A Inteligência Artificial como Catalisadora na Progressão do Aprendizado: Uma Análise Estratégica

A Inteligência Artificial como Catalisadora na Progressão do Aprendizado: Uma Análise Estratégica
Jesus Martins Oliveira Júnior · Sep 28, 2026 · @jesus Martins Oliveira Junior
Resumo
A inteligência artificial (IA) reconfigura a personalização do aprendizado ao mapear lacunas cognitivas em tempo quase real e ao deslocar o esforço do aprendiz da leitura linear para a curadoria crítica de fontes. Este artigo analisa, por pesquisa bibliográfica exploratória e qualitativa, como sistemas adaptativos, tutores inteligentes e modelos de linguagem atuam como catalisadores da progressão do aprendizado. O corpus reúne revisões sistemáticas e estudos publicados entre 2020 e 2026. Os resultados convergem em três eixos: a personalização baseada em dados amplia engajamento e desempenho; a eficácia depende do desenho pedagógico e da mediação docente; e persistem lacunas quanto à privacidade, ao viés algorítmico, ao preparo dos professores e à evidência de longo prazo. Sustenta-se que o ganho cognitivo exige do aprendiz honestidade intelectual sobre o próprio status cognitivo, domínio do contraditório e da lógica e preservação da autoria. Conclui-se que a IA acelera a progressão do aprendizado quando funciona como extensão do raciocínio humano, sob supervisão, e recomenda-se pesquisa longitudinal atenta à ética e à equidade.
Palavras-chave: inteligência artificial; aprendizagem personalizada; aprendizagem adaptativa; curadoria do conhecimento; autodidatismo.
Abstract
Artificial intelligence (AI) reshapes personalized learning by mapping cognitive gaps in near real time and by shifting the learner's effort from linear reading to the critical curation of sources. Through exploratory, qualitative bibliographic research, this article examines how adaptive systems, intelligent tutors and language models act as catalysts for learning progression. The corpus gathers systematic reviews and studies published between 2020 and 2026. Findings converge on three axes: data-driven personalization increases engagement and performance; effectiveness depends on pedagogical design and teacher mediation; and gaps remain in privacy, algorithmic bias, teacher readiness and long-term evidence. The article argues that cognitive gains require learners to be intellectually honest about their own cognitive status, to master counterargument and logic, and to preserve authorship. It concludes that AI accelerates learning progression when it works as an extension of human reasoning under supervision, and recommends longitudinal research attentive to ethics and equity.
Keywords: artificial intelligence; personalized learning; adaptive learning; knowledge curation; self-directed learning.
1 Introdução
A integração de sistemas de inteligência artificial (IA) ao ecossistema educacional representa uma mudança de paradigma na gestão do conhecimento e na personalização do ensino. Revisões recentes registram a passagem de sistemas baseados em regras para modelos que combinam aprendizado de máquina, processamento de linguagem natural, tutores inteligentes e grandes modelos de linguagem (FORTUNA et al., 2025). Nesse cenário, a celeridade na aquisição de competências torna-se um diferencial estratégico, e os modelos pedagógicos tradicionais precisam se adaptar às demandas de uma sociedade digital.
O problema central deste trabalho é a ineficiência dos métodos padronizados diante da diversidade de ritmo e de estilo de aprendizagem, o que deixa lacunas cognitivas persistentes. A ideia de personalizar o ensino não é nova, mas seu significado mudou. Shemshack e Spector (2020) já apontavam a falta de clareza conceitual entre termos como aprendizagem personalizada, adaptativa e individualizada. Khalifeh, Santiago e Palau (2026) mostram que a IA alterou o sentido e a operacionalização desses conceitos, ao viabilizar retorno em tempo real, sequenciamento adaptativo, tutoria inteligente e trilhas dinâmicas de aprendizagem.
Este artigo tem por objetivo analisar como a automação inteligente pode atuar como catalisadora da progressão do aprendizado, mitigando barreiras de acesso ao conhecimento e otimizando o aproveitamento acadêmico e profissional. Sustenta-se que o ganho cognitivo não decorre da tecnologia isolada, mas da relação entre o aprendiz, que gerencia a própria formação, e o sistema, que amplia sua capacidade de busca e de síntese. A discussão está alinhada às diretrizes de inovação tecnológica aplicadas ao desenvolvimento humano.
2 Justificativa
A relevância deste estudo está na necessidade de superar a estagnação dos modelos instrucionais convencionais, que pouco consideram a heterogeneidade cognitiva dos discentes. A literatura recente aponta lacunas que justificam a análise. Fortuna et al. (2025) observam que os impactos de longo prazo e as questões de equidade e inclusão seguem pouco explorados. Bayly-Castaneda, Ramirez-Montoya e Morita-Alexander (2024) identificam produção científica concentrada em poucos países, com baixa presença da América Latina e da África. A ausência é relevante porque a personalização depende de características do estudante que a cultura e o local de origem podem influenciar.
Espera-se contribuir com um referencial analítico que apoie práticas capazes de reduzir lacunas de conhecimento e encurtar a curva de aprendizado por meio de uma intervenção tecnológica precisa. A pesquisa também se justifica pela aderência às diretrizes contemporâneas de transformação digital do setor educacional, que incentivam o uso de ferramentas inteligentes e priorizam a personalização como vetor de eficiência e de desenvolvimento do capital humano.
3 Metodologia
Esta investigação é uma pesquisa bibliográfica de natureza exploratória e qualitativa. O levantamento foi realizado em setembro de 2026, com combinações dos descritores "inteligência artificial", "aprendizagem personalizada" e "educação", em português e em inglês, por consulta direta às páginas de periódicos e repositórios acadêmicos. Foram incluídos estudos publicados a partir de 2020, com prioridade para revisões sistemáticas, e excluídos textos sem autoria, ano e identificador (DOI ou URL) verificáveis, ou sem relação com educação. A obra de Freire (1992) compõe o referencial teórico. Os artigos e capítulos citados tiveram autoria, ano, periódico e identificador conferidos nas páginas dos editores ou dos repositórios.
A análise consistiu na leitura crítica e na síntese temática dos achados, organizados em três eixos: personalização e desempenho; papéis do docente e do aprendiz; e limites éticos e de evidência. Por sua natureza exploratória, o levantamento não pretende esgotar a literatura nem seguir protocolo próprio de revisão sistemática. Cinco das seis revisões do Quadro 1 declaram seguir o PRISMA (PAGE et al., 2021), o que sustenta a confiabilidade dos resultados que este artigo discute. O texto observa a NBR 6022 (ABNT, 2018a), com citações conforme a NBR 10520 (ABNT, 2023), referências conforme a NBR 6023 (ABNT, 2018b) e resumo conforme a NBR 6028 (ABNT, 2021).
Quadro 1 – Revisões analisadas
Revisão
Período coberto
Corpus
Achado central
Bayly-Castaneda, Ramirez-Montoya e Morita-Alexander (2024)
2019–2024
78 artigos (Scopus e Web of Science)
Predomínio de aprendizagem adaptativa e interesse crescente por modelos generativos; produção concentrada em China, Índia e Estados Unidos
Fortuna et al. (2025)
2019–2024
25 artigos (Scopus)
Ganhos de engajamento, motivação e desempenho; desafios em privacidade, infraestrutura e preparo docente; impactos de longo prazo pouco explorados
Farhood et al. (2025)
2015–jun. 2025
125 estudos
Classifica aplicações e algoritmos e mapeia o impacto no ensino, na aprendizagem e na avaliação
Khalifeh, Santiago e Palau (2026)
2019–2025
55 estudos (de 861 triados)
Oito componentes de um sistema de aprendizagem personalizada; papéis complementares de professores e IA
Diniz, Pires e Coutinho (2026)
2015–2025
37 estudos (de 312 identificados)
Ganhos de motivação e desempenho; desafios em transparência algorítmica, redução de interações humanas e capacitação docente
Silva et al. (2023)
não informado
20 artigos
Personalização como principal avanço; preocupações éticas e necessidade de supervisão humana

Fonte: elaborado pelo autor com base nas publicações citadas.
4 Análise da personalização do aprendizado via IA
A personalização do aprendizado na era da IA vai além da automação de fluxos instrucionais. Ela exige compreender a topologia e a topografia do conhecimento. A tecnologia deixa de conduzir o aprendiz de forma passiva e passa a servir como instrumento de mapeamento cognitivo, no qual o indivíduo enxerga a extensão das próprias lacunas no espaço-tempo real de sua formação. Em termos técnicos, esse mapeamento depende de componentes como o perfil do aprendiz, as entradas de dados e o motor adaptativo, que Khalifeh, Santiago e Palau (2026) incluem entre os elementos de um sistema de aprendizagem personalizada.
A essência da personalização estratégica está na honestidade intelectual do aprendiz ao reconhecer o seu status cognitivo atual. Ao usar a IA para identificar as fronteiras do próprio domínio teórico, o estudante assume o papel de maestro da sua aquisição de competências. Esse autogerenciamento permite uma intervenção direcionada e consciente, que prioriza o raciocínio crítico sobre a acumulação linear de informações. A tese converge com a conclusão de Bayly-Castaneda, Ramirez-Montoya e Morita-Alexander (2024): a IA não resolve sozinha os desafios educacionais e precisa de bom desenho pedagógico.
Nesse cenário, o papel do docente se reconfigura. O transmissor de conteúdo dá lugar ao curador de conhecimento, mentor e guia estratégico, que preserva a mediação do processo educativo (DINIZ; PIRES; COUTINHO, 2026). A marca da nova geração de aprendizes é o autodidatismo, impulsionado pela necessidade de administrar o hiato entre o volume massivo de informação disponível e a capacidade biológica humana de absorção. Gastar energia cognitiva em leituras extensas e desordenadas equivale a empregar uma máquina de escrever num ambiente que exige a celeridade do processamento computacional.
A competência humana deve se concentrar na busca e na análise crítica de dados, sejam trechos isolados ou obras completas, com a IA sintetizando e embasando o raciocínio sem induzir vieses de confirmação. É imperativo que o aprendiz incorpore o contraditório e domine a retórica, o silogismo, a hermenêutica e a lógica, elementos de um raciocínio analítico-crítico expansivo. Essa reconfiguração permite construir e registrar ideias em tempo real e reduz o intervalo entre a leitura e a escrita ao segundo exato do pensamento, de modo que a tecnologia funcione como extensão da capacidade intelectual humana. Trata-se de uma tese analítica do autor, que a literatura revisada apoia em parte, mas não mede de forma direta.
5 Impacto da IA na eficiência cognitiva e na aquisição de competências
A redução de lacunas cognitivas é um dos principais resultados da intervenção por sistemas inteligentes. Ao analisar o desempenho do estudante em tempo real, a IA oferece retorno imediato e aponta as áreas que exigem reforço, o que permite agir antes que o atraso se torne crítico (FORTUNA et al., 2025). Revisões recentes associam esse ajuste a ganhos de engajamento, motivação e desempenho (FORTUNA et al., 2025; DINIZ; PIRES; COUTINHO, 2026). A IA também pode direcionar o esforço do aprendiz para as áreas de maior necessidade, o que tende a otimizar o tempo de estudo.
Esse benefício vem com ressalvas de evidência. Bayly-Castaneda, Ramirez-Montoya e Morita-Alexander (2024) encontraram predomínio do ensino superior e apenas 11,5% dos estudos voltados ao contexto de trabalho. Fortuna et al. (2025) lembram que os efeitos de longo prazo e as questões de equidade seguem pouco explorados, e Khalifeh, Santiago e Palau (2026) apontam a falta de pesquisa longitudinal e inclusiva. O ganho de curto prazo ainda não prova ganho sustentável.
Neste cenário de transformação, o docente passa por uma transmutação ontológica: desloca-se da posição de transmissor de conteúdo para a de curador e mentor estratégico. A síntese de Khalifeh, Santiago e Palau (2026) descreve papéis complementares. A IA contribui com escala e precisão adaptativa, enquanto os professores garantem coerência pedagógica, supervisão ética e vínculo humano.
A ascensão do autodidatismo, sustentada pela disponibilidade ubíqua de informação, exige que o indivíduo desenvolva a capacidade de filtrar o ruído informacional, um desafio crescente diante da saturação de dados que excede a capacidade biológica de absorção. A nova fronteira do raciocínio está na aplicação de energia cognitiva e de força imagética cerebral ao mapeamento e à síntese de dados, o que transforma a IA em extensão do processamento do próprio aprendiz.
5.1 A IA como ponte lógica na mitigação do déficit cognitivo
A IA atua como mecanismo de suporte cognitivo ao funcionar como extensão da capacidade analítica do indivíduo. Ela ajuda a localizar e alocar fontes de alta relevância em intervalos de tempo reduzidos. Ferramentas de IA generativa podem apoiar a análise de dados e diferentes fases do processo de investigação, desde que o usuário adote boas práticas, como a construção de prompts eficazes (HAQUE; BRITO; FRADE, 2024). Essa ponte lógica permite ao aprendiz transpor barreiras de acesso ao conhecimento que, em modelos convencionais, poderiam agravar déficits de aprendizado ou o desengajamento, com uma curadoria dinâmica ajustada às demandas cognitivas de cada usuário.
A simbiose entre o agente humano e os sistemas inteligentes promove novas formas de raciocínio e viabiliza o que Freire (1992) chamou de inédito viável: aquilo que ainda não foi experimentado, mas que a ação consciente pode tornar possível. Aplicado aqui, o conceito designa a resolução de problemas complexos por caminhos que nem o humano nem a máquina percorreriam isoladamente.
Esse processo impõe desafios. Diniz, Pires e Coutinho (2026) identificam a transparência algorítmica, a redução das interações humanas e a capacitação docente como pontos críticos. Silva et al. (2023) destacam a precisão das respostas geradas pela IA, a proteção da privacidade dos dados dos alunos e a necessidade de supervisão humana. Cabe ao discente desenvolver competências para gerenciar a relação homem-máquina, de modo que a facilidade de acesso à informação não se converta em superficialidade cognitiva nem em perda da autoria intelectual. A postura esperada é a de maestro da informação, e não a de receptor passivo de saídas algorítmicas.
6 Considerações finais: resultados e pesquisas futuras
A análise mostra que a IA atua como catalisadora da progressão do aprendizado ao viabilizar a personalização em escala e ao ampliar a eficiência cognitiva dos discentes. Segundo as revisões consultadas, os algoritmos identificam padrões individuais e permitem intervenções mais precisas, o que tende a reduzir lacunas de conhecimento que comprometem o desempenho em modelos instrucionais convencionais (FORTUNA et al., 2025; KHALIFEH; SANTIAGO; PALAU, 2026). O ganho, contudo, depende de três condições: desenho pedagógico consistente, mediação docente e postura ativa do aprendiz, que reconhece o próprio status cognitivo, incorpora o contraditório e preserva a autoria.
Este estudo tem limitações inerentes à natureza exploratória da pesquisa bibliográfica. O corpus se concentra em revisões publicadas em português e em inglês, reunidas por consulta direta a periódicos e sem protocolo próprio de revisão sistemática, e não permite mensuração empírica de longo prazo em ambientes escolares diversificados.
Sugere-se que pesquisas futuras analisem, em perspectiva longitudinal, a sustentabilidade dos ganhos cognitivos e ampliem a evidência sobre a América Latina, o contexto de trabalho e a educação informal, áreas com baixa presença na literatura (BAYLY-CASTANEDA; RAMIREZ-MONTOYA; MORITA-ALEXANDER, 2024). Recomenda-se também investigar a formação docente e as competências de curadoria do aprendiz, além de questões de ética, privacidade, transparência algorítmica e equidade, com a possível necessidade de ajustes regulatórios para garantir acesso justo a ferramentas de aprendizagem adaptativa (FORTUNA et al., 2025; DINIZ; PIRES; COUTINHO, 2026).
Referências
ASSOCIAÇÃO BRASILEIRA DE NORMAS TÉCNICAS. ABNT NBR 6022: informação e documentação: artigo em publicação periódica técnica e/ou científica: apresentação. Rio de Janeiro: ABNT, 2018a.
ASSOCIAÇÃO BRASILEIRA DE NORMAS TÉCNICAS. ABNT NBR 6023: informação e documentação: referências: elaboração. Rio de Janeiro: ABNT, 2018b.
ASSOCIAÇÃO BRASILEIRA DE NORMAS TÉCNICAS. ABNT NBR 6028: informação e documentação: resumo, resenha e recensão: apresentação. Rio de Janeiro: ABNT, 2021.
ASSOCIAÇÃO BRASILEIRA DE NORMAS TÉCNICAS. ABNT NBR 10520: informação e documentação: citações em documentos: apresentação. Rio de Janeiro: ABNT, 2023.
BAYLY-CASTANEDA, K.; RAMIREZ-MONTOYA, M.-S.; MORITA-ALEXANDER, A. Crafting personalized learning paths with AI for lifelong learning: a systematic literature review. Frontiers in Education, v. 9, art. 1424386, 2024. DOI: 10.3389/feduc.2024.1424386. Disponível em: https://www.frontiersin.org/journals/education/articles/10.3389/feduc.2024.1424386/full. Acesso em: 28 set. 2026.
DINIZ, M. E. V. S.; PIRES, E. V.; COUTINHO, F. C. Inteligência artificial e personalização do ensino: revisão sistemática da literatura. Revista Ibero-Americana de Humanidades, Ciências e Educação, v. 12, n. 9, p. 1-21, 2026. DOI: 10.51891/rease.v12i9.30523. Disponível em: https://periodicorease.pro.br/rease/pt_BR/article/view/30523. Acesso em: 28 set. 2026.
FARHOOD, H.; NYDEN, M.; BEHESHTI, A.; MULLER, S. Artificial intelligence-based personalised learning in education: a systematic literature review. Discover Artificial Intelligence, 2025. DOI: 10.1007/s44163-025-00598-x. Disponível em: https://link.springer.com/article/10.1007/s44163-025-00598-x. Acesso em: 28 set. 2026.
FORTUNA, A. et al. Artificial intelligence in personalized learning: a global systematic review of current advancements and shaping future opportunities. Social Sciences & Humanities Open, v. 12, art. 102114, 2025. DOI: 10.1016/j.ssaho.2025.102114. Disponível em: https://www.sciencedirect.com/science/article/pii/S2590291125008447. Acesso em: 28 set. 2026.
FREIRE, P. Pedagogia da esperança: um reencontro com a Pedagogia do oprimido. Rio de Janeiro: Paz e Terra, 1992.
HAQUE, R. R.; BRITO, I. M.; FRADE, S. Copilot e ChatGPT: como utilizar ferramentas de IA na análise de dados. Lisboa: LAPSO – Laboratório de Psicologia, Iscte – Instituto Universitário de Lisboa, 2024. DOI: 10.15847/lapsocadlab2024/ia. Disponível em: https://repositorio.iscte-iul.pt/entities/publication/acd08a72-65b2-47c1-a6c4-5e3b7f025cf6. Acesso em: 28 set. 2026.
KHALIFEH, F.; SANTIAGO, R.; PALAU, R. Redefining personalized learning in the artificial intelligence era: an updated systematic review from 2019 to 2025. Smart Learning Environments, v. 13, art. 19, 2026. DOI: 10.1186/s40561-026-00440-6. Disponível em: https://link.springer.com/article/10.1186/s40561-026-00440-6. Acesso em: 28 set. 2026.
PAGE, M. J. et al. The PRISMA 2020 statement: an updated guideline for reporting systematic reviews. BMJ, v. 372, n. 71, 2021. DOI: 10.1136/bmj.n71. Disponível em: https://www.bmj.com/content/372/bmj.n71. Acesso em: 28 set. 2026.
SHEMSHACK, A.; SPECTOR, J. M. A systematic literature review of personalized learning terms. Smart Learning Environments, v. 7, art. 33, 2020. DOI: 10.1186/s40561-020-00140-9. Disponível em: https://link.springer.com/article/10.1186/s40561-020-00140-9. Acesso em: 28 set. 2026.
SILVA, K. R. da et al. Inteligência artificial e seus impactos na educação: uma revisão sistemática. RECIMA21 – Revista Científica Multidisciplinar, v. 4, n. 11, e4114353, 2023. DOI: 10.47820/recima21.v4i11.4353. Disponível em: https://recima21.com.br/recima21/pt_BR/article/view/4353. Acesso em: 28 set. 2026.