Uma revisão de escopo publicada em versão “article in press” em Discover Education reúne evidências dispersas sobre o uso de inteligência artificial no ensino de engenharia, sintetizando 200 estudos de 2000 a 2024. O trabalho organiza as principais aplicações, como tutores inteligentes, avaliação adaptativa e simulações em VR/AR, e destaca tendências emergentes com IA generativa e modelos de linguagem, ao mesmo tempo em que chama atenção para lacunas em ética, equidade e avaliação de longo prazo.
O QUE HÁ DE NOVO: O artigo consolida um panorama amplo da pesquisa sobre IA na educação em engenharia a partir de uma revisão do tipo scoping review, seguindo o protocolo PRISMA-ScR. Os autores analisaram mais de 3.000 registros em bases como Scopus, Web of Science, IEEE Xplore, ERIC e Google Scholar e selecionaram 200 estudos relevantes, cobrindo duas décadas de publicações. A síntese indica que os casos mais frequentes se concentram em tutoria inteligente, trilhas adaptativas, correção/avaliação automatizada e laboratórios simulados, com aumento recente do interesse por feedback com base em large language models (LLMs) e por aplicações de IA generativa.
COMO FUNCIONA: Em vez de testar uma ferramenta específica em sala de aula, a revisão compila resultados e abordagens já relatados na literatura e os organiza em uma taxonomia de aplicações e técnicas, de machine learning e deep learning a reinforcement learning, conectando capacidades algorítmicas a objetivos pedagógicos. O mapeamento inclui exemplos de ecossistemas de aprendizagem com plataformas adaptativas, sistemas tutores inteligentes (ITS), avaliações guiadas por IA, learning analytics para identificar estudantes em risco e simulações imersivas (AR/VR), além de propostas como “twin-labs” (laboratórios físicos acoplados a gêmeos digitais) e pipelines de correção “teacher-in-the-loop”, nos quais a IA faz uma pré-avaliação e o docente valida ou ajusta decisões e feedback.
PRINCIPAIS RESULTADOS: Na síntese do que a literatura tem reportado, os autores apontam melhorias moderadas em desempenho e engajamento quando IA é usada para personalização, prática guiada e feedback. O artigo também compila achados de meta-análises citadas: sistemas tutores inteligentes aparecem com ganhos moderados (Hedges’ g em torno de 0,3 a 0,5) frente a métodos sem tutoria; laboratórios em VR/AR apresentam efeitos semelhantes na faixa de g≈0,48 para habilidades práticas; e tutores baseados em LLMs surgem com efeitos menores e mais variáveis (mediana em torno de g≈0,28), ainda que com sinais fortes de engajamento. Ao mesmo tempo, a revisão ressalta que a robustez metodológica varia entre abordagens, ITS tendem a ter mais avaliações controladas do que estudos de IA generativa e VR/AR, frequentemente baseados em pilotos e desenhos pré/pós.
POR QUE ISSO IMPORTA PARA A EDUCAÇÃO: Para cursos de engenharia, a promessa mais concreta da IA está em duas frentes complementares: personalização em escala e aproximação entre teoria e prática. No nível da aprendizagem, plataformas adaptativas, tutores e avaliações com feedback frequente podem reduzir lacunas em fundamentos (matemática, física, programação) e apoiar o estudante no ritmo adequado, enquanto simulações e laboratórios virtuais ampliam a exposição a cenários caros, raros ou de risco. No nível do trabalho docente, o potencial está menos em “substituição” e mais em redistribuição de esforço: automação de correções repetitivas, identificação precoce de dificuldades e geração de feedback inicial podem liberar tempo para mentoria, projetos e avaliação de competências mais complexas, desde que haja governança para revisão humana, transparência e critérios claros.
INSIGHT CENTRAL: A revisão argumenta que a engenharia tem necessidades pedagógicas próprias, como experiências de projeto, prática de laboratório, segurança e formação de competências profissionais, que exigem integrar inovação técnica e ciência da aprendizagem, em vez de simplesmente importar soluções genéricas de “IA na educação”. Nesse sentido, propostas como “twin-labs” e modelos híbridos de avaliação com professor no circuito aparecem como tentativas de manter o valor do componente prático e do julgamento pedagógico, enquanto se aproveita instrumentação, rastros de dados e adaptação algorítmica para ampliar feedback e repetição deliberada.
SIM, MAS…: O artigo reforça que a adoção sustentável esbarra em riscos já conhecidos, porém ainda mal resolvidos na prática: vieses em dados e modelos (com possíveis efeitos desiguais sobre grupos sub-representados), privacidade e conformidade regulatória em sistemas que dependem de dados sensíveis, e dependência excessiva de automação com erosão de interações humanas de mentoria. Também chama atenção para barreiras de implementação, como custos e infraestrutura (especialmente em VR/AR), exigências de dados de qualidade para treinar e validar modelos, e a prontidão do corpo docente para desenhar atividades, interpretar analytics e atuar como supervisor de sistemas automatizados. Em IA generativa, somam-se desafios de confiabilidade, respostas incorretas, falta de consistência em problemas novos, que demandam desenho pedagógico, checagem e limites de uso.
O QUE VEM DEPOIS: Entre as recomendações, o texto defende mais estudos longitudinais e replicações em múltiplos contextos para entender efeitos duradouros (aprendizagem, retenção, empregabilidade) e impactos por perfil de estudante. Também aponta oportunidades em IA explicável, analytics multimodais (incluindo sinais afetivos) e modelos de colaboração global mediados por IA, além de currículos que conectem ferramentas e competências a demandas industriais em transformação. Para gestores e formuladores de política acadêmica, a mensagem implícita é que ganhos pontuais com pilotos tendem a ser insuficientes sem investimento em desenvolvimento profissional, governança de dados, critérios de avaliação e uma estratégia curricular que trate a IA como infraestrutura pedagógica, e não apenas como mais uma ferramenta isolada.
Fonte: salaVIVA
