Um experimento com estudantes universitários testou uma estratégia de prompts progressivos para apoiar a aprendizagem de programação com IA generativa e encontrou ganhos significativos em pensamento computacional, especialmente em criatividade e raciocínio algorítmico. A pesquisa é relevante porque abre a “caixa-preta” das interações entre alunos e IA, mostrando que estudantes com menor domínio tendem a usar a ferramenta de forma mais superficial, enquanto os mais avançados questionam, resumem e refinam melhor as respostas.
O QUE HÁ DE NOVO: Pesquisadores analisaram uma experiência de aprendizagem de programação assistida por IA generativa com 44 estudantes de graduação em Tecnologia Educacional, de 18 a 19 anos, em uma universidade de pesquisa na China. Os participantes usaram um editor online de Python integrado ao assistente Kimi para desenvolver um jogo textual de aventura, em uma atividade desenhada para estimular pensamento computacional por meio de prompts organizados em etapas. O diferencial do estudo está em combinar avaliação de resultados, registros de tela e análise detalhada dos diálogos aluno-IA para identificar não apenas se houve melhora, mas como essa melhora apareceu durante o processo.
COMO FUNCIONA: A intervenção usou uma folha de prompts progressivos que combinava instruções gerais e prompts avançados. A parte geral seguia um esquema de contexto, papel e saída esperada, ajudando o aluno a formular pedidos mais claros à IA. A parte progressiva dividia a resolução do problema em quatro fases: exploração da situação, geração do programa, otimização do modelo e internalização do conhecimento. Em cada fase, os estudantes eram orientados a acionar habilidades específicas, como buscar ideias criativas, estruturar soluções, revisar algoritmos e avaliar criticamente o código produzido.
A atividade durou cerca de 130 minutos: apresentação da ferramenta e de suas limitações, autoavaliação inicial de pensamento computacional, 60 minutos de programação em quatro blocos de 15 minutos e nova autoavaliação ao final. Os dados vieram de uma escala de 29 itens, gravações silenciosas de tela, logs de conversa com a IA e codificação manual das interações. Ao todo, foram analisados 1.726 códigos de comportamento relacionados ao pensamento computacional e 2.068 unidades de interação humano-computador, com métodos como análise microgenética, análise sequencial com defasagem, agrupamento por k-means e testes pareados.
PRINCIPAIS RESULTADOS: Os resultados apontaram melhora estatisticamente significativa no pensamento computacional geral e em suas cinco dimensões: criatividade, resolução de problemas, pensamento algorítmico, pensamento crítico e cooperação. A criatividade teve o maior efeito observado, enquanto resolução de problemas, pensamento algorítmico, pensamento crítico e cooperação apresentaram efeitos médios. Na análise do processo, a frequência de comportamentos associados ao pensamento computacional cresceu ao longo das etapas, com destaque para um salto entre a geração do programa e a otimização do modelo, puxado sobretudo pelo desenvolvimento do pensamento algorítmico.
O PADRÃO DAS INTERAÇÕES: A pesquisa identificou quatro perfis de interação com a IA. Estudantes com menor nível de pensamento computacional se concentraram em padrões guiados e exploratórios, geralmente fazendo perguntas simples para obter explicações, corrigir erros ou confirmar caminhos. Já estudantes com nível mais alto adotaram padrões de debate e síntese: formulavam questões mais exigentes, contestavam respostas, pediam justificativas, avaliavam alternativas e resumiam aprendizados. Esse achado sugere que a qualidade da aprendizagem não depende apenas do acesso à IA, mas também da capacidade do aluno de dialogar criticamente com ela.
POR QUE ISSO IMPORTA PARA A EDUCAÇÃO: Para a sala de aula, o estudo reforça que IA generativa pode funcionar como apoio imediato em tarefas de programação, oferecendo explicações, sugestões de depuração e caminhos de otimização que normalmente exigiriam feedback individual frequente. Para professores, a contribuição mais promissora não é substituir a orientação docente, mas tornar visíveis as estratégias de pensamento dos estudantes: os registros de perguntas, respostas e revisões ajudam a identificar quem está apenas copiando soluções e quem está construindo raciocínio. Em cursos de programação, isso pode orientar intervenções mais precisas, com prompts de acompanhamento para iniciantes e desafios de reflexão para alunos mais avançados.
LIMITAÇÕES E CUIDADOS: A evidência ainda deve ser lida com cautela. A amostra foi pequena, concentrada em uma única área e em uma única instituição, e a intervenção teve curta duração, o que limita conclusões sobre efeitos persistentes na aprendizagem. Também há riscos educacionais importantes: alunos podem se acostumar a respostas rápidas, aceitar feedbacks sem verificação, depender excessivamente da IA para resolver problemas ou receber orientações imprecisas. Além disso, diferenças de infraestrutura, privacidade de dados, viés algorítmico e variações entre ferramentas como assistentes de código ou chatbots educacionais podem alterar os resultados em outros contextos.
O QUE AINDA PRECISA SER INVESTIGADO: Os próximos passos passam por testar a estratégia com amostras maiores, em diferentes cursos, níveis de ensino e ferramentas de IA generativa, além de acompanhar os estudantes por períodos mais longos. Também será importante entender como formar professores para desenhar prompts que estimulem investigação, crítica e autonomia, em vez de apenas acelerar a entrega de respostas. A principal implicação é clara: a IA pode ampliar o suporte à aprendizagem de programação, mas seus ganhos dependem de desenho pedagógico, mediação docente e práticas que ensinem o estudante a perguntar melhor, verificar melhor e pensar melhor.