes de responder), dosear as pistas (esbatimento progressivo, ou fading), espaçar as revisões, e tornar visíveis as etapas do raciocínio em vez de apenas o resultado. A meta-análise da UNESCO defende uma abordagem centrada no ser humano, em que a ferramenta permanece subordinada aos objetivos pedagógicos ^[5].

• Recuperação antes da geração: levar o aluno a produzir uma tentativa antes de qualquer ajuda.
• Pistas graduadas: revelar a informação por etapas, nunca a solução de imediato.
• Espaçamento e intercalação: replanear os conceitos já vistos, misturar os tipos de problemas.
• Explicitação: pedir ao aluno que justifique, reformule, preveja — e não apenas que valide.

O que a IA pode realmente melhorar

A IA não está condenada a erodir a aprendizagem. Bem concebida, torna praticáveis em grande escala princípios dispendiosos em tempo humano: feedback imediato, perguntas de recuperação geradas na hora, adaptação do nível de dificuldade. O relatório de 2025 do AI Index de Stanford sublinha a rápida expansão destes usos, insistindo ao mesmo tempo na escassez de provas de eficácia rigorosas e em grande escala ^[6]. A prudência metodológica continua a impor-se: muitos estudos são de curta duração, com amostras pequenas, e medem o desempenho imediato em vez da retenção.

A aprendizagem profunda pressupõe um desconforto desejável. O verdadeiro desafio da IA educativa é preservar o esforço útil, eliminando ao mesmo tempo o esforço inútil.

Síntese das dificuldades desejáveis

Para quem concebe sistemas educativos — incluindo os agentes europeus e suíços atentos à confidencialidade e ao controlo dos dados — o desafio é duplo: instrumentar a metacognição (tornar o aluno consciente daquilo que sabe) e evitar a armadilha da fluência, essa ilusão de domínio que uma resposta bem formulada, mas não trabalhada, proporciona. A tecnologia deve servir a dificuldade desejável, não aboli-la.

Três princípios cognitivos a instrumentar

Para além da recuperação, três princípios robustos das ciências da aprendizagem merecem ser instrumentados pela IA em vez de curto-circuitados. O primeiro é o espaçamento: rever um conceito a intervalos crescentes fixa muito melhor do que um estudo intensivo concentrado. Um sistema pode planear estas revisões automaticamente, algo que um professor sozinho dificilmente consegue fazer para trinta alunos. O segundo é a intercalação: misturar os tipos de problemas em vez de os tratar em blocos, o que melhora a transferência.

O terceiro é o efeito de geração: produzir uma resposta, mesmo errada, antes de receber a correção, reforça a aprendizagem mais do que a leitura passiva da solução. É exatamente o inverso do que propõe um assistente generativo deixado sem salvaguardas, que entrega a resposta de imediato. Conceber contra esse reflexo — fazer tentar antes de ajudar — transforma a ferramenta de atalho em alavanca ^[4].

Resta a metacognição, esse pilotar da própria aprendizagem que os estudos apontam como a primeira vítima da descarga cognitiva ^[2]. A IA pode, pelo contrário, apoiá-la: pedir ao aluno que estime a sua confiança, que identifique o que não compreendeu, que planeie a sua revisão. Tornar o aluno consciente do seu estado de conhecimento é talvez o uso mais promissor — e o mais fiel a uma visão centrada no ser humano ^[5].

Reconciliar esforço e tecnologia

O debate opõe demasiadas vezes duas caricaturas: a IA que salva a educação e a IA que a estraga. A realidade, mais interessante, é que as mesmas ferramentas podem servir uma ou outra consoante a forma como são concebidas. Um assistente que entrega a resposta curto-circuita a aprendizagem; um assistente que coloca uma pergunta no momento certo reforça-a. A diferença reside numa compreensão fina dos mecanismos cognitivos.

O futuro promissor é o de uma engenharia pedagógica baseada em provas, em que os princípios das ciências da aprendizagem — recuperação, espaçamento, geração, metacognição — são deliberadamente inscritos nas ferramentas. Longe de opor esforço e tecnologia, trata-se de pôr a tecnologia ao serviço do esforço útil. É um programa exigente, mas é o único que garante que a IA faça realmente aprender, e não apenas produzir.