RESUMO: A aprendizagem baseada em investigação ganha um novo ambiente de interação com modelos de linguagem de grande porte, ou LLMs, como o ChatGPT: eles ajudam estudantes a formular perguntas, compreender conceitos e operar dados, mas também podem induzir aceitação acrítica de respostas. Ao examinar uma atividade de escrita acadêmica em ciência de dados, a pesquisa identificou 14 padrões de interação e concluiu que o uso educacional mais consistente exige andaimes cognitivos, ensino de avaliação crítica e estratégias de autorregulação para evitar que a conveniência da IA substitua a investigação do aluno.
O QUE HÁ DE NOVO: Pesquisadores acompanharam 19 estudantes de graduação, do primeiro ao terceiro ano, de instituições de Macau e Zhuhai, na China, enquanto realizavam uma atividade de aprendizagem baseada em investigação com apoio de um LLM integrado a uma plataforma online. A análise reuniu 370 interações por texto, 117 transcrições de entrevistas retrospectivas e 1.694 minutos de gravações de tela para descrever como os alunos transitam pelos níveis cognitivos da taxonomia de Bloom ao usar inteligência artificial generativa.
COMO FUNCIONA: Os participantes receberam uma base de dados educacionais com informações sobre perfil e desempenho discente e tiveram de escolher uma pergunta de pesquisa, explorar os dados e redigir um artigo acadêmico a partir dos resultados. Após uma introdução de 30 minutos sobre o uso do LLM, fundamentos de ciência de dados e investigação, cada estudante pôde trabalhar por até quatro horas. Além do chat integrado, eram permitidos mecanismos de busca, Python e outros programas, desde que não determinassem o rumo da pesquisa; a orientação docente foi deliberadamente limitada.
Os registros foram classificados segundo os seis estágios da taxonomia revisada de Bloom: lembrar, compreender, aplicar, analisar, avaliar e criar. A codificação combinou uma estrutura teórica prévia com a identificação de comportamentos emergentes, incluindo consultas diretas ou vagas, confirmação de conhecimento, pedidos de explicação, orientação de procedimentos, aplicação de métodos, diagnóstico técnico, crítica de pressupostos e reorganização ou integração de conteúdos. Os participantes também responderam antes da atividade a uma escala de autoeficácia para uso de IA, usada para distinguir níveis de conhecimento prévio.
PRINCIPAIS RESULTADOS: As interações mais frequentes ocorreram na fase de compreensão, quando os estudantes pediam que conceitos, relações entre variáveis e procedimentos fossem explicados. Todos exibiram comportamentos básicos de recuperação de informação, independentemente do repertório inicial. Já nos níveis superiores, houve diferença estatisticamente significativa entre os grupos: alunos com maior conhecimento prévio mostraram mais comportamentos de análise, avaliação e criação. Eles tendiam a refinar perguntas, confrontar pressupostos e usar a IA de modo estratégico; entre os menos experientes, apareceram com mais frequência objetivos imprecisos e pedidos para que o sistema gerasse respostas ou procedimentos prontos.
LIMITES E CUIDADOS: O estudo não permite afirmar que o LLM causou essas diferenças, pois observou uma única atividade, em uma amostra pequena e sem comparação direta com um ambiente sem IA ou com diferentes formas de tutoria. Ainda assim, expõe riscos práticos: respostas convincentes podem ser incorretas, enviesadas ou desprovidas de fontes verificáveis, e a facilidade para produzir texto e código pode reduzir o esforço de checagem. Os próprios autores apontam a necessidade de testes mais longos, com mais participantes e medidas complementares do comportamento, antes de generalizar os padrões para outros cursos e sistemas de ensino.
POR QUE ISSO IMPORTA PARA A EDUCAÇÃO: O resultado desloca o debate de quais tarefas a IA consegue executar para como ela organiza, ou desorganiza, o raciocínio do estudante. Em sala de aula, professores podem diferenciar os apoios: estruturas de planejamento e perguntas guiadas para quem ainda precisa compreender e aplicar métodos, e desafios de comparação, crítica e síntese para alunos mais avançados. Para instituições e formuladores de políticas, a implicação é que letramento em IA não deve se limitar ao uso de comandos: precisa incluir verificação de evidências, revisão iterativa e monitoramento metacognitivo. Avaliações orientadas ao processo de investigação, e não apenas ao texto final, tornam-se centrais para aproveitar ganhos de acesso e personalização sem aprofundar dependências ou uma nova divisão digital baseada em competência de uso crítico.
