Pesquisa com formação de professores mostra que respostas da IA melhoram quando prompts incorporam teoria — mas revela um limite decisivo: a máquina identifica o que está no texto, enquanto o professor continua essencial para perceber o que ficou de fora
Em meio ao debate sobre inteligência artificial na educação, uma pesquisa brasileira desloca a pergunta habitual. Em vez de discutir apenas como usar a IA para ensinar, o estudo investiga como o próprio ato de formular e testar prompts pode se transformar em uma estratégia para ensinar estudantes e professores a ler criticamente a inteligência artificial.
O artigo Engenharia de prompts como técnica pedagógica para leitura crítica da IA em Educação Midiática, de Alexandra Bujokas de Siqueira, da Universidade Federal do Triângulo Mineiro (UFTM), e Helena de Medeiros Caseli, da Universidade Federal de São Carlos (UFSCar), apresenta resultados parciais de uma pesquisa de pós-doutorado que aproxima Processamento de Linguagem Natural e Educação Midiática. O trabalho foi aceito para publicação em setembro de 2026 e ainda se encontra em versão anterior à revisão e diagramação final.
O prompt deixa de ser apenas um comando
A proposta parte de uma mudança importante de perspectiva. Engenharia de prompts normalmente é compreendida como uma técnica para formular e ajustar instruções dadas aos modelos de linguagem a fim de obter respostas melhores.
As pesquisadoras propõem transformar esse procedimento em uma experiência pedagógica. Ao modificar deliberadamente uma instrução e observar como a resposta da IA também muda, professores e estudantes podem investigar os padrões, vieses e estruturas interpretativas acionados pelo modelo.
Nesse sentido, escrever prompts deixa de ser apenas uma maneira de conseguir uma resposta da máquina e passa a funcionar como uma prática de letramento algorítmico.
Três prompts, uma mesma notícia
Para testar a hipótese, as pesquisadoras utilizaram uma notícia da CNN Brasil sobre a inclusão do Pix em uma investigação comercial dos Estados Unidos. O texto foi submetido ao modelo DeepSeek em três situações: zero-shot, apenas com a tarefa; one-shot, acrescentando ao comando uma definição teórica de enquadramento jornalístico baseada em Robert Entman; e few-shot, incluindo também dois exemplos para orientar a análise.
O objetivo não era descobrir qual prompt produzia simplesmente a resposta “mais bonita”. As saídas foram avaliadas considerando elementos como definição do problema, identificação das causas, julgamento moral, recomendação de tratamento, reconhecimento de omissões e densidade conceitual.
E é justamente aí que aparece o resultado mais interessante.
Teoria fez mais diferença do que sofisticação técnica
No zero-shot, a IA conseguiu reconhecer o assunto da notícia, mas permaneceu próxima de uma paráfrase do conteúdo. O modelo identificou o tema, porém não realizou plenamente a operação analítica esperada pelas pesquisadoras.
Quando a definição teórica de Entman foi incorporada ao prompt, ocorreu o principal salto qualitativo. A resposta passou a empregar vocabulário analítico e contemplou as quatro funções de enquadramento investigadas.
Houve, entretanto, um problema: a IA tentou preencher toda a estrutura conceitual que recebeu e acabou atribuindo ao texto uma recomendação que, na realidade, não estava presente daquela maneira na notícia. Em outras palavras, a teoria melhorou a análise, mas também induziu a máquina a interpretar além das evidências disponíveis.
No terceiro experimento, com exemplos adicionais, o modelo se tornou mais prudente e passou a reconhecer uma ausência em vez de preencher artificialmente a lacuna. Por isso, as autoras concluem que a evolução entre zero-shot, one-shot e few-shot não ocorreu simplesmente em uma escala na qual “mais prompt” significa automaticamente “melhor resposta”.
O achado central: não foi a sofisticação técnica do prompt que produziu a maior melhoria, mas a teoria incorporada à instrução.
E a IA não percebeu justamente o que estava ausente
O experimento também revelou um limite particularmente importante para a Educação Midiática.
Nenhuma das três respostas identificou adequadamente uma assimetria fundamental da notícia analisada: a única fonte nominal era um documento da representação comercial dos Estados Unidos. Não apareciam respostas do governo brasileiro, do Banco Central, do Cade ou de especialistas.
Mesmo recebendo exemplos capazes de oferecer contrapontos, o modelo não percebeu essa ausência.
Segundo as pesquisadoras, a IA mostrou capacidade para descrever aquilo que estava saliente, mas não conseguiu reconhecer adequadamente aquilo que havia sido excluído da construção jornalística.
É justamente nesse ponto que o estudo recoloca o professor no centro da discussão sobre inteligência artificial na educação.
Professor não vira acessório da IA
As autoras argumentam que a engenharia de prompts pode ser ressignificada como uma prática de investigação crítica dos modelos de linguagem. Isso, porém, não significa entregar à máquina a interpretação.
É o professor quem escolhe a teoria, constrói a pergunta, seleciona exemplos, compara as respostas e problematiza aquilo que a IA produz — ou deixa de produzir.
O próprio limite encontrado no experimento reforça essa posição: se identificar as ausências continua exigindo leitura humana e se dominar tecnicamente uma ferramenta não produz criticidade automaticamente, a mediação docente deixa de ser complemento e passa a ser condição para o uso pedagógico da IA.
A pesquisa também recomenda cautela. Trata-se de um estudo exploratório, realizado com uma notícia, um modelo de IA e uma execução de cada formato de prompt. Os resultados, portanto, demonstram uma possibilidade pedagógica, e não uma regra geral sobre o comportamento dos modelos de linguagem.
Ainda assim, o experimento aponta para uma inversão interessante no debate educacional: talvez ensinar professores a utilizar IA criticamente não signifique apenas ensiná-los a escrever comandos cada vez mais sofisticados. Pode significar, sobretudo, oferecer repertório teórico suficiente para que saibam o que perguntar, por que perguntar e quando desconfiar da resposta.
Fonte: SIQUEIRA, Alexandra Bujokas de; CASELI, Helena de Medeiros. Engenharia de prompts como técnica pedagógica para leitura crítica da IA em Educação Midiática. E-Compós, artigo aceito para publicação, 2026. DOI 10.30962/ecomps.3254. O arquivo consultado corresponde à primeira versão aprovada para publicação e ainda passará por revisão e diagramação.
