Um estudo com 1.188 futuros professores na Indonésia validou um modelo que combina prontidão psicológica e aceitação tecnológica para explicar a intenção de usar IA no estágio docente. Os resultados apontam que insegurança e percepção de facilidade de uso pesam fortemente na adesão, sugerindo que políticas de formação precisam ir além de “ensinar a ferramenta” e atacar confiança, transparência e desenho de experiência.

O QUE HÁ DE NOVO: A pesquisa propõe e valida, no contexto real de estágios de licenciatura, uma versão do TRAM (Technology Readiness and Acceptance Model) para uso de IA no ensino superior na Indonésia, integrando o Technology Readiness Index (TRI) e o Technology Acceptance Model (TAM). A equipe aplicou um survey com escala Likert de 7 pontos a 1.188 licenciandos de três universidades (após excluir 75 respostas incompletas), com amostra balanceada por gênero, área (urbana/suburbana), tipo de instituição (pública/privada) e campo de docência (ciências humanas e exatas).

COMO FUNCIONA: O modelo mede quatro traços de prontidão tecnológica, otimismo (OPT), inovatividade (INN), desconforto (DIS) e insegurança (INS), e os conecta aos pilares clássicos do TAM: facilidade percebida de uso (PEOU), utilidade percebida (PU), atitude (AT) e intenção comportamental de usar IA (AI-BI). Com PLS-SEM (SmartPLS 4.0) e bootstrapping de 5.000 reamostragens, o estudo testou 14 hipóteses sobre como esses fatores se encadeiam (por exemplo, como INS e DIS afetam PEOU e PU, e como PEOU e PU influenciam AT e AI-BI), além de checagens de validade e confiabilidade das escalas (alfa de Cronbach, CR, AVE, HTMT e Fornell-Larcker).

PRINCIPAIS RESULTADOS: O TRAM apresentou bom ajuste global (SRMR=0,068) e alto poder explicativo para os construtos centrais: PEOU (R²=0,743), atitude (R²=0,721) e intenção de uso (AI-BI, R²=0,712). Entre os caminhos mais fortes, utilidade percebida foi determinante para atitude (PU→AT, β=0,568) e também influenciou a intenção (PU→AI-BI, β=0,390), enquanto atitude elevou diretamente a intenção (AT→AI-BI, β=0,378). A facilidade percebida de uso teve papel relevante: aumentou a utilidade (PEOU→PU, β=0,225), influenciou atitude (PEOU→AT, β=0,341) e também a intenção (PEOU→AI-BI, β=0,137). Dois resultados chamaram atenção por não se confirmarem: otimismo e inovatividade não tiveram efeito direto significativo sobre utilidade (OPT→PU e INN→PU não significativos), sugerindo mediações por experiência e atitude.

INSIGHT CENTRAL: Ao incluir “prontidão” como antecedente psicológico, o TRAM desloca o foco do debate de adoção de IA na formação docente: mais do que convencer sobre benefícios, parece crucial reduzir barreiras de confiança e percepção de risco para destravar a sensação de usabilidade. No modelo, a insegurança aparece como um fator com impacto particularmente alto sobre a facilidade percebida de uso (INS→PEOU, β=0,489; f²=0,325), indicando que receios sobre segurança, privacidade e confiabilidade podem transformar ferramentas potencialmente úteis em sistemas percebidos como “difíceis” antes mesmo de serem avaliados por suas funções pedagógicas.

POR QUE ISSO IMPORTA PARA A EDUCAÇÃO: Para cursos de licenciatura e programas de estágio, os achados reforçam que a adoção de IA por futuros professores tende a depender de uma combinação de experiência de uso simples (PEOU) e evidências claras de valor para a prática (PU), traduzidas em atitudes favoráveis que, por sua vez, sustentam a intenção de uso. Na prática, isso implica que módulos de IA na formação docente devem articular habilidades técnicas (como usar ferramentas de planejamento, feedback e simulações) com alfabetização crítica: limites, vieses, verificação de qualidade e, especialmente, noções de proteção de dados e responsabilidade no uso em sala de aula.

SIM, MAS…: O estudo é transversal e baseado em autorrelato, o que limita inferências causais sobre o que vem primeiro, confiança, atitude, facilidade de uso ou intenção, e pode inflar correlações por viés de método comum. Além disso, a amostra foi selecionada por cotas e se restringe à Indonésia, país com grandes assimetrias de infraestrutura e diversidade cultural; isso recomenda cautela ao transferir o “peso” de cada fator para outros sistemas (por exemplo, contextos com políticas de dados mais maduras ou com maior padronização de plataformas educacionais).

O QUE VEM DEPOIS: A própria pesquisa aponta caminhos de refinamento: testar mediações (por exemplo, se otimismo e inovatividade operam indiretamente via atitude e experiência), incluir variáveis como influência social e características demográficas, e replicar em desenhos longitudinais e multicountry para capturar mudanças ao longo do tempo e comparações regionais na Ásia. Para gestores e formuladores de currículo, o recado é operacional: investir em interfaces e onboarding pedagógico, transparência sobre dados e segurança, e oportunidades de uso guiado no estágio pode ser tão decisivo quanto disponibilizar a ferramenta, especialmente para reduzir insegurança e ampliar a percepção de facilidade, que aparecem como alavancas centrais da intenção de uso.

Fonte: TRAM for AI use in higher education: Pre-service teachers in Indonesia