Artigo de investigação
Este estudo examina como a integração da IA afeta psicologicamente e cognitivamente os aprendizes de inglês. Descobre que o uso de IA aumenta a ansiedade (FoMO), prejudicando a compreensão de leitura, enquanto o esgotamento digital enfraquece a ligação entre compreensão e vocabulário. O objetivo é destacar a necessidade de um uso equilibrado de IA para apoiar o aprendizado.
Este estudo examina como a integração da inteligência artificial (IA) na aprendizagem de idiomas influencia os resultados psicológicos e cognitivos entre aprendizes de inglês como língua estrangeira (EFL). Especificamente, investiga os efeitos da dependência percebida de IA, preocupações éticas e uso de IA generativa sobre o Medo de Perder Algo (FoMO), compreensão de leitura medida pela escala de estratégias de leitura e aquisição de vocabulário, considerando o papel moderador do esgotamento digital. Um desenho de pesquisa transversal foi empregado com n = 450 aprendizes de EFL, e os dados foram analisados usando modelagem estrutural de equações parciais de mínimos quadrados (PLS-SEM) para avaliar tanto as relações diretas quanto mediadas. Os achados revelam que fatores relacionados à IA preveem significativamente um FoMO mais alto, o que, por sua vez, impacta negativamente a compreensão de leitura. Embora a compreensão de leitura apoie fortemente a aquisição de vocabulário, o esgotamento digital enfraquece essa relação. O estudo destaca a dupla natureza da IA na educação, facilitando resultados de aprendizagem enquanto contribui para o estresse psicológico. Esses resultados ressaltam a importância de uma integração equilibrada da IA na aprendizagem de idiomas, enfatizando a necessidade de estratégias que mitiguem a ansiedade digital e o esgotamento. As implicações teóricas ampliam a pesquisa sobre aprendizagem mediada por tecnologia ao identificar a FoMO como um caminho afetivo crítico em contextos educacionais impulsionados por IA. Recomendações práticas incluem incorporar práticas de bem-estar digital junto com ferramentas de IA para otimizar os benefícios do aprendizado enquanto minimiza os efeitos psicológicos adversos.
A rápida integração da Inteligência Artificial Gerativa (IA) na educação transformou paradigmas tradicionais de aprendizagem de idiomas, especialmente nos contextos do Inglês como Língua Estrangeira (EFL) 1. Ferramentas como assistentes de vocabulário baseados em IA, sistemas automatizados de feedback de escrita e plataformas de aprendizagem adaptativa prometem maior eficiência e instrução personalizada2. No entanto, essa mudança tecnológica também trouxe desafios psicológicos e pedagógicos, incluindo dependência percebida de IA, esgotamento digital e preocupações éticas, que podem mediar os resultados de aprendizagem3. Um fenômeno pouco estudado, porém crítico, nesse domínio é o Medo de Perder Algo (FoMO). Nesse estado psicológico, os aprendizes se sentem compelidos a adotar ferramentas de IA devido à pressão de comparação social, potencialmente em detrimento do engajamento cognitivoprofundo 4. Embora pesquisas existentes tenham explorado o papel da IA na aquisiçãoda linguagem 5, poucos estudos examinaram como a IA Generativa interage com a dependência percebida e a FoMO para moldar a aquisição de vocabulário, deixando uma lacuna significativa na compreensão das forças duplas tanto facilitadoras quanto prejudiciais da IA naeducação 6,7.
Uma revisão da literatura revela três lacunas principais. Primeiro, estudos sobre IA na aprendizagem de EFL têm focado predominantemente nos resultados de desempenho (resultados de testes, melhorias na fluência) em vez dos mecanismos psicológicos que impulsionam a adoçãoda IA 8. Por exemplo, embora a eficiência da IA na retenção de vocabulário seja bem documentada, pouco se sabe sobre como a dependência percebida, a crença de que não se pode aprender de forma eficaz sem IA, impacta a motivação e a retenção a longoprazo 9. Segundo, embora o FoMO tenha sido amplamente estudado em contextos de mídias sociais, seu papel em ambientes de aprendizagem mediados por IA permanece inexplorado. Considerando que as ferramentas de IA frequentemente fornecem feedback em tempo real e socialmente visível (recursos de benchmarking entre pares), os aprendizes podem sentir ansiedade aumentada em relação a ficarem para trás, agravando a dependência da IA10. Terceiro, embora preocupações éticas sobre IA (privacidade de dados, viés algorítmico) sejam amplamentereconhecidas 11, seu efeito moderador na dependência e na eficácia do aprendizado não foi testado empiricamente em contextos de EFL. Essas lacunas reforçam coletivamente a necessidade de uma investigação holística que conecte a aceitação da tecnologia, a psicologia motivacional e as teorias da aprendizagem cognitiva.
Este estudo aborda essas lacunas propondo um modelo conceitual inovador que examina como o uso da IA Generativa, a dependência percebida da IA e a preocupação ética percebida pela IA influenciam a FoMO entre os aprendizes de EFL, o papel mediador da FoMO na ligação das três variáveis independentes à compreensão de leitura dos alunos de EFL e o efeito moderador do esgotamento digital entre compreensão de leitura e aquisição de vocabulário. A pesquisa proposta contribui para o desenvolvimento de uma estrutura teórica abrangente que pode ser usada para estudar os efeitos da dependência da IA na motivação intrínseca e na autonomia do aprendiz por meio das lentes da Teoria da Autodeterminação (SDT)12, dos mecanismos psicológicos por trás da FoMO em ambientes de aprendizagem mediados pela IA na Teoria da ComparaçãoSocial 13 e dos efeitos das ferramentas de dependência de IA na carga cognitiva por meio da Teoria da Carga Cognitiva (CLT)14.
As contribuições teóricas deste estudo são três. Primeiro, ele estende a SDT ao conceituar a dependência da IA como uma ameaça potencial à autonomia do aprendiz, desafiando a suposição de que a IA aumenta universalmente a motivação. Segundo, ela aplica a Teoria da Comparação Social à aprendizagem mediada por IA, revelando como o FoMO se transforma de um fenômeno das redes sociais para um motor da adoção de ferramentaseducacionais 15. Terceiro, refina a CLT ao demonstrar que os benefícios cognitivos da IA (redução da carga externa) podem ser neutralizados pela carga16 de referência induzida por dependências, oferecendo uma visão mais detalhada do impacto da IA na codificação de memória. Esses avanços teóricos fornecem uma base para futuras pesquisas sobre a psicologia da aprendizagem assistida por IA.
Para garantir rigor metodológico e aplicabilidade prática, várias considerações importantes orientaram o projeto. A população-alvo de aprendizes chineses de EFL universitária foi selecionada devido à sua alta exposição e integração institucional das ferramentas de IA, fornecendo um contexto relevante para examinar a dependência da IA. Os limites dos construtos são claramente delineados usando escalas validadas de múltiplos itens para cada variável latente, evitando sobreposição conceitual. A seleção dessas escalas específicas foi justificada por sua confiabilidade estabelecida e pela operacionalização direta dos complexos construtos psicológicos e comportamentais em investigação (preocupações éticas multidimensionais, esgotamento digital específico de aprendizagem). Para as análises planejadas de mediação e moderação, reconhecemos que os dados transversais, embora suficientes para modelagem preditiva via PLS-SEM, limitam a inferência causal definitiva para as vias mediada e moderada. O tamanho da amostra de 465 excede em muito os requisitos mínimos para poder estatístico tanto na regressão quanto no PLS-SEM, seguindo a 'regra das 10 vezes' para o número máximo de caminhos estruturais, garantindo assim estimativas estáveis e generalizáveis dos parâmetros para o modelo proposto.
Os construtos centrais do estudo são definidos da seguinte forma: Dependência Percebida de IA refere-se à crença do aprendiz em sua dependência de ferramentas de IA para eficiência e conclusão de tarefas. Preocupações Éticas Percebidas com IA abrangem apreensões relacionadas à transparência algorítmica, justiça, segurança e responsabilidade. Uso de IA Generativa indica a frequência e a extensão do uso de modelos de IA para gerar texto ou imagens. Medo de Perder Algo (FoMO) é a ansiedade de que outras pessoas possam estar tendo experiências gratificantes das quais a pessoa está ausente, aqui contextualizada para o aprendizado impulsionado por IA. Burnout Digital é o estado de exaustão emocional e mental resultante de um engajamento digital prolongado. Por fim, os resultados de aprendizagem são capturados pela Compreensão de Leitura, a capacidade de entender e aplicar estratégias com material escrito, e pela Aquisição de Vocabulário, a eficácia autopercebida no aprendizado e no uso de novas palavras.
A estrutura deste artigo é a seguinte. A Seção 1 trata do contexto, relevância, lacunas de pesquisa e contribuição do presente estudo. A Seção 2 revisa trabalhos anteriores sobre IA na aprendizagem de EFL, dependência e FoMO, sintetizando debates-chave. A Seção 3 detalha a metodologia, que inclui o desenho da pesquisa, combinando pesquisas para medir a dependência percebida/FoMO e tarefas experimentais para avaliar a retenção do vocabulário. A Seção 4 apresenta os achados, incluindo análises de mediação/moderação. A Seção 5 discute implicações para teoria, pedagogia e design de IA, enquanto a Seção 6 conclui com limitações e direções futuras.
Acesso restrito. Inicie sessão ou comece um teste para visualizar este conteúdo.
Este estudo foi realizado em conformidade com as diretrizes éticas para pesquisa em sujeitos humanos na Universidade de Yangzhou. O consentimento informado foi obtido de todos os participantes antes de sua participação, garantindo que estivessem plenamente informados sobre o propósito do estudo, procedimentos baseados em pesquisas, natureza voluntária e seu direito de desistir a qualquer momento sem consequências. Todos os métodos seguiram padrões éticos para pesquisa em humanos, garantindo confidencialidade dos participantes, anonimização dos dados e proteção ao longo de todo o estudo. O estudo envolveu coleta de dados não invasiva, baseada em pesquisas, com risco mínimo para os participantes. O estudo segue diretrizes éticas para pesquisa educacional, garantindo anonimato dos participantes e participação voluntária. O consentimento informado foi obtido eletronicamente, com informações claras sobre uso e armazenamento de dados. Nenhuma informação pessoal identificável foi coletada, e as respostas são armazenadas de forma segura em servidores protegidos por senha. Os participantes mantêm o direito de se retirar a qualquer momento. Riscos potenciais (fadiga da pesquisa) são mitigados por meio do desenho conciso do questionário, e os achados são reportados em forma agregada para evitar a identificação individual.
Revisão da Literatura
Dependência percebida de IA, Preocupações éticas percebidas com IA e Medo de perder algo (FoMo)
A incorporação dinâmica do uso da Inteligência Artificial (IA) na educação deu uma nova reviravolta ao aprendizado de idiomas, especialmente entre os estudantes do curso de Inglês como Língua Estrangeira (EFL)17. Sistemas inteligentes de tutoria, avaliação automática de escrita e plataformas de aprendizagem adaptativa são baseados em IA e proporcionam uma experiência de aprendizagem eficiente eindividualizada 18. No entanto, junto com esse desenvolvimento tecnológico, surgiram alguns problemas psicológicos, como o aumento do Medo de Perder Algo (FoMO), que é um tipo de ansiedade social porque as pessoas temem não serem incluídas em atividadesprazerosas 19. De acordo com os resultados da pesquisa, a dependência percebida da IA e as preocupações éticas percebidas sobre IA podem reforçar os níveis de FoMO entre os aprendizes de EFL e alterar suas interações com a educação baseada em IA no futuro.
Além disso, à medida que a IA encontra seu lugar no processo de ensino de idiomas, os alunos podem se tornar dependentes dessas ferramentas para corrigir sua gramática e vocabulário e melhorar suapronúncia 20. Essa dependência pode causar pressão psicológica, e os estudantes podem sentir que precisam usar consistentemente ferramentas de IA para evitar atraso acadêmico. Descobertas de pesquisas sobre dependência digital levaram à conclusão de que a dependência excessiva da tecnologia gera ansiedade devido ao medo de não ter acesso a essesdispositivos 21. No campo do aprendizado de EFL, estudantes que acreditam que a IA é necessária podem sentir FoMO porque acreditam que os colegas estão aproveitando mais dessastecnologias 22. O fenômeno é consistente com a teoria da comparaçãosocial 23, que postula que as pessoas comparam seu progresso com o dos outros. Quando a aprendizagem aprimorada por IA é vista como um sinal competitivo, os estudantes podem ter medo de perder o sucesso acadêmico a menos que maximizem seu envolvimento no uso dessasferramentas. Além disso, a conexão perpétua fomentada pelas ferramentas de IA pode distorcer as diferenças entre educação e entretenimento, o que fortalece ainda mais os comportamentos domésticos viciantes que aprimoram ainda mais o FoMO25.
H1: A percepção de dependência de IA influencia positivamente o Medo de Perder Algo (FoMO) entre os aprendizes de EFL.
H2: Preocupações éticas percebidas em IA influenciam positivamente o Medo de Perder Oportunidades (FoMO) entre os aprendizes de EFL.
IA Gerativa (Uso do ChatGPT) e Medo de perder algo (FoMo)
O aumento atual da popularidade da IA generativa (ChatGPT) no campo da educação levou a novas condições de experiências psicológicas no processo de aprendizado de uma língua 26,27. O estudo identificou recentemente que o uso dessas ferramentas de IA de alta tecnologia pode transformar significativamente o estado emocional dos aprendizes, especialmente o Medo de Perder Algo (FoMO)28. Quanto mais a IA generativa for programada para fornecer feedback instantâneo, gerar material de aprendizagem e simular uma prática de conversa, mais os alunos podem desenvolver ansiedades e se preocupar que serão deixados para trás caso não utilizem essas ferramentas com o máximopotencial possível. O processo sugere uma tendência mais ampla de aprendizado digital, na qual o avanço tecnológico não só torna possível fazer mais coisas na aprendizagem, mas também expõe as experiências de aprendizagem a novos níveis deansiedade.
Os efeitos psicológicos das ferramentas de IA generativa nos aprendizes de línguas podem ser explicados referindo-se à teoria da autodeterminação, segundo a qual competência, autonomia e parentesco são necessidades psicológicasbásicas 14. Nos casos em que os alunos acreditam que seus colegas estão obtendo resultados superiores com a ajuda da IA, atribuído ao fato de o FoMO não ser abordado31, isso também é agravado por ameaças ao seu senso de competência. Esse impacto pode ser especialmente severo em ambientes acadêmicos desafiadores, à medida que os alunos comparam seu progresso ehabilidades. Além disso, o acesso ilimitado a ferramentas de IA generativa também pode levar ao problema do uso constante, já que os aprendizes temem ficar para trás e perder progressos significativos.
O FoMO também se manifesta na forma das dinâmicas sociais da implementação de IA em comunidades deaprendizagem 33. Uma vez que a IA generativa se torne normalizada no ambiente educacional, é provável que crie um senso de pressão social para se alinhar com as novas práticas digitais incentivadas no ambiente educacional. Essa pressão pode ser especialmente forte no aprendizado de um idioma estrangeiro, onde a IA está disponível para ajudar na escrita, gramática e comunicação sem esforço aparente por parte doaprendiz 35. A ideia de ser excluído nessa transformação pode ser uma motivação para adotar estratégias de uso compulsivo, mesmo entre aprendizes que, de outra forma, poderiam estar mais inclinados a aprender de maneiras maisconvencionais 36. Novos estudos enfatizam a necessidade de compreender com mais detalhes o efeito mediador de várias características do aprendiz na relação entre o uso de IA generativa e o FoMO. As respostas para essas perguntas dependem de fatores como o nível de alfabetização digital e habilidades de autorregulação, e a motivação para aprender, que podem definir se as ferramentas de IA são recursos fortalecedores ou a causa daansiedade 37. Com base na literatura acima, é proposta a seguinte hipótese:
H3: O aumento do uso de IA generativa influencia positivamente o medo de perder algo (FoMO) entre os aprendizes de EFL.
Medo de perder algo (FoMo), Compreensão de Leitura e Aquisição de Vocabulário
O conceito psicológico de Medo de Perder Algo (FoMO) tornou-se cada vez mais influente nos comportamentos de aprendizagem online, destacando uma relação complexa com o aprendizado de uma segunda língua e os resultadosacadêmicos 38. Pesquisas recentes mostram que o FoMO, dependendo da dimensão39 da aprendizagem de idiomas, pode ter um efeito diferenciado na aprendizagem de várias dimensões da aprendizagem de línguas, especialmente na compreensão de leitura e aquisição dovocabulário 40. Essa dependência parece ser motivada pela carga cognitiva41 e pelos sistemas de controlede atenção 42, porque indivíduos com alto FoMO apresentam um padrão único de interações textuais com materiais.
Os estudos empíricos indicam que um grau moderado de FoMO aumenta o engajamento com materiais de leitura quando os aprendizes sentem que os materiais de leitura são atividades social e academicamente úteis43. No entanto, o excesso de FoMO está associado a leitura incompleta e processamento profundode baixa informação 44, o que pode degradar a compreensão. A sensação parece ser mais prevalente no espaço da leitura digital, onde notificações e aprisionamento nas redes sociais aumentamas interrupções de atenção. Dentro da aquisição de vocabulário, o FoMO apresenta uma relação mais complexa, embora a exposição a novos itens lexicais possa ser aumentada devido ao aumento do engajamento46,47, a retenção é prejudicada devido aos comportamentos compulsivos de aprendizagem.
Evidências emergentes sugerem que há variação cultural e individual nessas relações. Em comparação, aprendizes coletivistas parecem ser mais propensos às consequências negativas do FoMO na compreensãode leitura 48, o que pode estar relacionado à maior tendência de se compararsocialmente 49. Por outro lado, as experiências FoMO não têm impacto na compreensão e no aprendizado de vocabulário em aprendizes que possuem estratégias de autorregulação elevadas 50. Com base na literatura acima, são propostas as seguintes hipóteses:
H4: O medo de perder algo (FoMO) influencia negativamente a compreensão de leitura.
H5: A compreensão de leitura influencia positivamente a aquisição de vocabulário.
Efeito Moderador do Esgotamento Digital na Aprendizagem
O esgotamento digital é um problema recente com implicações psicológicas e sociais que afetam os processos de aquisição da linguagem51,52. Emocional e cognitivamente exaustivo, ao mesmo tempo, eu carecia de motivação devido a uma longa variedade de aprendizado acadêmico mediado pela tecnologia. O esgotamento digital afetou negativamente as capacidades cognitivas necessárias para processar a linguagem53. Estudos neurocognitivos ativos indicam que o esgotamento ocupacional causa fadiga, que interfere na capacidade de memóriade trabalho 54, que é um componente chave tanto da memória de palavras quanto da leitura55. Essa fadiga mental pode estar por trás das novas evidências de codificação semântica fraca em aprendizes digitalmente esgotados quando são solicitados a realizar tarefas de aprendizagem devocabulário 56.
O esgotamento digital se manifesta de forma única em contextos de EFL devido às demandas cognitivas e afetivas distintas da aquisição da linguagem. Diferente do esgotamento acadêmico geral, o esgotamento digital da EFL é agravado pela constante carga cognitiva de processar fonologia, sintaxe e semântica desconhecidas por meio de interfaces digitais, o que pode sobrecarregar a memória de trabalho de forma mais severa do que o aprendizado baseado em conteúdo57. Além disso, o filtro afetivo é intensificado pela natureza performativa da prática linguística em plataformas de IA, onde os aprendizes podem sentir ansiedade devido a correções imediatas guiadas por algoritmos e a pressão para alcançar proficiêncianativa 58. Essa combinação de carga cognitiva intensificada e pressão socioafetiva única em ambientes linguísticos digitalmente mediados cria um perfil específico de burnout que impede diretamente os processos sutis de codificação de vocabulário e compreensãode leitura 59.
O esgotamento digital e a compreensão de leitura mostram relações muito sutis no desenvolvimento do vocabulário. Embora o conhecimento incidental de vocabulário provavelmente seja adquirido por inferência contextual quando os alunos possuem fortes habilidades de leitura60, a correlação positiva entre vocabulário e desempenho em leitura diminui em alunos com altoburnout 61. Medições de rastreamento ocular indicam que aprendizes com senescência verbal também apresentam diminuição dos tempos de fixação em novos objetos lexicais durante a leitura62, implicando uma diminuição na concentração mental de fundos densos em vocabulário. Isso é semelhante à teoria do controle atencional, que sustenta que a fadiga cognitiva afeta as habilidades das funções executivas envolvidas na compreensão simultânea e no processamento lexical. É perfeitamente possível notar que o papel moderador do esgotamento digital é evidente apenas com diferenças individuais na autorregulação e no design dos ambientes deaprendizagem 63. Ser resiliente aos efeitos adversos do esgotamento também é exemplificado por aprendizes com estratégias metacognitivas de alto desempenho, pois manterão vantagem no vocabulário mesmo diante de impedimentos de compreensão. Com base na literatura acima, são propostas as seguintes hipóteses:
H6: O esgotamento digital na aprendizagem influencia negativamente a aquisição de vocabulário.
H7: Burnout Digital na Aprendizagem modera negativamente a relação entre Compreensão de Leitura e Aquisição de Vocabulário, de modo que um esgotamento maior enfraquece o efeito positivo da compreensão sobre o ganho de vocabulário.
Efeito Mediador do Medo de Perder Algo (FoMo)
A introdução da inteligência artificial na educação adicionou sistemas psicológicos complexos que determinam os resultados da compreensão de leitura64. Os dados emergentes indicam que o Medo de Perder Algo (FoMO) é um mediador vital da ligação entre o engajamento do aprendiz com tecnologias de IA e seu desempenho emleitura 65. O papel desse efeito de mediação parece especialmente proeminente em contextos onde ferramentas de IA foram promovidas como meios de facilitar um aprendizado mais eficiente, impulsionando assim pressões psicológicas que podem acabar dificultando o pensamento de ordemsuperior 66. Para garantir que ansiedades de aprendizagem autônoma não sejam desenvolvidas por aprendizes que percebem uma dependência irracional da assistência à IA67, estudos recentes focam em determinar como níveis percebidos de dependência da IA influenciam o desenvolvimento da ansiedade em relação às capacidades de aprendizagemautônoma 68. Essa ansiedade se transforma em FoMO quando os alunos pensam no que não conseguem fazer em comparação com os resultados aprimorados por inteligênciaartificial, mostrando uma tendência a desviar recursos cognitivos das etapas de compreensão profunda.
Questões éticas relacionadas à aplicação da IA correspondem aos caminhos FoMO, assim como os aprendizes que enfrentam conflitos morais devido ao uso da IA demonstram maior vigilância em relação às ações de seus colegas, o que ajuda a formar separações atencionais entre ética e compreensão de leitura70. Isso se reflete em estudos de rastreamento ocular, onde o leitor faz movimentos oculares mais regressivos ao ler65. O efeito da mediação parece ser especialmente pronunciado quando as questões éticas não são esclarecidas, deixando um peso cognitivo persistente que prejudica a leitura71. Ferramentas de IA generativa criam novos tipos de mediação com a capacidade de gerar resultados praticamente em um instante. Com base na literatura acima, são propostas as seguintes hipóteses:
H8: Medo de Perder Algo (FoMO) media a relação entre Dependência Percebida de IA e Compreensão de Leitura
H9: Medo de Perder Algo (FoMO) media a relação entre preocupações éticas percebidas de IA e Compreensão de Leitura
H10: Medo de Perder Algo (FoMO) media a relação entre o Uso de IA Generativa e a Compreensão de Leitura
Estrutura Teórica
Este estudo é principalmente guiado pela Teoria da Autodeterminação (SDT)12, que fornece uma estrutura coesa para entender como as ferramentas de IA impactam as necessidades psicológicas fundamentais que sustentam a motivação e o engajamento cognitivo do aprendiz. De acordo com o modelo, a Dependência Percebida de IA coloca diretamente em risco as necessidades primárias de autonomia e competência da SDT e pode minar a motivação intrínseca para aprender a língua ao desenvolver uma dependência excessiva da regulação externa para alcançar objetivos como compreensão de leitura e aquisição de vocabulário. Nesse contexto, o Medo de Perder Algo (FoMO) é entendido no âmbito da parentela, descrita pela Teoria da Comparação Social72 secundária. A norma social que se desenvolveu entre os pares devido ao uso extensivo da IA causa um estado de FoMO, levando à ansiedade de perder oportunidades, o que subsequentemente aumenta a dependência e, consequentemente, diminui ainda mais a motivação para aprender de forma independente.
Essa dinâmica motivacional é explicada pelos resultados cognitivos conforme descrito pela Teoria da Carga Cognitiva (CLT)73. Embora a IA generativa possa aprimorar o aprendizado ao minimizar a carga cognitiva supérflua (por exemplo, por definição instantânea), depender demais disso pode ser contraproducente para adquirir vocabulário, reduzindo a carga cognitiva necessária para codificar profundamente o léxico e armazená-lo na memória de longo prazo. Isso é ainda mais agravado pela condição de Burnout Digital, que constitui um esgotamento dos recursos cognitivos que prejudica a ligação entre compreensão e aprendizado. Por sua vez, a SDT oferece a explicação geral das rotas motivacionais, a CLT detalha os processos cognitivos subsequentes e a Teoria da Comparação Social descreve o estímulo socioafetivo (FoMO) resultante, que se combinam em uma explicação composta da influência dual da IA na aprendizagem de idiomas.
Design de Pesquisa
Este estudo adota um desenho de pesquisa empírica quantitativa para examinar as relações entre fatores relacionados à IA (dependência percebida, preocupações éticas, uso de IA generativa), Medo de Perder Algo (FoMO), esgotamento digital e resultados de aprendizagem de idiomas (compreensão de leitura e aquisição de vocabulário). É empregada uma abordagem transversal baseada em pesquisas, permitindo a coleta de dados em um único momento para avaliar correlações e efeitos de mediação/moderação. O projeto é particularmente adequado para testar o modelo teórico proposto, pois permite o uso de modelagem estrutural de equações (MEB) para analisar relações complexas entre construtos latentes.
População e amostragem
A população-alvo é composta por aprendizes de EFL em universidades chinesas, um contexto onde ferramentas de aprendizado de idiomas assistidas por IA estão cada vez mais integradas aos currículos. Uma técnica de amostragem de conveniência foi usada para recrutar 465 participantes, com o tamanho da amostra determinado por meio de uma análise de potência a priori usando G*Power 3.174. Para as análises de regressão múltipla planejadas (α = 0,05, potência = 0,95, tamanho médio do efeito f² = 0,15), a análise indicou um tamanho mínimo de amostra exigido de 166 participantes, confirmando que nossa amostra de 465 fornece poder estatístico suficiente. O tamanho da amostra também é adequado para realizar análise SEM, e segue o requisito do PLS-SEM, que indica que o número mínimo de pontos de amostragem deve ser 10 vezes maior que o número máximo de caminhos estruturais para um construto no modelo75. As amostras serão recrutadas utilizando unidades amostrais de várias universidades localizadas em diferentes regiões geográficas da China para obter altos resultados no aspecto de generalizabilidade. Em contraste, as variáveis demográficas (idade do candidato, gênero, nível de proficiência em inglês e frequência de uso das ferramentas de IA) serão registradas e usadas como elementos de controle em estudos futuros.
Para garantir a integridade analítica de nossos achados, múltiplas medidas de controle de qualidade foram implementadas durante todo o processo de coleta e preparação dos dados. A distribuição inicial da pesquisa apresentou uma taxa de resposta de 87%. Após a coleta de dados, procedimentos rigorosos de triagem foram aplicados: pesquisas incompletas com mais de 10% de dados ausentes foram excluídas listicamente, e quaisquer valores esporádicos restantes em nível de item foram tratados usando o algoritmo de imputação Expectation-Maximization no SPSS para preservar o poder estatístico e minimizar o viés. Além disso, perguntas de verificação de atenção incorporadas identificaram e facilitaram a remoção de respondentes desatentos. Esses procedimentos abrangentes, combinados com a triagem para outliers multivariados, garantiram que o conjunto de dados analítico final (N=450) atendesse a altos padrões de confiabilidade para modelagem estrutural subsequente.
Procedimento de coleta de dados
Os dados foram coletados por meio de uma abordagem de modo misto, utilizando métodos tanto online quanto presenciais para maximizar a participação e a acessibilidade. A equipe de pesquisa colaborou com os instrutores dos cursos das universidades alvo, que distribuíram o link único da pesquisa diretamente para os estudantes por meio de grupos oficiais do WeChat. Esse método aproveitava canais confiáveis para melhorar as taxas de resposta. Para a coleta de dados no local, o pesquisador principal e assistentes treinados visitavam salas de aula designadas durante as sessões programadas. Após uma breve introdução ao estudo, eles distribuíram os pacotes de pesquisa em papel. O procedimento para obter consentimento informado foi adaptado a cada modalidade. Na versão online, os participantes receberam um formulário digital de consentimento na primeira página. Eles foram obrigados a selecionar "Eu li e entendi as informações acima, e concordo voluntariamente em participar" antes que os itens do questionário fossem ativados. Para os participantes no local, uma folha informativa detalhada foi anexada ao pacote da pesquisa, e o consentimento por escrito foi obtido ao fazer com que os participantes assinassem um formulário físico de consentimento antes de receberem o questionário. O questionário completo foi projetado para ser preenchido em 15 a 20 minutos para minimizar a fadiga dos respondentes. Para garantir a qualidade dos dados, dois itens de verificação de atenção ("Por favor, selecione 'Discordo fortemente' para esta afirmação") foram incorporados na pesquisa. Submissões incompletas com mais de 10% de dados faltantes e aquelas que não passaram nas verificações de atenção foram automaticamente sinalizadas pelo sistema e subsequentemente excluídas. O período de coleta de dados durou quatro semanas, durante as quais duas mensagens de lembrete foram enviadas pelos canais iniciais de distribuição. Após a coleta, o conjunto de dados passou por um rigoroso processo de limpeza, incluindo verificações de valores ausentes, valores univariados e multivariados, e violações das suposições de normalidade, antes da análise estatística.
Medições e adaptação da escala
Dependência percebida de IA
A dependência percebida da IA foi medida usando uma escala de 5 itens adaptada de Morales-García et al.76. A escala mede o quanto as pessoas dependem da inteligência artificial em suas atividades diárias e no processo de tomada de decisão. Esses itens refletem várias facetas da dependência, incluindo a necessidade percebida de usar ferramentas de IA para ser eficiente e a incapacidade de funcionar sem suporte de IA.
Preocupações éticas percebidas com IA
As preocupações éticas foram avaliadas usando uma escala multidimensional desenvolvida por Kim eKo 77. Para fortalecer a validade e relevância para uma população de EFL, as quatro dimensões da escala foram enquadradas dentro do contexto específico do aprendizado de idiomas impulsionado por IA. Essa escala consiste em quatro dimensões críticas: transparência (8 itens), justiça (5 itens), segurança (5 itens) e responsabilidade (8 itens). Cada dimensão avalia diferentes desafios éticos, como a clareza dos processos de tomada de decisão da IA, vieses nos algoritmos de IA, riscos associados ao uso da IA e responsabilidade na implantação da IA. Essa operacionalização focada garante que os itens se alinhem diretamente com os dilemas éticos que os aprendizes de EFL provavelmente enfrentam.
Uso de IA generativa
O uso de IA generativa foi operacionalizado usando uma escala de 8 itens de Abbas et al.78. Essa escala mede o nível e a regularidade de uso de modelos de IA generativa, incluindo dispositivos de criação de texto e imagens. Os produtos examinam diversas aplicações, como acadêmicas, profissionais e pessoais, e ajudam a entender como as pessoas as incorporam em suas vidas e as utilizam. Essa abordagem abrangente nos permite capturar a integração holística da IA Generativa no ecossistema dos aprendizes, o que é um pré-requisito para compreender seus efeitos psicológicos e cognitivos mais amplos.
Medo de Perder Algo (FoMO)
O medo de perder algo foi medido usando a escala de 17 itens de Mazlum e Atalay79. Essa escala foi selecionada por sua avaliação sutil da ansiedade de que os colegas estão tendo experiências gratificantes das quais se está ausente. É particularmente apropriado para este estudo, pois captura elementos altamente relevantes para ambientes de aprendizagem mediados digitalmente, incluindo a necessidade compulsiva de se manter conectado online e o medo de perder estratégias de aprendizagem superiores, recursos ou avanços entre pares facilitados pela IA, ligando diretamente o uso da IA à ansiedade psicossocial.
Compreensão de leitura
A compreensão de leitura foi medida usando estratégias de leitura adaptadas de Mokhtari et al.80, que incluem três dimensões: Estratégias Globais de Leitura com 5 itens, Estratégias de Resolução de Problemas com 5 itens e Estratégias de Apoio à Leitura com 5 itens. Essa escala avalia como os indivíduos abordam e compreendem o material escrito, focando em sua capacidade de sintetizar informações, resolver dificuldades de compreensão e utilizar recursos externos para aprimorar a compreensão.
Esgotamento digital no aprendizado
O esgotamento digital no aprendizado foi medido usando uma escala adaptada de Erten eÖzdemir 81, composta por três dimensões: Envelhecimento Digital (12 itens), Privação Digital (6 itens) e Exaustão Emocional (6 itens). Essa escala avalia os efeitos psicológicos negativos do engajamento digital prolongado, incluindo fadiga devido ao tempo excessivo de tela, sensação de desconexão e exaustão mental devido às demandas de aprendizado online.
Aquisição de vocabulário
A aquisição de vocabulário foi avaliada usando uma escala de 4 itens de Li et al.82. A escala é usada para medir a eficácia das estratégias de aprendizado de vocabulário em como as pessoas abraçam, lembram e usam novas palavras em diversos contextos. O material avalia a competência auto-relatada e a confiança no uso do vocabulário.
Plano de análise de dados
O estudo adota uma estratégia analítica abrangente, em duas fases, para examinar rigorosamente as relações hipotetizadas. A triagem inicial dos dados e as análises preliminares são conduzidas usando o SPSS 28, focando em estatísticas descritivas para avaliar distribuições de dados, análises de confiabilidade em escala (alfa de Cronbach) e correlações bivariadas para examinar associações preliminares entre construtos-chave. Todos os itens na escala de Likert foram codificados em uma escala de intervalo de 5 pontos (1=Discordar fortemente de 5=Concordar fortemente). Essa análise fundamental garante a qualidade dos dados e fornece insights essenciais sobre as características básicas do conjunto de dados antes de avançar para modelagens mais complexas. Para a análise primária, o SmartPLS 4 é empregado para implementar a Modelagem de Equações Estruturais de Mínimos Quadrados Parciais (PLS-SEM), selecionada por seu manejo robusto de modelos preditivos complexos envolvendo variáveis latentes83. A análise começa com uma avaliação minuciosa do modelo de medição, onde a análise fatorial confirmatória estabelece as propriedades psicométricas das escalas. Avaliações-chave incluem testes de consistência interna (confiabilidade composta), validade convergente (variância média extraída) e validade discriminante (critério de Fornell-Larcker e razão heterotraço-monotraço). Essas etapas garantem que as construções sejam teoricamente sólidas e empiricamente distintas.
Subsequentemente, o modelo estrutural é examinado para testar as relações hipotetizadas entre os construtos. Coeficientes de caminho são analisados por sua magnitude, direção e significância estatística, enquanto tamanhos de efeito (f²) são calculados para avaliar o impacto substantivo. A relevância preditiva do modelo é avaliada usando a estatística Q² de Stone-Geisser, com procedimentos de venda às cegas para validar a capacidade do modelo de prever variáveis endógenas. Para análises de mediação, o estudo utiliza a abordagemPreacher and Hayes 84, bootstrapping, que fornece intervalos robustos de confiança para efeitos indiretos enquanto controla possíveis variáveis de confusão. Os efeitos de moderação são testados por meio de termos de interação criados usando o método do indicador de produto PLS, com análise simples de inclinação realizada para interpretar efeitos significativos de interação. Todas as análises utilizam 5.000 amostras bootstrap para gerar estimativas estáveis e garantir a robustez dos achados.
Para a análise primária, o SmartPLS 4 é empregado para implementar a Modelagem de Equações Estruturais de Mínimos Quadrados Parciais (PLS-SEM), selecionada por seu manejo robusto de modelos preditivos complexos envolvendo variáveis latentes83. A escolha do PLS-SEM em vez do SEB baseado em covariância (CB-SEM) é justificada pelo objetivo principal do estudo de prever variáveis endógenas (aquisição de vocabulário) e seu modelo complexo que apresenta mecanismos mediadorese moderadores 85. Além disso, o PLS-SEM é preferido em relação à regressão múltipla, pois estima simultaneamente as relações entre todos os construtos latentes dentro de todo o modelo, levando em conta o erro de medição. Embora os desenhos experimentais ofereçam forte inferência causal, a natureza transversal deste estudo visa estabelecer relações preditivas em um contexto de aprendizagem do mundo real, para o qual o PLS-SEM é bem adequado86. Por fim, este estudo para análise de dados e os resultados deste estudo podem ser vistos na seção de Resultados abaixo.
Acesso restrito. Inicie sessão ou comece um teste para visualizar este conteúdo.
Estatísticas descritivas
As estatísticas descritivas oferecem uma visão geral das variáveis importantes deste estudo, ou seja, dependência percebida de IA, preocupações éticas e uso de IA generativa, medo de perder algo (FoMO), compreensão de leitura, esgotamento digital e aquisição de vocabulário. A análise mostrará tendências centrais, dispersão e características distributivas dos dados, fornecendo uma compreensão do interesse dos participantes pelas tecnologias de IA e dos resultados psicológicos e...
Acesso restrito. Inicie sessão ou comece um teste para visualizar este conteúdo.
O estudo atual analisou a complexa interação entre fatores relacionados à IA, estados psicológicos e desfechos de aprendizagem entre aprendizes de EFL, trazendo vários achados importantes. Nossa abordagem metodológica, especificamente o uso do PLS-SEM, foi fundamental para modelar essas relações complexas. Ao contrário do SEM baseado em covariância (CB-SEM), que é mais adequado para confirmação teórica, a orientação preditiva do PLS-SEM e sua capacidade de lidar com modelos complexos com...
Acesso restrito. Inicie sessão ou comece um teste para visualizar este conteúdo.
Todos os autores declaram não haver conflitos de interesse.
Esta pesquisa é financiada pelo Fundo Provincial de Ciências Sociais de Jiangsu, Bolsa nº: (23YYB011). Este trabalho foi apoiado pela Prince Sultan University sob o Laboratório de Pesquisa em Línguas e Comunicação sob a Bolsa RL-CH-2019/9/1.
Acesso restrito. Inicie sessão ou comece um teste para visualizar este conteúdo.
| Nome | Empresa | Número de catálogo | Comentários |
|---|---|---|---|
| Computador Portátil | Dell Technologies | N/A | Usado para processamento e documentação de dados |
| Software Estatístico (SPSS) | IBM Corp. | Versão 26.0 | Usado para análise estatística |
| Microsoft Excel | Microsoft | Escritório 365 | Entrada de dados e tratamento básico de dados |
Acesso restrito. Inicie sessão ou comece um teste para visualizar este conteúdo.
Solicitar permissão para reutilizar o texto ou as figuras deste artigo JoVE
Solicitar permissão