A expansão de ferramentas de IA generativa como ChatGPT, Claude e Gemini está pressionando a educação matemática no ensino fundamental e médio do Japão a mudar de um modelo transmissivo para práticas investigativas, com integração tecnológica e novos critérios de avaliação. Um artigo de pesquisadores ligados à formação docente e a escolas japonesas descreve o que esse deslocamento exige do professor, do redesenho de aulas e do letramento em IA à revisão de avaliações, e alerta para riscos de desigualdade, privacidade e dependência excessiva das respostas automáticas.

O QUE HÁ DE NOVO: O trabalho discute como professores de matemática do ensino básico II e do ensino médio no Japão podem se preparar para a “era da IA”, em um contexto em que o país já tem infraestrutura digital ampliada pelo programa GIGA School (um dispositivo por estudante) e em que o Ministério da Educação japonês (MEXT) publicou diretrizes provisórias para uso educacional de IA generativa. A novidade, segundo os autores, é que a IA deixou de ser apenas apoio computacional (como softwares de álgebra ou geometria dinâmica) e passou a “participar” de processos de atribuição de sentido, ao produzir explicações, provas, representações e estratégias alternativas sob demanda, acessíveis tanto a alunos quanto a professores.

COMO FUNCIONA: A proposta pedagógica apresentada parte de uma mudança de rotina em sala: em vez de seguir exclusivamente o ciclo tradicional de explicação do professor, prática guiada e exercício individual, as aulas são redesenhadas para incluir momentos de “checagem metacognitiva” e diálogo crítico antes e depois do uso da IA. O professor passa a organizar situações em que os estudantes formulam estratégias, consultam a IA para comparar caminhos, verificam consistência, identificam pressupostos e corrigem erros, tratando o sistema como parceiro de raciocínio, não como fonte final. O texto também descreve usos típicos (solução de equações, geração de múltiplos métodos, gráficos, provas e modelagem) e sugere que a avaliação acompanhe essa lógica, capturando interpretação, justificativa e colaboração, e não apenas velocidade e acerto procedimental.

POR QUE ISSO IMPORTA PARA A EDUCAÇÃO: Para a aprendizagem, o deslocamento central é do “fazer contas” para o “entender e julgar”: em um cenário em que muitas etapas rotineiras são automatizadas, ganham peso competências como interpretar gráficos e argumentos, avaliar a confiabilidade de soluções geradas, estruturar situações do mundo real em modelos matemáticos e comunicar decisões. Para o trabalho docente, o impacto é duplo: de um lado, a IA pode acelerar a produção de exemplos, visualizações e explicações; de outro, aumenta a exigência de design de tarefas que provoquem raciocínio ativo e reduzam o “atalho” do aluno que pula a construção conceitual. No nível do sistema, a discussão mexe com o que é medido: exames e provas centrados em procedimentos tendem a perder aderência ao que se quer formar, empurrando redes e formuladores de política a revisar matrizes de avaliação e diretrizes de uso, com atenção a equidade, já que infraestrutura, acesso a plataformas e experiências prévias com tecnologia variam entre escolas.

EXEMPLOS NA PRÁTICA EDUCACIONAL: O artigo oferece cenários concretos para ancorar a integração da IA em tarefas investigativas. Em probabilidade, estudantes podem usar a IA para analisar a “justiça” de regras de jogos e depois testar estratégias com simulações; um exemplo citado é o “Tomoe playoff” do sumô, em que três competidores empatam e o vencedor precisa obter duas vitórias consecutivas, permitindo discutir probabilidades diferentes para cada posição e a noção de fairness. Em funções no ensino fundamental, a IA pode sugerir relações entre velocidade e distância, mas os alunos coletam dados com sensores de movimento e confrontam a resposta automática com evidências empíricas (como trajetórias que se aproximam de quadráticas ou padrões periódicos). Em estatística, a IA ajuda a calcular correlação e regressão em dados levantados pelos próprios alunos (como sono e desempenho), enquanto o professor puxa o debate sobre causalidade e variáveis de confusão; e, em modelagem, dados públicos de COVID-19 viram material para discutir previsões, incerteza e responsabilidade ao comunicar resultados.

INSIGHT CENTRAL: O “pulo do gato” do texto é a defesa de tarefas “resistentes à IA”, não porque a tecnologia não possa produzir uma resposta, mas porque a aprendizagem está no que o estudante precisa fazer com ela: justificar, interpretar, confrontar com dados, explicitar pressupostos e refletir sobre a própria estratégia. Nesse enquadramento, a IA não elimina o valor da matemática; ela desloca o valor para aquilo que historicamente ficou em segundo plano quando a escola priorizou treino procedimental e preparação para exames. O professor, longe de ser substituído, ganha uma função mais próxima de curador de desafios, mediador de diálogo e avaliador de qualidade do raciocínio.

SIM, MAS…: Os autores destacam gargalos e riscos de implementação. O primeiro é a formação: muitos docentes relatam baixa confiança para integrar IA de modo significativo, o que pode reduzir o uso a “pegar respostas” ou a demonstrações superficiais; por isso, defendem programas contínuos de desenvolvimento profissional, não apenas oficinas pontuais, e reformulação da formação inicial. O segundo é equidade: diferenças de conectividade, acesso a plataformas e repertório tecnológico podem ampliar desigualdades se não houver suporte a escolas subatendidas. Por fim, há preocupações éticas e pedagógicas, privacidade de dados, vieses, e a tentação de terceirizar pensamento, que exigem regras claras e ensino explícito de letramento em IA para que a tecnologia seja usada com criticidade.

O QUE VEM DEPOIS: Como agenda de sistema, o texto aponta para integração curricular de ciência de dados e letramento em IA, colaboração entre educação matemática, informática e formuladores de currículo, e desenvolvimento de novas estruturas de avaliação que capturem raciocínio e colaboração em ambientes com IA. Do ponto de vista da evidência, os autores reconhecem que a base de pesquisa ainda é incipiente: experiências de curto prazo sugerem potencial, mas faltam estudos longitudinais que mostrem efeitos duradouros sobre aprendizagem, motivação e desigualdades. A implicação é que a adoção responsável dependerá menos de “ter a ferramenta” e mais de alinhar formação, avaliação e políticas a uma ideia de matemática que valorize julgamento humano, interpretação e criatividade em um mundo com máquinas cada vez mais capazes.

Fonte: Mathematics Education in the Age of AI: Challenges and Prospects for Secondary Teachers in Japan