IA para Pesquisa em Currículo e Didática: Guia Ético

Uma área com tensões específicas

Vamos lá. Pesquisa em currículo e didática tem uma particularidade que não aparece com a mesma força em outras áreas: ela estuda o próprio sistema que produz conhecimento legitimado socialmente. Quando você pesquisa o currículo escolar, está pesquisando quais saberes a sociedade decide transmitir — e para quem, de que forma, com qual hierarquia implícita.

Trazer IA para esse campo não é neutro. Os modelos de linguagem foram treinados em enormes corpora de textos que refletem desigualdades históricas de poder sobre o conhecimento: predominância do inglês, da tradição acadêmica ocidental, de perspectivas que frequentemente tomam o currículo eurocêntrico como norma.

Isso não significa que a IA não serve para pesquisas em currículo e didática. Significa que precisa ser usada com consciência crítica sobre o que ela carrega.

O que a IA pode fazer de útil nesse campo

Antes de ir para as tensões, vamos ser justas: existem usos legítimos e produtivos de IA em pesquisas sobre currículo e didática.

Análise documental em larga escala

Um dos usos mais interessantes é a análise de documentos curriculares extensos. A Base Nacional Comum Curricular (BNCC), os Parâmetros Curriculares Nacionais (PCN), os currículos estaduais — todos são documentos longos e densos. Ferramentas de processamento de linguagem natural podem ajudar a mapear:

• Frequência e distribuição de determinados termos ao longo do documento
• Mudanças entre versões diferentes de um mesmo documento
• Comparações entre currículos de diferentes estados ou países
• Padrões discursivos que podem indicar orientações ideológicas

Isso não substitui a análise crítica. Mas pode acelerar o mapeamento inicial e identificar padrões que seriam difíceis de perceber na leitura manual de centenas de páginas.

Organização e codificação de dados qualitativos

Em pesquisas que envolvem entrevistas com professores ou observações de sala de aula, a IA pode auxiliar na organização inicial do material qualitativo. Identificar temas recorrentes, agrupar trechos temáticos, sugerir categorias de análise — essas tarefas são candidatas razoáveis para apoio de IA, desde que você revise criticamente o que ela propõe.

Atenção: a IA vai tender a categorias “padrão” da área. Se sua pesquisa usa um referencial teórico que questiona essas categorias — por exemplo, perspectivas freirerianas, decoloniais ou da pedagogia crítica — você provavelmente vai precisar renegociar as categorias que a ferramenta sugere.

Revisão de literatura direcionada

Ferramentas como o Elicit ou o Consensus podem ajudar a identificar artigos relevantes para sua revisão de literatura em currículo e didática. Mas essa triagem inicial precisa ser revista por você — e é importante não depender exclusivamente de fontes indexadas em inglês para um campo que tem produção significativa em português e espanhol.

Onde a IA complica pesquisas em currículo

Aqui está o nó que precisa ser explicitado.

Perspectivas hegemônicas embutidas

Modelos de linguagem como o GPT ou o Claude aprenderam sobre “currículo” e “didática” a partir de textos que têm um perfil bem específico. Textos em inglês norte-americano e europeu. Perspectivas da pedagogia tecnicista. Noções de “eficiência” pedagógica que vêm de tradições específicas.

Se você está pesquisando práticas curriculares em escolas do semiárido brasileiro, ou investigando como saberes indígenas são (des)considerados no currículo oficial, ou analisando pedagogias afrocentradas — esses campos têm seus próprios referenciais, e a IA tem muito menos fluência neles.

Isso não é um problema insuperável, mas é um problema real. A ferramenta vai produzir análises que fazem sentido dentro de perspectivas dominantes e podem “não entender” abordagens que questionam essas perspectivas.

O risco de neutralizar a crítica

Pesquisas em currículo frequentemente têm um componente político explícito — não no sentido partidário, mas no sentido de que questionam relações de poder. A IA, por design, tende a apresentar múltiplas perspectivas como equivalentes e evitar posicionamentos fortes.

Se você usa IA para redigir partes da sua dissertação e não estiver atenta a isso, pode acabar com um texto que suaviza sua posição crítica, que apresenta perspectivas conservadoras sobre currículo com o mesmo peso que perspectivas progressistas, que “equilibra” o que você precisava argumentar com clareza.

A voz crítica da pesquisadora é insubstituível. A IA pode ajudar na organização do texto, mas não pode ser a responsável pelo argumento principal.

O que declarar na metodologia

Se você usou IA no seu processo de pesquisa em currículo e didática, precisa declarar isso na metodologia — e com especificidade suficiente para que outro pesquisador possa avaliar o que foi feito.

Não basta dizer “utilizamos ferramentas de IA”. Precisa dizer qual ferramenta, para qual finalidade, em qual etapa do processo, e quais foram os procedimentos de revisão crítica do que a ferramenta produziu.

Isso é integridade metodológica. E em uma área que pesquisa como o conhecimento é construído e legitimado, essa coerência tem um peso adicional.

Exemplos práticos de uso responsável

Para tornar isso concreto, vale pensar em cenários específicos de uso de IA em pesquisas sobre currículo e didática e o que cada um exige.

Cenário 1: você está fazendo uma análise de conteúdo das menções à educação ambiental na BNCC. Você pode usar IA para fazer uma varredura inicial do documento e identificar todas as ocorrências do termo e de termos relacionados. Isso é válido — é o mesmo que fazer uma busca avançada por palavras-chave. O que não pode delegar para a IA é a interpretação do que essas menções significam dentro de uma perspectiva teórica sobre educação ambiental crítica versus conservacionista.

Cenário 2: você realizou 20 entrevistas com professoras sobre suas práticas didáticas em escolas de periferia. Você pode usar IA para fazer uma primeira organização temática das transcrições — identificar que blocos de texto falam sobre planejamento, que blocos falam sobre relação com alunos, etc. Mas a interpretação do que essas práticas revelam sobre condições de trabalho docente e relações de poder na escola precisa ser sua. E você precisa reler as entrevistas mesmo depois de usar a IA, porque categorias automáticas frequentemente perdem nuances que só aparecem na leitura atenta.

Cenário 3: você está escrevendo o referencial teórico sobre didática crítica. Você pode pedir à IA uma síntese das principais ideias de um autor que você vai depois verificar nas obras originais. Mas não pode usar a síntese gerada pela IA como se fosse sua leitura primária do texto — especialmente em uma área onde as nuances de interpretação importam muito.

Perguntas a se fazer antes de usar IA nesse campo

Antes de incorporar IA em qualquer etapa de uma pesquisa sobre currículo ou didática, vale se fazer algumas perguntas práticas. Não como exercício burocrático, mas como checagem real da adequação da ferramenta ao seu projeto.

Qual é o referencial teórico do meu estudo? Se você está trabalhando com perspectivas que questionam a hegemonia — pedagogia crítica, teorias decoloniais, feminismo pedagógico — precisa de cuidado extra com o fato de que a IA pode sistematicamente “corrigir” sua perspectiva em direção ao mainstream.

A ferramenta que estou usando tem acesso a textos em português e à literatura educacional brasileira e latino-americana? Isso é relevante porque uma ferramenta treinada predominantemente em inglês vai ser significativamente menos útil para analisar documentos como a BNCC, textos de Paulo Freire, ou produções dos grupos de pesquisa nacionais.

O que estou delegando para a IA e o que estou mantendo como minha responsabilidade intelectual? Há uma diferença entre usar IA para organizar fichamentos e usar IA para “descobrir” o que os dados significam. O segundo é delegar o argumento — e isso é problemático em qualquer área, mas especialmente em uma que pesquisa como o conhecimento é construído.

Currículo e IA como objetos de pesquisa, não apenas ferramentas

Existe ainda uma perspectiva pouco explorada que vale mencionar: a IA como objeto de pesquisa para quem estuda currículo e didática, e não apenas como ferramenta metodológica.

O currículo das escolas está começando a ser permeado por inteligência artificial — tanto em sistemas de avaliação adaptativos, quanto em plataformas de ensino personalizado, quanto em ferramentas que professores estão usando para planejar aulas. Pesquisar como esses sistemas moldam o que é ensinado, como as didáticas mudam quando a IA media a relação entre professora e aluno, e que concepções de conhecimento estão embutidas nesses sistemas é um campo de pesquisa emergente e extremamente relevante.

Se você está desenvolvendo sua pesquisa nessa interface — IA e currículo como objetos, não como ferramentas — o referencial da teoria crítica do currículo oferece instrumentos potentes para analisar como sistemas de IA podem reproduzir e amplificar desigualdades educacionais, ou como podem ser apropriados de formas que fujam a esse determinismo.

Essa perspectiva, aliás, exige justamente a postura crítica que temos discutido: não aceitar a tecnologia como neutra, mas investigar os valores e as relações de poder que ela carrega.

Conexão com o Método V.O.E.

No contexto do Método V.O.E., quando trabalhamos a etapa de Organização — que inclui fichamento, revisão de literatura e estruturação do argumento — a IA pode entrar como auxiliar na fase de levantamento e triagem. Mas a etapa de Execução, onde o argumento é desenvolvido e sustentado, precisa ser conduzida pela pesquisadora.

Essa distinção não é burocrática. É sobre entender o que cada ferramenta pode e não pode fazer pelo seu trabalho — e não delegar a uma IA o que exige seu julgamento crítico como pesquisadora de currículo.

A pesquisa em educação tem uma responsabilidade que vai além da dissertação: ela informa práticas que afetam crianças e jovens reais. Usar IA com consciência nesse campo é parte de fazer pesquisa educacional com rigor e responsabilidade.