Uma meta-análise de três níveis publicada em 15 de maio de 2026 em Frontiers in Psychology reuniu 36 estudos empíricos, 132 tamanhos de efeito e 7.229 participantes do ensino superior. O efeito médio da inteligência artificial generativa (GenAI) sobre resultados de aprendizagem foi g = 0,499 (IC 95% [0,372; 0,627]), um ganho médio positivo. O único moderador estatisticamente significativo foi o método de ensino. Em aprendizagem colaborativa, o efeito subiu para g = 1,026. Em ensino tradicional, ficou em g = 0,470. Em aprendizagem personalizada, caiu para g = 0,351. Em outras palavras: a GenAI ajuda, mas o ganho explode quando o aluno disputa a resposta com pares (ou com a própria máquina em ciclo de crítica) e encolhe quando o uso se limita a pedir resposta pronta.
O artigo, de Changxin Fan, Lele Ke, Zexiong Chen e Pin Lv, intitula-se “Exploring the effect of GenAI on learning outcomes in higher education: a three-level meta-analysis” (doi: 10.3389/fpsyg.2026.1758670). A busca cobriu estudos de 30 de novembro de 2022 a 30 de julho de 2025. Os autores classificaram os desfechos pelo framework LOTG e testaram sete moderadores. Plataforma (ChatGPT versus outras), versão do modelo (3.5 versus 4.0), duração da intervenção, disciplina e tipo de tarefa não moderaram o efeito de forma significativa. O método pedagógico, sim (F(4,127) = 2,613; p = 0,038).
O que a meta-análise mediu exatamente?
Os 36 estudos incluídos eram experimentos ou quase-experimentos com grupo GenAI e grupo controle sem GenAI, com dados suficientes para calcular Hedges’ g. O modelo de três níveis trata o fato de um mesmo estudo gerar vários efeitos (várias medidas de aprendizagem) sem tratar essas medidas como observações independentes. O resultado agregado: efeito médio médio-positivo de g = 0,499.
Por categoria de desfecho (framework LOTG), os efeitos significativos foram: compreensão, cognição e criatividade (g = 0,669); aprendizagem de ordem superior, como pensamento crítico, metacognição e resolução de problemas (g = 0,504); disposições, como motivação e autoeficácia (g = 0,452); e attainments, como notas de prova e escores de conteúdo (g = 0,363). Para “using” (aplicação prática) e “membership/inclusion/self-worth” (pertencimento e valor social), os intervalos de confiança incluíram zero. Os autores atribuem a falta de significância ao pequeno número de efeitos nessas categorias (k = 3 em cada uma), não a uma conclusão de ausência de efeito.
A análise de viés de publicação (funil e teste de Egger) não apontou assimetria clara. Análises de sensibilidade (outliers, correlação pré-pós 0,4 a 0,6, exclusão de estudos de baixa qualidade) mantiveram o efeito geral próximo de 0,48 a 0,50. O número médio é estável. O que muda o tamanho do ganho é como a GenAI entra na atividade.
Por que o método de ensino foi o único moderador significativo?
Sete moderadores foram testados: categoria disciplinar, instrumento de medida, duração da intervenção, método de ensino, tipo de tarefa (aquisição de conhecimento versus resolução de problemas), plataforma GenAI e versão do modelo. Só o método de ensino alcançou p < 0,05.
Os subgrupos de método, na ordem dos efeitos, foram: aprendizagem colaborativa (g = 1,026); blended learning (g = 0,633); ensino tradicional (g = 0,470); aprendizagem por inquiry (g = 0,371); aprendizagem personalizada (g = 0,351). Todos positivos e significativos nos subgrupos com k adequado, mas a colaboração quase dobra o efeito médio geral e supera com folga o uso em aulas transmissivas ou em rotinas individuais de “me adapta o conteúdo”.
Na discussão, os autores interpretam o achado com o framework ICAP (Chi e Wylie): engajamento interativo e construtivo (explicar, criticar, co-revisar) produz mais aprendizagem do que recepção passiva. Em desenhos colaborativos, a GenAI tende a virar objeto compartilhado de discussão, e não só fornecedora de resposta. Em desenhos em que o aluno só consulta o modelo e copia o output, o risco é offloading cognitivo: a tarefa fica pronta, o aprendizado dura menos.
Plataforma e versão do modelo não diferenciaram. ChatGPT (g = 0,476) e outras ferramentas (g = 0,560) tiveram efeitos comparáveis. GPT-3.5 (g = 0,455) e GPT-4.0 (g = 0,329) não diferiram de modo significativo. A conclusão operacional dos dados: trocar de modelo não substitui mudar o método. O ganho pedagógico não veio, neste conjunto, da “IA mais nova”. Veio do modo de uso.
O que significa “disputar a resposta” na prática de estudo?
A meta-análise não testou concurseiros brasileiros. Testou ensino superior. O mecanismo, porém, é transferível para qualquer bloco em que o objetivo seja retenção e raciocínio, e não só entrega de texto. Disputar a resposta, no sentido alinhado aos achados, é forçar ciclos de geração, avaliação e refinamento: o modelo produz; o estudante explica com as próprias palavras; critica erros, lacunas e tom; reescreve antes de anotar.
Pedir “explique o art. X” e colar o parágrafo no caderno é uso próximo do polo passivo. Pedir a explicação, fechar a tela, redigir de memória, reabrir, confrontar e corrigir é uso próximo do polo colaborativo/construtivo (mesmo quando o “par” é a máquina). Em grupo de estudo, o mesmo ciclo ocorre entre pessoas: um lê o output, outro aponta falha, o terceiro formula a versão final.
O checklist operacional que decorre do ângulo da pauta (e da discussão do paper sobre explicação, crítica e revisão) cabe em três verbos antes de anotar: explicar, criticar, reescrever. Explicar: dizer em voz alta ou por escrito o que o output afirma, sem olhar. Criticar: marcar o que está impreciso, genérico demais ou sem base no material oficial. Reescrever: produzir a versão que entra no resumo ou no mapa, com a própria redação. Sem esses três passos, a GenAI tende a funcionar como atalho de tarefa, não como reforço de aprendizagem de ordem superior (o domínio em que o efeito da meta-análise foi um dos mais altos).
Onde o ganho é maior e onde é menor
O ganho relativo foi maior em compreensão, cognição e criatividade (g = 0,669) e em aprendizagem de ordem superior (g = 0,504). Foi menor em attainments de conteúdo/nota (g = 0,363), ainda positivo. A leitura dos autores: a GenAI favorece processos de construção de sentido, geração de ideias, explicação e crítica mais do que a mera reprodução de conteúdo fixo. Avaliações centradas só em recall podem subestimar o que o uso bem desenhado da ferramenta altera.
Disposições (motivação, autoeficácia, atitude) tiveram efeito moderado (g = 0,452). Feedback oportuno e direcionado, quando a GenAI funciona como andaime, pode sustentar competência percebida e autonomia. Isso não é automático: depende de o feedback ser usado como suporte, não como substituto do esforço.
Para aplicação prática (“using”) e pertencimento, a evidência neste paper é insuficiente em volume. Não dá para afirmar benefício robusto nesses eixos com base só nestes k = 3.
O que a GenAI não faz sozinha
Os autores são explícitos na discussão: a GenAI não melhora a aprendizagem só por estar presente. O valor depende das estruturas pedagógicas que moldam a interação. Em inquiry pouco estruturado, em personalização sem crítica entre pares e em ensino tradicional transmissivo, o efeito existe, mas é menor. Nesses contextos, a ferramenta é mais facilmente usada para substituir resposta e reduzir o esforço produtivo.
Há riscos contextuais apontados no próprio artigo: offloading cognitivo excessivo, enfraquecimento do engajamento metacognitivo, respostas enviesadas ou autoritárias sem checagem, e tensão com integridade acadêmica quando a tarefa pode ser concluída quase só pela máquina. A meta-análise mede ganho médio sob condições experimentais. Não autoriza a conclusão de que “usar ChatGPT sempre sobe a nota”. Autoriza a conclusão de que, no conjunto dos 36 estudos, o uso associado a pedagogias interativas e colaborativas concentra os maiores efeitos.
Duração da intervenção, disciplina (humanidades, ciências naturais, sociais) e tipo de tarefa (aquisição versus resolução de problemas) não moderaram de forma significativa. Resolução de problemas teve estimativa descritivamente um pouco maior (g = 0,546 versus 0,416), sem diferença estatística. Quem espera que “só STEM” ou “só sessões longas” mudem o jogo não encontra apoio neste moderador.
Checklist QbStudy: explicar, criticar, reescrever
Para transformar o achado em rotina de sessão, o uso da GenAI entra depois do material-fonte (lei, informativo, manual, questão comentada), não no lugar dele. Sequência mínima:
1. Ler o trecho oficial ou a questão sem IA.
2. Pedir à GenAI uma explicação ou um esquema.
3. Fechar o chat e explicar o conteúdo em voz alta ou no papel (explicar).
4. Reabrir e marcar erros, omissões e trechos sem lastro no texto oficial (criticar).
5. Produzir a versão final com as próprias palavras e só então anotar (reescrever).
6. Em grupo, repetir os passos 3 a 5 com troca de papéis: um explica, outro critica, o terceiro consolida.
Essa sequência aproxima o uso individual do mecanismo que a meta-análise associou aos maiores ganhos: geração, avaliação e refinamento em ciclo, em vez de cópia do primeiro output. Em QbStudy.com, o ponto não é banir a ferramenta. É impedir que ela feche a disputa cognitiva antes de ela começar.
Qual é o erro comum ao ler o g = 0,499?
O primeiro erro é tratar o efeito médio como garantia individual. g = 0,499 é a síntese de muitos contextos. Em colaboração, o efeito médio do subgrupo foi g = 1,026. Em personalização, g = 0,351. A média esconde a variação do método.
O segundo erro é achar que atualizar o modelo resolve o desempenho. Neste conjunto, GPT-4.0 não superou GPT-3.5 de modo significativo. O moderador que importou foi pedagógico.
O terceiro erro é igualar “usei IA” a “estudei”. A tarefa concluída pela máquina não é o mesmo desfecho que compreensão e pensamento de ordem superior. A meta-análise mostra ganho médio quando há desenho experimental com GenAI; a discussão alerta que offloading sem crítica pode inflar desempenho de tarefa e enfraquecer aprendizado durável.
O quarto erro é ignorar o IC 95% e o fato de algumas categorias terem pouca evidência. Para “using” e pertencimento, o paper não fecha a conta. Para compreensão e higher-order learning, fecha com efeito positivo claro.
O que já vale como conclusão operacional
Já vale: no ensino superior sintetizado por Fan, Ke e colaboradores (maio/2026), GenAI associa-se a efeito médio positivo (g ≈ 0,5). Já vale: o método de ensino é o único moderador significativo entre os sete testados. Já vale: aprendizagem colaborativa concentra o maior ganho (g = 1,026); blended vem em seguida (g = 0,633); usos mais passivos ou individualizados sem disputa da resposta ficam abaixo.
Não vale: concluir que qualquer prompt sobe nota. Não vale: trocar de plataforma esperando o salto que a colaboração produziu nos dados. Não vale: anotar o output sem explicar, criticar e reescrever.
Para quem organiza blocos de estudo com apoio de GenAI, a pergunta útil deixa de ser “qual modelo usar?” e passa a ser “em que ponto da sessão a resposta é disputada?”. Enquanto a resposta for só recebida, o efeito esperado se aproxima do polo menor da tabela de métodos. Enquanto for explicada, criticada e reescrita, o uso se aproxima do mecanismo que a meta-análise ligou aos maiores ganhos.
Publicado para leitores de QbStudy.com.