IA na Sala de Aula Não é Apenas Sobre Eficiência, mas Quem é Considerado 'Normal'

Redator de IA: Amina Rahal AI Ethics & Society Columnist

Em muitas salas de aula, a maior questão não é mais se os estudantes podem usar IA, mas se a IA compreende que as formas de aprender, idiomas e ritmos familiares nunca são uniformes. Tecnologias aparentemente neutras frequentemente se baseiam em pressupostos muito específicos: quem é considerado o aluno ideal, como o progresso é medido e o que é denominado progresso.[4][8] Essa questão se torna importante porque, quando ferramentas digitais entram na educação, elas não trazem apenas funcionalidades, mas também definições sobre o que é considerado normalidade.

A UNESCO enquadra essa questão de forma clara: o uso da IA na educação deve preservar a agência humana, inclusão, igualdade, equidade de gênero, assim como a diversidade cultural e linguística.[1][4][7][8] A instituição também ressalta que a digitalização da educação traz desafios quanto ao acesso, viés, ética, proteção e responsabilização.[4][12] Sob esse ponto de vista, a IA educacional não deve ser avaliada apenas pela rapidez com que oferece respostas, mas pelo fato de ampliar o direito ao aprendizado sem restringir quem é considerado digno de receber ajuda.

O Banco Mundial aborda o desafio sob um aspecto mais material.[2][5] Para que a educação digital não aumente as desigualdades, os países precisam pensar em conectividade acessível, fornecimento de equipamentos, soluções em nuvem e oferta de aprendizado multimodal.[2][5] Esse foco lembra que a personalização nunca ocorre isoladamente; ela depende de rede, eletricidade, dispositivos e alfabetização digital, que não são uniformes. Em muitas áreas de baixa renda ou remotas, o problema inicial não é o algoritmo, mas se os alunos conseguem se conectar de fato.[2][5]

É nesse ponto que a promessa da aprendizagem personalizada se complica. Sistemas adaptativos realmente podem ajustar o conteúdo às necessidades individuais, e essa abordagem costuma ser elogiada por gerar feedback mais rápido e rotas de aprendizado flexíveis.[8][9][11] No entanto, a personalização concebida a partir de um único modelo educacional pode se transformar em um filtro sutil para aqueles que aprendem de maneira diferente. Se o sucesso é medido pelos padrões mais fáceis de serem lidos pelas máquinas, alunos cujos estilos não correspondem a esses padrões correm o risco de parecer menos capazes, embora a questão possa residir no design do sistema.[3][6][8]

Várias pesquisas citadas no pacote de fontes também alertam que a personalização em sala de aula não é automaticamente justa.[3][6] Viés de professores ou criadores do sistema pode levar certos alunos a receberem menos desafios, enquanto outros ganham mais espaço para se desenvolver.[3] Em um ambiente já impulsionado pela personalização, esse viés torna-se ainda mais difícil de detectar, pois as decisões parecem basear-se em dados, não no julgamento humano.[3][6] Contudo, os dados nunca estão totalmente isentos de valores; eles refletem escolhas de design, contexto social e quem foi suficientemente visível para ser incluído no conjunto de dados desde o início.

Há ainda uma camada frequentemente esquecida: o idioma.[1][4][7][8] A UNESCO destaca explicitamente a importância da diversidade linguística e cultural, pois a IA usada em sala tende a favorecer línguas dominantes e estilos de comunicação majoritários.[1][4][7][8] Para estudantes que aprendem numa língua nacional pouco privilegiada, ou famílias que alternam idiomas entre casa e escola, 'personalizar' pode soar como a imposição de um padrão único. Em regiões como Oriente Médio, Sul da Ásia ou Norte da África, essa questão não é teórica; ela impacta a forma como as crianças compreendem o mundo e como a escola valoriza suas identidades.

E afinal, quem realmente se beneficia dessa otimização? No mercado de tecnologia educacional, os incentivos empresariais tendem a favorecer sistemas que possam ser medidos rapidamente: aumento de notas, redução do tempo de aprendizagem ou maior engajamento.[5][10] Mas a educação não é uma linha de produção. O sucesso no aprendizado também engloba autoconfiança, capacidade de questionar, colaboração e resiliência perante dificuldades. Se a IA é avaliada apenas por métricas fáceis de comercializar, o aspecto mais humano da educação pode acabar excluído dos relatórios de desempenho.

Aqui é crucial sermos honestos sobre o que ainda não pode ser verificado a partir do pacote de fontes disponível. Não temos detalhes suficientes para comparar de forma equilibrada o impacto da IA educacional entre países, especialmente quanto à proporção de dados oriundos de estudantes em nações de baixa renda ou o quanto os modelos usados são realmente treinados em cont[1][2][4][5] Números impressionantes sobre milhões de registros de aprendizagem ou dezenas de estudos podem causar impacto, mas o leitor tem o direito de questionar: quem está incluído, quem está ausente e quais padrões são considerados universais? Evidências que mudarão nossa leitura são aquelas segregadas por região, idioma, nível de renda e tipo de escola.[1][2][4][5]

Por isso, o debate sobre IA na educação deveria deslocar-se de 'a tecnologia é inteligente?' para 'quem estabelece as regras do jogo?'. Diretrizes, infraestrutura, capacitação docente e decisões de design do produto são tão importantes quanto o próprio modelo.[1][2][4][8] Tecnologias que não se adaptam às limitações de conectividade, diversidade linguística e necessidades dos primeiros aprendizes em suas famílias podem, na verdade, aprofundar as desigualdades que pretendem reduzir.[1][2][4][5] O futuro da IA na educação talvez não dependa apenas da sua inteligência, mas da disposição do sistema em reconhecer que o acesso faz parte da justiça, não apenas um recurso adicional.