Um estudo com universitários na China desenvolveu e validou um instrumento para medir como estudantes usam IA generativa de forma estratégica na aprendizagem autorregulada, distinguindo o uso da tecnologia para executar tarefas acadêmicas da capacidade de regular criticamente a própria interação com a IA. Os resultados mostram padrões desiguais de uso, com maior frequência de avaliação das respostas geradas por IA, menor uso da ferramenta para autoavaliação formativa e diferenças associadas a gênero, área de estudo e exposição prévia à tecnologia.
O QUE HÁ DE NOVO: A pesquisa propôs uma escala quantitativa para investigar o uso estratégico de inteligência artificial em contextos de aprendizagem autorregulada, uma área em que predominavam estudos qualitativos com entrevistas, diários reflexivos, logs de aprendizagem e registros de interação. A validação ocorreu em duas rodadas principais de questionário online: a primeira com 488 respostas válidas de estudantes de graduação de uma universidade chinesa e a segunda com 707 respostas válidas de alunos de 13 universidades em oito cidades da China, todos situados no contexto de cursos de inglês como língua estrangeira no ensino superior.
COMO FUNCIONA: O instrumento foi construído a partir de uma revisão ampla de estratégias de uso de IA relatadas na literatura, inicialmente reunindo 115 práticas e depois reduzindo a lista por meio de análise de sobreposição, testes com estudantes e ajustes de redação. A versão validada resultou em um inventário organizado em oito dimensões: quatro ligadas ao processamento de tarefas com apoio da IA, planejamento e execução, refinamento de produto, avaliação e autoavaliação, e compensação linguística, e quatro voltadas à regulação do uso da própria IA, regulação metacognitiva centrada nas respostas geradas, regulação metacognitiva centrada nas ferramentas, regulação comportamental e regulação ética.
PRINCIPAIS RESULTADOS: As análises estatísticas confirmaram que o modelo de oito fatores era mais adequado do que modelos mais simples, de um ou dois fatores. Isso indica que “usar IA para aprender” não é uma prática única e homogênea: pedir ajuda para resumir textos, polir uma redação, traduzir material, avaliar uma resposta do chatbot, comparar ferramentas ou refletir sobre integridade acadêmica são comportamentos relacionados, mas distintos. A escala apresentou bons indicadores de confiabilidade e validade, além de invariância de medida entre grupos de gênero e áreas acadêmicas, o que sugere que pode comparar subgrupos dentro da amostra estudada.
Entre os estudantes pesquisados, a regulação metacognitiva centrada nas respostas da IA foi a estratégia mais frequente, com média de 3,82 em uma escala de 1 a 5. Já o uso da IA para avaliação e autoavaliação de trabalhos foi o menos frequente entre as estratégias de processamento de tarefas, com média de 2,99. Mulheres relataram uso um pouco mais frequente de regulação metacognitiva centrada nas ferramentas e de regulação ética; estudantes de artes, humanidades e ciências sociais também relataram mais regulação ética do que os de áreas STEM. A frequência geral de uso de IA teve forte associação com estratégias de planejamento e execução, mas não apresentou relação com regulação ética.
POR QUE ISSO IMPORTA PARA A EDUCAÇÃO: A principal contribuição educacional do estudo está em oferecer uma forma mais precisa de diagnosticar como estudantes estão integrando IA generativa à aprendizagem. Para professores, isso pode ajudar a diferenciar usos produtivos, como planejar etapas de uma tarefa, buscar explicações, revisar criticamente respostas e solicitar feedback, de usos mais frágeis, como delegar a produção final sem reflexão. Para estudantes, a escala pode funcionar como instrumento de autorreflexão, tornando visíveis lacunas na forma como selecionam ferramentas, avaliam saídas, lidam com erros e justificam eticamente o uso da IA em trabalhos acadêmicos.
A pesquisa também reforça um ponto relevante para políticas institucionais: maior exposição à IA não significa, por si só, maior consciência ética. O fato de a regulação ética não se correlacionar com frequência de uso nem com número de ferramentas utilizadas sugere que universidades e redes de ensino não devem presumir que a prática cotidiana produzirá automaticamente responsabilidade acadêmica. Diretrizes claras, atividades de formação, exemplos de dilemas reais e exigência de transparência sobre o uso da IA podem ser tão importantes quanto o acesso às ferramentas.
INSIGHT CENTRAL: O avanço conceitual do estudo está em separar duas camadas que muitas vezes aparecem misturadas no debate educacional: a IA como apoio para processar uma tarefa e a IA como objeto de regulação pelo estudante. Na primeira camada, a ferramenta ajuda a resumir, traduzir, estruturar, revisar ou avaliar um trabalho. Na segunda, o estudante precisa decidir qual ferramenta usar, como formular comandos, quando desconfiar de uma resposta, como corrigir rumos e quais limites éticos respeitar. Essa distinção desloca a discussão de “permitir ou proibir IA” para a pergunta mais pedagógica: que competências os alunos precisam desenvolver para usá-la com critério?
SIM, MAS…: O estudo tem limites importantes. A validação ocorreu em um contexto específico, estudantes chineses de graduação aprendendo inglês como língua estrangeira,, o que pode influenciar a forte presença de estratégias de tradução, compensação linguística e refinamento textual. Além disso, os dados são autorrelatados, ou seja, medem o que os estudantes dizem fazer, não necessariamente o que fazem em interações reais com sistemas de IA. A pesquisa também não demonstra, nesta etapa, quais estratégias melhoram efetivamente a aprendizagem, o desempenho acadêmico ou a qualidade da escrita.
O QUE VEM DEPOIS: Os próximos passos apontados pelo estudo incluem validar o instrumento em outras disciplinas, países, culturas acadêmicas e níveis de ensino, além de testar sua relação com indicadores concretos de aprendizagem. Para gestores e formuladores de políticas, a mensagem prática é que a integração da IA na educação exige mais do que acesso tecnológico: requer instrumentos para mapear práticas, identificar riscos de dependência ou uso indevido e orientar intervenções que combinem eficiência, pensamento crítico e integridade acadêmica.
