Estatísticas sobre Marcação de Texto: O Que a Pesquisa Mostra

Os números principais

Se você só levar uma tabela desta página, que seja esta.

Cada um desses números tem uma história por trás, e alguns deles são amplamente citados de forma errada. As seções abaixo dão o contexto.

Marcar texto funciona? O que diz a pesquisa de laboratório

O veredito mais citado sobre marcação vem da monografia de 2013 de Dunlosky e colegas na Psychological Science in the Public Interest, que revisou dez técnicas populares de aprendizagem. Marcação e sublinhado receberam a nota mais baixa da revisão, "utilidade baixa", ao lado de releitura e sumarização. Teste prático e prática espaçada levaram as notas máximas.

Dois detalhes costumam se perder quando esse achado é citado.

Primeiro, os estudos por trás da nota testaram a marcação como uma atividade passiva, de uma passada só: marque algumas linhas, releia depois, faça um teste. Nessas condições, marcar texto acrescenta pouco sobre a leitura simples. A revisão não testou a marcação como etapa de captura dentro de um sistema maior, em que os highlights alimentam prática de recuperação, notas ou revisão espaçada mais tarde.

Segundo, a revisão descobriu que a marcação pode até prejudicar o desempenho em questões de inferência, e que os benefícios aparecem principalmente quando a marcação é seletiva. Marcar parágrafos inteiros poupa o cérebro do trabalho de decidir o que importa, e essa decisão é onde o aprendizado acontece. A seletividade é o ingrediente ativo, um ponto que destrinchamos em The Science of Highlighting.

Então a leitura honesta da literatura de laboratório é estreita: marcar texto sozinho não produz aprendizado durável; marcar como porta de entrada para recuperação ativa e revisão é uma atividade diferente, em grande parte não testada.

Como as pessoas realmente marcam: dados de milhões de highlights

Estudos de laboratório tipicamente observam dezenas de estudantes lendo algumas passagens. O Glasp opera uma plataforma social de marcação com mais de 1.000.000 de usuários e milhões de highlights, e publica pesquisa submetida a revisão por pares sobre esses dados comportamentais. A série completa vive na página de pesquisa do Glasp; três achados importam mais aqui.

O que as pessoas marcam dentro de um documento é majoritariamente compartilhado. Entre leitores do mesmo documento, os highlights se concentram nas mesmas passagens. Um modelo que sabe apenas o que a multidão marcou prevê o próximo highlight de um indivíduo quase tão bem quanto um modelo ajustado a esse indivíduo: o ganho pessoal dentro de um documento é minúsculo, cerca de +0.017 AUC (Paper I, arXiv:2606.09024).

A individualidade vive na escolha de documentos. A mesma modelagem mostra um ganho muito maior, aproximadamente +0.13, ao prever com quais documentos uma pessoa vai se engajar (Paper II, arXiv:2606.10398). Em termos simples: você não é especial no que sublinha, você é especial no que decide ler.

Leitores formam facções, mas apenas dentro de um documento. Em textos controversos, os leitores se dividem em subgrupos distintos que marcam regiões diferentes, com forte separação estatística (z ≈ +6.3). No entanto, a filiação a essas facções mal se transfere de um documento para o próximo (Paper III, arXiv:2606.11613). A discordância sobre o que importa é real, mas é situacional, não uma identidade.

Highlights podem ser previstos?

Mais dois resultados da mesma série respondem a perguntas práticas.

A previsão em cold start funciona, na cauda longa. Para um documento novinho em folha, ainda sem leitores, um modelo treinado consegue prever quais passagens a multidão vai eventualmente marcar, superando a forte baseline "as pessoas marcam a abertura" em cerca de +0.04 de precisão média. A vantagem se concentra na cauda longa, as passagens menos populares em que heurísticas simples falham (Paper IV, arXiv:2606.11654).

A identidade de leitura é durável. Um perfil dos interesses de um leitor congelado após seus primeiros seis meses prevê suas escolhas de documentos anos depois sem decaimento mensurável: a razão de retenção pareada é 1.003, e o perfil congelado ainda supera uma baseline de popularidade por mais de 3 para 1 na previsão do próximo documento (Paper V, arXiv:2606.12904). Seu gosto de leitura se comporta como um traço, não como um humor.

Para quem está construindo um sistema de gestão de conhecimento pessoal, esse último número é discretamente encorajador: os interesses que você captura hoje ainda vão descrever você daqui a dois anos, então a biblioteca que você constrói se compõe em vez de expirar.

Velocidade de leitura e atenção: o contexto em que a marcação vive

Estatísticas de marcação só fazem sentido contra o pano de fundo de como as pessoas leem.

Velocidade de leitura. A estimativa mais cuidadosa vem da meta-análise de 2019 de Brysbaert com 190 estudos: adultos leem não ficção em silêncio a cerca de 238 palavras por minuto em média, com ampla variação individual. Alegações de leitores comuns triplicando essa velocidade sem perder compreensão não sobreviveram aos testes.

Atenção. A pesquisa de Gloria Mark sobre atenção em telas, na UC Irvine, acompanhou trabalhadores do conhecimento por quase duas décadas: a atenção média em uma única tela caiu de cerca de dois minutos e meio em 2004 para cerca de 47 segundos nos últimos anos. A famosa estatística do "período de atenção de 8 segundos, menor que o de um peixinho dourado", por outro lado, não tem fonte primária rastreável e é melhor tratada como mito, algo que investigamos em The Attention Span Crisis.

Juntando tudo: um artigo de 5.000 palavras custa ao leitor médio cerca de 20 minutos de atenção cada vez mais fragmentada. Uma boa camada de highlights é como qualquer parte desse investimento sobrevive à próxima troca de aba, o que é o argumento prático para ferramentas como um marcador web que mantêm a etapa de captura com atrito zero.

IA e estudo em 2026

O ambiente ao redor da marcação mudou mais rápido nos últimos três anos do que nos trinta anteriores.

A HEPI / Kortext Student Generative AI Survey 2026 coloca números nisso para universitários do Reino Unido: 94% agora usam IA generativa de alguma forma em trabalhos avaliados, acima dos 88% de 2025 e dos 53% de 2024. A parcela que cola texto gerado por IA diretamente em trabalhos avaliados chegou a 12%, acima dos 8% do ano anterior.

A literatura de laboratório não acompanhou essa mudança, e a afirmação estatística honesta é que ainda não há evidência de longo prazo sobre efeitos na aprendizagem. O que os dados comportamentais acima sugerem é uma divisão de trabalho: a IA é mais forte em comprimir o que um documento diz, enquanto seus highlights registram a única coisa que a IA não pode saber, que é o que importou para você. Resumos de um resumidor de YouTube com IA dizem se uma fonte merece atenção; seus highlights são o resíduo de tê-la dado.

O que as estatísticas significam para o seu sistema de estudo

Ler os números em conjunto aponta para uma forma específica de trabalhar, e não para um veredito a favor ou contra o marcador.

1. Marque seletivamente, depois faça algo com isso. A nota de "utilidade baixa" se aplica a marcar-e-reler. As técnicas respaldadas por evidência, prática de recuperação e espaçamento, precisam de matéria-prima, e highlights são o jeito mais barato de coletá-la.
2. Gaste seu esforço na seleção. Os dados dizem que a escolha de documentos é onde a individualidade vive. Curar o que entra na sua fila de leitura importa mais do que aperfeiçoar seu estilo de marcação.
3. Confie que sua biblioteca envelhece bem. A identidade de leitura é estável ao longo de anos, então highlights capturados hoje mantêm seu valor; exporte-os para algum lugar permanente, seja highlights do Kindle para seu app de notas, seja uma configuração MCP conectada que deixa seu assistente de IA pesquisá-los.
4. Assuma atenção fragmentada. Com atenção em tela abaixo de um minuto, sistemas que exigem sessões longas e ininterruptas falham por design. Capture em segundos, revise em minutos.

Perguntas Frequentes

Marcar texto é perda de tempo?

Sozinho, em grande parte sim: a revisão de Dunlosky classificou marcar-e-reler como de "utilidade baixa". Como etapa de captura alimentando prática de recuperação, revisão espaçada ou notas, a crítica deixa de se aplicar, porque os estudos por trás da nota não foram desenhados para testar esse fluxo de trabalho.

Qual porcentagem dos estudantes usa IA nos estudos?

A pesquisa HEPI / Kortext de 2026 encontrou 94% dos universitários do Reino Unido usando IA generativa em trabalhos avaliados de alguma forma, acima dos 88% de 2025 e dos 53% de 2024. A inclusão direta de texto gerado por IA em trabalhos avaliados está em 12%.

Quão rápido a pessoa média lê?

Cerca de 238 palavras por minuto em leitura silenciosa de não ficção, segundo a meta-análise de 2019 de Brysbaert com 190 estudos. Ficção corre um pouco mais rápido, e grandes diferenças individuais são normais.

As pessoas marcam as mesmas coisas?

Em grande parte, sim. A pesquisa publicada do Glasp descobre que, dentro de um documento, os highlights de um indivíduo adicionam apenas cerca de +0.017 AUC de sinal preditivo sobre o que a multidão já marca. A individualidade aparece em quais documentos as pessoas escolhem, não em quais linhas.

De onde vêm essas estatísticas sobre marcação?

Os achados de laboratório vêm de pesquisa em psicologia revisada por pares, principalmente Dunlosky et al. (2013). Os achados comportamentais vêm da série de pesquisas publicada pelo Glasp sobre os dados da própria plataforma, disponível com código e pacotes de reprodutibilidade em glasp.co/research e no arXiv.

Conclusão

As estatísticas sobre marcação resolvem uma velha discussão dividindo-a. O laboratório está certo de que marcar texto e relê-lo ensina pouco. Os dados comportamentais estão certos de que highlights estão longe de ser ruído: são consistentes o bastante para prever, estáveis o bastante para definir uma identidade de leitura durável, e pessoais precisamente naquilo a que estão anexados. A ferramenta nunca foi o problema; o que faltava era a segunda etapa.

Se você quer os números por trás desta página, todo estudo do Glasp citado aqui é público, com dados e código, em glasp.co/research. E se você quer que a sua própria leitura comece a deixar rastro, o Glasp é de onde vieram esses milhões de highlights.