The field grew, the programme did not: differential growth and substrate portability in artificial intelligence and education research, 2016–2026
Este estudo desafia o equívoco de que o declínio nas fatias de publicação indica um declínio do campo ao demonstrar que, embora a literatura geral de IA na educação tenha crescido cinco vezes de 2016 a 2026, subcampos específicos experimentaram taxas de crescimento diferenciais impulsionadas pela "portabilidade de substrato" — a adaptabilidade de construtos de pesquisa a novos ambientes de dados — em vez de obsolescência funcional.
Artigo original sob licença CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/). Esta é uma explicação gerada por IA do artigo abaixo. Não foi escrita nem endossada pelos autores. Para precisão técnica, consulte o artigo original. Ler aviso legal completo
Por décadas, pesquisadores tentaram usar computadores para entender como as pessoas aprendem. Eles construíram sistemas para rastrear o comportamento dos alunos, prever quem poderia ter dificuldades e ajustar lições em tempo real. Esse trabalho dependia fortemente de plataformas digitais que registravam cada clique e tecla pressionada, criando vastas trilhas de dados para análise. Por volta de 2022, um novo tipo de tecnologia chegou: modelos de linguagem de grande escala capazes de gerar texto, responder perguntas e criar conteúdo instantaneamente. Essa mudança capturou a imaginação de educadores e pesquisadores, causando um surto massivo de novos estudos. Mas, conforme o volume de pesquisas explodiu, um padrão confuso surgiu. A parcela de artigos dedicados aos métodos mais antigos, baseados em grandes volumes de dados, parecia desaparecer, levando muitos a acreditar que esses campos haviam morrido. A questão permanecia: os antigos modos de estudar a aprendizagem haviam sido abandonados ou haviam sido simplesmente sufocados pelo tamanho colossal da nova onda?
Uma equipe de pesquisadores partiu para responder a isso analisando o número real de estudos publicados, não apenas sua proporção. Eles reuniram quase 1.200 artigos acadêmicos de 2016 até meados de 2026, dividindo a linha do tempo em duas eras: antes do surgimento da inteligência artificial generativa e depois. O objetivo era separar a composição da literatura da atividade real dentro dela. Imagine uma cidade que cresce de 100 pessoas para 1.000. Se um bairro específico, que costumava abrigar 30 pessoas, permanecer com 30 pessoas, sua participação na cidade cai de 30% para apenas 3%. Para um observador olhando apenas as porcentagens, esse bairro parece ter encolhido ou desaparecido. Mas, na realidade, o número de pessoas vivendo lá não mudou em nada; a cidade simplesmente ficou muito maior. Os pesquisadores aplicaram essa mesma lógica ao campo da inteligência artificial na educação. Eles descobriram que, embora a participação de artigos sobre tópicos mais antigos, como mineração de dados educacionais e análise de aprendizagem, tenha de fato caído dramaticamente, o número real de artigos sobre esses assuntos não desapareceuu sempre. De fato, para alguns tópicos, o número de estudos permaneceu estável ou até cresceu, apenas não tão rápido quanto os novos tópicos generativos.
O estudo revelou uma história de crescimento diferencial, em vez de substituição total. O campo como um todo expandiu-se mais de cinco vezes ao longo da década. Os programas de pesquisa mais antigos, que dependiam da coleta de dados comportamentais de longo prazo dos alunos, não cresceram no mesmo ritmo frenético. Duas áreas específicas, mineração de dados educacionais e análise de aprendizagem, viram uma queda genuína no número de novos artigos publicados a cada ano. Outra área, sistemas de tutoria inteligente, manteve-se firme, publicando aproximadamente o mesmo número de artigos de antes, embora sua participação no total do campo tenha encolhido significativamente. Enquanto isso, novos tópicos como integridade acadêmica, ética e o uso de ferramentas generativas para a criação de materiais de curso explodiram em popularidade, crescendo muito mais rápido do que a média do campo. Os pesquisadores descobriram que a sobrevivência de um tópico de pesquisa dependia menos do que ele era chamado e mais do que ele exigia para existir. Tópicos que precisavam de plataformas complexas e instrumentadas para coletar anos de dados estudantis enfrentaram dificuldades para acompanhar. Tópicos que podiam ser explorados com texto simples ou interação imediata, como discutir ética ou gerar planos de aula, prosperaram.
Essa distinção é profundamente importante para qualquer pessoa que tente entender o estado atual do campo. Um novo pesquisador entrando na área hoje pode olhar para a lista de tópicos populares e concluir que a capacidade de analisar dados estudantis foi abandonada. No entanto, os dados mostram que essa capacidade ainda está sendo desenvolvida, apenas a um ritmo mais lento e constante do que o entusiasmo em torno das novas ferramentas. O trabalho antigo não foi apagado; ele foi superado em volume. O estudo sugere que a mudança não é uma falha dos métodos antigos, mas uma consequência natural de uma nova tecnologia que está instantaneamente disponível para todos, criando uma inundação de novas perguntas que não exigem a mesma infraestrutura pesada para serem respondidas. Para instituições ou educadores que buscam adotar essas tecnologias, a lição é clara: os tópicos mais visíveis não são os únicos que existem. O trabalho fundamental de compreender a aprendizagem através de dados continua, mesmo que não domine mais as manchetes. O campo não perdeu seu passado; ele simplesmente se expandiu ao seu redor, carregando tanto o velho quanto o novo, mas em velocidades muito diferentes.
Afogado em artigos na sua área?
Receba digests diários dos artigos mais recentes que correspondam às suas palavras-chave de pesquisa — com resumos técnicos, no seu idioma.