Efeito Protégé: a Evidência de Aprender Ensinando

O Que É o Efeito Protégé?

O efeito protégé (grafado em inglês tanto como "protege effect" quanto como "protégé effect") é a constatação de que as pessoas aprendem um material de forma mais completa quando se preparam para ensiná-lo a outra pessoa do que quando o estudam apenas para si mesmas. O termo foi cunhado por Catherine Chase, Doris Chin, Marily Oppezzo e Daniel Schwartz em 2009, que escreveram que os estudantes "make greater effort to learn for their TAs than they do for themselves" (fazem mais esforço para aprender pelos seus agentes ensináveis do que por si mesmos). Agregado ao longo de dezenas de experimentos, o ganho é moderado, aproximadamente g = 0.17 a 0.56 dependendo da síntese que você ler, e depende fortemente de saber de antemão que você vai ensinar.

O mecanismo não é misterioso. Quando você sabe que outra pessoa vai depender da sua explicação, você estuda de outro jeito: organiza com mais cuidado e sai à caça das lacunas, porque precisa antecipar onde um leitor vai se confundir. A leitura passiva raramente chega a esse nível.

A maioria das pessoas sente isso intuitivamente. Pense em qualquer vez em que você explicou um conceito a um colega. O ato de explicar forçou você a encarar os pontos nebulosos da sua própria compreensão. Esse desconforto é o efeito protégé em ação.

O que o distingue de outras estratégias de aprendizado é a dimensão social. Não se trata apenas de reformular o conhecimento, o que está mais próximo da Técnica Feynman. Trata-se de reformular o conhecimento para outra pessoa. Se essa camada social acrescenta alguma coisa além da reformulação é uma das questões genuinamente em aberto nesta literatura, e a seção sobre limites, mais abaixo, é onde mora a resposta honesta.

---

O Que a Pesquisa Mostra: Estudos e Meta-Análises

Chase et al. (2009): O Estudo Original dos "Agentes Ensináveis"

Chase e colegas publicaram "Teachable Agents and the Protege Effect: Increasing the Effort Towards Learning" no Journal of Science Education and Technology. O estudo usou o Betty's Brain, um sistema em que os estudantes ensinavam um agente virtual construindo mapas conceituais sobre temas de ciências.

Os estudantes que acreditavam estar ensinando a Betty passaram mais tempo em atividades de aprendizado e tiraram notas mais altas do que os estudantes que usaram o mesmo sistema para si mesmos. Vale conhecer o desenho: no primeiro estudo, os dois grupos rodaram o mesmo software e diferiam apenas no que lhes foi dito, e a amostra era de 62 alunos do oitavo ano. Um segundo estudo replicou o efeito de tempo na tarefa com 24 alunos do quinto ano e usou protocolos de pensar em voz alta para investigar o porquê. É uma descoberta real sobre uma base pequena, não uma quantidade estabelecida.

Nestojko et al. (2014): A Expectativa Sozinha Pode Bastar

John Nestojko, Dung Bui, Nate Kornell e Elizabeth Bjork isolaram a variável da expectativa de ensinar. Um grupo estudou um texto esperando uma prova; o outro esperava ensiná-lo. Ninguém chegou a ensinar de fato.

No Experimento 1, o grupo com expectativa de ensinar lembrou mais do texto (d = 0.56), lembrou de forma mais eficiente (d = 0.79), agrupou sua lembrança de maneira mais próxima à própria estrutura de parágrafos do texto (d = 0.65) e tirou nota mais alta em uma prova dissertativa curta. O Experimento 2 é a parte que costuma ficar de fora: nele, o efeito principal da expectativa não foi significativo (p = .389), e a vantagem nos pontos principais do texto foi apenas marginal (p = .083). Um experimento influente e outro que em boa parte não o replicou, no mesmo artigo.

Kobayashi (2019, 2024): Em Quanto?

Estudos individuais mostram uma direção; meta-análises dizem o tamanho. A síntese de 2019 de Keiichi Kobayashi na Japanese Psychological Research agregou 28 estudos e encontrou g = 0.35 para preparar-se para ensinar e g = 0.56 para preparar-se e então de fato ensinar, ambos contra estudar sem nenhuma expectativa de ensinar.

Sua meta-análise de 2024, na Educational Psychology Review, agregou 39 estudos e relatou g = 0.27 no geral, e encontrou o moderador que mais importa em todo este artigo. Ensinar depois de estudar com uma expectativa prévia de ensino deu g = 0.48. Ensinar depois de estudar sem essa expectativa deu g = -0.02, estatisticamente indistinguível de nada. É a preparação, não a apresentação, que faz o trabalho.

Um outro artigo dele, também de 2019, na Frontiers in Psychology, olhou para a interatividade, comparando o ensino presencial com formatos indiretos como uma aula gravada ou uma explicação escrita. Esperar ensinar presencialmente agregou g = 0.50 contra g = 0.27 para o indireto, e levar o ensino adiante de fato chegou a g = 0.84 para o ensino direto e g = 0.48 para o indireto. Trate o 0.84 com cuidado: ele se apoia em quatro comparações de grupos, e o próprio Kobayashi chama a evidência de "still inadequate and subject to some exceptions" (ainda inadequada e sujeita a algumas exceções).

Ribosa e Duran (2022): A Estimativa Mais Baixa e Mais Conservadora

Jesus Ribosa e David Duran agregaram 23 estudos e 62 comparações na Educational Research Review e chegaram a g = 0.17, sem viés de publicação detectado. Duas ressalvas importam. Nos estudos deles, os aprendizes geravam materiais de ensino, coisas como videoaulas, questões de prova e textos instrucionais, em vez de ensinarem uma pessoa, o que Kobayashi classifica como uma categoria sobreposta, porém distinta. E o benefício aparece quando isso é comparado a intervenções das quais não se esperava ajuda, e não a outras intervenções das quais se esperava. Medida contra um controle genuinamente ativo, a vantagem não é estatisticamente significativa.

Koh, Lee e Lim (2018): É a Recuperação Que Faz o Trabalho

Aloysius Koh, Sze Chi Lee e Stephen Lim testaram que parte do ensino gera o benefício, na Applied Cognitive Psychology. Eles compararam quatro grupos: ensinar de memória, ensinar lendo anotações preparadas, recuperar o material sem ensinar e um controle aritmético.

Em uma prova de compreensão uma semana depois, ensinar de memória e a pura prática de recuperação superaram os outros dois, enquanto ensinar com as anotações em mãos não foi melhor que o controle. Feche o livro, depois explique. Se você ensina com a fonte aberta, pula a recuperação e abre mão do benefício. Repare na outra metade desse resultado: a simples prática de recuperação, sem ensino nenhum, se saiu igualmente bem.

A Evidência em um Relance

---

Limites e Moderadores: Quando Ensinar Não Ajuda

Toda revisão genuína desta literatura precisa relatar os fracassos, e há deles o bastante para mudar a forma como você usa a técnica.

Esperar ensinar não sobrevive de forma confiável a um intervalo. Fiorella e Mayer (2013) ensinaram o efeito Doppler a universitários. Os estudantes que se prepararam para ensinar superaram o controle em uma prova de compreensão imediata, mas em uma prova adiada de uma semana esperar ensinar não produziu benefício algum sobre o controle. O estudo de acompanhamento deles, de 2014, descobriu que os estudantes que de fato ensinaram foram os que tiveram o melhor desempenho no intervalo.

Renkl (1995) não encontrou benefício algum em preparar-se para ensinar exemplos resolvidos de probabilidade. Guerrero e Wiley (2021) é o artigo mais forte do outro lado, com cerca de 210 participantes por experimento, mas seus efeitos são pequenos (eta-quadrado parcial de .02 nos dois) e sua alegação sobre o efeito adiado se apoia em uma interação não significativa. Lachner e colegas, revisando a área na Educational Psychology Review em 2022, abrem o texto perguntando por que vários estudos recentes "did not replicate this effect" (não replicaram esse efeito).

Um público ao vivo não é claramente melhor que um imaginado. Isso vai contra a história intuitiva. Wang, Lin e Chen (2021) passaram 597 estudantes do ensino médio por um cruzamento de expectativa de ensinar com ensino a pares, ensino imaginado e nenhum ensino. O ensino imaginado melhorou tanto a compreensão imediata quanto a adiada; o ensino a pares melhorou apenas a imediata. Os autores aconselham cautela nas duas direções. A análise de interatividade de Kobayashi aponta para o lado oposto. O quadro está em aberto, o que significa que quem lhe disser que um público real é obrigatório está adiantado em relação à evidência.

Vários estudos bem conduzidos não encontram nada. Jacob, Lachner e Scheiter (2021) compararam explicar em voz alta, escrever em um editor, escrever em um chat de mensagens e um controle de recuperação ao longo de 137 participantes: nenhuma diferença de aprendizado. O que diferiu é instrutivo. Explicar foi avaliado como mais custoso, mais prazeroso e mais interessante do que recuperar, produzindo o mesmo resultado. Esforço e prazer não são evidência de aprendizado. Lachner, Jacob e Hoogerheide (2021) não encontraram efeito algum de explicar em um experimento (N = 147) e, em um segundo (N = 51), a autoexplicação superou explicar a um estudante fictício.

Professores novatos tendem a contar em vez de explicar. Roscoe e Chi (2007), na Review of Educational Research, documentaram o que chamaram de viés de contar conhecimento: os tutores "simply revealed answers, summarized facts, or described procedures with little elaboration" (simplesmente revelavam respostas, resumiam fatos ou descreviam procedimentos com pouca elaboração), e tutores novatos julgam mal a própria compreensão daquilo que ensinam. O benefício cognitivo vem da elaboração, e o comportamento padrão a pula.

Um dano documentado, em habilidades motoras. Daou e colegas (2019) fizeram pessoas aprenderem tacadas curtas de golfe esperando ou ensinar aquilo ou fazer uma prova. O grupo do ensino teve melhor desempenho sob baixa pressão e depois recuou ao nível do grupo da prova sob alta pressão. Uma replicação em formato de relatório registrado, com 156 participantes, confirmou o achado. Se você está aprendendo algo que terá de executar sob pressão, preparar-se para ensinar pode não ser neutro.

O que parece não importar: a idade do aprendiz e a área temática. Ribosa e Duran descrevem o efeito como aparentemente estável entre níveis educacionais e áreas de conteúdo, e Chang et al. (2025) não encontraram moderação por número de sessões, tipo de tutor ou matéria em 32 estudos de tutoria entre idades.

Então a alegação defensável é mais estreita que a popular. Comprometer-se de antemão a explicar algo e então explicá-lo de memória é um bom uso do tempo de estudo. Não é de forma confiável melhor do que simplesmente se testar, e o elemento social faz menos trabalho do que a história sugere.

---

Por Que Ensinar Funciona: Os Mecanismos Cognitivos

Ensinar ativa vários processos ao mesmo tempo, cada um dos quais melhora o aprendizado de forma independente. Qual deles é de fato o responsável segue em disputa.

Prática de Recuperação

Koh, Lee e Lim propuseram a hipótese da prática de recuperação: ensinar ajuda porque força você a puxar o material da memória, e o ensino em si acrescenta pouco. A condição com as anotações em mãos, que retira a recuperação e mantém o ensino, é o teste limpo, e ela não mostrou benefício.

Cuidado com a força com que você afirma isso. Kobayashi avaliou a hipótese na Frontiers in Psychology em 2022 e concluiu que "the currently available evidence is inadequate to assess the hypothesis" (a evidência hoje disponível é inadequada para avaliar a hipótese). A revisão de 2022 de Lachner e colegas trata a recuperação como um mecanismo candidato entre vários, não como a resposta estabelecida.

Monitoramento Metacognitivo

Ensinar força você a avaliar a própria compreensão em tempo real. Enquanto explica, você verifica se aquilo se sustenta. Esse tipo de automonitoramento é central para o aprendizado autorregulado (Dunlosky e Metcalfe, 2009).

Quando você estuda para si mesmo, dá para passar por cima de uma compreensão nebulosa. Quando estuda para ensinar, a nebulosidade vira um problema que você precisa resolver.

Recuperação Elaborativa

Preparar-se para ensinar leva você a reconstruir raciocínios, gerar exemplos e construir analogias, em vez de apenas relembrar fatos, a família de atividades que Fiorella e Mayer (2016) agruparam sob o rótulo de aprendizado generativo. Uma ressalva sobre a evidência normalmente citada aqui: Karpicke e Blunt (2011) mostraram na Science que a prática de recuperação superou o estudo elaborativo com mapeamento conceitual, e a conclusão deles mesmos vai contra o enquadramento da elaboração, atribuindo o ganho a "retrieval-specific mechanisms rather than by elaborative study processes" (mecanismos específicos da recuperação, e não a processos de estudo elaborativos).

Responsabilidade, com uma Ressalva

A versão popular diz que a dependência de outra pessoa em relação a você muda o que está em jogo, e Biswas, Leelawong, Schwartz, Vye e o Teachable Agents Group at Vanderbilt (2005) trataram a responsabilidade como um princípio de design para agentes ensináveis. Duas ressalvas honestas. A expressão "responsibility effect" (efeito de responsabilidade) não aparece naquele artigo e não é um termo estabelecido nesta literatura. E Chase et al. citam a observação como evidência anedótica de que os estudantes desenvolviam um sentimento de responsabilidade em relação a seus agentes, que é como ela entrou na literatura.

A versão medida da alegação é mais fraca e mais interessante. A análise de interatividade de Kobayashi é compatível com um público real ajudando; o experimento com 597 estudantes de Wang, Lin e Chen aponta na direção contrária. Trate a responsabilidade como um mecanismo plausível, não como um mecanismo demonstrado.

Processamento Organizacional

Para ensinar algo, você precisa decidir o que vem primeiro, o que depende de quê e o que pode ser omitido. Nestojko et al. observaram uma versão disso: os participantes que esperavam ensinar lembraram o texto em uma ordem que acompanhava a estrutura de parágrafos dele mais de perto do que a do grupo com expectativa de prova. Repare no que isso é e no que não é. É evidência de reestruturação em direção à organização da fonte, não de construção de uma hierarquia mais profunda, e uma segunda medida de organização no mesmo experimento não mostrou diferença.

---

A Pirâmide do Aprendizado: Por Que o Número de 90% É um Mito

Você provavelmente já viu a Pirâmide do Aprendizado: um triângulo bem-arrumado que atribui a cada atividade um percentual de retenção, com "ensinar os outros" coroada em 90% e a leitura em 10%. Ela costuma ser creditada aos National Training Laboratories, em Bethel, Maine. Eis a versão que circula:

Esses números não são reais. Kåre Letrud e Sigbjørn Hernes rastrearam a história da pirâmide na Cogent Education (2018) e descobriram que versões dela circulam no debate educacional há mais de 160 anos, concluindo que os modelos "did not originate from empirical research" (não se originaram de pesquisa empírica). Perguntado diretamente sobre as cifras, o NTL respondeu: "Yes, we believe it to be accurate, but no, we no longer have, nor can we find, the original research that supports the numbers" (sim, acreditamos que seja correto, mas não, não temos mais, nem conseguimos encontrar, a pesquisa original que sustenta os números), citado em Lalley e Miller (2007). Repare na alegação exata. O NTL disse que a pesquisa não pode ser localizada, não que ela nunca tenha sido feita. De um jeito ou de outro, não há nada para verificar.

As cifras suspeitamente redondas e igualmente espaçadas são o indício. Dados reais de memória nunca se alinham em 10, 20, 30, 50.

Então por que mostrar a pirâmide? Porque o ranking que ela implica, de que a produção ativa supera o consumo passivo, é amplamente sustentado, ainda que os percentuais sejam ficção (Dunlosky et al., 2013; Karpicke e Blunt, 2011). Enuncie o benefício como um tamanho de efeito de aproximadamente 0.17 a 0.56, não como 90%. Se você vir a pirâmide citada como dado sólido, trate isso como um sinal a respeito da fonte.

---

Estudar para Si vs. Estudar para Ensinar: Uma Comparação Direta

O que muda quando você passa de "estou estudando isso para mim" para "estou estudando isso para ensinar a outra pessoa"?

A mentalidade de estudar para ensinar não exige mais tempo. Exige uma intenção diferente, formada antes de você começar a ler. Essa ordem não é uma preferência estilística: é a diferença entre g = 0.48 e g = -0.02 nos dados de 2024 de Kobayashi.

---

O Efeito Protégé vs. a Técnica Feynman

A Técnica Feynman e o efeito protégé são relacionados, mas distintos, e a comparação é menos desigual do que costuma ser apresentada.

A Técnica Feynman pede que você explique um conceito em linguagem simples, como se estivesse ensinando a um iniciante: escolha um conceito, explique-o de forma direta, encontre as lacunas, simplifique de novo. Como normalmente é praticada, é um exercício solitário, sem nenhuma pessoa real dependendo do resultado.

O efeito protégé acrescenta a camada social. Mas eis o achado que deveria moderar a hierarquia usual: a autoexplicação, a prima solitária, agrega g = 0.55 ao longo de 69 tamanhos de efeito (Bisra et al., 2018), o que está no topo da faixa do aprender ensinando e acima da maioria das estimativas dele. O público pode estar acrescentando menos do que o enquadramento sugere.

A leitura prática: faça as duas coisas, e não presuma que é o público que está funcionando. As duas coisas que ambos os métodos compartilham, a recuperação de memória e a elaboração forçada, são as partes com o suporte mais forte. Um público real é mais bem entendido como um dispositivo de compromisso, o que não é pouca coisa, porque aprender em público é o que faz você de fato dar a explicação.

---

O Efeito Protégé Funciona Quando o Seu Aluno É uma IA?

Como os agentes ensináveis originais eram roteirizados, uma pergunta óbvia é se um grande modelo de linguagem faz um protégé melhor. A evidência de 2024 a 2026 diz: ainda não, e a razão é específica.

O teste mais limpo é um nulo. Xu, Zhang, Tang e Lee (2026) randomizaram 96 participantes em quatro condições: explicar a um LLM no papel de tutorando, de par, de contestador, ou um controle quase passivo. No pós-teste, nenhuma condição superou o controle (F(3,91) = 1.54, p = .21). O esforço claramente subiu: o grupo do tutorando escreveu em média 353.8 palavras contra 121.3 do controle. Só que isso não se converteu em conhecimento. O grupo do tutorando também relatou a maior pressão entre os três papéis de agente, 4.02 contra 2.49 do par e 2.93 do contestador, e nada melhor que o controle passivo, em 4.06. Isso é o oposto do amortecedor de proteção ao ego descrito por Chase et al. (2009), em que ensinar um agente deveria blindar o aprendiz da dor de estar errado.

Um artigo muito citado nomeia o defeito e nunca mede aprendizado. Jin, Lee, Shin e Kim (CHI 2024) construíram o TeachYou e seu tutorando LLM AlgoBo, e relataram que "LLMs' expansive knowledge as tutees discourages learners from teaching" (o conhecimento expansivo dos LLMs como tutorandos desestimula os aprendizes a ensinar). O nome que deram ao modo de falha é subensino: os aprendizes param de tentar porque o agente já sabe. O artigo registra como limitação que não rodou nenhum teste de pré e pós, e sua intervenção de metacognição não mostrou ganho significativo.

Resultados positivos existem e cada um traz uma ressalva. Chen, Wei, Le e Zhang (2025) descobriram que os estudantes que ensinaram um agente ChatGPT tiraram nota mais alta em uma prova de conhecimento de programação (n = 41), mas a correção do código não diferiu de forma significativa, e a explicação dos próprios autores é reveladora: o ChatGPT tende a produzir código correto, o que elimina a prática de depuração. A maior implantação, o estudo de um semestre de Wang e colegas na EPFL (2026), cobrindo 453 estudantes analisados e 3809 diálogos, encontrou que o grupo do ensino precisou de cerca de 4.9 por cento menos tentativas de quiz do que uma linha de base de leitura. Repare em qual é o desfecho: tentativas de quiz, não uma prova de conhecimento, e isso custou 14.4 minutos de trabalho contra 3.4. Cerca de um quarto dos diálogos continha conteúdo externo colado, e isso previu pior desempenho.

A credibilidade não é o obstáculo. Rogers e colegas (2025) passaram 119 estudantes por quatro experimentos, um dos quais comparou um tutorando LLM com um cúmplice humano fingindo ser novato. A inteligência percebida não diferiu de forma significativa. Os estudantes acreditam na encenação.

O modelo não vai permanecer novato. Este é o bloqueio de verdade. Song, Guo e Lin (2026) colocam a questão de forma direta: mesmo quando instruídos a agir como novatos, os LLMs "can still produce expert-level explanations" (ainda podem produzir explicações de nível especialista), desviando para além do nível de conhecimento pretendido. Pior, eles capitulam. Do, Sonkar e Sachan (2026, um preprint) mediram com que frequência estudantes simulados abandonam uma concepção equivocada e encontraram o menor modelo que testaram, o Qwen3-4B, mudando a própria resposta 92 por cento das vezes diante de um retorno que não diz nada além de "you're wrong" (você está errado). Um tutorando que concorda com o que quer que você diga não consegue mostrar que a sua explicação falhou, e esse sinal de falha é justamente o ponto.

Há também um buraco citável nesta literatura: ninguém replicou a manipulação original de responsabilidade com um tutorando LLM. Os artigos de agentes ensináveis com LLM se apoiam em Chase et al. para o mecanismo, sem testá-lo.

O que fazer com isso. Use um LLM como parceiro de ensaio, não como protégé. Explique de memória com a fonte fechada, que é a parte com a melhor evidência, e então peça que ele encontre as lacunas no que você disse. Instrua-o a sustentar uma posição errada até que você de fato a corrija, e trate a concordância fácil como sinal de que o exercício não está funcionando. Se você quer o efeito protégé propriamente dito, a evidência ainda aponta para uma pessoa.

---

Cinco Formas de "Ensinar" Sem Ser Professor

Você não precisa de uma sala de aula nem de alunos para ativar o efeito protégé. O que você precisa, com base em tudo o que veio acima, é decidir antes de ler que vai explicar aquilo a alguém, e então explicar sem olhar.

1. Torne Seus Destaques Públicos

Quando você destaca um trecho usando o marcador web da Glasp e adiciona uma nota explicando por que ele importa, você está realizando um micro-ato de ensino. Seus destaques aparecem no seu perfil público, onde outros aprendizes podem encontrá-los. Essa visibilidade desloca o seu processamento de "isso é interessante para mim" para "isso precisa ser claro o suficiente para outra pessoa".

A ordem importa mais do que a ferramenta. Decida que está anotando para um leitor antes de começar o artigo, não depois. Com o tempo, a coleção se torna um recurso de ensino: uma lista de leitura curada, com contexto que os outros podem seguir.

2. Escreva Posts de Blog e Resumos

Escrever um resumo para um público força o mesmo trabalho organizacional e elaborativo que o ensino formal. Você precisa decidir o que é essencial, construir um fluxo lógico e colocar as ideias em suas próprias palavras. O público não precisa ser grande.

Usar o YouTube Summary para extrair os pontos-chave de aulas e palestras dá a você a matéria-prima. O aprendizado acontece quando você o fecha e escreve a explicação você mesmo.

3. Participe ou Crie Grupos de Estudo

Grupos de estudo com rodízios de ensino ativam o efeito de forma sistemática; grupos em que todos leem em silêncio, não. Atribua conceitos específicos com antecedência, para que cada membro saiba, com dias de sobra, que é responsável por um deles. Faça com que cada pessoa ensine sem anotações enquanto os outros fazem perguntas. As perguntas fazem trabalho de verdade, porque forçam quem ensina a elaborar em vez de recitar.

4. Pratique Explicar para a IA, com Expectativas Realistas

O chat de IA da Glasp permite ensaiar uma explicação sem recrutar um humano. Tenha clareza sobre o que isso traz para você. Como a seção acima expõe, a evidência randomizada sobre ensinar um tutorando LLM é hoje nula, e o valor que você consegue de forma confiável é a recuperação e a descoberta de lacunas, não o mecanismo social.

Então use dessa maneira. Feche a fonte, explique o conceito de memória e depois peça à IA que identifique o que você deixou de fora, o que você errou e o que um leitor confuso ainda perguntaria. Conteste quando ela concordar rápido demais. Você a está usando como examinadora, não como aluna.

5. Compartilhe em Plataformas de Comunidade

Publicar o seu aprendizado no feed da comunidade coloca a sua compreensão diante de pessoas reais. Quando alguém comenta, faz uma pergunta ou oferece uma leitura diferente, você recebe um retorno que o estudo solitário não consegue produzir. Se um público ao vivo acrescenta alguma coisa além do próprio ato de explicar segue em aberto, como diz a seção sobre limites. O que ele faz de forma confiável é fazer você ir até o fim.

---

Aprender em Público: O Efeito Protégé em Escala

Aprender em público é o efeito protégé aplicado à sua prática inteira. Em vez de estudar em privado e ocasionalmente ensinar, você compartilha o que lê por princípio, o que transforma a expectativa de algo que você precisa lembrar de invocar na condição permanente de como você lê.

Esse é o argumento mais forte a favor. O moderador mais bem sustentado nesta literatura é antecipar um público antes de estudar, e um hábito de compartilhar significa que você nunca estuda sem um.

A Glasp foi construída em torno disso. Quando você exporta seus destaques para um post de blog, os compartilha ou os deixa visíveis no seu perfil, a anotação precisa fazer sentido para alguém que não estava lá. Combine isso com a recordação ativa e você estará exercitando os dois mecanismos com a melhor evidência por trás.

Os benefícios vão além da retenção individual. O seu aprendizado público se torna uma contribuição para a inteligência coletiva. Os outros constroem sobre os seus destaques; você encontra novos ângulos através dos deles.

---

Perguntas Frequentes

O que é o efeito protégé em termos simples?

O efeito protégé é a constatação de que você aprende melhor um material quando se prepara para ensiná-lo a outra pessoa do que quando o estuda apenas para si mesmo. Preparar-se para ensinar empurra você a organizar o material, notar as próprias lacunas e recuperá-lo da memória. Nestojko et al. (2014) mostraram que até mesmo esperar ensinar, sem nunca ensinar, melhorou a lembrança em um experimento, ainda que um segundo experimento no mesmo artigo não tenha encontrado efeito geral.

Em quanto ensinar os outros melhora o aprendizado?

A resposta honesta é uma faixa de tamanhos de efeito, não um percentual. A meta-análise de 2019 de Kobayashi, com 28 estudos, encontrou g = 0.35 para preparar-se para ensinar e g = 0.56 para preparar-se e ensinar. Sua meta-análise de 2024, com 39 estudos, encontrou g = 0.27 no geral. A síntese mais conservadora, Ribosa e Duran (2022), encontrou g = 0.17 e nenhuma vantagem significativa sobre um controle ativo. Ignore a cifra de "90% de retenção" da Pirâmide do Aprendizado; Letrud e Hernes (2018) mostraram que ela não tem fonte empírica.

Qual é a única coisa que mais determina se isso funciona?

O fator decisivo é se você sabia de antemão que iria ensinar. Na meta-análise de 2024 de Kobayashi, ensinar depois de estudar com uma expectativa prévia de ensino deu g = 0.48; ensinar depois de estudar sem ela deu g = -0.02. Decida antes de abrir o material, não depois.

Ensinar é melhor do que apenas se testar?

Muitas vezes não, e esse é o resultado mais sub-relatado desta literatura. Koh, Lee e Lim (2018) descobriram que a pura prática de recuperação igualou o ensino de memória em uma prova de compreensão uma semana depois, e que ambos superaram ensinar com as anotações em mãos. A autoexplicação agrega g = 0.55 (Bisra et al., 2018), acima da maioria das estimativas para aprender ensinando. Se o seu objetivo é apenas retenção, a recordação ativa é o caminho mais barato. Ensinar acrescenta motivação, um público e um motivo para terminar.

Como o efeito protégé é diferente da Técnica Feynman?

A Técnica Feynman trata de explicar um conceito em linguagem simples para encontrar as suas lacunas de conhecimento, em geral sozinho. O efeito protégé acrescenta um público real ou antecipado. Os mecanismos que eles compartilham, a recuperação e a elaboração, têm a evidência mais forte; o quanto o público em si contribui segue em disputa, com Wang, Lin e Chen (2021) encontrando que o ensino imaginado melhorou a compreensão adiada, enquanto o ensino real a pares não.

O efeito protégé funciona se você ensina uma IA?

Pela evidência atual, não de forma confiável. O teste randomizado mais limpo (Xu et al., 2026, N = 96) não encontrou vantagem de aprendizado em explicar para um tutorando LLM em comparação a um controle quase passivo, ainda que os participantes claramente tenham trabalhado mais. A razão principal é que os modelos de linguagem não permanecem novatos: eles derivam para explicações de nível especialista e aceitam qualquer correção que você ofereça. Use uma IA para questionar você sobre uma explicação que você deu de memória, que é a parte com evidência por trás, em vez de usá-la como um aluno que você está ensinando.

Preciso ser especialista para me beneficiar de ensinar os outros?

Não, e há um risco real na direção contrária. Chase et al. (2009) encontraram ganhos de aprendizado em alunos do ensino fundamental que não eram especialistas em nada. Mas Roscoe e Chi (2007) documentaram que tutores novatos recorrem por padrão ao contar conhecimento, recitando fatos com pouca elaboração, e julgam mal a própria compreensão. O benefício mora na elaboração, então force-se a explicar por que, não apenas o que.

Como o efeito protégé se relaciona com a recordação ativa?

Ensinar de memória é uma forma de recordação ativa: você recupera, elabora e monitora a própria precisão. Essa sobreposição é provavelmente a maior parte do efeito. A hipótese da prática de recuperação de Koh, Lee e Lim torna isso explícito, embora a revisão de 2022 de Kobayashi tenha concluído que a evidência ainda não é forte o bastante para resolver a questão.

---

Conclusão: O Que a Evidência de Fato Sustenta

Aprender ensinando funciona, e funciona por razões menos místicas do que a versão popular alega. Agregado ao longo dos bons estudos, é um ganho de modesto a moderado, em algum ponto entre g = 0.17 e g = 0.56, e quase tudo isso depende de decidir de antemão que você terá de explicar aquilo a alguém. Ensine a partir das suas anotações e você não ganha nada. Seja avisado para ensinar depois de já ter estudado e você não ganha nada. Comprometa-se primeiro, depois explique de memória, e você obtém um efeito real que se sobrepõe fortemente à simples prática de recuperação.

Essa é uma alegação mais estreita do que "ensinar os outros dá 90% de retenção", e é mais útil, porque diz exatamente qual parte guardar.

A versão prática é curta. Antes de ler alguma coisa, decida a quem você vai explicá-la. Destaque com o marcador web da Glasp como se estivesse anotando para essa pessoa. Feche a aba e explique de memória, para um grupo de estudo, para um público de blog ou para o feed da comunidade. Use o chat de IA da Glasp para interrogar a explicação que você acabou de dar, em vez de ensinar um aluno que já sabe a resposta. Transforme um YouTube Summary no seu próprio argumento escrito, em vez de uma transcrição.

O compromisso vem primeiro. Tudo o que a pesquisa sustenta decorre dele.

---

Referências

Bisra, K., Liu, Q., Nesbit, J. C., Salimi, F., and Winne, P. H. (2018). Inducing self-explanation: A meta-analysis. Educational Psychology Review, 30, 703-725. doi:10.1007/s10648-018-9434-x

Biswas, G., Leelawong, K., Schwartz, D., Vye, N., and The Teachable Agents Group at Vanderbilt (2005). Learning by teaching: A new agent paradigm for educational software. Applied Artificial Intelligence, 19(3-4), 363-392. doi:10.1080/08839510590910200

Chang, A., Mauer, E., Wanzek, J., Kim, S., Scammacca, N., and Swanson, E. (2025). Examining the academic effects of cross-age tutoring: A meta-analysis. Educational Psychology Review, 37. doi:10.1007/s10648-025-09997-z

Chase, C. C., Chin, D. B., Oppezzo, M. A., and Schwartz, D. L. (2009). Teachable agents and the protege effect: Increasing the effort towards learning. Journal of Science Education and Technology, 18(4), 334-352. doi:10.1007/s10956-009-9180-4

Chen, A., Wei, Y., Le, H., and Zhang, Y. (2025). Learning by teaching with ChatGPT: The effect of teachable ChatGPT agent on programming education. British Journal of Educational Technology, 57(1), 163-184. doi:10.1111/bjet.70001

Cabral, D. A. R., Daou, M., Bacelar, M. F. B., Parma, J. O., and Miller, M. W. (2023). Does learning a skill with the expectation of teaching it impair the skill's execution under psychological pressure if the skill is learned with analogy instructions? Psychology of Sport and Exercise, 66, 102323. doi:10.1016/j.psychsport.2022.102323

Daou, M., Hutchison, Z. J., Bacelar, M. F. B., Rhoads, J. A., Lohse, K. R., and Miller, M. W. (2019). Learning a skill with the expectation of teaching it impairs the skill's execution under psychological pressure. Journal of Experimental Psychology: Applied, 25(2), 219-229. doi:10.1037/xap0000191

Do, H., Sonkar, S., and Sachan, M. (2026). Simulating students or sycophantic problem solving? On misconception faithfulness of LLM simulators. arXiv:2605.12748 [preprint].

Dunlosky, J., and Metcalfe, J. (2009). Metacognition. Thousand Oaks, CA: SAGE Publications.

Dunlosky, J., Rawson, K. A., Marsh, E. J., Nathan, M. J., and Willingham, D. T. (2013). Improving students' learning with effective learning techniques: Promising directions from cognitive and educational psychology. Psychological Science in the Public Interest, 14(1), 4-58. doi:10.1177/1529100612453266

Fiorella, L., and Mayer, R. E. (2013). The relative benefits of learning by teaching and teaching expectancy. Contemporary Educational Psychology, 38(4), 281-288. doi:10.1016/j.cedpsych.2013.06.001

Fiorella, L., and Mayer, R. E. (2014). Role of expectations and explanations in learning by teaching. Contemporary Educational Psychology, 39(2), 75-85. doi:10.1016/j.cedpsych.2014.01.001

Fiorella, L., and Mayer, R. E. (2016). Eight ways to promote generative learning. Educational Psychology Review, 28(4), 717-741. doi:10.1007/s10648-015-9348-9

Guerrero, T. A., and Wiley, J. (2021). Expecting to teach affects learning during study of expository texts. Journal of Educational Psychology. doi:10.1037/edu0000657

Jacob, L., Lachner, A., and Scheiter, K. (2021). Does increasing social presence enhance the effectiveness of writing explanations? PLOS ONE, 16(4), e0250406. doi:10.1371/journal.pone.0250406

Jin, H., Lee, S., Shin, H., and Kim, J. (2024). Teach AI how to code: Using large language models as teachable agents for programming education. Proceedings of CHI 2024. doi:10.1145/3613904.3642349

Karpicke, J. D., and Blunt, J. R. (2011). Retrieval practice produces more learning than elaborative studying with concept mapping. Science, 331(6018), 772-775. doi:10.1126/science.1199327

Kobayashi, K. (2019). Interactivity: A potential determinant of learning by preparing to teach and teaching. Frontiers in Psychology, 9, 2755. doi:10.3389/fpsyg.2018.02755

Kobayashi, K. (2019). Learning by preparing-to-teach and teaching: A meta-analysis. Japanese Psychological Research, 61(3), 192-203. doi:10.1111/jpr.12221

Kobayashi, K. (2022). The retrieval practice hypothesis in research on learning by teaching: Current status and challenges. Frontiers in Psychology, 13, 842668. doi:10.3389/fpsyg.2022.842668

Kobayashi, K. (2024). Interactive learning effects of preparing to teach and teaching: A meta-analytic approach. Educational Psychology Review, 36(1), Article 26. doi:10.1007/s10648-024-09871-4

Koh, A. W. L., Lee, S. C., and Lim, S. W. H. (2018). The learning benefits of teaching: A retrieval practice hypothesis. Applied Cognitive Psychology, 32(3), 401-410. doi:10.1002/acp.3410

Lachner, A., Hoogerheide, V., van Gog, T., and Renkl, A. (2022). Learning-by-teaching without audience presence or interaction: When and why does it work? Educational Psychology Review, 34(2), 575-607. doi:10.1007/s10648-021-09643-4

Lachner, A., Jacob, L., and Hoogerheide, V. (2021). Learning by writing explanations: Is explaining to a fictitious student more effective than self-explaining? Learning and Instruction, 74, 101438. doi:10.1016/j.learninstruc.2020.101438

Lalley, J. P., and Miller, R. H. (2007). The learning pyramid: Does it point teachers in the right direction? Education, 128(1), 64-79.

Letrud, K., and Hernes, S. (2018). Excavating the origins of the learning pyramid myths. Cogent Education, 5(1), 1518638. doi:10.1080/2331186X.2018.1518638

Nestojko, J. F., Bui, D. C., Kornell, N., and Bjork, E. L. (2014). Expecting to teach enhances learning and organization of knowledge in free recall of text passages. Memory and Cognition, 42(7), 1038-1048. doi:10.3758/s13421-014-0416-z

Renkl, A. (1995). Learning for later teaching: An exploration of mediational links between teaching expectancy and learning results. Learning and Instruction, 5(1), 21-36. doi:10.1016/0959-4752(94)00015-H

Ribosa, J., and Duran, D. (2022). Do students learn what they teach when generating teaching materials for others? A meta-analysis through the lens of learning by teaching. Educational Research Review, 37, 100475. doi:10.1016/j.edurev.2022.100475

Rogers, K., Davis, M., Maharana, M., Etheredge, P., and Chernova, S. (2025). Playing dumb to get smart: Creating and evaluating an LLM-based teachable agent within university computer science classes. Proceedings of CHI 2025. doi:10.1145/3706598.3713644

Roscoe, R. D., and Chi, M. T. H. (2007). Understanding tutor learning: Knowledge-building and knowledge-telling in peer tutors' explanations and questions. Review of Educational Research, 77(4), 534-574. doi:10.3102/0034654307309920

Song, J., Guo, Z., and Lin, J. (2026). Simulating novice students using machine unlearning and relearning in large language models. Proceedings of AIED 2026, Lecture Notes in Computer Science. doi:10.1007/978-3-032-29744-0_42

Wang, Y., Lin, L., and Chen, O. (2021). The benefits of teaching on comprehension, motivation, and perceived difficulty: Empirical evidence of teaching expectancy and the interactivity of teaching. British Journal of Educational Psychology, 91(4), 1275-1290. doi:10.1111/bjep.12416

Wang, C., Petrie, C., Stouras, M., Ettlin, N., George, A., Mejia-Domenzain, P., Swamy, V., Kaeser, T., and Svensson, O. (2026). Turning 500+ students into teachers: A semester-long study of an AI teachable agent in an undergraduate algorithms course. Proceedings of the Thirteenth ACM Conference on Learning @ Scale, 350-360. doi:10.1145/3774398.3811623

Xu, Z., Zhang, J., Tang, A., and Lee, Y.-C. (2026). Who you explain to matters: Learning by explaining to conversational agents with different pedagogical roles. Proceedings of CHI 2026. doi:10.1145/3772318.3790298