From Prompt Engineering to Epistemic Prompting: Prompt Trajectories as AI-Mediated Problem Framing in Science Education

Resumo Técnico: Da Engenharia de Prompt ao Prompting Epistêmico

Definição do Problema
As abordagens atuais para a interação com Modelos de Linguagem de Grande Escala (LLMs) no ensino de STEM tratam predominantemente a "engenharia de prompt" como uma competência técnica voltada para a otimização da qualidade, precisão ou formato da saída. Embora essa lógica de avaliação de downstream seja necessária para a utilidade da ferramenta, ela é insuficiente para a aprendizagem. O artigo identifica uma lacuna crítica: a literatura existente falha em teorizar como os turnos sequenciais do aprendiz funcionam como movimentos de enquadramento de problemas disciplinares dentro de um contexto conversacional acumulado. Além disso, há o risco de que saídas fluentes do modelo possam ocultar modelos inapropriados, pressupostos não declarados ou descompassos entre representações, levando à redução do esforço cognitivo e à aceitação de afirmações sem suporte. O problema central é a falta de um framework que interprete as trajetórias de prompts não meramente como refinamentos iterativos para obter melhores respostas, mas como práticas epistêmicas onde os aprendizes articulam, regulam e avaliam como uma tarefa de conhecimento é constituída.

Metodologia
Este artigo é um artigo de modelo conceitual (Jaakkola, 2020) que sintetiza a literatura existente de quatro vertentes de pesquisa primárias: engenharia de prompt/literacia de IA, tutoria conversacional, metacognição/autorregulação e enquadramento epistêmico/múltiplas representações. Em vez de apresentar novos dados empíricos, o autor constrói um framework teórico mapeando os "problemas não resolvidos" nesses campos adjacentes. A metodologia envolve:

1. Sintetizando Definições: Integrando o "enquadramento epistêmico" (a interpretação situada de atividade, conhecimento e ação) com a mecânica do diálogo humano-LLM.
2. Operacionalizando Conceitos: Desenvolvendo um vocabulário funcional (Tabela 2) para codificar os turnos do aprendiz com base em seu impacto na "organização epistêmica" de um problema.
3. Modelando a Interação: Propondo um "Loop de Enquadramento-Prompting" recursivo que visualiza a relação entre a função do prompt, o contexto acumulado, os padrões disciplinares e a absorção (uptake) do aprendiz.

Principais Contribuições
O artigo introduz o conceito de Prompting Epistêmico, definido como a construção e revisão deliberada de prompts para articular, regular e avaliar como uma tarefa de conhecimento é enquadrada. Seu critério primário é a "adequação epistêmica" — se a interação torna os objetos, relações, pressupostos e a distribuição de trabalho disponíveis para escrutínio — em vez da mera qualidade da saída.

As principais contribuições incluem:

• A Trajetória do Prompt: Deslocar a unidade de análise do prompt isolado ou da resposta final para toda a sequência de prompts, respostas do modelo, absorção do aprendiz e verificações disciplinares.
• O Loop de Enquadramento-Prompting: Um modelo de múltiplos turnos onde um prompt inicial estabelece um macroenquadramento provisório (selecionando problemas, representações, pressupostos e distribuição de trabalho), e turnos subsequentes mantêm, especificam, desafiam, reparam, transformam ou reenquadram essa organização.
• Taxonomia Funcional: Um conjunto de indicadores operacionais para codificar os turnos do aprendiz (Tabela 2), distinguindo entre:
  • Estabelecer (definir o problema e o papel).
  • Manter (preservar o modelo atual).
  • Especificar (tornar elementos implícitos explícitos).
  • Desafiar (questionar evidências ou validade).
  • Reparar (diagnosticar inconsistências preservando elementos fundamentados).
  • Transformar Representação (alternar entre modos, ex: gráfico para equação, para fins disciplinares).
  • Reenquadrar (introduzir novos modelos ou critérios).
  • Fechar/Sintetizar (solicitar validação e fechamento justificado).
• Garantia de Conceito-para-Decisão: Um critério específico que exige que os prompts conectem conceitos a decisões concretas (ex: como um conceito restringe um cálculo ou critério de validação), indo além da simples definição ou busca por respostas.

Resultados e Alegações
Como um artigo conceitual, os "resultados" são o framework proposto e suas implicações teóricas para a instrução e avaliação em STEM:

• Distinção da Engenharia de Prompt: Diferente da engenharia de prompt convencional, que busca otimizar a saída, o prompting epistêmico trata o prompt como um traço público da agência epistêmica do aprendiz. Um prompt é educacionalmente produtivo não porque gera uma resposta perfeita, mas porque expõe um equívoco, um conflito representacional ou um critério de validação ausente.
• Delegação Regulada: O framework defende a "delegação regulada", onde o modelo contribui com representações, cálculos ou críticas, mas o aprendiz retém a responsabilidade normativa pelo enquadramento, validação e determinação de quando uma conclusão é justificada.
• Implicações Instrucionais: A instrução deve ir além de "templates" para boas saídas. Em vez disso, as tarefas devem exigir que os alunos formulem prompts que declarem explicitamente o contexto disciplinar, a distribuição de papéis, o caminho metodológico e os critérios de validação. Os alunos devem ser treinados para revisar prompts para desafiar pressupostos ou mudar representações, em vez de simplesmente refrasear para clareza.
• Implicações de Avaliação: A avaliação deve avaliar a trajetória do prompt (evidência de processo) em vez de apenas o prompt final ou a resposta. As rubricas devem examinar a adequação do enquadramento inicial, a qualidade da absorção, a função dos acompanhamentos e a justificativa do fechamento, buscando padrões de busca de resposta improdutiva versus regulação epistêmica produtiva.

Significância e Limitações
O artigo afirma que o prompting epistêmico estende a literacia de IA ao conectar a competência operacional com a responsabilidade pela investigação. Argumenta que, em uma era de IA generativa acessível, a competência decisiva é manter o controle epistêmico sobre o processo de investigação.

O autor nota explicitamente a modéstia do artigo quanto às suas alegações:

• Sem Evidência Empírica: O artigo propõe um framework, mas não fornece evidências empíricas de que a instrução de prompting epistêmico melhore a compreensão, a transferência ou a autorregulação.
• Preocupações com Equidade: O framework reconhece que o prompting elaborado em linguagem natural pode privilegiar alunos com linguagem acadêmica forte ou conhecimento disciplinar prévio. Alerta contra a confusão entre fluência linguística e competência epistêmica e sugere que a instrução deve fornecer múltiplas portas de entrada (ex: esboços, código, diálogo falado).
• Direções Futuras: O artigo convoca pesquisas futuras para testar o framework em diversas disciplinas, examinar a relação entre tipos de trajetória (ex: desafio/reparo vs. busca de resposta) e resolução de problemas independente, e validar as categorias de codificação contra medidas independentes de compreensão conceitual.