IA para Programação no Ensino Fundamental II: do Prompt à Produção
Como referenciar este texto: IA para Programação no Ensino Fundamental II: do Prompt à Produção. Rodrigo Terra. Publicado em: 28/05/2026. Link da postagem: https://www.makerzine.com.br/educacao/ia-para-programacao-no-ensino-fundamental-ii-do-prompt-a-producao/.
Este artigo apresenta estratégias concretas para integrar IA a fluxos didáticos de programação, mantendo intencionalidade pedagógica, autoria estudantil e segurança de dados. A proposta dialoga com objetivos de cultura digital e pensamento computacional, apoiando trilhas com Scratch, MakeCode, Python, App Inventor e micro:bit.
Você encontrará modelos de prompts pedagógicos, estruturas de avaliação, práticas de depuração orientadas por evidências e recomendações de ferramentas adequadas ao contexto escolar. O foco é tornar a IA uma parceira crítica na sala de aula, não um atalho acrítico para “código pronto”.
Ao final, sugerimos sequências que cabem em projetos de 8 a 12 semanas, com ritmos adaptáveis, acessibilidade e atenção à LGPD. O resultado esperado: estudantes capazes de planejar, implementar, testar e explicar soluções computacionais com transparência.
Por que integrar IA à programação no EF II
A IA reduz barreiras iniciais (busca de comandos, exemplos, mensagens de erro) e libera tempo cognitivo para decompor problemas, projetar algoritmos e justificar escolhas. O docente atua como curator-in-chief: define critérios de qualidade, provoca comparações entre alternativas e conduz a verificação das saídas da IA.
Use a IA para ampliar feedback imediato, apoiar alunos com diferentes níveis e promover leitura crítica de código gerado. Priorize tarefas que exijam explicação, teste e melhoria contínua, onde a autoria aparece no raciocínio, não só no produto final.
No contexto do EF II, a integração intencional começa por explicitar limites e papéis: o estudante formula o problema, a IA sugere caminhos, e a turma valida com evidências. Isso se traduz em rotinas como pedir justificativas linha a linha, gerar e executar casos de teste, e manter um diário de decisões (prompts, versões, correções) que torne o processo auditável e formativo.
Para equidade e segurança, ofereça andaimes diversos (pseudocódigo, exemplos anotados, comparações de soluções) sem expor dados pessoais ou contextos sensíveis. Prefira contas institucionais, revise configurações de privacidade e defina regras claras de citação: quando a IA contribui, o estudante indica trechos adaptados e explica o porquê das mudanças, fortalecendo ética, metacognição e conformidade com a LGPD.
A avaliação acompanha o ciclo planejar–implementar–testar–explicar: rubricas que ponderam clareza do problema, variedade de testes, qualidade da documentação e melhorias entre iterações. Combine programação em duplas com papéis rotativos e prompts pedagógicos como “explique como este algoritmo funciona”, “proponha duas abordagens e compare trade-offs”, “gere casos de teste extremos” e “apresente uma solução alternativa mais simples”. Assim, a IA se torna parceira crítica na construção de soluções com transparência e propósito.
Prompting pedagógico: da ideia ao algoritmo
Estruture prompts com o quadro SPAR: Situação (série, contexto, plataforma), Produto (pseudocódigo, código comentado, testes), Avaliação (criitérios, restrições), Reiteração (perguntas de checagem). Quanto mais claro o objetivo didático, melhores as respostas. Nomeie papéis (ex.: você é coorientador) e delimite o nível de linguagem, tempo disponível e recursos (laboratório, tablets, conexão). Peça formatos de saída específicos e solicite que a IA explicite suposições para você validar.
Exemplo de prompt docente para modelar a prática: "Atue como tutor de programação para 7º ano. Objetivo: jogo simples no Scratch sobre frações. Entregue: 1) plano em passos, 2) pseudocódigo em blocos, 3) sugestões de testes, 4) perguntas diagnósticas para verificar entendimento do aluno." Valide sempre e peça reformulações quando necessário. Em seguida, acrescente um pedido de diversidade de soluções (duas abordagens alternativas) e de adaptação para alunos com diferentes níveis de proficiência.
Da ideia ao algoritmo, guie a IA por etapas: descreva a intenção pedagógica, liste entradas/saídas e regras, forneça um caso de uso concreto e peça à IA para propor a decomposição em tarefas. Solicite pseudocódigo alinhado à linguagem-alvo (blocos do Scratch/MakeCode ou Python) e uma explicação linha a linha. Peça também um mini-glossário de conceitos (variável, laço, evento) contextualizado ao projeto para apoiar intervenções rápidas em sala.
Use a reiteração como ciclo curto: gerar → testar → observar → ajustar. Peça à IA um conjunto de testes de mesa com casos típicos, extremos e de erro, além de critérios de sucesso observáveis. Em cada rodada, solicite uma lista de verificação (checklist) de 5 itens e perguntas socráticas para diagnosticar equívocos comuns. Se surgirem limitações (tempo, hardware, acessibilidade), inclua-as explicitamente e exija alternativas viáveis.
Mantenha transparência e ética: nunca inclua dados pessoais de estudantes nos prompts, prefira ferramentas com modos educacionais e cite a coautoria da IA no diário de bordo. Estimule que a turma registre as interações (prompts, respostas, decisões) e diferencie o que foi criado pelo grupo do que foi sugerido pela IA. Por fim, finalize cada projeto com uma breve revisão por pares e uma explicação oral do algoritmo, reforçando autoria e compreensão.
Fluxo didático com IA: do rascunho ao executável
Adote um ciclo visível: Idear → Planejar → Codificar → Testar → Refatorar → Documentar → Compartilhar. A IA entra como parceira em cada etapa: gera esboços, sugere blocos ou trechos em Python, propõe casos de teste e auxilia na escrita de comentários claros.
Prática recomendada: pair programming em trio (aluno A, aluno B, IA). Um aluno conduz, outro revisa; a IA propõe opções e explica trade-offs. O grupo justifica escolhas com base em critérios (legibilidade, correção, eficiência e acessibilidade).
No rascunho, parta de um problema autêntico e peça à IA para ajudar a clarificar requisitos, identificar variáveis, entradas/saídas e elaborar critérios de aceitação. Em Planejar, coescreva pseudocódigo e esboços de fluxogramas; convide a IA a sugerir decomposições e estruturas de dados adequadas, explicando por quê. Registre o plano em linguagem natural com exemplos e contraexemplos, tornando transparente a lógica antes de qualquer linha de código.
Na fase Codificar, adote ciclos curtos “faça → pare → explique”: implemente uma pequena parte, peça à IA uma revisão focada em nomes, invariantes e casos de borda, e só então avance. Em Testar, gere com a IA uma suíte de testes que cubra casos típicos e extremos; valide cada saída com justificativas, não apenas com o “passou/falhou”. Em Refatorar, solicite alternativas que preservem o comportamento, comparando legibilidade, complexidade e consumo de recursos; priorize clareza e acessibilidade ao invés de “otimizações prematuras”.
Para Documentar e Compartilhar, produza um README enxuto com objetivo, como usar, limitações e próximos passos; complemente com docstrings, changelog e comentários pedagógicos que contem a história das decisões. Peça à IA ajuda para padronizar o tom e a estrutura, mas mantenha autoria explícita: registre prompts relevantes, justificativas de design e evidências de teste. Ao publicar em repositórios ou portfólios da escola, inclua uma seção de ética e dados (o que foi automatizado, o que é autoria do grupo, e como proteger informações), reforçando práticas responsáveis do rascunho ao executável.
Erros como dados: depuração orientada por evidências
Transforme bugs em hipóteses testáveis. Oriente alunos a: 1) reproduzir o erro em um caso mínimo, 2) descrever o comportamento esperado vs. observado, 3) pedir à IA possíveis causas, 4) executar microexperimentos e registrar resultados.
Modele perguntas produtivas: “Que teste simples confirma se a variável X está atualizando?” ou “Como isolar a função que pode estar falhando?” Incentive diários de depuração com capturas, versões e decisões tomadas.
Instrumente o código para coletar pistas. Use logs verbosos, impressões de variáveis estratégicas, watch no depurador, contadores e asserts que quebrem cedo quando invariantes forem violados. Registre entradas, estados intermediários e saídas; compare execuções “que funcionam” vs. “que quebram” para separar sintoma de causa. Ensine o conceito de caso mínimo reprodutível e de hipóteses falsificáveis: o que precisa acontecer para você descartar esta hipótese?
Use a IA como parceira de método, não de chute. Peça: “Quais sinais observáveis confirmariam cada hipótese?”, “Que pontos de instrumentação devo adicionar?” ou “Gere testes de unidade focados na fronteira onde o erro aparece.” Exija justificativas: por que essa causa explicaria o traço observado? Valide cada sugestão com microexperimentos e, quando possível, com documentação oficial. Trate respostas da IA como propostas, registrando evidências a favor/contra e respeitando privacidade e a LGPD ao compartilhar trechos de código e dados.
Na rotina de sala, promova clínicas de bugs semanais. Duplas apresentam seu diário: problema, hipótese, experimento, resultado, próximo passo. Avalie com uma rubrica de evidências que valoriza reprodutibilidade, clareza dos registros, escolhas de testes e reflexão sobre trade-offs. Ao fechar, peça uma meta metacognitiva: “Que indicador você observará primeiro na próxima depuração e por quê?”. Assim, erros viram dados e dados viram aprendizagem transferível.
Avaliação e autoria com IA em projetos de código
Construa rubricas que ponderem: compreensão do problema, qualidade do plano, testes executados, clareza de comentários, uso crítico da IA (transparência, verificação e iteração), e comunicação oral do raciocínio.
Exija declaração de colaboração com IA (prompts e trechos recebidos), registros de versões e breve defesa do projeto. Portfólios digitais e check-ins rápidos (2–3 minutos) fortalecem a autoria e coíbem dependência acrítica.
Para operacionalizar o critério de processo, estruture entregáveis escalonados: esboço em pseudocódigo, protótipo mínimo viável, bateria de testes (automatizados ou de mesa) e breve relatório de pós-mortem. Em cada etapa, inclua um momento de ‘verificação da IA’ no qual estudantes explicitam como checaram sugestões, quais evidências usaram, que alterações fizeram e por quê. Ao empregar serviços de IA, evite compartilhar dados pessoais, prefira instâncias institucionais e dados sintéticos, e registre as salvaguardas adotadas em conformidade com a LGPD.
Integre revisão entre pares e code review guiado por checklist: nomes significativos, funções curtas, tratamento de erros, legibilidade e casos de borda. Comentários devem citar linhas e justificar escolhas. Gravações curtas de tela com narração ou demos ao vivo ajudam a evidenciar execução, testes e raciocínio, deslocando o foco do ‘código pronto’ para o percurso investigativo.
Para sustentar a autoria, proponha desafios contextualizados (dados da escola, sensores do laboratório, restrições reais) e avalie originalidade funcional, não apenas textual. Padronize entregáveis com um README, plano de testes e um arquivo IA-collab.md listando prompts, trechos aproveitados e decisões críticas. Transparência e iteração informada tornam a IA uma parceira de engenharia, não um atalho, enquanto sua rubrica garante justiça e desenvolvimento de competências.
Ética, privacidade e LGPD no cotidiano da aula
Princípios práticos de proteção: colete o mínimo de dados, prefira anonimização ou pseudonimização, use contas institucionais e documente consentimentos e finalidades. Evite enviar dados pessoais ou contextos identificáveis à IA; não faça upload de rostos, crachás, vozes ou geolocalização, e mantenha registros, versões e logs sob guarda e política de retenção da escola.
Na LGPD, a escola atua como controladora e os provedores de IA como operadores. Defina bases legais adequadas: em redes públicas, execução de políticas públicas; em escolas privadas, legítimo interesse ou consentimento específico, conforme o caso. Nomeie encarregado de dados, mantenha inventário de tratamentos, realize relatório de impacto quando houver alto risco, e firme contratos com cláusulas de segurança, confidencialidade, suboperadores e transferência internacional.
Antes de adotar plataformas, confira termos de uso, políticas de privacidade, faixas etárias e localização de servidores. Priorize versões educacionais, modos sem login e configurações que desativem telemetria, histórico e treinamento com dados da turma. Ensine letramento algorítmico: como vieses emergem, por que há alucinações, quando validar com fontes e como citar o apoio da IA de modo transparente nas entregas.
Implemente rotinas de sala que blindem privacidade: modelos de prompt que removem nomes e detalhes sensíveis, uso de blur em imagens, repositórios internos para datasets, chaves de API geridas pela TI com rotação e privilégios mínimos, e auditoria periódica de logs. Tenha plano de resposta a incidentes, fluxo de comunicação às famílias e prazos para notificação à autoridade quando cabível, além de checklists de exclusão e portabilidade ao encerrar um serviço.
Para apoiar a prática, consulte o Guia da ANPD sobre dados de crianças e adolescentes (gov.br/anpd), recursos da SaferNet Brasil para escolas (safernet.org.br) e orientações sobre licenças abertas da Creative Commons (creativecommons.org). Avalie alternativas locais ou com processamento no dispositivo quando possível e registre decisões pedagógicas e jurídicas, fortalecendo a cultura de proteção de dados na comunidade escolar.
Ferramentas e trilhas por série (com segurança em mente)
6º ano: Scratch e IA como tutoria para roteiros e testes; 7º: MakeCode micro:bit para protótipos físicos; 8º: Python com Thonny ou JupyterLite; 9º: MIT App Inventor ou ambientes educacionais com apoio de IA. Considere Replit Teams for Edu quando alinhado às políticas da rede. Em cada série, a IA atua como mentora que explica conceitos, gera casos de teste e sugere melhorias, sem substituir a autoria: peça sempre que explique passo a passo, mostre testes de mesa e indique alternativas.
No 6º ano, o foco é narrativas interativas e jogos simples com blocos: a IA ajuda a transformar ideias em roteiros, verificar colisões e cronometragens, e criar listas de verificação de depuração. No 7º, com micro:bit, os estudantes coletam e exibem dados de sensores (luz, temperatura, aceleração) e constroem protótipos como medidores de conforto ou alarmes; a IA apoia na calibragem, na interpretação de leituras ruidosas e na documentação do circuito.
Para o 8º ano, Python introduz estruturas de dados, funções e testes automatizados. Em Thonny, incentive o uso do depurador passo a passo; no JupyterLite, foque em células reprodutíveis e gráficos simples. A IA pode propor refatorações, explicar rastros de erros e sugerir conjuntos de dados sintéticos para prática, mantendo atenção a comentários, docstrings e logs de execução.
No 9º ano, apps no MIT App Inventor permitem discutir interfaces, eventos e dados locais; se a turma usar serviços com IA embutida, limite permissões, evite capturar identificadores pessoais e planeje testes de usabilidade com usuários simulados. Sempre que possível, opere em modos offline ou sem login; quando não der, opte por contas institucionais com políticas claras de retenção e privacidade.
Prefira modos offline/sem login quando disponíveis; consulte a equipe jurídica e TI para adequação à LGPD e termos de uso. Planeje acessibilidade (legendas, contraste, leitores de tela) e alternativas de baixa conectividade. Se houver concordância com as políticas da rede, Replit Teams for Edu facilita turmas, versionamento e avaliação. Adote checklists de segurança (consentimento, minimização de dados, revisão humana), rubricas que separem contribuição da IA da autoria discente e diários de aprendizagem nos quais os estudantes registrem prompts, escolhas e evidências de teste.
Próxima leitura