IA para Geografia no Ensino Fundamental II
Publicado em: 25/04/2026
Como referenciar este texto: IA para Geografia no Ensino Fundamental II. Rodrigo Terra. Publicado em: 25/04/2026. Link da postagem: https://www.makerzine.com.br/educacao/ia-para-geografia-no-ensino-fundamental-ii/.
Neste artigo, apresento sementes didáticas objetivas para integrar IA em projetos, investigações e avaliações, alinhadas à BNCC e ao letramento de dados. A proposta é prática: menos tecnicismo, mais sentido pedagógico e intencionalidade formativa.
Você encontrará modelos de prompts, ideias de PBL, estratégias de mapeamento inteligente, rubricas com apoio de IA e orientações éticas (incluindo LGPD). As sugestões são adaptáveis a diferentes contextos de infraestrutura.
Professoras e professores são os arquitetos da experiência: a IA entra como ferramenta cognitiva, não substituta da relação pedagógica. Vamos ao campo?
Mapas inteligentes com IA: da sala ao território
Use IA para acelerar etapas de análise espacial: classificar pontos de interesse, detectar padrões (clusters), sugerir rotas e sintetizar achados em linguagem acessível. Combine dados públicos (IBGE, OSM) com levantamentos da turma (formulários geocodificados) e gere mapas temáticos que respondam a perguntas-guia. Um exemplo: mapear áreas de risco de alagamento cruzando relevo, histórico de chuvas e relatos dos estudantes, pedindo à IA que destaque zonas de atenção e justificativas com base nas camadas.
Sequência sugerida: 1) formular um problema territorial claro com critérios mensuráveis; 2) coletar dados com latitude/longitude (endereço + geocodificação ou ponto no campo); 3) usar IA para limpeza, deduplicação, categorização e identificação de hotspots; 4) comparar versões do mapa (antes/depois) e registrar evidências com capturas de tela e descrições; 5) redigir um “texto cartográfico” que explique o porquê dos padrões, com apoio de IA e revisão humana para rigor conceitual.
Integre múltiplas fontes para enriquecer a leitura: camadas demográficas do IBGE, vias e equipamentos do OSM, dados municipais abertos e observações de campo. A IA pode sugerir quais variáveis cruzar, sinalizar vieses amostrais e criar resumos visuais (mapas de calor, símbolos proporcionais) a partir de planilhas. Ao final, publique um painel simples ou imprima mapas anotados, sempre acompanhados de legendas e metodologia.
Estratégias de baixo custo: se não houver SIG, use planilhas + IA para sumarizar tabelas, agrupar categorias e orientar croquis em papel ou cartolina. Capture pontos com o celular (link de formulário que grava coordenadas), exporte CSV e peça à IA que gere listas por bairro, quadras ou eixos viários. A validação comunitária — visitas, entrevistas, fotos georreferenciadas — calibra a leitura automatizada e evita conclusões apressadas.
Cuidados e avaliação: proteja dados pessoais (LGPD) anonimizando respostas e evitando identificação precisa de crianças; documente fontes e incertezas; revise amostras em sala. Elabore rubricas que contemplem qualidade dos dados, clareza do mapa e argumentação territorial. A IA entra como andamiaje cognitivo: acelera o trabalho repetitivo e amplia hipóteses, enquanto o olhar docente garante ética, contexto e significado pedagógico.
Projetos PBL: clima, cidade e justiça espacial
Estruture projetos orientados por perguntas potentes e produtos públicos, com planejamento claro de etapas e evidências. A IA pode apoiar a pesquisa (busca e síntese de fontes confiáveis), a análise (reconhecimento de padrões em dados e mapas) e a comunicação multimodal (texto, áudio e visual). Garanta verificação e triangulação das informações, registre decisões em diários de bordo e defina critérios de qualidade desde o início com rubricas transparentes. Em cada ciclo, combine trabalho de campo, laboratório de dados e devolutivas para a comunidade, reforçando autoria estudantil e responsabilidade social.
Ilhas de calor no bairro: os estudantes medem temperaturas em diferentes pontos e horários com termômetros infravermelho ou sensores DIY, mapeiam sombra e vegetação e cruzam com uso do solo. A IA ajuda a organizar planilhas, sugerir visualizações e testar correlações simples, além de interpretar imagens de satélite gratuitas. O foco é a justiça espacial: quem sente mais o calor e por quê? A partir dos achados, o grupo propõe microintervenções viáveis (pintura clara, sombreamento, jardins de chuva e plantio), estimando impactos e priorizando áreas com maior vulnerabilidade.
Mobilidade segura para a escola: colete pontos críticos de travessia, excesso de velocidade e iluminação por meio de observação, fotos georreferenciadas e relatos. Peça à IA hipóteses de rotas mais seguras, critérios de auditoria de vias e um roteiro de entrevistas com moradores e agentes públicos; depois, valide tudo em campo. Trabalhe acessibilidade universal (calçadas, rampas, sinalização tátil) e negocie soluções com a comunidade e o poder local. Respeite a LGPD: nunca publique trajetos individuais; agregue dados por trechos, horários e categorias de risco.
Risco socioambiental e enchentes: analise séries históricas, relevo e ocupação do solo para mapear áreas suscetíveis, usando modelos digitais de elevação e dados de drenagem. Com apoio da IA, simule cenários de mitigação (desimpermeabilização, aumento de áreas verdes, limpeza de bueiros, retenção de águas pluviais) e estime custos/benefícios relativos. Inclua leitura crítica das desigualdades: quem mora em áreas mais baixas? Quem tem menos infraestrutura? Promova escuta ativa de moradores e elabore protocolos de alerta e preparação para eventos extremos.
Como produto final, elabore um relatório cartográfico comentado, um podcast de achados ou uma exposição de mapas analíticos com painéis textuais assistidos por IA. Use a IA para revisar clareza e coerência, gerar descrições acessíveis das visualizações e preparar versões executivas para diferentes públicos. Publique metadados, referências e licenças abertas, garantindo reprodutibilidade e atribuição. Avalie com rubricas co-construídas que considerem rigor metodológico, ética de dados, colaboração e impacto territorial.
Prompting geográfico: mensagens que geram boas análises
Prompting geográfico é a prática de formular mensagens para IA com foco em problemas espaciais. Quando o professor explicita Tarefa + Lugar + Tempo + Dados + Critério + Saída, a IA reduz respostas genéricas, torna o raciocínio reprodutível e orienta a construção de evidências cartográficas. Essa estrutura também facilita a conexão entre conteúdos da BNCC, habilidades de leitura de mapas e o letramento de dados.
Um modelo útil é: Atue como educador geográfico. Analise [tema] no [lugar], no período [tempo], usando estes dados [lista]. Considere [critérios]. Produza [forma de saída] com [tom/nível]. Indique limitações e como verificar em campo. Ao combinar papéis, escopo e produto final, o prompt delimita o que é descrição, interpretação e inferência, além de antecipar métricas, fontes e formatos de visualização (mapa, tabela, relatório, infográfico).
Para 6º e 7º anos, foque comparações básicas que possam ser mapeadas e verificadas. Exemplo: Compare zonas urbana e rural do município X usando densidade demográfica e uso do solo; gere cinco hipóteses mapeáveis e liste evidências necessárias. A IA pode sugerir variáveis como proximidade de vias, cobertura vegetal, serviços públicos e padrões de parcelamento, orientando a seleção de camadas e a elaboração de um roteiro de observação com fotos georreferenciadas. O resultado é um conjunto de hipóteses claras, com indicações de onde e como coletar provas.
Para 8º e 9º anos, avance para causas e consequências multiescalares. Exemplo: Explique possíveis causas de ilhas de calor em X entre 2010 e 2024; proponha três intervenções escalonadas e uma métrica de impacto por intervenção. O sistema pode relacionar expansão urbana, materiais de cobertura, perda de verde e padrão de mobilidade, além de sugerir indicadores como amplitude térmica, NDVI, albedo e taxa de sombreamento. Assim, os estudantes analisam trade-offs, projetam cenários e avaliam custo, equidade territorial e manutenção das medidas propostas.
Independentemente do ano, peça sempre: limitações do raciocínio, fontes sugeridas, indicadores operacionais e passos de checagem em campo. Inclua notas sobre qualidade e resolução dos dados, vieses algorítmicos, lacunas temporais e espaciais e aspectos éticos (como a LGPD). Finalize o prompt com produtos verificáveis — mapa temático com legenda clara, tabela de indicadores, checklist de evidências e um parágrafo de incertezas — para fortalecer a cultura de validação e a autonomia investigativa da turma.
Leitura crítica de dados e ética algorítmica
Forme a atitude investigativa: todo mapa é uma escolha. Com IA, os vieses podem se amplificar (lacunas de cobertura, classificações enviesadas, invisibilização de grupos). Trate ética como conteúdo e método: explicite critérios de coleta, classificação e visualização; peça que estudantes revisem as suposições por trás dos dados e das saídas algorítmicas; e promova a explicabilidade das decisões tomadas pelo sistema e pela turma.
Rotina “Detetives de Dados” (3 passos): 1) Quem produziu e quando? 2) O que ficou de fora? 3) Quem ganha/perde com essa representação? Registre no caderno de campo. Para aprofundar, inclua fontes trianguladas (dataset original, notícia local, observação em campo) e finalize com um parágrafo de hipóteses alternativas que expliquem padrões ou ausências no mapa. O objetivo é deslocar a confiança automática para uma confiança crítica e verificável.
LGPD na prática: colete dados minimamente necessários, anonimizar nomes, compartilhar apenas agregados, obter consentimento das famílias quando aplicável. Configure a IA para não reter dados sensíveis, desative logs pessoais e evite inserir identificadores (endereço completo, foto com rosto, telefone). Siga os princípios de finalidade, adequação, necessidade e segurança; quando publicar, prefira janelas temporais amplas e mapas de calor que não revelem trajetos individuais.
Validação e auditoria leve: cruze resultados da IA com amostras manuais e metadados; documente prompts e versões do modelo; acompanhe métricas simples de justiça, como diferença de acurácia ou de falsos positivos entre bairros/grupos. Se um classificador geográfico da IA agrupa áreas como “risco” ou “acesso a serviços”, faça um teste A/B com rótulos alternativos, explique limites e publique um disclaimer claro sobre incertezas e margens de erro.
Projetos práticos: em um estudo de mobilidade do bairro, a IA pode sugerir clusters de pontos de ônibus e rotas prováveis, mas a turma valida em campo com contagens e relatos de moradoras(es). Institua um pequeno “comitê de ética estudantil” para deliberar sobre o que coletar e publicar; mantenha um quadro de decisões com justificativas; e use licenças abertas quando possível, excetuando dados sensíveis. Assim, mapas deixam de ser apenas produtos e viram processos de investigação ética, colaborativa e socialmente responsável.
Avaliação formativa com rubricas mediadas por IA
Comece co-construindo rubricas claras com a turma e torne os critérios visíveis antes das tarefas. Peça à IA rascunhos de feedback descritivo (não notas), focados em evidências e próximos passos; você revisa, adapta à linguagem da turma e valida exemplos. Use amostras de trabalhos como âncoras para calibrar expectativas, testar a rubrica em pequena escala e ajustar termos e pesos para maior clareza.
Critérios sugeridos: 1) qualidade da questão geográfica; 2) uso/qualidade dos dados; 3) argumentação espacial (mapa-texto-evidência); 4) ética e verificação; 5) comunicação visual; 6) colaboração. Para cada critério, explicite níveis de desempenho (por exemplo, emergente, básico, proficiente, avançado) com descritores observáveis e exemplos concretos. A IA pode ajudar a redigir esses níveis, detectar sobreposições entre critérios e converter a rubrica em checklist de autoavaliação e correvisão entre pares.
Protocolos de sala: use “duas estrelas e um desejo”, checklist de evidências e microconferências de 3–5 minutos. A IA pode gerar perguntas de sondagem específicas para cada critério, transformar notas das conferências em resumos por estudante e sugerir intervenções rápidas (mini-aulas, tutoria entre pares). Registre também decisões de revisão (o que manter, o que melhorar) para fechar o ciclo formativo e dar transparência ao processo.
Mantenha portfólios digitais com rascunhos, mapas, esboços e reflexões. Periodicamente, peça à IA para sintetizar progressos por critério, identificar padrões de erro e propor metas SMART e próximos passos factíveis. Incentive que estudantes respondam ao feedback com um plano breve de ação e evidenciem a aplicação das sugestões na versão seguinte, fortalecendo autoria, metacognição e autonomia investigativa.
Cuidados éticos: a IA não decide nota final; seu papel é ampliar a qualidade do feedback. Garanta verificação de fatos, cite fontes de dados e evite vieses cartográficos. Proteja a privacidade (LGPD): anonimização de dados sensíveis, nada de rostos ou endereços em mapas públicos, registro de consentimentos. Em contextos com baixa conectividade, as mesmas rubricas funcionam em papel ou planilhas, e a IA pode ser usada apenas para preparar materiais e modelos de feedback com antecedência.
Inclusão e UDL: IA como apoio multimodal
Implemente o Desenho Universal para a Aprendizagem (DUA/UDL) com apoio multimodal: a IA converte texto em áudio natural, sintetiza explicações em diferentes níveis de leitura, gera descrições alternativas para imagens de satélite, perfis topográficos e mapas temáticos, e sugere paletas acessíveis (daltonismo/alto contraste). Também pode verificar a ordem de leitura de elementos em infográficos e mapas, favorecendo navegação por leitores de tela.
Estratégias práticas: transcrever entrevistas de trabalho de campo, criar glossários visuais de geomorfologia e cartografia, oferecer instruções e rubricas em múltiplos formatos (texto, áudio, vídeo curto) e modular a carga cognitiva com resumos graduados e perguntas-guia. Inclua Libras e legendas, além de alt text para mapas e gráficos. Ferramentas de IA auxiliam na simplificação linguística sem perder precisão conceitual, com glossas para termos técnicos.
Para estudantes com TDAH ou dislexia, desdobre projetos em etapas curtas com metas claras, use timers e checkpoints, e peça à IA listas de verificação personalizadas e agendas visuais. Gere modelos de anotações estruturadas (cornell/sketchnote), fontes com boa legibilidade e versões com espaçamento ampliado. Mantenha a mediação humana como eixo: combine acompanhamento docente, acordos de atenção (pausas ativas) e feedbacks frequentes para autorregulação.
Garanta equidade tecnológica: proponha caminhos low-tech como TTS/TTA offline, OCR no celular para fichas de campo, e leitores de tela nativos. Imprima mapas com padrões e texturas além de cor, inclua QR Codes que levam a descrições em áudio e versões de alto contraste, e teste acessibilidade com simuladores de daltonismo (Coblis) e verificadores de contraste (WebAIM).
Cuidados éticos e avaliação: obtenha consentimento, minimize dados pessoais (LGPD) e audite vieses em textos e imagens geradas. Use rubricas em UDL aceitando evidências variadas (mapa comentado, podcast, maquete, ensaio fotográfico com alt text), com critérios transparentes. Documente adaptações, co-projete com o AEE e a família, e revise continuamente os recursos de IA a partir de indicadores de participação, esforço e aprendizagem.