Um estudo com 1.704 universitários na China propõe que o sucesso em aprendizagem colaborativa humano–IA depende menos de “usar GenAI” e mais de combinar duas competências: autorregulação da aprendizagem e letramento em IA. Ao identificar quatro perfis de estudantes e relacioná-los a acesso a recursos e tipos de orientação pedagógica, a pesquisa oferece um caminho prático para intervenções e políticas institucionais que reduzam dependência de IA e ampliem autonomia.
O QUE HÁ DE NOVO: A pesquisa, conduzida com estudantes de 34 universidades de três regiões da China, identificou quatro perfis de aprendizagem a partir do cruzamento entre autorregulação (self-regulated learning, SRL) e letramento em IA (AI literacy, AIL). Com base em um survey online validado e técnicas de clusterização, os autores descrevem desde um grupo “potencial” (maioria, com baixos níveis em ambas as competências) até um grupo “master” (minoria, com altos níveis nas duas), além de dois perfis intermediários que ajudam a explicar por que alguns alunos avançam e outros caminham para a dependência de ferramentas de IA.
COMO FUNCIONA: O estudo mediu SRL com o Online Self-Regulated Learning Questionnaire (24 itens em seis dimensões, como definição de metas, gestão do tempo e autoavaliação) e AIL com a AI Literacy Scale (12 itens em quatro dimensões: consciência, uso, avaliação e ética). Os 36 itens foram padronizados e analisados com uma combinação de redução de dimensionalidade (UMAP) e K-means, resultando em quatro clusters com boa separação estatística. Em seguida, os autores examinaram como SRL e AIL se relacionavam dentro de cada perfil via correlação de Spearman e compararam os grupos quanto a “suportes externos”: contexto econômico regional, disponibilidade de dispositivos (computadores e celulares) e orientação instrucional (treinamento formal em SRL, em AIL ou integrado).
PRINCIPAIS RESULTADOS: Os quatro perfis encontrados foram: Master group (n=165), com alta SRL e alta AIL; Potential group (n=792), com baixa SRL e baixa AIL; AI-inclined group (n=235), com AIL alta e SRL baixa; e Development group (n=512), com SRL relativamente mais alta e AIL mais baixa. A distribuição sugere que, sem intervenções, a “maestria” é rara (cerca de 9,7%), enquanto quase metade permanece no estágio inicial. O padrão mais preocupante aparece no grupo “AI-inclined”: quanto maior o uso de IA, piores alguns componentes centrais de autorregulação, como estratégias de tarefa e gestão do tempo, indicando risco de substituição de processos de aprendizagem por execução assistida.
INSIGHT CENTRAL: A pesquisa aponta um mecanismo que diferencia colaboração produtiva de dependência: a conexão entre autoavaliação do estudante (SRL) e avaliação crítica das saídas da IA (AIL). Nos perfis mais avançados, essa “ponte” aparece de forma consistente; no perfil inclinado à IA, ela praticamente não se forma, sugerindo que competência técnica e frequência de uso não bastam para garantir aprendizagem. Em paralelo, surge um achado menos intuitivo: mesmo entre alunos mais proficientes, maior atenção a ética em IA pode se associar a perdas em eficiência (tempo e estratégia), como se o custo cognitivo de ponderar riscos e responsabilidades gerasse atrito na execução.
POR QUE ISSO IMPORTA PARA A EDUCAÇÃO: Para universidades e redes que estão institucionalizando ferramentas de IA generativa, o estudo reforça a necessidade de ir além de treinamentos operacionais e de guias de “como perguntar melhor”. O desenho de experiências de aprendizagem precisa desenvolver autorregulação (metas, monitoramento, busca de ajuda, autoavaliação) em conjunto com letramento em IA (capacidade de avaliar qualidade, limites, vieses e implicações éticas). Isso tem efeito direto em sala de aula e avaliação: sem SRL, o aluno pode “entregar” mais rápido, mas aprender menos; sem AIL, pode absorver erros, vieses e raciocínios frágeis. Para docentes e gestores, os perfis funcionam como uma lente para diferenciar suporte: alguns alunos precisam de infraestrutura e acesso; outros, de andaimagem pedagógica para reflexão e avaliação crítica; outros, de estratégias explícitas para reduzir dependência.
SIM, MAS…: Por ser um estudo transversal baseado em autorrelato, ele não estabelece causalidade: não é possível concluir, por exemplo, se usar mais IA “derruba” a autorregulação ou se alunos menos autorregulados recorrem mais à IA. A amostra é concentrada no ensino superior chinês e majoritariamente feminina, o que pode limitar generalizações para outros países, idades e modalidades. Além disso, o trabalho estima parte dos “recursos externos” com indicadores provinciais (como PIB per capita e taxas de dispositivos por domicílio), o que ajuda a enxergar padrões macro, mas não substitui medidas individuais de renda e acesso.
O QUE VEM DEPOIS: A pesquisa sugere uma agenda prática e investigativa: testar intervenções longitudinais que promovam, de forma deliberada, a conexão entre autoavaliação e avaliação de IA, especialmente para o grupo com alta AIL e baixa SRL. Também propõe olhar para desigualdades mais específicas do que o “ter ou não ter internet”: o padrão “muito celular, pouco computador” apareceu associado ao grupo mais vulnerável, sinalizando que tipos de dispositivo podem influenciar a profundidade de tarefas colaborativas com IA (como escrita longa, programação e revisão iterativa). Para políticas institucionais, o próximo passo é transformar esse diagnóstico em trilhas de formação e infraestrutura orientadas por perfil, sem tratar o uso de IA como atalho universal, e mantendo a agência do estudante como objetivo central.
