Um estudo com universitários chineses que usam IA generativa para aprender línguas investigou como a confiança na tecnologia se traduz em dependência ou resistência, e como isso afeta a intenção e o uso real em tarefas como escrita e revisão. Ao combinar modelagem estatística com entrevistas, a pesquisa sugere que a qualidade do engajamento do aluno (autoaprendizagem) e a percepção de riscos (integridade, privacidade, vieses) são peças-chave para calibrar o uso, evitando tanto o “não uso” quanto a superdependência.
O QUE HÁ DE NOVO: A pesquisa propõe e testa, com dados empíricos, um modelo que liga confiança em GenAI a dois comportamentos intermediários, reliance (tendência a aceitar a IA) e resistência, e, a partir daí, à intenção de usar e ao uso efetivo em aprendizagem de línguas no ensino superior. O trabalho reúne um survey com 682 estudantes de universidades chinesas (junho a agosto de 2024) e uma segunda etapa qualitativa com 40 entrevistas, buscando explicar por que alguns alunos adotam a ferramenta intensamente, outros evitam, e outros oscilam entre uso prudente e usos inadequados.
COMO FUNCIONA: O estudo adota um desenho misto sequencial: primeiro, um questionário com 30 itens em escala Likert de seis pontos mediu construtos como confiança em GenAI, reliance, resistência, intenção de uso, autoaprendizagem e uso real; depois, uma análise por equações estruturais (SEM) testou hipóteses de mediação (reliance e resistência como “ponte” entre confiança e intenção) e moderação (autoaprendizagem alterando a força do vínculo entre intenção e uso). Na sequência, entrevistas semiestruturadas (30–40 minutos) foram analisadas por temática para detalhar como estudantes descrevem confiança “por dentro” (no processo e nas explicações) e “por fora” (validações de professores, mídia e evidências), além de mapear padrões de uso: desde correções gramaticais e brainstorming até tradução, sumarização e redação acadêmica.
PRINCIPAIS RESULTADOS: Na etapa quantitativa, a confiança em GenAI se associou positivamente à intenção de uso (β=0,442) e à reliance (β=0,662), e negativamente à resistência (β=-0,095); por sua vez, reliance aumentou a intenção (β=0,176) e resistência a reduziu (β=-0,114). A intenção explicou parte do uso real (β=0,149), e a autoaprendizagem também se associou ao uso (β=0,123), além de intensificar a conversão de intenção em prática por meio de um efeito moderador (β=0,118). As entrevistas adicionaram nuance: confiança “intrínseca” apareceu quando a IA oferecia explicações claras, consistência e transparência sobre erros; confiança “extrínseca” dependia de validação por “informantes-chave” (como docentes), evidências em estudos/notícias e atributos como interface amigável. No comportamento intermediário, surgiram formas de reliance (subutilização, uso apropriado e superdependência) e dois tipos de resistência (passiva, por apego a hábitos, e ativa, com desencorajamento do uso).
POR QUE ISSO IMPORTA PARA A EDUCAÇÃO: Para a sala de aula, o resultado central é que “usar GenAI” não é uma variável única: o mesmo nível de confiança pode levar a trajetórias distintas, do uso apropriado (iterativo, com verificação e preservação de autoria) ao uso problemático (aceitação acrítica, risco de erros e de dependência). Para docentes e instituições, o estudo reforça que políticas vagas ou silenciosas tendem a alimentar incerteza: parte dos estudantes relatou não saber se o uso é permitido, o que afeta a confiança extrínseca e pode empurrar tanto para a resistência quanto para o uso escondido. E, para a gestão acadêmica, a pesquisa sugere que desenvolver competências de autoaprendizagem (motivação, autogestão e automonitoramento) pode ser tão determinante quanto “incentivar a ferramenta”, porque é isso que ajuda a transformar intenção em uso responsável.
SIM, MAS…: Há limites importantes: os dados vêm de estudantes chineses que já usavam GenAI para aprendizagem de línguas, o que pode restringir generalizações para outras áreas (como cálculo ou saúde), para alunos sem experiência prévia ou para contextos com regulações diferentes. Além disso, o estudo mede “uso real” por autorrelato, o que pode subestimar comportamentos sensíveis (como abuso para colar) ou superestimar práticas desejáveis. As entrevistas também indicam que a percepção de risco é variável e situacional, integridade acadêmica, privacidade, segurança e vieses, e pode tanto frear a reliance quanto ser “compensada” por uma conta informal de custo-benefício, elevando o risco de superdependência quando a pressão por desempenho é alta.
O QUE VEM DEPOIS: O trabalho aponta um caminho prático para redes e universidades: em vez de tratar confiança como “aumentar aceitação”, a agenda passa a ser calibrar confiança com base em capacidades e limites da IA, criando rotinas de verificação, transparência e integridade. Para pesquisa, ficam abertas perguntas sobre efeitos de longo prazo (por exemplo, em pensamento crítico e escrita), sobre como diferentes desenhos de avaliação mudam reliance e resistência, e sobre intervenções institucionais que reduzam riscos percebidos sem empurrar estudantes para o uso automático, especialmente em cenários onde GenAI vira padrão de estudo, e não apenas uma ferramenta ocasional.
