Estudo independente e análise de aprendizagem: os dados não contam a história toda

É comum pensar que, se um aluno estuda sozinho e a plataforma registra suas ações, basta olhar os dados para saber se ele está aprendendo. As pesquisas recentes tornam essa ideia mais complexa: registros digitais podem revelar padrões importantes, mas o sentido deles depende da atividade proposta, do contexto e da mediação do professor.

Estudo independente não é sinônimo de deixar cada estudante por conta própria. Os estudos analisados mostram situações em que autonomia, colaboração, tecnologia e acompanhamento docente se combinam de maneiras diferentes. Em alguns casos, apoios digitais se relacionam a resultados melhores; em outros, os sinais registrados ficam menos precisos justamente quando a aprendizagem é mais aberta e colaborativa.

O que é estudo independente apoiado por análise de dados de aprendizagem e por que importa para o professor

Estudo independente apoiado por análise de dados é uma forma de organizar atividades em que o aluno toma parte ativa no próprio percurso e o professor usa registros de aprendizagem para decidir como acompanhar, orientar ou ajustar o ensino. Na rotina escolar, isso pode envolver uma plataforma em que o estudante pratica, lê, resolve tarefas ou participa de um projeto, enquanto seus acessos e ações deixam rastros que podem ser examinados.

Esses rastros não são a aprendizagem em si. Um registro pode mostrar que alguém abriu um recurso, respondeu a uma atividade ou voltou a uma etapa; sozinho, não revela necessariamente por que fez isso, o que compreendeu ou que tipo de ajuda precisou. A análise ganha sentido quando é interpretada junto com a proposta pedagógica e com outras informações, como observações do professor ou conversas com os estudantes.

O tema importa porque os professores precisam equilibrar autonomia e apoio. Um aluno pode ter espaço para escolher caminhos sem receber orientação suficiente para planejar, monitorar e avaliar o próprio trabalho. Outro pode avançar com segurança em uma tarefa estruturada, mas precisar de ajuda quando o trabalho passa a exigir negociação em grupo. A pergunta útil não é apenas “quanto o aluno acessou?”, mas “o que a atividade pedia e que evidências ajudam a compreender como ele avançou?”.

O que a pesquisa recente mostra

A pesquisa recente não apresenta uma resposta única sobre o estudo independente. Os estudos abordam leitura fora da sala, prática digital, projetos colaborativos e ferramentas de inteligência artificial. Em conjunto, ajudam a perceber que os dados podem apoiar decisões, mas não substituem o planejamento didático nem a interpretação docente.

O desenho da atividade muda o que os dados conseguem mostrar

Uma pesquisa com turmas do quinto e do sexto ano investigou como diferentes designs de aprendizagem influenciavam comportamentos autorregulados e o uso de um sistema de gestão da aprendizagem. Os autores combinaram registros do sistema com observações em sala. O resultado central foi que a análise da aprendizagem ofereceu devolutivas menos precisas em designs mais abertos e colaborativos, porque os estudantes tendiam a depender menos do sistema para regular a própria aprendizagem. O professor também exerceu forte influência sobre o uso da plataforma em ambientes híbridos (Paavilainen, 2025).

Esse achado chama atenção para uma interpretação frequente, mas arriscada: menos ações registradas não significam automaticamente menos aprendizagem. Em uma tarefa aberta, a turma pode conversar, planejar ou trabalhar de outras maneiras que não aparecem integralmente no sistema. A pesquisa indica que as visualizações precisam ser pensadas em relação ao design da aprendizagem e ao modo como a atividade favorece a regulação.

Outro estudo, também com alunos do quinto e do sexto ano, examinou um módulo sobre desenvolvimento sustentável e a regulação da colaboração em um ambiente virtual. As observações apontaram que os momentos mais desafiadores do trabalho em grupo aconteciam no início e na finalização do projeto. Os registros mostraram uso do ambiente virtual como apoio à regulação no começo do processo. Os autores destacaram a necessidade de ferramentas mais funcionais para que os grupos monitorem e sintetizem metacognitivamente o que aprenderam (Paavilainen, 2026).

As duas pesquisas convergem em um ponto prático: a ferramenta não pode ser interpretada separadamente da atividade. Uma visualização pode ser útil em uma etapa e insuficiente em outra. Também mostram que os dados podem servir não só para observar alunos, mas para aprimorar o desenho das experiências e identificar fases em que a turma tende a precisar de mais apoio.

Autonomia pode ser apoiada, mas o tipo de apoio faz diferença

Uma pesquisa sobre leitura extensiva on-line fora da sala desenvolveu um painel de aprendizagem integrado ao sistema GOAL para apoiar o gerenciamento do processo de aprendizagem autodirigida. O estudo ocorreu no ensino médio durante três semanas de férias de primavera. O grupo que recebeu apoio à aprendizagem autodirigida teve resultados de leitura significativamente melhores que o grupo de controle. Entre os participantes com apoio, a visualização do painel apresentou correlação significativa com resultados de leitura e interações relacionadas ao gerenciamento do processo (Yang, 2024).

O resultado sugere que, em uma atividade de leitura fora da sala, tornar o processo visível pode caminhar junto com melhores resultados. Mas a correlação observada entre visualização, interação e desempenho não deve ser confundida com uma regra universal para toda tarefa ou faixa etária. O estudo oferece evidência para aquele sistema e contexto, não uma promessa de que qualquer painel produzirá o mesmo efeito.

Em uma intervenção de construção de conhecimento, pesquisadores trabalharam com uma professora experiente e usaram ferramentas de análise em uma plataforma on-line: um rastreador de contribuições e uma nuvem de palavras. Identificaram três papéis da professora: perceber comportamentos que prejudicavam a colaboração, mediar entre os dados e a autoavaliação dos alunos e transformar as linhas de investigação em caminhos acionáveis. Depois das intervenções, aumentaram acentuadamente as notas que sustentavam a investigação, e o foco passou do conhecimento individual para o coletivo e de explicações superficiais para compreensões profundas (Ng, 2024).

Esse estudo desloca a ideia de que a análise de aprendizagem é um recurso que “fala por si”. As ferramentas forneceram pistas, mas a professora teve papel ativo em ajudar os alunos a interpretá-las e a decidir o que fazer. O processo também mostra que apoiar autonomia não significa retirar o professor: significa criar condições para que os estudantes assumam mais responsabilidade, com mediação que conecte sinais e decisões.

Os padrões de prática contam mais do que uma medida isolada

Uma pesquisa sobre prática digital acompanhou rastros de alunos do sétimo ano em atividades de inglês e examinou sequências de comportamentos relacionadas à autorregulação. Os autores encontraram mais comportamentos indicativos de autorregulação do que comportamentos não indicativos. A partir das sequências, identificaram três agrupamentos: estudantes com comportamentos mais relacionados ao esforço tiveram melhor desempenho nos testes seguintes; aqueles com menor esforço tiveram desempenho insatisfatório. Curiosamente, os comportamentos de persistência seguiram uma tendência inversa, e os grupos também diferiram em conhecimento prévio e motivação (Colling, 2026).

A observação sobre persistência impede uma leitura simplista de que “quanto mais tempo insistir, melhor”. O resumo não apresenta uma explicação única para essa tendência, mas deixa claro que os comportamentos precisam ser interpretados em conjunto e à luz das diferenças entre estudantes. Uma sequência de ações pode ser mais informativa do que uma contagem isolada, embora ainda exija interpretação.

Um estudo com estudantes do ensino fundamental II em três escolas de Hong Kong investigou como alunos de aprendizagem integrada de conteúdo e língua estrangeira planejavam, monitoravam e avaliavam a própria aprendizagem. Os participantes empregaram estratégias variadas para lidar com demandas de língua e conteúdo, e suas crenças de autoeficácia influenciaram as abordagens. Alguns enfrentaram dificuldades para manter uma autorregulação eficaz (Lo, 2025).

Essa pesquisa usou uma abordagem microanalítica baseada em vinhetas e análise qualitativa, não apenas registros de uma plataforma. É uma lembrança útil de que processos internos, como confiança para realizar uma tarefa e escolhas metacognitivas, nem sempre podem ser inferidos por cliques ou tempo de acesso. Os dados de uso podem ser combinados com perguntas, observações e produções dos estudantes para compor uma leitura mais completa.

O apoio tecnológico pode trazer ganhos, mas eles não são iguais em todos os resultados

Um estudo longitudinal sobre o uso do GPT-4o em contextos de educação básica acompanhou estudantes do ensino médio em três momentos ao longo de um semestre. Os resultados de aprendizagem autorregulada e engajamento nas tarefas cresceram nos dois grupos, experimental e de controle. Ainda assim, a análise indicou avanços significativamente maiores para o grupo experimental em ambos os aspectos (Zhang, 2025).

Esse resultado é favorável à integração da ferramenta no contexto pesquisado, mas não significa que a tecnologia isoladamente produza autonomia. O estudo avaliou trajetórias de autorregulação e engajamento por questionários, e sua conclusão se refere aos grupos e ao período investigados. Para a prática docente, vale perguntar que orientação acompanha o uso da ferramenta e quais evidências mostram se o estudante está tomando decisões mais conscientes.

Uma pesquisa com alunos do sétimo ao nono ano comparou duas intervenções com IA generativa — uma voltada ao valor de utilidade e outra a estratégias cognitivas — com o ChatGPT padrão. Os estudantes participaram de seis sessões em aulas de física ou inglês. A condição de valor de utilidade apresentou evolução mais favorável nesse aspecto do que a condição de estratégia cognitiva. Porém, não houve vantagens estatisticamente significativas das intervenções sobre o controle quanto a esforço, conhecimento específico ou uso de estratégias de elaboração. Análises exploratórias associaram interações mais significativas com a IA à manutenção do interesse por mais tempo (Fü, 2026).

Essa combinação de resultados é importante: um apoio pode favorecer uma dimensão motivacional sem melhorar de modo demonstrável todas as medidas de aprendizagem. A análise dos dados precisa, portanto, separar o que está sendo medido. Interesse, esforço, uso de estratégia e conhecimento são aspectos relacionados, mas não intercambiáveis. O estudo recomenda desenvolver melhor as intervenções para apoiar estratégias cognitivas e resultados de aprendizagem.

Os estudos lado a lado

Os estudos abaixo investigaram contextos variados e usaram métodos diferentes. A tabela resume o que cada pesquisa citada no texto permite afirmar, sem tratar seus resultados como se viessem de uma mesma situação escolar.

Pontos em comum e divergências entre os estudos

O ponto em comum é que a aprendizagem autorregulada não aparece como uma característica fixa que o professor simplesmente mede. Ela se manifesta em processos: planejar, monitorar, persistir, escolher estratégias, pedir apoio e avaliar o que foi feito. Os estudos mostram que tarefas, ferramentas e relações de colaboração ajudam a moldar esses processos. Por isso, observar o percurso pode oferecer informações diferentes de olhar apenas para uma nota final.

Há também convergência sobre o papel do contexto. Nas pesquisas sobre designs abertos, colaboração e aprendizagem híbrida, o valor dos registros depende do modo como a atividade foi planejada. Em estudos com ferramentas digitais mais específicas, como o painel de leitura, aparecem associações ou diferenças de resultado ligadas ao apoio oferecido. Isso não é uma contradição: são perguntas e ambientes distintos.

As divergências aparecem sobretudo na força e no tipo de resultado. Algumas pesquisas relatam diferenças favoráveis ao grupo que recebeu apoio; outra encontrou ganhos ao longo do tempo nos dois grupos e avanços maiores no experimental; já a pesquisa com IA generativa identificou um efeito favorável em valor de utilidade, sem vantagens significativas em diversas outras medidas. Não é correto resumir tudo como “a tecnologia funciona” ou “a tecnologia não funciona”. É preciso perguntar qual ferramenta, para qual objetivo, com que desenho e medindo qual aspecto.

Também permanece em aberto como distinguir esforço produtivo de insistência que não está ajudando, como registrar adequadamente a aprendizagem colaborativa e como apoiar alunos com conhecimentos prévios ou motivações diferentes. Os resumos não resolvem essas questões, mas indicam que uma única métrica dificilmente dará conta delas.

O que isso significa para a sala de aula

Na prática, a pesquisa sugere que o professor use dados como pistas para conversar e decidir, não como veredito sobre capacidade ou empenho. As ideias a seguir são sugestões de aplicação inspiradas pelos estudos, não resultados testados em todas as escolas ou disciplinas.

1. Comece pela pergunta pedagógica, não pela ferramenta

Uma forma de aplicar isso é definir primeiro o que se quer acompanhar: planejamento, revisão, participação ou compreensão de um conteúdo. Imagine uma turma de 7º ano que fará uma sequência de exercícios de ciências. Se a dúvida é se os alunos revisam as respostas após receber retorno, registre ou observe essa etapa específica, em vez de contar acessos gerais à plataforma. Assim, o dado responde a uma pergunta que pode orientar uma ação docente.

2. Leia os registros junto com o desenho da atividade

Antes de concluir que um estudante participou pouco, considere se a atividade exigia ações que a plataforma não registra. Imagine grupos preparando uma investigação com conversa presencial e consulta a materiais variados: a ausência de muitas interações no ambiente virtual não prova falta de trabalho. Uma aplicação possível é anotar quais etapas acontecem on-line e quais acontecem fora do sistema, para evitar comparações injustas entre tarefas diferentes.

3. Observe as transições em que a turma costuma precisar de ajuda

Os estudos sobre colaboração apontam desafios no começo e na finalização do trabalho em grupo. Como aplicação, o professor pode planejar uma breve pausa de acompanhamento nessas duas etapas. Em um projeto hipotético de meio ambiente, os grupos poderiam explicitar no início como vão dividir e conectar as ideias, e, ao final, revisar juntos o que aprenderam. A pausa não precisa gerar um painel sofisticado: pode ser uma conversa curta ou um registro oral.

4. Combine rastros digitais com evidências de outras fontes

Os estudos usam tanto registros de sistemas quanto observações, questionários ou análise de produções. Uma sugestão de aplicação é cruzar o que uma plataforma mostra com uma amostra de respostas dos alunos e uma conversa breve. Imagine que os dados indiquem muitas tentativas em uma atividade de matemática: olhar algumas respostas pode ajudar a distinguir revisão cuidadosa de repetição sem mudança de estratégia. O objetivo é entender melhor o processo, não vigiar cada movimento.

5. Transforme a visualização em conversa e decisão

A experiência de construção de conhecimento ressalta a mediação docente entre os dados e a autoavaliação. Em sala, uma aplicação possível é mostrar aos alunos uma síntese simples do percurso e perguntar o que ela representa e que próximo passo faria sentido. Numa turma hipotética que escreve textos em etapas, a conversa pode levar cada grupo a decidir se precisa reorganizar argumentos ou buscar informação adicional, em vez de receber apenas uma classificação automática.

6. Separe motivação, estratégia e resultado

Uma atividade pode manter o interesse sem produzir, de imediato, melhoria mensurável no conhecimento ou no uso de estratégias. Como aplicação, ao avaliar um recurso digital, o professor pode registrar separadamente se os alunos se envolveram, que estratégias mobilizaram e o que demonstraram saber. Imagine uma aula de inglês com apoio de IA: um estudante pode gostar da interação e ainda precisar de ajuda para conferir uma explicação. Não trate uma dessas evidências como substituta das outras.

7. Ensine o aluno a interpretar o próprio percurso

Estudo independente envolve iniciativa e acompanhamento do próprio processo. Uma sugestão de aplicação é reservar alguns minutos ao fim de uma tarefa para o estudante identificar o que tentou, o que funcionou e qual será o próximo passo. Em uma leitura feita fora da sala, por exemplo, ele pode escolher uma meta de leitura e depois comentar se a cumpriu. Essa prática não precisa depender de painel digital e pode ajudar a tornar a autonomia uma habilidade ensinada, não uma expectativa silenciosa.

O que muda no contexto brasileiro

Os estudos vêm de contextos internacionais; um deles identifica Hong Kong, enquanto os resumos de vários outros não informam o país. Os resultados, portanto, não devem ser tratados como retrato automático das escolas brasileiras. A disponibilidade de dispositivos, a qualidade de conexão, as plataformas adotadas e o tempo de planejamento variam entre redes e escolas. Essas condições podem mudar tanto o que fica registrado quanto a possibilidade de usar os registros.

Também é preciso considerar que os estudos analisaram atividades e ferramentas específicas: leitura on-line durante férias, ambientes virtuais, construção de conhecimento ou intervenções com IA. Uma turma brasileira pode ter objetivos, rotinas e condições diferentes. Antes de adotar uma ferramenta, faz sentido verificar se ela conversa com a atividade real, se os estudantes conseguem acessá-la e se o professor terá tempo para interpretar o que ela oferece.

Uma adaptação prudente começa em pequena escala. O professor pode escolher uma pergunta de acompanhamento, testar uma atividade curta e comparar registros digitais com produções ou observações. Se a proposta for colaborativa, convém observar também o processo do grupo; se for individual, pode ser mais útil acompanhar como cada estudante planeja e revisa. Em qualquer caso, os dados devem apoiar decisões pedagógicas, sem substituir o conhecimento que o professor constrói sobre a turma.

Há ainda um cuidado de comunicação: explicar aos alunos o que está sendo acompanhado e para que a informação será usada. As pesquisas resumidas não fornecem uma regra sobre privacidade ou políticas brasileiras; por isso, a escola deve seguir suas orientações e as normas aplicáveis. Como princípio pedagógico, é importante evitar que métricas de acesso sejam usadas isoladamente para rotular um aluno como desinteressado ou pouco capaz.

Limites desta leitura

Este artigo se baseia nos resumos de estudos recentes disponibilizados pelo ERIC, e não na leitura integral dos artigos. Os resumos permitem apresentar objetivos, alguns detalhes de contexto e resultados principais, mas não sustentam uma avaliação completa de instrumentos, procedimentos, limitações estatísticas ou condições de implementação. Também reúnem pesquisas com idades, disciplinas, intervenções e métodos diferentes, que não podem ser comparadas como se fossem um único experimento.

Ficam abertas perguntas importantes: os resultados se manteriam em outros conteúdos e redes escolares? Que formas de visualização ajudam professores sem simplificar demais a aprendizagem? Como distinguir uma interação produtiva de uma ação repetida sem avanço? Que apoios funcionam para alunos com necessidades distintas? Para responder a questões de implementação, avaliar a qualidade metodológica ou decidir a adoção de uma ferramenta, faz sentido consultar os estudos completos e considerar a realidade da escola.

Como o GeraProva ajuda com este assunto

O GeraProva pode apoiar a criação de provas e atividades para verificar o que os estudantes aprenderam, mas uma avaliação pontual não substitui o acompanhamento do processo descrito neste artigo. O professor pode usar atividades avaliativas como uma das evidências, junto com observações, produções e conversas com a turma. Conheça o gerador de provas do GeraProva ou faça seu cadastro grátis.

Perguntas frequentes sobre estudo independente e análise de aprendizagem

O que é análise de aprendizagem na escola?

É o uso de dados relacionados às atividades de aprendizagem para compreender processos e apoiar decisões pedagógicas. Esses dados podem vir de registros de uma plataforma, mas precisam ser interpretados considerando o que a tarefa pedia. As pesquisas mostram que registros digitais podem ajudar a acompanhar prática, interação e autorregulação, mas não contam sozinhos tudo o que o aluno aprendeu. A observação do professor, as respostas dos estudantes e o contexto da atividade ajudam a dar sentido aos sinais. Não é simplesmente contar acessos ou cliques.

Estudo independente significa que o aluno aprende sem professor?

Não. Nos estudos analisados, autonomia e apoio docente aparecem juntos. Uma pesquisa sobre aprendizagem autorregulada no ensino fundamental encontrou forte influência do professor no uso do sistema de gestão da aprendizagem, e outra identificou mediação docente entre os dados e a autoavaliação dos alunos. Estudo independente significa que o estudante participa mais ativamente do planejamento, monitoramento ou direção da aprendizagem; não que precise resolver tudo sem orientação. O professor pode estruturar metas, propor pausas de reflexão e ajudar a transformar evidências em próximos passos.

Mais tempo ou mais cliques significam que o aluno está aprendendo?

Não necessariamente. Os resumos não sustentam uma equivalência direta entre quantidade de ações digitais e aprendizagem. Um estudo examinou sequências de comportamentos e encontrou relações diferentes entre esforço, persistência e desempenho; outro mostrou que designs abertos e colaborativos podem gerar devolutivas menos precisas porque os alunos dependem menos do sistema. Por isso, é melhor interpretar os registros em relação ao tipo de tarefa e combinar fontes de evidência. Um número isolado pode indicar algo a investigar, mas não deve ser tratado como conclusão sobre o estudante.

As ferramentas de inteligência artificial melhoram a aprendizagem autorregulada?

Os resultados são promissores, mas não uniformes. Um estudo longitudinal com GPT-4o encontrou avanços maiores no grupo experimental em autorregulação e engajamento, embora os dois grupos tenham crescido ao longo do semestre. Em outra pesquisa, intervenções com IA generativa favoreceram a evolução do valor de utilidade em uma condição, mas não apresentaram vantagens significativas em várias outras medidas, como conhecimento específico e uso de estratégias de elaboração. Assim, a resposta depende do tipo de apoio, do resultado avaliado e do contexto. A IA não deve ser considerada garantia de aprendizagem.

Como acompanhar a aprendizagem colaborativa com dados?

Comece identificando quais etapas da colaboração deseja apoiar e quais delas aparecem nos registros disponíveis. Uma pesquisa sobre trabalho colaborativo encontrou momentos mais desafiadores no início e na finalização de projetos, e apontou a necessidade de ferramentas que ajudem grupos a monitorar e sintetizar o que aprenderam. Como aplicação, o professor pode combinar registros digitais com observações e breves momentos de autoavaliação do grupo. É importante não interpretar a atividade individual na plataforma como retrato completo da contribuição coletiva: conversa, negociação e decisões do grupo podem ocorrer fora do sistema.

O que fazer se não tenho uma plataforma com painel de dados?

As ideias centrais não dependem necessariamente de um painel sofisticado. A análise pode começar com uma pergunta de acompanhamento e evidências simples: respostas a atividades, versões de uma produção, observação de etapas ou uma conversa de autoavaliação. Os estudos mostram o valor de relacionar dados ao desenho da aprendizagem e de combinar registros com contexto. Como aplicação, depois de uma tarefa, peça aos alunos que indiquem que estratégia usaram e qual será o próximo passo. Isso não equivale aos sistemas estudados, mas pode ajudar a tornar visível parte do processo para professor e estudante.

Referências

1. Paavilainen, T., López-Pernas, S., Väisänen, S., Kontkanen, S. e Hirsto, L. (2025). Uso da análise da aprendizagem para apoiar a aprendizagem autorregulada no Ensino Fundamental: uma perspectiva do design da aprendizagem (Using Learning Analytics to Support Self-Regulated Learning in Primary Education — A Learning Design Perspective). Technology, Knowledge and Learning. Link.
2. Paavilainen, T., López-Pernas, S., Väisänen, S., Kontkanen, S. e Hirsto, L. (2026). Implementação de Design de Aprendizagem com Análise de Aprendizagem para Apoiar a Regulação da Colaboração no Ensino Fundamental (Implementing Learning Design with Learning Analytics to Scaffold the Regulation of Collaboration in Primary Education). Smart Learning Environments. Link.
3. Yang, Y., Majumdar, R., Li, H., Flanagan, B. e Ogata, H. (2024). Design de um painel de aprendizagem para aprimorar os resultados de leitura e os comportamentos de aprendizagem autodirigida na leitura extensiva realizada fora da sala de aula (Design of a Learning Dashboard to Enhance Reading Outcomes and Self-Directed Learning Behaviors in Out-of-Class Extensive Reading). Interactive Learning Environments. Link.
4. Ng, A. D.-X., Ong, A., Lee, A. V. Y. e Teo, C. L. (2024). Implementação de Intervenções de Análise de Aprendizagem para Apoiar a Agência do Estudante na Construção de Conhecimento (Implementing Learning Analytics Interventions to Support Student Agency in Knowledge Building). Pedagogies: An International Journal. Link.
5. Colling, L., Deininger, H., Parrisius, C., von Keyserlingk, L., Bodnar, S., Holz, H., Kasneci, G., Nagengast, B., Trautwein, U. e Meurers, D. (2026). Como os alunos praticam? Análises de sequências informadas pela teoria para investigar os processos de aprendizagem autorregulada e sua relação com o desempenho (How Do Learners Practice? — Theory-Informed Sequence Analyses to Investigate Self-Regulated Learning Processes and Their Link to Achievement). Educational Psychology. Link.
6. Lo, A. W. T. (2025). Processos de Autorregulação de Estudantes em Aprendizagem Integrada de Conteúdo e Língua Estrangeira: Um Estudo Microanalítico Baseado em Vinhetas (Students' Self-Regulatory Processes in Content and Language Integrated Learning: A Vignette-Based Microanalytic Study). International Journal of Bilingual Education and Bilingualism. Link.
7. Zhang, J. e Derakhshan, A. (2025). Integrando o ‘GPT-4o’ como ferramenta de IA em contextos da educação básica: avaliação de seus efeitos de longo prazo sobre a aprendizagem autorregulada e o engajamento nas tarefas dos estudantes (Integrating 'GPT-4o' as an AI Tool into K-12 Contexts: Assessing Its Long-Term Effects on Students' Self-Regulated Learning (SRL) and Task Engagement through Latent Growth Curve Modelling). European Journal of Education. Link.
8. Fütterer, T., Bardach, L., Kuhn, J., Keller, S. D. e Gerjets, P. (2026). Aprimorando a aprendizagem autorregulada de estudantes por meio do apoio da inteligência artificial generativa: um ensaio controlado randomizado (Enhancing School Students' Self-Regulated Learning through Generative AI Support: A Randomized Controlled Trial). Educational Psychology Review. Link.

Se quiser, escolha uma atividade que já faz parte da sua rotina e experimente observar não só a resposta final, mas também como seus alunos chegam até ela.