A presença da Inteligência Artificial (IA) nas escolas, universidades e ambientes virtuais de aprendizagem cresce rapidamente. Assistentes virtuais, ferramentas de escrita, sistemas de recomendação, plataformas adaptativas e modelos generativos já fazem parte da rotina de estudantes e professores. Nessa seara tecnológica, uma questão começa a ocupar espaço cada vez maior nas pesquisas educacionais: usar IA significa, necessariamente, aprender melhor?

Um estudo publicado em agosto de 2026 indica que a resposta é mais complexa. O artigo “Inteligência artificial no letramento científico: uma análise exploratória dos avanços no campo da educação”, de Marcos Rogério Martins Costa, da Universidade Estadual de Goiás (UEG), e Maria Heldaiva Bezerra Pinheiro, da Universidade de Brasília (UnB), analisa como a IA pode contribuir para o fortalecimento do letramento científico e para a organização de ambientes virtuais de aprendizagem.

A pesquisa foi publicada na Revista Inclusiones – Revista de Humanidades y Ciencias Sociales, periódico chileno de circulação internacional. Segundo informações divulgadas pela própria revista, a publicação alcançou a classificação Qualis CAPES A1 no quadriênio 2021–2024 em 26 áreas do conhecimento, resultado que reforça sua inserção no cenário acadêmico e sua atuação interdisciplinar. A classificação Qualis foi utilizada pela CAPES na avaliação da produção científica dos programas de pós-graduação brasileiros no ciclo 2021–2024, sendo o estrato A1 o nível mais elevado daquela classificação. Para os ciclos avaliativos seguintes, a CAPES vem adotando mudanças nos critérios de avaliação da produção intelectual.

O trabalho publicado mostra que os benefícios educacionais da IA não dependem apenas da disponibilidade de novas ferramentas. Para que a tecnologia produza resultados positivos, é necessário combinar infraestrutura digital, preparação dos professores, proteção de dados, governança institucional e desenvolvimento do pensamento crítico. Em outras palavras, colocar IA dentro da sala de aula é apenas o começo.

Afinal, o que é letramento científico?

Letramento científico não significa simplesmente memorizar conceitos de Ciências. O termo está relacionado à capacidade de compreender como o conhecimento científico é produzido, avaliar evidências, interpretar informações, formular perguntas e utilizar conhecimentos científicos para analisar problemas do cotidiano. Na era da IA, essa competência ganha uma nova dimensão.

Um estudante pode perguntar algo a um sistema de IA e receber uma resposta em poucos segundos. Entretanto, a rapidez da resposta não significa necessariamente que a informação seja correta. Por isso, o estudo defende que o aluno precisa ser capaz de perguntar: de onde veio essa informação? Existe evidência para sustentá-la? A resposta apresenta algum viés? Há fontes científicas que confirmem o que foi apresentado?

Essa postura crítica transforma o estudante de simples consumidor de respostas em alguém capaz de avaliar e validar informações. Pesquisas de autores como Attico Chassot, Lúcia Helena Sasseron e Anna Maria Pessoa de Carvalho já destacaram a importância do letramento científico para a formação cidadã. Estudos mais recentes analisados pelos pesquisadores ampliam essa discussão ao incorporar também o letramento informacional, o letramento cognitivo e o chamado letramento em IA. A ideia central é simples: não basta saber utilizar uma ferramenta de IA; é preciso compreender seus limites e avaliar criticamente aquilo que ela produz.

Para compreender como a IA vem sendo relacionada ao letramento científico e à educação, os pesquisadores realizaram uma investigação qualitativa, exploratória e descritiva. Foram consultadas bases como SciELO, Web of Science, Biblioteca Digital Brasileira de Teses e Dissertações e Portal de Periódicos da CAPES, além de documentos institucionais disponíveis em fontes como UNESCO, Câmara dos Deputados e Senado Federal. A busca inicial encontrou 340 registros.

Após a análise de títulos, resumos e palavras-chave, 315 trabalhos foram eliminados por não atenderem aos critérios definidos. Outras publicações foram avaliadas integralmente até que se chegasse a um conjunto final de 24 documentos. Esse corpus foi composto por 17 artigos científicos, quatro livros de referência, duas leis brasileiras e um projeto de lei. A análise foi realizada segundo a metodologia de Análise de Conteúdo de Laurence Bardin. O percurso metodológico resultou na identificação de nove categorias de práticas relacionadas à IA e à educação, posteriormente organizadas em quatro grandes eixos.

Quatro princípios para o uso da IA na educação

O principal resultado do estudo foi a sistematização de quatro proposições institucionais para orientar escolas, universidades e outras instituições na adoção da IA. Os pesquisadores ressaltam que as proposições não constituem uma fórmula obrigatória ou um modelo pronto. Elas funcionam como princípios orientadores que podem ajudar instituições de ensino a planejar políticas e práticas educacionais.

1. Acessibilidade

O primeiro princípio é garantir que a IA amplie e não restrinja o acesso à educação. Ferramentas inteligentes podem adaptar conteúdos ao ritmo de aprendizagem do estudante, oferecer diferentes formas de interação, facilitar traduções e tornar materiais educacionais mais acessíveis. Sistemas de aprendizagem adaptativa, por exemplo, podem ajustar atividades de acordo com o desempenho de cada aluno.

Entretanto, a pesquisa chama atenção para uma questão fundamental: essas possibilidades só produzem inclusão quando existe infraestrutura tecnológica disponível. Sem acesso adequado à internet, equipamentos e formação digital, a IA pode contribuir para aprofundar desigualdades já existentes.

2. Ética

O segundo princípio é a construção de mecanismos de governança e responsabilidade. O uso educacional da IA envolve coleta de dados, produção de informações, utilização de plataformas digitais e, em determinadas situações, decisões automatizadas. Por isso, as instituições precisam estabelecer regras relacionadas à proteção de dados pessoais, transparência, integridade científica, segurança e responsabilidade no uso dos sistemas.

No Brasil, essa discussão dialoga diretamente com a Lei Geral de Proteção de Dados Pessoais (LGPD) e com o Marco Civil da Internet. O estudo também considera o debate sobre o Projeto de Lei nº 2.338/2023, relacionado à regulamentação da IA no país. A preocupação ética não se limita aos aspectos jurídicos.

Algoritmos podem reproduzir desigualdades e vieses presentes nos dados utilizados em seu desenvolvimento. Pesquisadores como Ruha Benjamin, Virginia Eubanks, Nick Couldry e Ulises Mejias, presentes no corpus analisado pelo estudo, alertam para os efeitos sociais da automação e da concentração de dados em grandes plataformas tecnológicas.

3. Criticidade

O terceiro princípio talvez seja um dos mais importantes para estudantes e professores: não aceitar automaticamente aquilo que a IA produz. Modelos generativos são capazes de apresentar respostas convincentes mesmo quando determinada informação contém erros. Nesse contexto, o estudo defende uma espécie de “ceticismo metodológico”. A recomendação é confrontar respostas produzidas por IA com evidências, artigos científicos, documentos oficiais e outras fontes confiáveis.

Isso significa ensinar o estudante não apenas a formular perguntas para um sistema, mas também a investigar a qualidade das respostas. A pesquisa denomina uma dessas competências de curadoria semântica e algorítmica: a capacidade de selecionar, interpretar e validar criticamente conteúdos produzidos por sistemas inteligentes. Na prática, o aluno deixa de ser apenas usuário da tecnologia e passa a atuar também como avaliador da informação.

4. Promoção do letramento científico

O quarto princípio reúne as dimensões anteriores. A IA pode auxiliar na busca de informações, organização bibliográfica, síntese de conteúdos, redação, tradução, personalização da aprendizagem e recuperação de evidências científicas. Entretanto, essas possibilidades precisam permanecer subordinadas ao rigor metodológico e à validação humana. O objetivo não é simplesmente ensinar estudantes a utilizar ferramentas de IA.A proposta é utilizar essas tecnologias para fortalecer competências relacionadas à investigação, interpretação de evidências, comunicação científica e produção responsável de conhecimento.

Por isso, o estudo considera que o letramento científico deve caminhar juntamente com outros tipos de letramento. Entre eles estão o letramento informacional, relacionado à capacidade de buscar e utilizar informações de maneira ética; o letramento cognitivo, relacionado ao desenvolvimento de capacidades reflexivas; e o letramento em IA, associado à compreensão, utilização e avaliação crítica dos sistemas inteligentes.

Professor continua sendo fundamental

Um aspecto importante da pesquisa é que a IA não aparece como substituta do professor. Pelo contrário. Quanto maior a presença da tecnologia, maior tende a ser a necessidade de mediação pedagógica. Os pesquisadores chamam atenção para estudos que alertam sobre o risco de uma “pedagogia algorítmica”, na qual sistemas automatizados passam a determinar percursos de aprendizagem apenas a partir de métricas e padrões de desempenho.

Neil Selwyn, por exemplo, discute os limites da substituição de professores por sistemas automatizados e chama atenção para a dimensão humana e relacional da educação. A personalização promovida pelos algoritmos pode ser útil, mas não elimina elementos como diálogo, interpretação, contexto social e acompanhamento docente. Nesse cenário, a formação de professores torna-se estratégica.

Um professor que conhece as possibilidades e limitações da IA pode ajudar estudantes a utilizar essas ferramentas como instrumentos de investigação, e não simplesmente como máquinas de produzir respostas prontas. IA não deve ser um fim em si mesma.

 Uma das conclusões mais importantes do artigo é que a integração da IA à educação precisa superar uma visão puramente tecnológica. Segundo a análise realizada, a efetividade dessas ferramentas depende da articulação entre infraestrutura digital, formação docente, governança institucional, proteção de dados, pensamento crítico e letramento científico.

As quatro proposições apresentadas pelos pesquisadores, acessibilidade, ética, criticidade e promoção do letramento científico, também não funcionam de maneira isolada. Elas são complementares. A acessibilidade amplia a participação. A ética estabelece limites e responsabilidades. A criticidade desenvolve a capacidade de avaliar a tecnologia. E o letramento científico permite transformar informações em conhecimento fundamentado.

O estudo aponta, portanto, para uma mudança de perspectiva. Em vez de perguntar apenas “qual ferramenta de IA devemos utilizar?”, escolas e universidades precisam começar a perguntar também “para que utilizar?”, “em quais condições?”, “com quais responsabilidades?” e “como avaliar criticamente os resultados?”

Ainda são necessários estudos nas escolas e universidades

Os próprios autores reconhecem uma limitação importante da pesquisa. O trabalho é bibliográfico e documental. Portanto, as quatro proposições ainda precisam ser avaliadas empiricamente em situações educacionais concretas. Os pesquisadores recomendam novos estudos em diferentes níveis e modalidades de ensino para verificar como esses princípios funcionam na prática.

Também sugerem investigações sobre formação docente, maturidade institucional para adoção de IA, mecanismos de governança ética, políticas públicas e formas de avaliar competências relacionadas à IA e ao letramento científico. A rapidez das transformações tecnológicas torna essa necessidade ainda maior.

Ferramentas de IA evoluem em poucos meses, e regras, práticas pedagógicas e políticas institucionais precisam acompanhar essas mudanças. Formar usuários críticos, e não apenas usuários de tecnologia. Ao reunir estudos nacionais, internacionais e documentos regulatórios, a pesquisa desloca a discussão da IA para além do entusiasmo com novas ferramentas. A questão passa a ser também educacional, científica, social e ética.

Em vez de compreender a IA apenas como recurso capaz de automatizar tarefas, o trabalho propõe tratá-la como uma tecnologia que precisa ser investigada, questionada e incorporada de maneira responsável. Nesse cenário, uma das principais competências do estudante talvez não seja saber qual botão apertar ou qual comando escrever. Será saber quando confiar, quando desconfiar, como verificar e como transformar a informação produzida por uma máquina em conhecimento cientificamente fundamentado.

SAIBA MAIS

Artigo científico

COSTA, Marcos Rogério Martins; PINHEIRO, Maria Heldaiva Bezerra. Inteligência artificial no letramento científico: uma análise exploratória dos avanços no campo da educação. Revista Inclusiones – Revista de Humanidades y Ciencias Sociales, v. 13, n. 3, e3942, 2026. Disponível em: https://revistainclusiones.org/index.php/inclu/article/view/3942 Acessado em:  21 ago. 2026.

Foto Capa Fonte: Imagem produzida com Inteligência Artificial Generativa (ChatGPT/OpenAI), 2026.