Um novo estudo propõe um framework para desenhar formações continuadas em inteligência artificial (IA) que vão além de demonstrações de ferramentas e incorporem aprendizagem ativa, modelos de prática, mentoria e ciclos de feedback, ancorados no conceito de intelligent-TPACK (i-TPACK). A proposta busca oferecer uma linguagem comum e um “mapa” de atividades para apoiar escolas, redes e universidades a planejar, implementar e avaliar desenvolvimento profissional (PD) em IA com intencionalidade pedagógica e atenção a ética e equidade.

O QUE HÁ DE NOVO: Publicado na ScienceDirect, o trabalho apresenta um estudo de desenvolvimento de framework conceitual que sintetiza evidências de pesquisas sobre formação docente em IA e as conecta ao i-TPACK, uma extensão do TPACK que inclui explicitamente conhecimentos sobre tecnologias inteligentes e ética em IA. Em vez de medir impacto em uma intervenção específica, o artigo organiza o que a literatura sugere como “componentes de alto valor” em PD e propõe uma matriz prática (4 caminhos de formação × 5 domínios do i-TPACK) para orientar o desenho de programas mais sustentados, contextualizados e avaliáveis.

COMO FUNCIONA: A base do framework é o i-TPACK, que estrutura o crescimento docente em cinco domínios: conhecimento tecnológico sobre ferramentas de IA (i-TK), conexão entre IA e conteúdo disciplinar (i-TCK), uso pedagógico de IA (i-TPK), integração completa entre conteúdo–pedagogia–IA na prática (i-TPACK) e ética em IA (transparência, justiça, responsabilidade e inclusão). A partir dessa lente, o estudo combina quatro “caminhos” de formação reconhecidos na pesquisa sobre desenvolvimento profissional, aprendizagem ativa, uso de modelos e exemplos, coaching/suporte de especialistas e feedback/reflexão, defendendo que eles funcionam melhor quando integrados, em loops recursivos, e não como eventos isolados.

COMO FUNCIONA: Metodologicamente, os autores adotam uma abordagem de Conceptual Framework Development (CFD) em quatro fases: (1) partir de uma revisão sistemática recente sobre PD em IA; (2) atualizar a busca em bases como Scopus, ERIC e Web of Science para captar estudos empíricos mais novos; (3) incorporar literatura relevante sobre PD e TPACK/variações; e (4) sintetizar e “mapear” achados em uma matriz 4×5. O resultado são 20 células que descrevem, de forma adaptável, atividades de formação possíveis, por exemplo, experimentação com prompts para i-TK, análise de casos e dilemas para ética, co-planejamento de aulas para i-TPACK, e protocolos de reflexão para conectar evidências de sala de aula a decisões pedagógicas.

INSIGHT CENTRAL: A principal virada conceitual é tratar a formação em IA como um processo de crescimento docente que precisa ser desenhado com a mesma sofisticação pedagógica exigida do professor em sala de aula. Em vez de presumir que “conhecer a ferramenta” leva automaticamente a bons usos educacionais, o framework propõe alinhar mecanismos de aprendizagem profissional (modelagem, mentoria, feedback, prática) a domínios específicos de conhecimento docente, incluindo a ética como componente estruturante, e não como tópico periférico ou palestra avulsa.

POR QUE ISSO IMPORTA PARA A EDUCAÇÃO: Para a sala de aula, a proposta mira um problema recorrente: adoções apressadas de IA que geram uso superficial, baixa transferência para o currículo e riscos de vieses ou decisões automatizadas pouco transparentes. Ao explicitar como desenvolver i-TPK e i-TPACK, o framework incentiva que professores usem IA para apoiar estratégias como monitoramento formativo, personalização responsável e feedback mais oportuno, sem perder de vista objetivos de aprendizagem e o papel do julgamento profissional docente.

POR QUE ISSO IMPORTA PARA A EDUCAÇÃO: Para redes e instituições, o modelo também funciona como ferramenta de gestão: a matriz pode virar checklist, rubrica ou protocolo de avaliação de programas de PD, ajudando a identificar lacunas (por exemplo, ausência de coaching, pouca reflexão ética, falta de exemplos por área). Isso é especialmente relevante em contextos de pressão por “capacitação em IA em larga escala”, nos quais há risco de se priorizar alcance e rapidez em detrimento de qualidade, coerência e acompanhamento ao longo do tempo.

EXEMPLOS NA PRÁTICA EDUCACIONAL: Para tornar o desenho mais concreto, o estudo descreve um cenário ficcional de PD semestral para professores de STEM no ensino fundamental II usando uma ferramenta também fictícia de feedback em tempo real (“ClassEcho”). A sequência ilustra quatro fases, exploração, modelagem e codesign, implementação com coaching e compartilhamento/reflexão, nas quais os caminhos de PD se combinam para desenvolver desde a fluência técnica até decisões pedagógicas e éticas, como o tratamento de dados de estudantes e a avaliação de possíveis injustiças do sistema.

SIM, MAS…: O artigo reconhece limites importantes: por ser um framework conceitual, ainda não define “dose” ideal de formação (carga horária, duração, proporção entre encontros e prática). Ao mesmo tempo, observa que a literatura sugere melhores resultados em programas mais longos e com maior tempo de contato, citando exemplos de intervenções acima de 20 horas e modelos híbridos mais extensos, o que levanta desafios de custo, disponibilidade docente, infraestrutura e capacidade de mentoria, sobretudo em redes públicas com alta rotatividade e desigualdades de acesso digital.

O QUE VEM DEPOIS: Entre as próximas etapas sugeridas estão pesquisas longitudinais que acompanhem a evolução do i-TPACK ao longo do tempo, comparações entre formatos (online, híbrido, presencial) e investigações sobre resultados além de “conhecimento”, como autoeficácia, decisões instrucionais e mudanças na prática. Outra frente é testar, com dados de campo, se a integração sistemática de ética no desenho da formação altera escolhas de ferramentas, critérios de adoção e estratégias de mitigação de riscos, um ponto central para transformar diretrizes em rotinas sustentáveis de uso responsável de IA na educação.

Fonte: Designing effective AI professional development: A framework grounded in intelligent-TPACK