Um estudo com 250 professores de matemática da rede pública do Bahrein mapeou como eles percebem o uso de inteligência artificial na educação: a avaliação geral é positiva, mas acompanhada de desafios técnicos e de implementação que aparecem com mais força entre docentes mais jovens, menos experientes e do ensino primário. Os resultados apontam para a necessidade de formação continuada e suporte ajustados ao perfil e ao contexto de trabalho para que a uso de IA gere ganhos pedagógicos sem aumentar desigualdades ou carga docente.
O QUE HÁ DE NOVO: A pesquisa entrevistou, por questionário, 250 professores de matemática de escolas públicas do Bahrein (cerca de 23% do total de docentes da área no país) para medir, ao mesmo tempo, práticas relacionadas à IA e desafios percebidos na sua adoção. O levantamento encontrou médias próximas de 3,7 (em uma escala de 1 a 5) tanto para práticas quanto para desafios, além de diferenças associadas a idade, experiência e etapa de ensino: docentes de 20 a 30 anos e com até cinco anos de carreira relataram mais uso e também mais dificuldades; professores do ensino primário reportaram o maior nível de práticas e, simultaneamente, o maior nível de obstáculos. Não houve diferenças estatisticamente significativas por gênero ou titulação acadêmica.
COMO FUNCIONA: O estudo aplicou um instrumento de 24 itens em escala Likert, adaptado de um questionário previamente usado na Jordânia, com dois blocos: 16 afirmações sobre práticas de IA (por exemplo, uso de ferramentas para personalização, feedback, conversão de materiais e apoio a tarefas) e 8 sobre desafios (como dificuldade de uso, esforço adicional, acesso a versões atualizadas, falta de especialistas, sobrecarga de trabalho e ausência de programas de capacitação). Os dados foram coletados por formulário on-line em um período de dois meses e analisados com técnicas de validação psicométrica (análises fatorial exploratória e confirmatória, indicadores de ajuste e verificação de viés de método comum), além de correlação e testes de diferença entre grupos (t-test e ANOVA) para examinar como características demográficas se relacionam às percepções.
PRINCIPAIS RESULTADOS: A relação entre “mais prática de IA” e “mais desafios” apareceu como uma correlação positiva de magnitude média (r≈0,33), indicando que o contato e a experimentação com ferramentas tendem a aumentar também a consciência de limitações e barreiras do dia a dia; na leitura estatística do estudo, as práticas explicam cerca de 11% da variação nos desafios, sugerindo que infraestrutura, suporte e desenho pedagógico ainda pesam muito. O recorte etário e de experiência mostrou um gradiente claro: professores mais jovens apresentaram maiores médias tanto em práticas (20–30 anos: ~3,91) quanto em desafios (~3,86), com queda progressiva em faixas mais velhas; padrão semelhante apareceu para tempo de carreira, com até cinco anos exibindo níveis mais altos de práticas (~3,79) e desafios (~3,91) do que quem tem 11 anos ou mais (práticas ~3,53; desafios ~3,56). Por etapa, o ensino primário se destacou com maior prática (~3,83) e maior desafio (~3,86), acima do ensino médio, que reportou menor desafio (~3,43).
POR QUE ISSO IMPORTA PARA A EDUCAÇÃO: Para redes e escolas, o achado de que o uso se associa a maior percepção de dificuldade sugere um ponto cego recorrente na adoção de IA: “treinar para usar” não basta quando a fricção vem de múltiplas fontes, suporte técnico, adequação do recurso à faixa etária, qualidade do feedback e confiabilidade para avaliação, além de rotinas escolares já saturadas. Para o trabalho docente, o estudo reforça que a promessa de eficiência pode se transformar em mais carga se a implementação exigir esforço extra, manutenção, atualização e resolução de problemas sem especialistas por perto. Para a aprendizagem, o alerta mais relevante está no ensino primário: é onde há maior entusiasmo, mas também mais barreiras, o que pode afetar a consistência do uso e a qualidade pedagógica, especialmente quando as ferramentas não são desenhadas para estudantes mais novos e suas necessidades de mediação.
SIM, MAS…: A pesquisa se baseia em autorrelato, sem observações em sala, análise de produtos de aprendizagem ou perspectivas de estudantes, o que limita a inferência sobre o que de fato muda na prática pedagógica e nos resultados em matemática. Além disso, o estudo descreve “IA” de forma ampla, de aplicações de apoio e automação a sistemas mais sofisticados,, o que pode esconder diferenças importantes entre tipos de ferramenta, temas matemáticos e condições de uso; um ambiente com pouca infraestrutura e apoio tende a produzir “desafios” altos independentemente da atitude do professor. O contexto também é específico (rede pública de um país), e a rápida evolução das ferramentas pode tornar percepções menos estáveis ao longo do tempo.
O QUE VEM DEPOIS: O estudo aponta como próximos passos pesquisas com amostras mais diversas (incluindo escolas privadas), desenhos mistos e longitudinalidade para acompanhar como percepções e práticas mudam, além de validação por entrevistas e observação em sala. Em termos de política de formação, a implicação prática é abandonar a capacitação “tamanho único”: iniciantes tendem a precisar de base, segurança e rotinas de uso; docentes mais experientes podem demandar aplicações mais avançadas e alinhadas ao currículo; e o ensino primário requer foco em adequação etária, mediação pedagógica e critérios claros de uso responsável. A agenda futura, segundo os autores, inclui também investigar fatores de escola e rede, infraestrutura, acesso a dispositivos, apoio institucional e diretrizes de privacidade, para que a IA reduza fricções e efetivamente apoie o raciocínio matemático, em vez de adicionar uma camada extra de complexidade.
