Um estudo longitudinal com 300 universitários na China analisou, ao longo de 28 semanas, como características dos estudantes e “afordâncias” de ferramentas de IA generativa se combinam para fortalecer a aprendizagem autorregulada. Ao usar uma técnica configuracional (fsQCA), os autores mostram que não existe um único caminho para melhores resultados: diferentes combinações de engajamento, habilidades de pesquisa e proficiência tecnológica podem funcionar, mas funcionalidades robustas e feedback de alta qualidade aparecem como peças centrais em várias rotas de sucesso.
O QUE HÁ DE NOVO: A pesquisa examinou de forma sistemática como diferentes “configurações” entre perfil do aluno e recursos de ferramentas de IA generativa predizem ganhos em aprendizagem autorregulada (SRL, na sigla em inglês), em vez de procurar um efeito médio único. O estudo acompanhou 300 estudantes de graduação e pós-graduação, de oito instituições e regiões da China, com medições em linha de base, pós-teste e acompanhamento, após um período estruturado de uso de ferramentas de GenAI inseridas nas rotinas de estudo.
COMO FUNCIONA: O desenho foi longitudinal e dividido em fases: uma semana inicial de introdução e prática com diferentes ferramentas (com demonstrações gravadas e atividades mão na massa), 19 semanas de implementação com uso contínuo nas atividades acadêmicas, fechamento com surveys e avaliações na 20ª semana, e um follow-up até a 28ª semana com interação mínima para observar persistência de estratégias. A aprendizagem autorregulada foi medida por uma versão adaptada do MSLQ (questionário clássico de estratégias motivacionais e cognitivas), combinada a surveys semiestruturados e análises qualitativas codificadas por avaliadores independentes. Para capturar causalidade complexa, em que fatores podem compensar a ausência de outros, os autores aplicaram fuzzy-set Qualitative Comparative Analysis (fsQCA), calibrando os dados para graus de pertença (0 a 1) e identificando combinações “suficientes” para altos níveis de SRL, além de checar robustez e validade preditiva em subamostras.
PRINCIPAIS RESULTADOS: No teste de condições necessárias, “funcionalidade das ferramentas” teve o maior destaque (consistência 0,758; cobertura 0,816), com “habilidades de pesquisa” e “qualidade do feedback” também apresentando valores elevados, sem que qualquer fator isolado fosse considerado absolutamente indispensável. Na análise de tabela-verdade do fsQCA, a solução agregada apresentou alta consistência (0,963) e cobertura de 0,277, indicando múltiplos caminhos confiáveis, ainda que não expliquem todo o fenômeno. Entre as configurações descritas, aparecem três rotas exemplares: (1) mesmo com baixa proficiência tecnológica, atitude e engajamento, a combinação de funcionalidades robustas, feedback de alta qualidade e boa experiência de interface pode sustentar alta SRL; (2) proficiência tecnológica, habilidades de pesquisa e atitude positiva podem compensar baixo engajamento e interface menos favorável quando o sistema oferece muitas funções e bom feedback; (3) com proficiência, habilidades de pesquisa, atitude positiva e alto engajamento, a SRL pode melhorar mesmo sem feedback de alta qualidade, desde que haja muitas funções e boa interface. Testes de robustez (ajustes de limiares) e uma análise pós-hoc por regressão Tobit reforçaram a relevância das três configurações como preditores do desfecho.
POR QUE ISSO IMPORTA PARA A EDUCAÇÃO: Para salas de aula e cursos superiores, o achado central é prático: ferramentas de IA generativa não “funcionam” por si só, e o ganho em autorregulação tende a depender do encaixe entre desenho do sistema (funcionalidades, feedback, usabilidade) e capacidades do estudante (pesquisa, proficiência digital, atitude e engajamento). Isso desloca o debate de “permitir ou proibir” para “em que condições o uso agrega valor”, especialmente em competências essenciais como planejar estudos, monitorar progresso e revisar estratégias, componentes diretamente ligados a desempenho acadêmico e aprendizagem ao longo da vida.
POR QUE ISSO IMPORTA PARA A EDUCAÇÃO: Para o trabalho docente e a gestão acadêmica, a implicação é que políticas de adoção precisam olhar além da aquisição de licenças: treinamento, desenho de atividades e critérios de feedback importam tanto quanto a ferramenta. A presença recorrente de feedback de alta qualidade nas configurações sugere que a IA pode ser mais efetiva quando estruturada para retroalimentação acionável (e não apenas respostas), enquanto a ênfase em “funcionalidade” e “experiência de interface” sinaliza que usabilidade e integração ao fluxo do estudante reduzem fricção e ampliam a chance de uso consistente. Ao mesmo tempo, o estudo aponta que diferentes perfis podem exigir apoios distintos, o que tem impacto direto em equidade: alunos com menor proficiência tecnológica podem depender mais de bom design e de feedback do sistema para não ficarem para trás.
SIM, MAS…: Os autores reconhecem limitações que afetam a generalização: o recorte geográfico (instituições na China) pode não refletir contextos culturais e curriculares de outras regiões; a própria tecnologia de GenAI segue mudando rapidamente, o que pode alterar resultados e exigir replicações; e a operacionalização dos sete componentes analisados pode ser expandida com novos itens e instrumentos. Na prática, isso sugere cautela antes de transformar as configurações encontradas em “receitas” universais para redes ou sistemas educacionais.
O QUE VEM DEPOIS: Como próximos passos, o estudo abre espaço para pesquisas que testem as mesmas combinações em outros países, níveis de ensino e formatos (presencial e EAD), além de investigações de longo prazo sobre persistência de estratégias de autorregulação após o uso ativo das ferramentas. Também aparece uma agenda de produto: a discussão sugere que ferramentas generalistas (como chatbots de uso amplo) nem sempre são desenhadas para necessidades pedagógicas, reforçando o interesse em soluções educacionais específicas, com dados, feedback e interfaces voltados a apoiar planejamento, monitoramento e reflexão do estudante, sob governança e objetivos educacionais claros.
