Uma revisão sistemática de literatura analisou como a inteligência artificial vem sendo aplicada na educação, quais benefícios têm sido mais enfatizados e quais desafios ganham urgência com a popularização de modelos generativos. Com base em 564 artigos indexados na Web of Science entre 2015 e 2025, o estudo propõe uma classificação mais coerente dos usos educacionais da IA e argumenta que a adoção em escala precisa caminhar junto com critérios de validade educacional, ética e governança para evitar efeitos como “pseudo-personalização”, opacidade algorítmica e danos cognitivos associados a bolhas de informação.

O QUE HÁ DE NOVO: O artigo “Artificial intelligence in education in the new era: Opportunity or challenge?” apresenta uma revisão sistemática e bibliométrica que tenta organizar o campo de “IA na educação” em três eixos, aplicações, vantagens e desafios, e reposicionar o debate para além de descrições de ferramentas. Para isso, os autores recuperaram publicações no Web of Science (SSCI) usando uma estratégia restrita ao título no período de 2015 a 2025 e, após exclusões manuais, consolidaram 564 artigos. A análise com o software CiteSpace identificou áreas de maior centralidade (como machine learning, big data, grandes modelos de linguagem e IA generativa) e resultou em 16 agrupamentos temáticos que ajudam a explicar a rápida expansão do tema na pesquisa recente.

COMO FUNCIONA: A revisão combina triagem de literatura com análise de coocorrência de palavras-chave para reconstruir uma taxonomia de aplicações educacionais de IA em cinco frentes: ambientes educacionais inteligentes (ecossistemas centrados no estudante com dados e nuvem), suporte inteligente ao processo de aprendizagem (NLP, visão computacional, AR/VR e feedback baseado em dados), assistentes inteligentes ao professor (planejamento, sugestões didáticas e correção automatizada), avaliação educacional inteligente (perfil do estudante a partir de dados contínuos e multimodais) e gestão e serviços educacionais inteligentes (apoio à decisão e alocação de recursos em escolas e redes). Ao longo do texto, os autores conectam esses usos a referências de teoria educacional, como construtivismo, scaffolding e abordagens de avaliação multidimensional, para discutir quando a automação amplia evidências de aprendizagem e quando pode empobrecer o que se mede e se valoriza.

POR QUE ISSO IMPORTA PARA A EDUCAÇÃO: O mapeamento ajuda gestores e formuladores de política a diferenciar “IA como infraestrutura” (gestão, análise e recomendação) de “IA como mediação pedagógica” (tutoria, feedback, desenho de atividades), com impactos distintos na sala de aula e no trabalho docente. De um lado, a literatura revisada aponta ganhos potenciais em personalização, acompanhamento formativo e redução de tarefas repetitivas, o que pode liberar tempo do professor para intervenções mais humanas e contextualizadas. De outro, o estudo enfatiza que a expansão de modelos generativos e sistemas de recomendação reabre dilemas centrais de integridade acadêmica, validade da avaliação e equidade: se a tecnologia entrega respostas “bem escritas”, mas não necessariamente evidencia aprendizagem, aumenta o risco de confundir produto com processo e de intensificar disputas sobre autoria, plágio e autenticidade.

INSIGHT CENTRAL: O texto chama atenção para um ponto menos discutido em debates públicos: a ideia de “danos cognitivos” ligados a bolhas de informação e à redução de conflito cognitivo. Ao priorizar recomendações que “combinam” com preferências, algoritmos tenderiam a manter estudantes em zonas de conforto informacional, diminuindo exposição a visões divergentes e oportunidades de revisão de crenças, um mecanismo que, na leitura dos autores, pode empobrecer a aprendizagem profunda. A contribuição do artigo está em conectar esse risco a teorias sobre desenvolvimento cognitivo e a uma crítica à classificação confusa de aplicações, sugerindo que governança educacional de IA deve olhar não só para privacidade e viés, mas também para a qualidade do ecossistema informacional de aprendizagem.

SIM, MAS…: O próprio desenho metodológico indica limites para generalização: a busca restrita a títulos com “Artificial Intelligence Education” privilegia uma fatia do campo e pode deixar de fora estudos relevantes que tratam de IA educacional com outras expressões. Além disso, como se trata de uma revisão e não de um experimento controlado, o artigo organiza tendências e argumentos, mas não entrega uma estimativa única de “efeito” sobre aprendizagem. Ainda assim, ao apontar fenômenos como “pseudo-personalização”, quando sistemas parecem adaptativos, mas operam dentro de moldes padronizados, o trabalho reforça a necessidade de auditoria pedagógica e não apenas técnica, especialmente quando decisões de ensino e avaliação passam a depender de modelos pouco transparentes.

O QUE VEM DEPOIS: Para os autores, a próxima etapa é consolidar mecanismos duradouros de governança que unam desenho institucional, capacidade técnica e regulação: padrões para transparência algorítmica, limites de uso de dados, revisão ética e participação de educadores desde o desenvolvimento. O texto também defende que a alfabetização em IA, incluindo competências cognitivas, práticas e de julgamento ético, se torne condição para adoção em escala, tanto para professores quanto para estudantes. A mensagem final é que a modernização com IA tende a avançar, mas seu valor educacional dependerá de escolhas explícitas sobre o que a escola quer medir, promover e proteger em termos de aprendizagem, equidade e formação humana.

Fonte: Artificial intelligence in education in the new era: Opportunity or challenge?