Um estudo com mais de mil universitários chineses indica que estudantes que se sentem autônomos, competentes e apoiados usam melhor estratégias de autorregulação da aprendizagem, e, com isso, desenvolvem níveis mais altos de letramento em inteligência artificial, incluindo consciência, uso, avaliação crítica e ética.
O QUE HÁ DE NOVO: Pesquisadores da Beijing Normal University, da Minzu University of China e da Vrije Universiteit Brussel aplicaram um questionário a 1056 estudantes de uma grande universidade chinesa fortemente engajada na estratégia nacional “Artificial Intelligence +”. O estudo, publicado na revista Behavioral Sciences, testa um modelo que conecta satisfação de necessidades psicológicas básicas, uso de estratégias de aprendizagem autorregulada e letramento em inteligência artificial (IA) em cursos de graduação e pós-graduação, principalmente de áreas não técnicas.
COMO FUNCIONA: O trabalho se apoia na Teoria da Autodeterminação (SDT), que identifica três necessidades psicológicas centrais para a motivação: autonomia, competência e relacionamento. Os autores mediram o quanto os estudantes sentem que podem escolher como usar ferramentas de IA, que são capazes de aprender com elas e que se percebem apoiados nesse processo. Em paralelo, avaliaram quatro tipos de estratégias de aprendizagem autorregulada (SRLSs): engajamento cognitivo (por exemplo, fazer anotações, conectar ideias), conhecimento metacognitivo (planejar, monitorar e ajustar o próprio estudo), gestão de recursos (tempo, apoio de colegas e professores, busca de ajuda) e crenças motivacionais (confiança, interesse e metas pessoais em relação à IA).
COMO FUNCIONA: Para medir o letramento em IA, o estudo utilizou uma escala que organiza a competência em quatro dimensões: consciência (saber o que é IA, identificar tecnologias inteligentes no cotidiano), uso (conseguir operar aplicações de IA para estudo e trabalho), avaliação (julgar capacidades, limitações e adequação de ferramentas de IA para diferentes tarefas) e ética (respeito à privacidade, segurança e atenção a riscos de abuso). Todos os itens foram respondidos em uma escala de cinco pontos. As relações entre os três blocos, necessidades psicológicas, estratégias de autorregulação e letramento em IA, foram analisadas com modelagem de equações estruturais baseada em mínimos quadrados parciais (PLS-SEM), buscando explicar quão fortemente cada variável contribui para os diferentes aspectos do letramento.
PRINCIPAIS RESULTADOS: Os dados mostram que sentir-se autônomo, competente e conectado tem efeito positivo e significativo sobre todas as quatro estratégias de autorregulação. Estudantes que percebem maior autonomia relatam mais planejamento e monitoramento do próprio estudo e crenças motivacionais mais fortes; os que se sentem mais competentes tendem a gerir melhor recursos e se engajar cognitivamente com o conteúdo; e aqueles que percebem apoio e pertencimento usam mais estratégias em geral. Em termos estatísticos, as três necessidades apresentaram coeficientes de impacto moderados a altos sobre engajamento cognitivo, metacognição, gestão de recursos e motivação.
PRINCIPAIS RESULTADOS: As estratégias de autorregulação, por sua vez, estão diretamente associadas aos diferentes componentes do letramento em IA. Crenças motivacionais são o fator mais robusto: influenciam positivamente consciência, uso, avaliação e ética em IA. Estudantes motivados não apenas usam mais IA, como também tendem a refletir mais sobre impactos éticos e a avaliar melhor ferramentas. Conhecimento metacognitivo também se destaca, sobretudo na avaliação e na ética, sugerindo que saber monitorar o próprio pensamento ajuda a lidar com dilemas e limites da IA. Gestão de recursos se relaciona com consciência, uso e avaliação, mas não com ética. Já o engajamento cognitivo favorece consciência e uso prático, sem efeito claro sobre julgamento ético.
POR QUE ISSO IMPORTA PARA A EDUCAÇÃO: Os resultados reforçam que investir apenas em conteúdos técnicos de IA é insuficiente. Para que estudantes de diferentes cursos desenvolvam letramento em IA, entendendo o que estão usando, para que serve e quais riscos envolve, é crucial criar ambientes de ensino que promovam autonomia real (escolhas sobre como explorar ferramentas), sensação de competência (suporte progressivo em conceitos e práticas) e relações de apoio com docentes e colegas. Isso vale especialmente em contextos onde a IA permeia atividades de sala de aula, avaliação, orientação acadêmica e serviços de apoio.
POR QUE ISSO IMPORTA PARA A EDUCAÇÃO: Para o trabalho docente, o estudo sugere que o papel do professor em cursos com IA não se limita a demonstrar ferramentas ou impor regras de uso. Professores podem atuar como designers de experiências de aprendizagem que estimulem estratégias de autorregulação, por exemplo, pedindo que estudantes planejem como usar IA em um projeto, registrem decisões, comparem resultados com e sem ferramentas e discutam problemas éticos encontrados. Para gestores e formuladores de políticas, a pesquisa indica que programas institucionais de “IA na universidade” precisam articular formação técnica, desenvolvimento socioemocional e apoio à aprendizagem autorregulada, sob pena de ampliar o fosso entre usuários que apenas “apertam botões” e aqueles que de fato compreendem, avaliam e usam a IA de forma responsável.
SIM, MAS… (limitações e riscos): A investigação foi realizada em uma única universidade chinesa com forte agenda institucional de IA, o que pode não refletir realidades de instituições com menos infraestrutura tecnológica ou culturas acadêmicas diferentes. A amostra é majoritariamente feminina e concentrada em áreas de humanas e ciências sociais, o que pode influenciar padrões de uso e percepções sobre IA. Além disso, as medidas se baseiam em autorrelato, sujeitas a vieses de percepção e desejabilidade social: estudantes podem superestimar tanto suas estratégias de estudo quanto seu comportamento ético com IA.
SIM, MAS… (limitações e riscos): Outro ponto é que o estudo não detalha quanto e como os estudantes de fato usam IA nas atividades acadêmicas diárias. A diversidade de ferramentas, de chats generativos a sistemas de recomendação ou plataformas adaptativas, tende a gerar experiências educativas muito distintas, que não aparecem com clareza nos questionários. Também não há recorte por ano de curso, o que poderia revelar trajetórias de maturação do letramento em IA e da autorregulação ao longo da graduação. Essas lacunas limitam generalizações e indicam a necessidade de complementar pesquisas com dados objetivos de uso e desenhos longitudinais.
EXEMPLOS NA PRÁTICA EDUCACIONAL: Em um curso de introdução à IA para alunos de Direito ou Pedagogia, por exemplo, a instituição pode oferecer projetos em que grupos escolhem livremente problemas de seu campo (como análise de decisões judiciais ou planejamento de aulas) e definem, com orientação do professor, quais ferramentas de IA utilizar. Ao longo do projeto, os estudantes registram decisões, monitoram dificuldades, buscam apoio entre pares e com o docente e, ao final, são convidados a avaliar as soluções de IA quanto à eficácia, limites e implicações éticas. Essa estrutura simultaneamente reforça autonomia, senso de competência, vínculos no grupo e uso sistemático de estratégias autorreguladas.
EXEMPLOS NA PRÁTICA EDUCACIONAL: Em termos de gestão institucional, universidades podem criar centros ou clubes de “IA responsável” que funcionem como espaços de apoio ao estudo autônomo: oficinas sobre uso crítico de IA generativa, plantões para discutir políticas de integridade acadêmica, hackathons com desafios éticos e interdisciplinares. Ao integrar essas iniciativas à política pedagógica, e não apenas ao marketing institucional,, as IES aumentam as chances de que o letramento em IA se espalhe além dos cursos de computação, alcançando estudantes de todas as áreas com foco em consciência, uso competente, avaliação crítica e responsabilidade.
O QUE VEM DEPOIS: Os autores indicam que novos estudos deveriam mapear com mais precisão quais aplicações de IA estão presentes na rotina dos estudantes e como diferentes intensidades e tipos de uso modulam a relação entre necessidades psicológicas, autorregulação e letramento em IA. Ampliar a pesquisa para outras universidades, países e culturas educacionais ajudaria a entender se os padrões encontrados na China se repetem em contextos com menos centralização de políticas ou menor presença de IA institucionalizada.
O QUE VEM DEPOIS: Do ponto de vista de políticas públicas e desenho de currículos nacionais, a agenda de pesquisa pode apoiar a formulação de diretrizes de letramento em IA que incluam explicitamente componentes motivacionais, socioemocionais e de autorregulação da aprendizagem. Investigações longitudinais e quase-experimentais, que acompanhem coortes ao longo do curso e testem intervenções específicas (como disciplinas de IA ética com foco em metacognição e motivação), podem oferecer evidências mais robustas para orientar investimentos em formação docente, infraestrutura e regulação do uso de IA no ensino superior.
NOSSA LEITURA: Ao conectar necessidades psicológicas básicas, estratégias de autorregulação e letramento em IA, o estudo oferece um roteiro valioso para universidades que desejam ir além da adoção pontual de ferramentas. A mensagem central é que IA na educação superior não é apenas uma questão de software, mas de desenho de experiências que fortaleçam autonomia, competência e pertencimento dos estudantes, especialmente dos que não são especialistas em tecnologia. Para gestores e formuladores de política, a pergunta que fica é: os programas atuais de “transformação digital” estão criando condições para que os estudantes aprendam a aprender com IA de forma crítica e ética, ou apenas ampliando o acesso a ferramentas sem apoio à autorregulação e ao desenvolvimento motivacional?
Fonte(s): https://www.mdpi.com/2076-328X/15/2/165
