Um estudo publicado na Cogent Education analisou, com base no Technology Acceptance Model (TAM), como estudantes de engenharia percebem e adotam ferramentas de inteligência artificial no ensino superior. Com 150 participantes de uma universidade federal nigeriana e métodos quantitativos e qualitativos, o trabalho indica que utilidade percebida e facilidade de uso explicam a intenção de adotar IA, enquanto a atitude declarada em relação à tecnologia não prevê o uso. Ao mesmo tempo, os estudantes apontam ganhos como personalização e eficiência, mas também alertam para custos, infraestrutura, ética e o risco de enfraquecimento do pensamento crítico por dependência.
O QUE HÁ DE NOVO: A pesquisa aplicou o TAM para entender, de forma combinada, tanto os fatores estatísticos quanto os motivos relatados por estudantes sobre adoção de IA na engenharia. O levantamento foi feito em janeiro de 2025 com 150 alunos de diferentes áreas (como elétrica, petróleo, química e computação) de uma universidade federal na Nigéria, com equilíbrio de gênero (76 homens e 74 mulheres) e predominância de graduação (128). A análise quantitativa usou PLS-SEM (SmartPLS) e foi complementada por uma análise temática de respostas abertas sobre benefícios, desafios e preocupações.
COMO FUNCIONA: Os autores adaptaram um questionário de TAM para o contexto de IA, medindo quatro construtos principais: utilidade percebida (PU), facilidade de uso percebida (PEU), atitude em relação ao uso (AT) e intenção de uso (IU). Com os dados do survey, o modelo estrutural testou cinco hipóteses sobre como esses fatores se relacionam; a etapa estatística incluiu verificações de confiabilidade e validade dos construtos (como alfa de Cronbach e AVE), além de bootstrapping com 5.000 subamostras para estimar a significância das relações. Em paralelo, as respostas abertas foram codificadas por dois pesquisadores e organizadas em temas (benefícios, desafios, preocupações e recomendações), permitindo explicar “por que” certos fatores pesaram a favor ou contra a adoção.
PRINCIPAIS RESULTADOS: No modelo, a utilidade percebida foi o fator com maior efeito direto sobre a intenção de usar IA (β=0,723; t=5,977), e a facilidade de uso impactou fortemente a utilidade percebida (β=0,920; t=42,637), sugerindo que “design intuitivo” e baixa fricção de uso são centrais para que a ferramenta seja vista como valiosa. Utilidade e facilidade também ajudaram a formar a atitude (PU→AT: β=0,469; PEU→AT: β=0,483), mas a atitude não apareceu como preditora estatisticamente significativa da intenção de uso (AT→IU: β=0,158; p=0,208), um resultado que contraria expectativas comuns em estudos de aceitação tecnológica. Nos relatos qualitativos, o lado positivo foi associado a alívio de carga de trabalho, apoio a pesquisa e projetos, acesso rápido à informação e aprendizagem adaptativa; o lado limitante recaiu sobretudo em custo de assinatura, infraestrutura (energia e internet), acesso desigual e preocupações com dependência e queda de pensamento crítico.
POR QUE ISSO IMPORTA PARA A EDUCAÇÃO: Para gestores e coordenadores de cursos de engenharia, o estudo reforça que políticas de IA baseadas apenas em “atitudes favoráveis” podem ser insuficientes: o que parece mover a adoção é a percepção de utilidade concreta para estudar, resolver problemas e produzir trabalhos, ancorada em facilidade de uso. Ao mesmo tempo, a lista de barreiras indica que a integração de IA não é apenas uma decisão pedagógica, mas também de infraestrutura e financiamento, especialmente em contextos com restrições de conectividade e orçamento, onde o risco é ampliar desigualdades de aprendizagem pelo acesso diferencial às ferramentas.
Do ponto de vista do trabalho docente, os achados sugerem que iniciativas de IA ganham tração quando aparecem como apoio a atividades acadêmicas de alta demanda (feedback, simulações, resolução de problemas, pesquisa), e quando há orientação institucional sobre uso responsável. O tema mais sensível, porém, é o receio de “atrofia cognitiva”: muitos estudantes associaram o uso intensivo de IA a menor participação em pesquisa, queda de criatividade e redução de pensamento crítico, o que exige desenho didático que mantenha o estudante em tarefas de justificativa, reflexão e verificação, em vez de apenas consumir respostas prontas.
SIM, MAS…: O estudo tem limitações relevantes para decisões de política institucional. A amostra (150) vem de uma única instituição e de um contexto nacional específico, o que pode amplificar temas como acesso e infraestrutura e reduzir a comparabilidade com universidades de países com maior disponibilidade tecnológica. Além disso, parte dos resultados depende de autorrelato (percepções e intenções), o que pode não se traduzir diretamente em uso real medido por dados de plataforma ou desempenho acadêmico. Ainda assim, o trabalho oferece um mapa útil de fatores a atacar quando a adoção empaca: custo, suporte institucional, letramento em IA e salvaguardas éticas.
O QUE VEM DEPOIS: Os autores apontam como próxima etapa investigar mais diretamente a relação entre uso de IA e pensamento crítico, incluindo a possibilidade de efeitos culturais, de área de engenharia ou de condições de ensino que influenciem a percepção de “dependência”. Para sistemas e instituições, o recado prático é que ampliar a adoção passa por reduzir fricção (facilidade de uso), demonstrar valor acadêmico (utilidade) com casos alinhados ao currículo e investir em capacitação, regras de integridade e condições mínimas de acesso, sem tratar a tecnologia como substituta do trabalho intelectual que a formação em engenharia exige.
Fonte: Engineering students and AI in education: a TAM-based study of perceptions, acceptance, and barriers
