Um estudo em escolas públicas do Cazaquistão testou a combinação de ensino por investigação no modelo 7E, atividades contextualizadas e apoio de IA (incluindo tutoria com ChatGPT) em turmas do 10º ano e encontrou ganhos expressivos tanto em desempenho em química quanto em engajamento. Os resultados sugerem que a tecnologia funciona melhor quando integrada a uma sequência pedagógica bem definida e com supervisão docente, ao mesmo tempo em que expõe desafios de implementação, qualidade das respostas e equidade de acesso.
O QUE HÁ DE NOVO: A pesquisa comparou, ao longo de 12 semanas, três formas de ensinar química no ensino médio: uma abordagem baseada no ciclo 7E com atividades ligadas a situações do cotidiano e ferramentas digitais com IA; uma versão do 7E sem apoio de IA; e o ensino tradicional centrado em aula expositiva e exercícios do livro. Participaram 93 estudantes (15–16 anos) distribuídos em três turmas intactas (32, 31 e 30 alunos) de escolas públicas, com pré-teste e pós-teste de desempenho e uma escala de engajamento, complementados por observações em sala, registros de uso das ferramentas e reflexões dos estudantes.
COMO FUNCIONA: No grupo com IA, cada aula seguiu as sete fases do 7E (Engajar, Explorar, Explicar, Elaborar, Estender, Trocar e Avaliar), usando situações reais, como processos químicos domésticos e questões ambientais, para ativar conhecimentos prévios e tornar os conceitos menos abstratos. A parte digital combinou simulações interativas PhET (visualização e exploração, sem adaptação por IA) com sessões de tutoria supervisionadas via ChatGPT (GPT-3.5) em laboratório: os estudantes trabalhavam em duplas ou trios, faziam perguntas para obter explicações e orientações passo a passo, e o professor verificava respostas, exigindo confronto com anotações e livro para reduzir erros e “alucinações”. A avaliação incluiu quizzes adaptativos e tarefas com dificuldade ajustada conforme o desempenho, além de registros de uso e observações para checar fidelidade de implementação; os docentes passaram por formação de três dias, e as aulas foram acompanhadas por observadores em visitas não anunciadas.
POR QUE ISSO IMPORTA PARA A EDUCAÇÃO: Para a sala de aula, o estudo reforça uma hipótese relevante para gestores e formadores: o ganho não parece vir da IA isoladamente, mas do encaixe da IA em um desenho didático que organiza a investigação e dá sentido aos conteúdos por meio de contextos próximos dos estudantes. Para o trabalho docente, os dados apontam um papel crítico do professor como curador e mediador da IA, tanto para garantir precisão conceitual quanto para transformar “respostas prontas” em oportunidades de raciocínio, discussão e revisão de ideias. Para redes e políticas, a pesquisa sugere que iniciativas de IA em ciências podem ser mais efetivas quando atreladas a formação docente, monitoramento de implementação e instrumentos de avaliação que considerem não só nota, mas engajamento; ao mesmo tempo, recoloca na agenda a necessidade de infraestrutura (laboratório, conectividade, dispositivos) e de governança de dados (anonimização de logs e regras claras de uso).
PRINCIPAIS RESULTADOS: O desempenho em química no pós-teste foi significativamente superior no grupo que combinou 7E, contextualização e IA, mesmo controlando diferenças iniciais de conhecimento via ANCOVA: houve um efeito grande da condição de ensino (F(2,89)=42,35; p<0,001; η²p=0,49). Nas comparações pareadas, o grupo com IA superou o 7E sem IA em cerca de 9,8 pontos e o ensino tradicional em 22,2 pontos; e o 7E sem IA também superou o tradicional em 12,4 pontos (todas com p<0,001). Em engajamento, a diferença entre condições também foi grande (F(2,90)=32,75; p<0,001; η²p=0,42), com um gradiente consistente: maior no grupo com IA, intermediário no 7E sem IA e menor no tradicional; as diferenças médias foram de +0,7 (IA vs. 7E), +1,3 (IA vs. tradicional) e +0,6 (7E vs. tradicional), com ajustes de Bonferroni.
INSIGHT CENTRAL: A contribuição mais distintiva do trabalho está na “orquestração” das peças: contexto para tornar o conteúdo relevante, 7E para estruturar a investigação e IA para dar suporte em tempo oportuno (explicações, perguntas guiadas e prática adicional) sem retirar o controle pedagógico do professor. Esse desenho tenta resolver um problema recorrente em química, a persistência de concepções equivocadas sobre ligações, estrutura molecular, reações e equilíbrio entre memorização e entendimento, substituindo a exposição linear por um ciclo de exploração e explicação apoiado por ferramentas que ajudam a visualizar e a depurar o raciocínio.
SIM, MAS…: A evidência ainda é limitada para inferências amplas: trata-se de uma amostra pequena e localizada, com turmas intactas (não houve randomização individual), o que preserva realismo escolar, mas reduz generalização e aumenta sensibilidade a efeitos de contexto e professor. O estudo também reconhece que parte do engajamento veio de autorrelato, sujeito a vieses, embora tenha sido triangulado com observação e logs. E a própria IA pode introduzir fricções: estudantes relataram respostas ocasionalmente confusas do chatbot e preferências por discutir com colegas em vez de usar o computador, sinalizando que a tecnologia precisa ser dosada para não diminuir interações sociais e para evitar que erros do sistema se convertam em novos equívocos conceituais.
O QUE VEM DEPOIS: Os autores recomendam replicações com amostras maiores e mais diversas e desenhos longitudinais para verificar se os ganhos persistem após a novidade da IA perder força. Também apontam a necessidade de investigar como a expertise docente e a fidelidade de implementação modulam os resultados, além de estabelecer diretrizes para privacidade, transparência das respostas e acesso equitativo a recursos digitais. Para escolas e redes, a implicação prática é clara: se a IA for adotada, ela tende a funcionar melhor como “andaime” pedagógico dentro de uma abordagem investigativa e contextualizada, acompanhada de formação docente e de mecanismos de supervisão e avaliação contínua.
