Um estudo qualitativo com cinco universitários examinou como o uso de inteligência artificial (IA) generativa influencia o raciocínio estatístico durante a criação de gráficos. A ferramenta reduziu obstáculos técnicos e favoreceu ajustes sucessivos, mas estudantes com menor domínio conceitual tiveram dificuldade para planejar a análise e interpretar o que produziram, uma distinção importante para quem considera adotar IA em aulas de estatística.
O QUE HÁ DE NOVO: Pesquisadores acompanharam cinco estudantes de graduação que já haviam concluído uma disciplina introdutória de estatística e não tinham experiência prévia em programação. Em entrevistas presenciais, cada participante usou o Rtutor.AI para criar um gráfico de dispersão com dados de 18 alunos de três escolas, relacionando horas de estudo e notas em um exame. O trabalho descreve como eles pensaram durante a tarefa, em vez de medir ganhos de aprendizagem ao longo de um curso.
COMO FUNCIONA: No Rtutor.AI, o estudante carrega uma planilha e descreve em linguagem natural o gráfico ou a análise desejada. A ferramenta envia o pedido e informações sobre os dados ao ChatGPT, recebe código em R, executa-o e mostra tanto o código quanto o resultado. Na pesquisa, os participantes primeiro esboçaram um gráfico à mão; depois, construíram e ajustaram a visualização na ferramenta e, por fim, compararam as versões e recomendaram uma escola com base nos dados. As sessões duraram cerca de uma hora e foram analisadas a partir de falas, gravações da tela, materiais escritos e anotações dos observadores.
A IDEIA CENTRAL: O interesse pedagógico não está apenas em produzir um gráfico sem programar, mas em observar se a facilidade de gerar e revisar visualizações abre espaço para pensar nas escolhas estatísticas. Ao formular pedidos sobre variáveis, eixos e linhas de tendência, os estudantes podem explicitar um plano e confrontá-lo com o resultado; se deixarem todas essas escolhas para a ferramenta, podem chegar ao gráfico sem compreender sua construção.
PRINCIPAIS RESULTADOS: A análise identificou cinco temas, entre eles o planejamento e a revisão de comandos, a construção gradual do gráfico, a seleção de informações relevantes e a influência do conhecimento prévio. Todos conseguiram operar a ferramenta, e alguns relataram que acrescentar componentes um a um ajudou a entender a visualização. Também houve casos em que a IA escolheu elementos não solicitados, como variáveis dos eixos. Um participante produziu o gráfico, mas teve dificuldade para explicar a relação entre os dados e sustentar uma conclusão sobre as escolas. Os achados descrevem comportamentos observados; não demonstram melhora nas notas ou na aprendizagem.
LIMITES E CUIDADOS: A amostra de cinco pessoas, a ausência de grupo de comparação e a realização de uma única tarefa impedem generalizações sobre a eficácia da ferramenta em disciplinas inteiras. Os estudantes já tinham estudado os conceitos básicos, e o exercício ocorreu sob observação, condição diferente de uma atividade feita sozinho em casa. Os resultados também não permitem concluir que a mesma dinâmica se repetiria em tópicos mais complexos, como testes de hipóteses.
POR QUE ISSO IMPORTA PARA A EDUCAÇÃO: Em disciplinas cujo objetivo é interpretar dados, e não aprender a programar, reduzir o trabalho com a sintaxe pode dar mais tempo para discutir perguntas, comparar padrões e justificar conclusões. Para os professores, porém, a facilidade de obter um gráfico exige atividades que tornem visíveis as decisões do aluno: por que escolheu aquelas variáveis, o que mudou após cada ajuste e quais inferências os dados permitem. Sem essa mediação, estudantes com bases conceituais mais frágeis podem terminar a tarefa com uma visualização pronta, mas sem condições de avaliá-la criticamente.
PRÓXIMOS PASSOS: O estudo aponta para o teste de estratégias de ensino que combinem fundamentos estatísticos com uso orientado de IA, inclusive em turmas que ainda estejam aprendendo os conceitos. Resta investigar quais atividades levam os estudantes a revisar seus próprios planos, como isso varia conforme a complexidade da análise e se a reflexão observada nas entrevistas se mantém em situações comuns de sala de aula.
Fonte: Students’ Statistical Thinking When Using Generative AI: A Descriptive Case Study
