Uma revisão de mapeamento sistemático analisou 84 estudos publicados entre 2018 e 2024 para entender como a inteligência artificial tem sido usada para apoiar a autorregulação da aprendizagem (SRL), com foco em quem é atendido, quais teorias embasam as intervenções, como a IA é implementada e para quais objetivos. O panorama aponta concentração no ensino superior, preferência por sistemas adaptativos e de predição e uma lacuna persistente tanto no estudo de motivação quanto na atenção a docentes e educação básica, além de fragilidades em transparência ética e fundamentação teórica.
O QUE HÁ DE NOVO: O estudo organiza e categoriza, de forma ampla, a literatura recente sobre a interseção entre IA e autorregulação da aprendizagem, identificando 84 pesquisas empíricas a partir de buscas em bases como Web of Science, Scopus, IEEE Xplore, ACM, EBSCOHost, Google Scholar, OpenAlex e checagem de citações. Ao mapear os trabalhos pelo esquema “Quem, O quê, Como e Por quê”, a revisão mostra uma expansão acelerada do tema nos últimos três anos, mas também revela vieses: 74% dos estudos ocorreram no ensino superior e apenas um trabalho foi exclusivamente voltado ao nível primário; educadores aparecem em só quatro estudos, em geral como fonte auxiliar para triangulação de dados.
COMO FUNCIONA: Em vez de medir “se funciona” como uma meta-análise, a revisão classifica o que já existe e onde estão as lacunas. A equipe seguiu diretrizes de relato (PRISMA e QuEST), fez triagens com aferição de concordância entre avaliadores e extraiu características dos estudos (contexto, duração, dados coletados, métodos), além de codificar teorias de SRL, papéis da IA e objetivos educacionais. A maior parte das pesquisas foi quantitativa (71%), baseada em logs de plataformas, resultados de avaliações e questionários; uma parcela menor usou dados multimodais (como rastreamento ocular e sinais fisiológicos), e apenas quatro estudos foram qualitativos, o que limita a compreensão das experiências de uso em sala de aula.
INSIGHT CENTRAL: Um achado estruturante é que a IA, na prática, tem sido tratada mais como intervenção ativa do que como mera analítica descritiva: 75% dos estudos implementaram sistemas para agir sobre o processo de aprendizagem, oferecendo suporte adaptativo, recomendações, feedback automatizado, tutoria inteligente ou mecanismos de previsão e perfilamento. A revisão também evidencia um desalinhamento recorrente entre tecnologia e teoria: 39% dos estudos não informaram claramente qual modelo de SRL embasou o desenho, o que dificulta comparar resultados, replicar abordagens e criar confiança em decisões pedagógicas derivadas de sistemas inteligentes.
PRINCIPAIS RESULTADOS: Entre as formas de implementação, prevalecem quatro famílias: sistemas adaptativos e personalização (41%), perfilamento e predição (38%), sistemas tutores inteligentes (33%) e, bem menos frequente, avaliação e correção automatizadas (apenas três estudos). Chatbots e IA generativa aparecem como parte dos sistemas adaptativos (incluindo usos com interface do ChatGPT ou API), ao lado de dashboards e feedback automático; estudos sugerem potencial para apoiar planejamento, monitoramento e ajustes de estratégia, mas também alertam para efeitos colaterais como estresse associado a monitoramento constante. Em tutores inteligentes, há repetição de plataformas específicas (como MetaTutor e BioWorld) e predominância de estudos curtos: 61% duraram duas semanas ou menos, com poucos acompanhamentos acima de dois meses, um sinal de que o campo ainda carece de evidência longitudinal.
POR QUE ISSO IMPORTA PARA A EDUCAÇÃO: Para gestores e formuladores de políticas, o mapa ajuda a diferenciar onde há maturidade e onde há “pontos cegos” antes de escalar soluções. A ênfase atual recai sobre ganhos ligados a cognição e metacognição: 73 estudos observaram impactos em dimensões metacognitivas (como planejamento, monitoramento e avaliação) e 51 em aspectos cognitivos; já a motivação foi examinada em apenas 20, embora seja central para persistência, autonomia e aprendizagem ao longo da vida. Isso importa porque sistemas que personalizam conteúdo e feedback podem melhorar desempenho (48% dos estudos reportaram esse tipo de desfecho), mas podem falhar em sustentar engajamento, autoeficácia e regulação emocional, dimensões que influenciam permanência, bem-estar e equidade.
Do ponto de vista do trabalho docente e da implementação institucional, a lacuna de estudos com educadores é um alerta: sem compreender como professores interpretam recomendações, ajustam intervenções e negociam responsabilidades com sistemas automatizados, cresce o risco de adoção “de prateleira” que não se traduz em prática pedagógica efetiva. Além disso, a revisão aponta baixa transparência em aspectos éticos e de dados: só 54% dos estudos mencionaram consentimento dos participantes e, na maioria, a disponibilidade dos dados não foi informada, um problema relevante em um tema que depende de coleta intensiva de rastros digitais e, muitas vezes, de dados sensíveis.
SIM, MAS…: O próprio desenho da revisão impõe limites ao que se pode concluir. A busca foi restringida a estudos que mencionavam SRL/autorregrulação no título ou resumo, o que pode ter deixado de fora pesquisas sobre processos correlatos (como definição de metas e automonitoramento) descritos com outras terminologias. Soma-se a isso um viés geográfico: autores e estudos se concentram em América do Norte, Ásia e Europa, com pouca presença de África e América do Sul, o que reduz a transferibilidade para redes públicas com infraestrutura desigual, políticas locais de dados e diferentes culturas pedagógicas.
O QUE VEM DEPOIS: O estudo sugere uma agenda clara: ampliar investigações no ensino fundamental e médio, incluir docentes como participantes centrais (não apenas como observadores), e aumentar pesquisas qualitativas e de métodos mistos para entender como estudantes de fato usam, ou abandonam, os apoios de IA ao longo do tempo. Também aponta a necessidade de estudos longitudinais para avaliar durabilidade dos efeitos e de maior rigor em consentimento, transparência e acesso a dados, além de esforços para conectar explicitamente intervenções a modelos de SRL. Em paralelo, a baixa incidência de pesquisas em avaliação automatizada indica um campo de alto potencial, mas que exigirá atenção reforçada a justiça, explicabilidade e confiabilidade para que o feedback automatizado fortaleça, e não distorça, a autorregulação da aprendizagem.
