Uma revisão sistemática da literatura, realizada com estudos publicados entre 2015 e 2025 em bases como SciELO, ERIC, Scopus e Google Scholar, mostra que a inteligência artificial vem ganhando centralidade na personalização do ensino, impulsionando tutores inteligentes, plataformas adaptativas e sistemas de recomendação, mas também levantando alertas éticos sobre dados, vieses algorítmicos e risco de desumanização da escola.

O QUE HÁ DE NOVO: O estudo, assinado por Joelson Lopes da Paixão e publicado na Revista Tópicos, sintetiza uma década de pesquisas sobre o uso de inteligência artificial na personalização da aprendizagem em contextos formais e não formais. A partir de critérios rigorosos de seleção, o autor reuniu evidências sobre tecnologias como sistemas de aprendizagem adaptativa, tutores inteligentes, análise de dados de aprendizagem e IA generativa, destacando que cerca de três quartos dos trabalhos analisados descrevem a IA como aliada para ajustar conteúdos, ritmos e estratégias ao perfil de cada estudante. A revisão também integra experiências intensificadas na pandemia de COVID-19, período em que o uso de plataformas baseadas em IA se expandiu rapidamente.

COMO FUNCIONA: A pesquisa segue o protocolo PRISMA para revisões sistemáticas, com etapas de planejamento, execução e análise crítica. Foram definidos descritores em português e inglês — como “inteligência artificial”, “personalização do ensino”, “aprendizagem adaptativa” e “personalized learning” — e aplicados em bases multidisciplinares. Apenas artigos com revisão por pares, metodologia explícita e foco na aplicação de IA para personalização da aprendizagem, publicados entre 2015 e 2025, foram incluídos; trabalhos duplicados, meramente opinativos ou que tratassem de IA fora do contexto educacional ficaram de fora. Os estudos selecionados foram organizados, triados por títulos e resumos, e depois lidos integralmente, compondo um corpus analisado por meio de análise de conteúdo, que gerou eixos temáticos como modelos adaptativos, tutores inteligentes, avaliação personalizada, ética e governança de dados educacionais.

A revisão mostra que, na prática, a IA aparece em plataformas on-line, ambientes virtuais de aprendizagem e sistemas de apoio ao professor. Algoritmos de aprendizagem de máquina monitoram interações dos alunos, registram respostas, tempos de realização de atividades e padrões de erro, produzindo recomendações automáticas de conteúdos, exercícios e trilhas de estudo. Tutores inteligentes simulam acompanhamento individual, oferecendo dicas, explicações graduais e feedback em tempo real. Ferramentas de learning analytics geram painéis para professores e gestores, com indicadores de desempenho, engajamento e risco de evasão. Em contextos mais recentes, modelos de IA generativa são explorados para criar materiais sob medida, roteiros de estudo e respostas a dúvidas, sempre mediadas pelo docente.

POR QUE ISSO IMPORTA PARA A EDUCAÇÃO: Os achados reforçam que a IA pode deslocar o foco de um ensino homogêneo para percursos mais personalizados, com impacto direto na sala de aula. Para os estudantes, sistemas adaptativos e tutores inteligentes tendem a tornar as tarefas mais desafiadoras na medida certa, reduzir frustrações e favorecer a aprendizagem significativa, uma vez que o conteúdo é alinhado ao nível de conhecimento e às dificuldades específicas de cada um. O estudo indica ainda ganhos em motivação e engajamento, especialmente em áreas de alta taxa de reprovação, como Matemática e Ciências, quando o aluno percebe que a plataforma “reconhece” seu ritmo e oferece apoio imediato.

Para o trabalho docente, a revisão sugere uma mudança de papel: em vez de apenas transmitir conteúdos, o professor passa a interpretar dados, ajustar estratégias e orientar percursos personalizados. A IA automatiza parte do diagnóstico e do feedback rotineiro, potencialmente reduzindo a carga de correção e liberando tempo para atividades de mediação mais complexas, como debates, projetos e acompanhamento socioemocional. Em um nível mais amplo, escolas e redes que utilizam dados gerados por sistemas inteligentes podem planejar intervenções de reforço, reorganizar turmas e monitorar desigualdades de aprendizagem com mais precisão, desde que tenham infraestrutura, formação e regras claras de uso. Ao mesmo tempo, a revisão alerta que, se adotada sem critérios, a IA pode reforçar desigualdades — ao depender de conectividade e dispositivos que nem todos têm — e reduzir a educação a um processo guiado por métricas, esvaziando o diálogo e a dimensão humanizadora do currículo.

INSIGHT CENTRAL: A principal contribuição conceitual do trabalho é mostrar que a IA, quando pensada a partir da tradição pedagógica — de Dewey, Vygotsky, Piaget a Paulo Freire —, deve ser desenhada para ampliar a agência de alunos e professores, e não substituí-los. Em vez de usar algoritmos para controlar ou padronizar trajetórias, a revisão destaca experiências em que a personalização se traduz em apoio à autonomia: sistemas que incentivam a autorregulação, ajudam o estudante a monitorar seu próprio progresso e oferecem escolhas de caminhos, enquanto o professor continua responsável por contextualizar os dados, problematizar conteúdos e garantir o caráter coletivo e crítico da aprendizagem. Essa inversão de perspectiva — IA como extensão da inteligência pedagógica, e não como tutor autônomo — aparece como o “pulo do gato” que diferencia iniciativas mais promissoras.

PRINCIPAIS RESULTADOS: Nos estudos analisados, aproximadamente 78% das pesquisas apontam a IA como fator de melhoria em indicadores de aprendizagem, seja por aumento de notas, redução de reprovação ou avanços em engajamento. Plataformas adaptativas internacionais mencionadas na literatura registraram ganhos em desempenho em disciplinas de núcleo duro, quando comparadas a abordagens tradicionais, justamente por identificar lacunas de conhecimento e oferecer intervenções imediatas. Há também evidências de que estudantes expostos a sistemas personalizados desenvolvem maior autorregulação, metacognição e senso de responsabilidade sobre o próprio estudo.

Ao mesmo tempo, a revisão destaca efeitos nulos ou inconsistentes em contextos com infraestrutura precária ou formação docente insuficiente: em algumas experiências, a simples adoção da IA não se traduziu em melhores resultados, especialmente quando os professores não integraram os dados ao planejamento. Outra lacuna identificada diz respeito à educação inclusiva: ainda são poucas as iniciativas que adaptam algoritmos e interfaces para estudantes com deficiência ou necessidades educacionais específicas, o que limita o potencial da personalização para promover equidade. Em relação à ética, a literatura registra preocupação generalizada com privacidade de dados, transparência dos algoritmos e riscos de viés, mas ainda são escassos os relatos de avaliações empíricas desses riscos em ambientes escolares reais.

SIM, MAS… (limitações e riscos): A revisão sublinha que o avanço da IA no ensino é condicionado por fatores estruturais e políticos. A dependência de conectividade, dispositivos e plataformas comerciais pode aprofundar a distância entre escolas com recursos e redes mais vulneráveis, criando uma “personalização para poucos”. Há também o risco de captura de dados educacionais por empresas, com pouca transparência sobre como essas informações são usadas para treinar modelos e influenciar o desenho das plataformas. Em uma perspectiva crítica inspirada em autores como Selwyn e Zuboff, o estudo lembra que a escola pode se tornar um laboratório involuntário de capitalismo de vigilância se não houver regulação e controle público.

No plano pedagógico, o autor alerta para a possibilidade de desumanização do processo educativo quando a IA é tratada como substituto do professor ou quando o ensino é reduzido à lógica do acerto e erro monitorado por algoritmos. Sistemas que rotulam alunos com base em dados passados podem cristalizar expectativas baixas e reforçar vieses de origem social, racial ou de gênero incorporados nos bancos de dados. Além disso, muitas das evidências analisadas vêm de contextos específicos — frequentemente universidades ou escolas com boa infraestrutura —, o que limita a generalização dos resultados para redes públicas em larga escala. Isso exige cautela de gestores e formuladores de políticas ao importar modelos sem adaptação.

CONTEXTO E BASTIDORES: O recorte temporal da revisão ajuda a entender por que a IA ganhou protagonismo na educação na última década. A popularização de plataformas digitais de aprendizagem, o barateamento de processamento em nuvem e a consolidação de áreas como learning analytics criaram um ambiente propício para o uso intensivo de dados educacionais. A pandemia de COVID-19 funcionou como catalisador: o ensino remoto emergencial levou redes de ensino a adotar, em tempo recorde, ferramentas de recomendação de conteúdo, chatbots e sistemas adaptativos, muitas vezes sem preparo prévio. Esses experimentos forçados alimentaram a produção científica, revelando tanto casos de sucesso quanto limites da personalização automatizada.

Em paralelo, organismos internacionais como a UNESCO publicaram diretrizes para o uso ético de IA na educação, defendendo princípios de inclusão, equidade e respeito à diversidade cultural. O estudo dialoga com esse movimento, ao ressaltar que a personalização baseada em IA só faz sentido se estiver alinhada a projetos pedagógicos mais amplos e a políticas públicas que regulem dados, garantam transparência e protejam a autonomia de professores e estudantes. Nesse cenário, a revisão se soma a uma literatura que tenta equilibrar entusiasmo tecnológico com prudência regulatória, evitando tanto o tecnoutopismo quanto o alarmismo.

O QUE VEM DEPOIS: A partir das lacunas identificadas, o estudo aponta algumas frentes de pesquisa e ação prática. Uma delas é a necessidade de expandir investigações em contextos de educação básica pública, especialmente em países em desenvolvimento, para compreender como a IA se comporta em realidades de maior vulnerabilidade social. Outra linha é aprofundar a análise de impactos de longo prazo da personalização, indo além de ganhos imediatos em notas e observando efeitos sobre pensamento crítico, criatividade e competências socioemocionais.

Do ponto de vista das políticas educacionais, a revisão sugere que redes de ensino que desejam investir em IA precisam articular três dimensões: infraestrutura e conectividade, formação docente contínua com foco pedagógico e não apenas técnico, e marcos regulatórios claros para proteção de dados e transparência algorítmica. Também emergem como agenda futura o desenvolvimento de soluções abertas, interoperáveis e acessíveis, que evitem a dependência de poucos fornecedores e possibilitem maior controle pedagógico por escolas e sistemas. A grande questão em aberto, que a pesquisa deixa para gestores e educadores, é como usar a potência da IA para personalizar o ensino sem abrir mão da centralidade do vínculo humano, da formação crítica e da justiça social.

Fonte(s): INTELIGÊNCIA ARTIFICIAL E PERSONALIZAÇÃO DO ENSINO: REVISÃO SISTEMÁTICA DA LITERATURA