Uma revisão de escopo analisou 43 estudos empíricos (1966–2023) sobre o uso de chatbots para apoiar a motivação de estudantes e concluiu que, em geral, há associação positiva, mas com evidências ainda fragmentadas, pouco longitudinal e, muitas vezes, inferior a intervenções com feedback humano. O trabalho organiza teorias, variáveis motivacionais, desenhos de intervenção e características dos chatbots, oferecendo pistas práticas para implementação e um roteiro de pesquisa para entender motivação como fator dinâmico no aprendizado mediado por IA.
O QUE HÁ DE NOVO: O estudo “Chatbots and student motivation: a scoping review” sistematiza um tema que vinha aparecendo apenas de forma lateral em revisões anteriores: a motivação como construto central (e multidimensional) em experiências de aprendizagem com chatbots. A triagem partiu de 3.340 registros e chegou a 43 estudos quantitativos ou de métodos mistos, publicados principalmente em periódicos revisados por pares, com predominância de participantes do ensino superior (31 estudos) e aplicações frequentes em aprendizagem de línguas (18), computação (9) e ciências humanas e sociais (6).
COMO FUNCIONA: Em vez de testar um único chatbot, os autores mapearam como pesquisas têm desenhado intervenções com agentes conversacionais para influenciar motivação. Os trabalhos revisados usaram chatbots com quatro objetivos pedagógicos recorrentes: promover suporte de interação social (o mais comum), oferecer scaffolding durante tarefas (perguntas guiadas e feedback), entregar informações e conteúdos do curso (incluindo rotinas administrativas) e apoiar processos metacognitivos (planejamento, monitoramento e recomendações). As interações variaram de sessões curtas (15 a 180 minutos) a usos ao longo de semanas ou meses, mas a mensuração de motivação foi, na maior parte, pontual (no fim da intervenção) e baseada em questionários de autorrelato (41 de 43 estudos).
PRINCIPAIS RESULTADOS: A revisão identificou ampla variedade de bases teóricas: 30 dos 43 estudos recorreram a pelo menos um entre 26 modelos, combinando teorias motivacionais (como teoria da autodeterminação e ARCS), teorias de aprendizagem (como autorregulação e ICAP), abordagens de comunicação (incluindo estratégias de humanização e personalidade do agente) e modelos de aceitação de tecnologia (como TAM e UTAUT). Entre 33 variáveis motivacionais mapeadas, engajamento (19 estudos), interesse (17) e motivação intrínseca (15) foram as mais investigadas, frequentemente ao lado de desempenho acadêmico (21) e percepções de design do chatbot (8), como “human-likeness” e apelo.
PRINCIPAIS RESULTADOS: No conjunto, estudos que analisaram relações entre percepções do chatbot e motivação tendem a encontrar correlações positivas, por exemplo, quando estudantes percebem maior presença social, utilidade ou valor de aprendizagem. Em comparações com grupos controle, chatbots geralmente superaram condições sem chatbot ou com outras ferramentas, mas ficaram atrás, ou empataram, quando a referência era feedback humano ou abordagens pedagógicas estruturadas (como aprendizagem baseada em projetos e o modelo 5E). Também aparecem sinais de que manter interesse ao longo do tempo pode depender de histórico de interações humanas e do contexto (com destaque para cenários de aprendizagem de línguas), reforçando que “motivar” não é um efeito automático da conversa com IA.
POR QUE ISSO IMPORTA PARA A EDUCAÇÃO: Para escolas e universidades, a síntese sugere que chatbots podem funcionar como camada de apoio à motivação em rotinas de estudo, especialmente ao aumentar responsividade, sensação de acompanhamento e oportunidades de prática,, mas dificilmente substituem, por si só, o papel do professor e de estratégias didáticas bem desenhadas. A revisão também chama atenção para decisões de desenho instrucional: recursos que promovem interações mais “construtivas” e dialógicas (em vez de respostas passivas) tendem a ser associados a melhores resultados motivacionais, o que tem impacto direto no planejamento de atividades, no tipo de pergunta proposta e no nível de estrutura oferecido aos estudantes.
POR QUE ISSO IMPORTA PARA A EDUCAÇÃO: Do ponto de vista de equidade e implementação, a literatura revisada indica que letramento digital pode moderar os ganhos: estudantes com menor prontidão tecnológica parecem se beneficiar mais quando há suporte adicional do docente, enquanto estudantes com maior letramento podem manter boa experiência com menos mediação. Para gestão acadêmica, isso aponta para a necessidade de desenho de adoção que inclua orientação inicial, integração ao currículo e expectativas claras de uso, evitando que o chatbot vire apenas “tira-dúvidas” ou, no extremo oposto, um espaço de autonomia sem estrutura que desengaja parte da turma.
SIM, MAS…: A revisão enfatiza limitações importantes: há pouca pesquisa longitudinal (apenas quatro estudos acompanharam mudanças no tempo com medições repetidas) e predomínio de questionários de autorrelato, sujeitos a vieses como desejabilidade social. Além disso, apesar do interesse atual por IA generativa, apenas dois estudos do conjunto analisaram chatbots GenAI (como ChatGPT) com foco em variáveis motivacionais, um retrato de um campo ainda em transição, no qual boa parte das evidências vem de chatbots baseados em regras ou de agentes com escopo mais fechado.
SIM, MAS…: A discussão também introduz um risco pedagógico específico da GenAI: a possibilidade de respostas incorretas e a confiança excessiva do estudante no conteúdo gerado, o que pode afetar engajamento e motivação quando o erro é percebido (ou, pior, quando não é). Em contraste, chatbots baseados em regras podem oferecer maior consistência em domínios delimitados, ainda que com menor flexibilidade conversacional. Na prática, isso desloca o debate de “qual IA é mais avançada” para “qual configuração equilibra autonomia, estrutura, precisão e objetivos de aprendizagem”.
O QUE VEM DEPOIS: Como agenda, o estudo aponta a necessidade de tratar motivação como processo dinâmico (não apenas um resultado ao final), combinando autorrelatos com evidências observáveis (logs de uso, padrões de interação, desempenho) e, potencialmente, análise de conversas para inferir estados motivacionais. Também sugere desenhar intervenções que conectem objetivos curriculares a metas pessoais do estudante, testando como diferentes perfis motivacionais e níveis de autonomia respondem a chatbots com mais ou menos estrutura.
CONTEXTO E BASTIDORES: Ao organizar o campo, a revisão ajuda a reposicionar chatbots educacionais, agora impulsionados por LLMs, dentro de um problema clássico da educação: manter interesse, engajamento e persistência sem reduzir a aprendizagem a recompensas imediatas. Para tomadores de decisão, a evidência disponível sugere uma conclusão pragmática: chatbots tendem a funcionar melhor como complemento à docência e ao desenho pedagógico, e o ganho sustentável de motivação depende menos do “efeito novidade” e mais de integração intencional, suporte docente e avaliação rigorosa ao longo do tempo.
