Um estudo com 192 participantes do ensino superior aplicou técnicas de clusterização para identificar quatro “personas” de adoção de chatbots de IA generativa, mostrando que usuários com o mesmo acesso à tecnologia podem divergir fortemente em confiança, percepção de utilidade, conforto ético e intenção de uso. A segmentação, baseada em dados perceptuais e comportamentais, aponta caminhos mais realistas para universidades desenharem implantação, formação e governança de GenAI sem tratar estudantes e docentes como um grupo homogêneo.
O QUE HÁ DE NOVO: A pesquisa publicada em 2026 no International Journal of Educational Technology in Higher Education propõe uma abordagem “centrada na pessoa” para entender a adoção de chatbots baseados em modelos de linguagem (como ChatGPT e similares) no ensino superior. Em vez de estimar apenas efeitos médios, como fazem modelos clássicos de aceitação de tecnologia, o estudo segmentou os respondentes em quatro grupos latentes: Cautious Achievers, Skeptical Utilitarians, Disengaged Doubters e Engaged Enthusiasts, revelando heterogeneidade relevante para decisões de implementação.
COMO FUNCIONA: Os autores partiram de um survey online (Qualtrics) com 192 respostas válidas, reunindo estudantes (107) e educadores (85) de múltiplas áreas e instituições, com distribuição de gênero próxima ao equilíbrio (54% mulheres, 46% homens) e idades de 18 a acima de 65 anos. As percepções foram medidas em escala Likert de cinco pontos e organizadas em 13 variáveis para a segmentação, incluindo construtos compostos (como facilidade de uso, utilidade, eficiência, confiança, preocupações de privacidade, qualidade de interação e informação, considerações éticas, experiência de aprendizagem personalizada e satisfação) e indicadores diretos (intenção de continuar usando, grau de dependência e efetividade percebida na aprendizagem).
Para descobrir os grupos, o estudo calculou escores compostos por participante, padronizou as variáveis (z-score) e aplicou uma estratégia em dois estágios: clusterização hierárquica (Ward, distância euclidiana) para explorar a estrutura dos dados e, em seguida, k-means para consolidar a solução. A escolha de quatro clusters foi sustentada por métricas internas de validade (Silhouette, Calinski-Harabasz e Davies-Bouldin), em que k=4 apresentou o melhor equilíbrio entre coesão e separação (Silhouette 0,311; Calinski-Harabasz 102,02; Davies-Bouldin 1,294), além de favorecer a interpretabilidade educacional.
PRINCIPAIS RESULTADOS: Os quatro perfis se diferenciam por combinações específicas de confiança, valor percebido e conforto ético. Os Cautious Achievers exibem avaliações moderadas na maior parte dos itens e tendem a apresentar maior confiança e alinhamento ético, com forte presença de pós-graduados, sugerindo uso cuidadoso e orientado a valor acadêmico. Os Skeptical Utilitarians relatam alta eficiência, mas menor confiança, satisfação e alinhamento ético: usam o chatbot de modo pragmático para “fazer a tarefa andar”, sem aderir plenamente ao recurso.
Já os Disengaged Doubters concentram as menores pontuações em utilidade, qualidade de interação, satisfação e efetividade percebida, com baixa dependência e menor autopercepção de proficiência tecnológica; é o grupo que mais sinaliza barreiras de entrada e baixa disposição para integrar o chatbot à rotina de estudo ou trabalho. No polo oposto, os Engaged Enthusiasts reúnem as maiores avaliações em confiança, satisfação, efetividade percebida e intenção de continuar usando, indicando integração mais orgânica do chatbot a atividades acadêmicas, tanto de aprendizagem quanto de docência.
POR QUE ISSO IMPORTA PARA A EDUCAÇÃO: Para a sala de aula, a segmentação ajuda a explicar por que a mesma política institucional pode produzir experiências radicalmente diferentes: parte dos estudantes e docentes pode ver ganhos em apoio imediato e personalização, enquanto outro grupo fica na superfície do “ganho de eficiência” ou rejeita o uso por baixa confiança, desconforto ético ou frustração com a qualidade das interações. Na prática docente, o estudo sugere que formação e diretrizes sobre GenAI precisam ir além de tutoriais técnicos: confiança, privacidade e transparência aparecem como componentes que separam uso eventual de uso sustentado, e impactam como o chatbot é incorporado ao planejamento, ao atendimento a dúvidas e ao apoio a avaliações.
SIM, MAS…: Embora a abordagem revele padrões úteis, os próprios dados apontam limites típicos de pesquisas por survey e segmentação: a amostra (192) foi obtida por estratégias de recrutamento em redes profissionais e acadêmicas, e as medidas são autorrelatadas, isto é, descrevem percepções e intenções, não necessariamente desempenho real. Além disso, participantes indicaram usar diferentes ferramentas (com predominância de ChatGPT, muitas vezes combinado a outros chatbots como Gemini/Bard), o que pode misturar experiências de produto e interface em uma mesma categoria “chatbot GenAI”.
O QUE VEM DEPOIS: O estudo aponta uma agenda prática e de pesquisa centrada em implantação: usar as personas como instrumento para desenhar onboarding, suporte e comunicação por perfil, em vez de programas únicos para todos. Para gestores, a implicação é tratar a adoção de GenAI como mudança sociotécnica: mapear prontidão digital, calibrar salvaguardas de privacidade e orientar usos acadêmicos legítimos tende a ser tão importante quanto escolher a ferramenta, especialmente para evitar que a adoção amplie diferenças de confiança e competência digital dentro da comunidade universitária.
