Um estudo com 435 universitários na Austrália e no Canadá analisou como habilidades de aprendizagem autorregulada se relacionam com a aceitação e o uso de ferramentas de IA generativa, como chatbots. Os resultados indicam que crenças de autoeficácia, apoio social, motivação intrínseca e regulação de esforço ajudam a explicar por que alguns estudantes percebem essas ferramentas como fáceis de usar e úteis, especialmente quando a finalidade é acadêmica.
O QUE HÁ DE NOVO: A pesquisa, publicada no Australasian Journal of Educational Technology, combina dois referenciais comuns na área, aprendizagem autorregulada (SRL) e o Modelo de Aceitação de Tecnologia (TAM), para investigar a adoção da IA generativa no início de sua popularização no ensino superior. O levantamento foi aplicado em 2023, em duas rodadas, com estudantes de duas universidades (uma australiana e uma canadense), reunindo uma amostra internacional de 435 respondentes, incluindo alunos de programas de formação docente e de uma via de acesso preparatória ao bacharelado.
COMO FUNCIONA: O estudo usou um survey estruturado com escalas validadas: subescalas do questionário SRL-O (para mapear autoeficácia, motivações, regulação de esforço, planejamento/gestão do tempo e apoio social) e uma versão estendida do TAM adaptada para “ferramentas de IA” (para medir utilidade percebida, facilidade de uso, norma subjetiva, confiança e preocupações de segurança/privacidade). Os pesquisadores aplicaram análises fatoriais para validar os construtos no conjunto de dados e, em seguida, modelagem de equações estruturais para testar quais dimensões de SRL prediziam a percepção de facilidade de uso e de utilidade; por fim, rodaram uma análise multigrupo para comparar estudantes que usavam IA para aprendizagem universitária versus uso apenas não acadêmico.
PRINCIPAIS RESULTADOS: No modelo geral, autoeficácia e apoio social se associaram de forma significativa à facilidade de uso percebida, sugerindo que estudantes mais confiantes e com mais disposição/condições de buscar ajuda tendem a achar a IA mais “navegável” na prática. Já a utilidade percebida foi explicada principalmente por motivação intrínseca e regulação de esforço, indicando que estudantes mais interessados em aprender e mais persistentes frente a dificuldades tendem a enxergar mais valor educacional na ferramenta, ainda que o estudo também aponte que a relação entre facilidade de uso e utilidade permanece forte, como prevê o TAM.
POR QUE ISSO IMPORTA PARA A EDUCAÇÃO: Os achados deslocam o foco de uma discussão centrada apenas em “quais ferramentas usar” para “quais competências sustentam um uso educacionalmente produtivo”. Para a sala de aula universitária, isso sugere que a adoção responsável de IA generativa depende de práticas que fortaleçam a autorregulação: estudantes precisam definir objetivos, monitorar a qualidade das respostas, sustentar o esforço e buscar suporte quando necessário, especialmente porque a própria pesquisa relembra limitações conhecidas, como respostas inconsistentes e erros factuais (as chamadas alucinações).
EXEMPLOS NA PRÁTICA EDUCACIONAL: Em termos de desenho pedagógico, a implicação é que docentes podem obter melhores resultados ao modelar usos de GenAI conectados a estratégias de SRL, por exemplo, orientar como pedir explicações alternativas, solicitar justificativas, comparar fontes e usar a ferramenta para planejar etapas de um trabalho, em vez de apenas “gerar texto”. No apoio institucional, entra a criação de rotinas e canais de suporte (monitoria, orientação de biblioteca, tutoria acadêmica e guias de boas práticas) para que a socialização de estratégias reduza fricções e aumente a percepção de facilidade de uso sem naturalizar usos inadequados.
SIM, MAS…: Por se tratar de um estudo transversal e correlacional, os resultados descrevem associações e não permitem afirmar causa e efeito (por exemplo, se a motivação intrínseca faz a IA parecer mais útil ou se uma experiência inicial positiva com IA retroalimenta a motivação). A amostra também se concentra em poucas instituições e em áreas específicas, o que limita a generalização para outros cursos, níveis de familiaridade tecnológica e culturas de avaliação; além disso, a rápida evolução das ferramentas pode mudar padrões de uso e percepção em poucos semestres.
O QUE VEM DEPOIS: Os autores apontam a necessidade de estudos longitudinais e em mais instituições e disciplinas para observar se esses vínculos entre SRL e aceitação tecnológica se mantêm, se intensificam ou se mudam à medida que a IA se integra ao currículo. Para gestores e tomadores de decisão, a mensagem prática é que políticas de adoção de GenAI no ensino superior tendem a funcionar melhor quando combinam diretrizes de uso com formação docente e apoio ao estudante voltados a competências de autorregulação, criando condições para que a utilidade percebida venha acompanhada de critérios, checagem e autonomia acadêmica.
