É necessária uma assinatura do JoVE para visualizar este conteúdo. Faça login ou inicie seu teste gratuito.

Artigo de investigação

Como o Bem-Estar Digital e a IA Generativa Alcançam o Sucesso Acadêmico dos Estudantes e os Objetivos de Desenvolvimento Sustentável

731 visualizações

⸱

DOI:

10.3791/70211

⸱

27 de fevereiro de 2026

1Xuzhou Kindergarten Teachers College

Neste artigo

Resumo

Este estudo descobre que o bem-estar digital e a IA generativa aumentam o engajamento do inglês como língua estrangeira, levando a um melhor desempenho acadêmico. Maior desempenho aumenta a conscientização sobre os objetivos de desenvolvimento sustentável, conectando a tecnologia educacional tanto aos resultados acadêmicos quanto à sustentabilidade.

Resumo

Este estudo examina como o bem-estar digital e a adoção da IA generativa contribuem para o sucesso acadêmico e o engajamento dos estudantes de Inglês como Língua Estrangeira (EFL) com os Objetivos de Desenvolvimento Sustentável (ODS). Utilizando um desenho transversal quantitativo, dados foram coletados de 440 participantes por meio de escalas validadas que medem o bem-estar digital, uso de IA, engajamento no aprendizado, desempenho acadêmico e conscientização sobre os ODS. A modelagem estrutural de equações parciais de mínimos quadrados (PLS-SEM) foi empregada para analisar as relações entre esses construtos, avaliando a validade preditiva e a robustez do modelo. Os achados revelam que tanto o bem-estar digital quanto a IA generativa aumentam significativamente o engajamento na aprendizagem do EFL, o que, por sua vez, impulsiona o sucesso acadêmico. Além disso, o desempenho acadêmico influencia positivamente a conscientização dos estudantes sobre os ODS, destacando a interconexão entre a educação digital e os resultados de sustentabilidade. O estudo identifica o engajamento na aprendizagem como um mediador crítico entre a aprendizagem aprimorada por tecnologia e o desempenho acadêmico. Esses resultados ressaltam a importância de integrar estratégias de bem-estar digital e alfabetização em IA nos quadros educacionais para promover tanto o desempenho escolar quanto a cidadania global. Esses métodos são alcançados por meio do desenvolvimento de currículos e pedagogias que, simultaneamente, ensinam os alunos a gerenciar suas vidas digitais para um aprendizado eficaz, e os capacitam a aproveitar e criticar tecnologias avançadas para compreender e agir diante dos desafios mais urgentes do mundo.

Introdução

Em uma era marcada por rápidos avanços tecnológicos, a integração do bem-estar digital e da inteligência artificial generativa (GAI) na educação emergiu como uma força transformadora com implicações de longo alcance para o desempenho acadêmico dos estudantes e para os Objetivos de Desenvolvimento Sustentável (ODS) das Nações Unidas1. Enquanto o bem-estar digital foca em promover o uso saudável da tecnologia para melhorar o equilíbrio cognitivo e emocional, o GAI apresenta oportunidades sem precedentes para aprendizagempersonalizada 2, acessibilidade e eficiência educacional3. No entanto, por mais que haja uma linha de interesse em desenvolvimento nessas áreas ao redor do mundo, o corpo de conhecimento existente é disperso, com pouco foco na promessa futura em suas sinergias para o desenvolvimento do sucesso acadêmico e a promoção de marcos globaisde sustentabilidade 4. Essa pesquisa ajuda a preencher essa lacuna tão necessária ao examinar especificamente como o uso responsável do GAI, quando informado pelos princípios do bem-estar digital, pode maximizar os resultados de aprendizagem e, ao mesmo tempo, apoiar os ODS-chave, especialmente o ODS 4 (Educação de Qualidade), ODS 3 (Boa Saúde e Bem-Estar) e ODS 10 (Desigualdades Reduzidas).

Uma revisão da literatura atual revela várias dimensões pouco exploradas. Primeiro, embora estudos sobre bem-estar digital enfatizem os riscos de tempo excessivo de tela, distração digital e preocupações com a saúde mentalentre os alunos 5, poucos examinaram como práticas estruturadas de mindfulness digital podem coexistir com ferramentas de aprendizagem impulsionadaspor IA 6. Segundo, pesquisas sobre GAI na educação destacam predominantemente sua eficiência na automatização de avaliações, geração de conteúdo e viabilização da aprendizagemadaptativa 7, mas ignoram seus impactos psicológicos e comportamentais no bem-estar dosalunos 8. Terceiro, embora o arcabouço dos ODS defenda uma educação inclusiva e equitativa, pouca atenção tem sido dada a como ambientes de aprendizagem aprimorados por IA, quando projetados com bem-estar em mente, podem reduzir disparidades educacionais e promover práticas de aprendizagemsustentáveis 9. Essas lacunas ressaltam a necessidade de uma abordagem integradora que harmonize a inovação tecnológica com estratégias de bem-estar centradas no ser humano.

Este estudo aborda essas limitações ao propor uma estrutura inovadora que alinha os princípios do bem-estar digital com as aplicações do GAI na educação. Em contraste com um estudoanterior 10, que analisou essas noções de forma independente, nosso estudo considera suas dinâmicas como tal, apresentando assim evidências empíricas de como essa IA pode ser implementada moralmente para apoiar, em vez de corroer, o foco, a motivação e o desempenho acadêmico de longo prazo dos alunos. Dessa forma, o presente manuscrito contribuirá para discussões adicionais nas áreas de tecnologia educacional, psicologia e ciência da sustentabilidade, fornecendo uma variante atual que interessará a um grande número de leitores, pesquisadores, formuladores de políticas e educadores interessados em encontrar abordagens baseadas em evidências para encontrar o equilíbrio certo entre o foco na integração das tecnologias e a sustentabilidade, Desenvolvimento holístico de aprendizes e alunos.

As contribuições teóricas dessa pesquisa são três. Primeiro, avança o discurso sobre o bem-estar digital ao introduzir uma nova dimensão do bem-estar mediado pela IA, que explora como a IA generativa pode ser calibrada para minimizar a sobrecarga cognitiva e promover o engajamento consciente11. Segundo, ele se baseia na literatura sobre IA na educação, ao integrar considerações sobre bem-estar como uma característica essencial de design, rompendo os discursos já existentes orientados pela eficiência12. Terceiro, aprimora a qualidade dos estudos sobre ODS ao mostrar como sistemas educacionais atualizados por meio da IA podem se tornar motores de desenvolvimento sustentável, especialmente no fechamento das divisões digitais e na garantia de que os aprendizes se tornem mentalmente resilientes. Essas inovações do teórico colocaram nossa pesquisa entre a vanguarda dos estudos interdisciplinares, oferecendo uma perspectiva sobre a interdependência atual entre tecnologia, educação e sustentabilidade em escala global. Academicamente, o estudo apresenta uma estrutura holística de como é possível avaliar o duplo resultado do GAI e do bem-estar digital nos resultados de aprendizagem por meio de dadosempíricos 13. Entre os formuladores de políticas, apresenta-lhes recomendações práticas sobre como o uso da IA na educação pode ser governado de forma ética, protegendo a segurança dos estudantesde 14 anos. Para os educadores, mostra métodos baseados em evidências de como implementar a ferramenta de IA que podem apoiar, mas não violar, a eficácia dapedagogia 15. Além disso, a conexão entre esses resultados e os ODS oferece um panorama maior das implicações gerais da educação tecnologicamente avançada na sociedade, daí os motivos pelos quais o pioneiro digital deve estar alinhado ao desenvolvimento humano sustentável.

O surgimento de tecnologias digitais e inteligência artificial (IA) generativa em rápida disseminação na educação despertou um enorme interesse intelectual pelo efeito combinado deles no desempenho acadêmico dos estudantes e na conquista de toda a série de objetivos sociais, incluindo o Objetivo de DesenvolvimentoSustentável 16. Embora esses desenvolvimentos tecnológicos tenham um potencial revolucionário, as aplicações dessas tecnologias nos ambientes pedagógicos são um campo rico em polaridades e logística controversa, onde estudos existentes devem ser sintetizados criticamente para definir os insights e as limitações dos próximosestudos 17. Esta revisão da literatura irá analisar os insights de três áreas relacionadas: (1) bem-estar digital e suas implicações educacionais, (2) IA generativa e sua influência na prática educacional, e (3) a compatibilidade das intervenções tecnológicas com os ODS, especificamente aqueles que se referem à educação de qualidade, saúde e equidade. O bem-estar digital emergiu como uma área crítica de estudo em ambientes de aprendizagem cada vez mais imersos emtecnologia 18. Embora pesquisas destaquem riscos como sobrecarga cognitiva, distração digital e consumo passivo associados ao uso excessivo de telas, há um reconhecimento crescente do potencial para mitigar essesefeitos 19. Intervenções estratégicas como atenção plena digital, uso intencional de tecnologia e reflexão metacognitiva podem promover um engajamento significativo e proteger a saúde mental e emocional. Importante, o bem-estar digital vai além da minimização do tempo de tela; Envolve cultivar uma relação equilibrada e autodeterminada com a tecnologia20. Essa perspectiva é especialmente relevante em contextos de aprendizagem aprimorada por IA, onde desafios éticos como viés algorítmico e dependência excessiva da automação podem impactar diretamente o senso de competência,autonomia e relação com os estudantes, necessidades psicológicas essenciais para motivação ebem-estar 22. Reduzir essa lacuna exige uma estrutura que não apenas aborde os riscos da interação digital, mas também integre proativamente princípios de bem-estar no design e uso de ferramentas de IA generativa na educação.

Com a novidade da IA generativa, que cria textos, fotos e jogos semelhantes aos humanos que respondem a ações, um novo reino de possibilidades de aprendizado personalizado e adaptativo seabriu 23. Pesquisas confirmaram que é eficaz na automação de processos administrativos, criação de recursos de aprendizagem personalizados, fornecimento de feedback em tempo real e aprimoramento tanto da eficiência quanto da acessibilidade das instruções24. Como exemplo, ferramentas baseadas em IA como Intelligent Tutoring Systems e ChatGPT já foram demonstradas como facilitando a instruçãodiferenciada 25. Dito isso, também existem implicações éticas e psicológicas do uso pedagógico da IA generativa, como o problema da integridade acadêmica, o viés no algoritmo e a possibilidade de os estudantes perderem suas faculdades de pensamento crítico ao dependerem demais de obras geradas porIA26. Embora a pesquisa atual forneça vastas informações sobre as capacidades funcionais da IA na educação, ela negligencia explorar as consequências psicológicas e comportamentais para os estudantes, especialmente no que diz respeito ao bem-estardigital 27. Essa falha aponta para a necessidade de uma consideração mais detalhada das formas como a IA generativa pode ser utilizada para beneficiar o bem-estar cognitivo e emocional dos estudantes, em vez deprejudicá-los 28. A combinação de bem-estar digital e IA generativa também adquire nova importância quando filtrada pelo prisma dos ODS, através dos quais o mundo desenvolveu um chamado global de desenvolvimento equitativo e sustentável. Por sua vez, o ODS 4 (Educação de Qualidade) exige acesso equitativo e inclusivo às oportunidades de aprendizagem29. Da mesma forma, o ODS 3 (Boa Saúde e Bem-Estar) e o ODS 10 (Redução das Desigualdades) enfatizam a necessidade de cuidar da saúde mental e promover a equidade social, ambos relacionados às experiências digitais dos estudantes30. A IA e os ODS, no entanto, são atualmente discutidos de forma tecno-positivista, elogiando a escalabilidade das intervenções de IA e ignorando os aspectos psicossociais da utilização datecnologia 31. Para ilustrar, embora a IA possa personalizar a experiência de aprendizagem de populações carentes, sua implementação carece de proteção ao bem-estar, o que pode aumentar a fadiga digital e aumentar a desigualdade entre estudantes que têm diferentes acessos à tecnologia e habilidades deautorregulação 32. A tensão entre inovação e bem-estar se soma ao fato de que essa lacuna na literatura é vital, a existência de uma estrutura consistente e coerente para unir o progresso educacional impulsionado pela IA aos ideais humanísticos dosODS 33.

Psicologia educacional, interação humano-computador e estudos de sustentabilidade representam algumas das abordagens teóricas que podem fornecer lentes úteis para unir essas duas diferentes linhas de pesquisa. Um exemplo dessa teoria é a teoria da Autodeterminação (TDS), segundo a qual aprendizado saudável e bem-estar podem ser alcançados quando as pessoas experimentam a satisfação da autonomia, competência e parentesco34. Quando aplicada a ambientes digitais, a TEM implica que a IA generativa pode aumentar tanto a autonomia por meio de programas de aprendizagem personalizados quanto a competência devido à adaptabilidade do feedback, mas também deve ser projetada para apoiar a relação ao transcender o deslocamentosocial 35. Da mesma forma, a noção de equilíbrio digital, a condição em que o uso da tecnologia corresponde tanto ao bem-estar individual quanto ao coletivo, oferece uma base normativa para avaliar o papel da IA naeducação 36. No entanto, esses construtos teóricos raramente foram incorporados na análise empírica de ambientes de aprendizagem habilitados por IA, o que levanta questões sobre como é possível projetar sistemas de IA inerentemente orientados para o bem-estardigital 37. Uma revisão crítica da literatura mostra que há algumas tensões não resolvidas e áreas de desenvolvimento futuro38. Para começar, embora a questão do bem-estar digital foque inteligentemente na contenção e na atenção plena, a IA generativa é a questão do engajamento e da imersão, cujo paradoxo precisa de soluçõesempíricas 39. Segundo, a discussão ética em torno da IA na educação tem sido muito baseada na privacidade de dados e na transparência algorítmica, sem pensar muito nas implicações psicológicas da interação com a IA40. Terceiro, o foco em sustentabilidade e equidade proporcionado pelos ODS não se relaciona de forma abrangente aos aspectos técnicos e pedagógicos da implementação real da IA. Para superar essa deficiência, é importante cruzar disciplinas e usar os conhecimentos da ciência cognitiva, economia comportamental e políticas educacionais para criar estruturas que sejam não apenas tecnologicamente estáveis, mas também humanas. A Figura 1 mostra o arcabouço conceitual do presente estudo, que inclui todas as variáveis e sua relação de caminho entre si. Neste modelo, a relação hipotética entre variáveis de estudo é dada no arcabouço conceitual.

Acesso restrito. Inicie sessão ou comece um teste para visualizar este conteúdo.

Protocolo

Este estudo não exigiu aprovação ética formal de um Conselho de Revisão Institucional (IRB), pois envolveu pesquisas anônimas e/ou entrevistas com participantes que forneceram consentimento informado. Nenhum dado pessoal ou sensível foi coletado, e todas as respostas foram tratadas de forma confidencial apenas para fins de pesquisa. A participação foi voluntária, e os entrevistados foram informados dos objetivos do estudo antes de fornecer sua contribuição.

O estudo utilizou um desenho quantitativo e transversal para investigar as relações entre o bem-estar digital, o uso de IA generativa e os resultados acadêmicos entre estudantes de Inglês como Língua Estrangeira (EFL). Os dados foram coletados por meio de uma pesquisa online de uma população amostrada intencionalmente de 440 estudantes de graduação em EFL em várias universidades chinesas que usaram ativamente ferramentas de IA generativa em seus aprendizados. O questionário estruturado utilizou escalas validadas, incluindo uma medida de 12 itens para o bem-estardigital 41, uma escala de 8 itens para uso de IA generativa, uma escala de sucesso acadêmicoauto-percebido 42 e medidas para conscientização sobre ODS e engajamento no aprendizado, todas empregando respostas de Likert de 5 pontos. A análise de dados seguiu um protocolo bifásico usando SPSS v.27 para estatísticas descritivas e verificações de confiabilidade, e SmartPLS v.4.0 para Modelagem de Equações Estruturais Parciais de Mínimos Quadrados (PLS-SEM) para avaliar os modelos de medição e estrutural, com bootstrapping aplicado à significância do caminho de teste.

Projeto de pesquisa
O desenho de pesquisa utilizado neste estudo é quantitativo e transversal para determinar como o bem-estar digital, a IA generativa, o sucesso acadêmico dos estudantes e os ODS se relacionam entre os estudantes de EFL. Um desenho transversal permite ao pesquisador reunir dados em um único momento e fornece uma imagem das variáveis estudadas. O desenho quantitativo da pesquisa faz com que os resultados se baseem em informações mensuráveis e estatisticamente analisáveis para tornar os resultados mais confiáveis e generalizados. Esse padrão é especialmente aplicável para analisar os efeitos diretos e indiretos do bem-estar digital e da IA generativa sobre o desempenho acadêmico e os ODS, pois permitirá o uso de procedimentos estatísticos sofisticados, como modelagem estrutural de equações.

População e amostragem
A população-alvo deste estudo era composta por estudantes de graduação matriculados em programas de Inglês como Língua Estrangeira (EFL) em instituições de ensino superior na China. Para participar, os estudantes precisavam atender aos seguintes critérios de inclusão: estar atualmente matriculados como estudante de graduação, usar ativamente ferramentas de IA generativa (como ChatGPT, Copilot ou plataformas similares para auxílio na escrita, pesquisa ou geração de conteúdo) como parte do processo acadêmico regular de aprendizagem e fornecer consentimento informado. Os critérios de exclusão foram não usar IA generativa para fins acadêmicos, ser estudante de pós-graduação ou sem graduação, e fornecer respostas incompletas para pesquisas.

Uma técnica de amostragem intencional foi empregada para recrutar participantes que atendessem a esses critérios, garantindo a medição significativa da variável central de uso da IA. A amostra final foi composta por N = 440 participantes, tamanho considerado adequado para a robustez estatística exigida para a Modelagem de Equações Estruturais Parciais de Mínimos Quadrados (PLS-SEM). Para aumentar a representatividade e a generalização, o recrutamento abrangeu múltiplas universidades e diversas disciplinas acadêmicas (Humanidades, Ciências Sociais, STEM). Os dados demográficos da amostra são os seguintes: Faixa etária de 18 a 24 anos (M = 20,4, SD = 1,6); O sexo foi distribuído como 58% feminino (n = 255) e 42% masculino (n = 185); O Ano de Estudos incluía alunos do primeiro ano (22%, n = 97), segundo ano (31%, n = 136), terceiro ano (28%, n = 123) e quarto ano (19%, n = 84). Informações sobre peso não foram coletadas, pois não eram relevantes para os conceitos do estudo.

Procedimento de coleta de dados
A coleta de dados foi realizada por meio de uma pesquisa online anônima hospedada em uma plataforma segura (por exemplo, Qualtrics). Participantes potenciais das universidades alvo foram convidados por meio de listas de e-mails institucionais, anúncios sobre Sistemas de Gestão de Aprendizagem (por exemplo, Moodle, Blackboard) e grupos relevantes de redes sociais estudantis. O convite detalhava claramente o propósito do estudo, a natureza voluntária, o tempo estimado de conclusão (15-20 minutos) e as garantias de confidencialidade. A primeira página da pesquisa apresentava um formulário detalhado de consentimento informado; Apenas os participantes que forneceram consentimento digital prosseguiram para o questionário. Para mitigar o viés de ordem, as seções da pesquisa foram apresentadas em uma sequência randomizada para cada respondente. A janela de coleta de dados ficou aberta por duas semanas. Um único lembrete foi enviado pelos canais originais uma semana após o convite inicial para incentivar a participação e melhorar as taxas de resposta. Após o período de coleta, o conjunto de dados foi avaliado quanto à completude, com remoção das respostas substancialmente incompletas (por exemplo, >20% de dados ausentes). Verificações subsequentes para valores atípicos univariados e multivariados foram realizados antes da análise final para garantir a qualidade dos dados.

Instrumentação e medidas
O estudo utilizou um questionário estruturado para medir variáveis-chave, incluindo bem-estar digital, uso de IA generativa, sucesso acadêmico dos alunos, conscientização sobre ODS e engajamento dos alunos com EFL na aprendizagem. O bem-estar digital foi medido usando Arslankara et al.41, escala de 12 itens, incluindo subescalas para responsabilidade (4 itens), satisfação (4 itens) e bem-estar (4 itens). O uso da IA generativa foi operacionalizado por meio de uma escala43 de 8 itens, com foco na frequência de adoção do ChatGPT. No presente estudo, o desempenho acadêmico foi avaliado usando uma escala de autopercepção adaptada de Yu et al.42, conforme citado em Mehrvarz et al.44. Este instrumento é composto por quatro itens. A conscientização sobre os ODS foi medida usando uma escala validada adaptada de Atmaca et al.45, compreendendo três dimensões-chave: sustentabilidade econômica (12 itens), sustentabilidade social (9 itens) e sustentabilidade ambiental (14 itens), por meio da conscientização e participação dos alunos nas atividades. Por fim, o engajamento na aprendizagem de línguas como linguagem foi avaliado usando uma escala de 9 itens de Eerdemutu et al.46. Todas as escalas empregaram respostas de Likert de 5 pontos, com testes piloto (n=30) confirmando a confiabilidade (α > de Cronbach 0,82) e análise fatorial confirmatória validando a distintidão dos construtos.

Plano de análise de dados
Os dados coletados foram analisados usando uma combinação de SPSS (v.27) e SmartPLS (v.4.0) por meio de uma abordagem analítica em duas fases. Primeiro, o SPSS foi empregado para análises preliminares, incluindo estatísticas descritivas (médias, desvios padrão), testes de confiabilidade (alfa de Cronbach) e matrizes de correlação para examinar as relações de linha de base entre variáveis. Segundo, o SmartPLS, um software de modelagem estrutural de equações parciais de mínimos quadrados (PLS-SEM), foi utilizado para testar o modelo hipotético. O PLS-SEM foi escolhido por sua capacidade de lidar com relações complexas entre variáveis latentes e por sua robustez com dados não distribuídos normalmente. A análise incluiu a avaliação da validade do modelo de medição (validade convergente e discriminante) e significância estrutural do modelo (coeficientes de caminho, valores R² e relevância preditiva). O bootstrapping foi realizado para testar a significância estatística dos caminhos.

Acesso restrito. Inicie sessão ou comece um teste para visualizar este conteúdo.

Resultados

Os resultados fornecem um suporte empírico robusto para as hipóteses centrais do estudo, confirmando um caminho sequencial significativo onde o bem-estar digital e o uso da IA generativa influenciam positivamente o engajamento na aprendizagem de EFL, o que, por sua vez, impulsiona o sucesso acadêmico e, consequentemente, promove maior engajamento com os Objetivos de Desenvolvimento Sustentável (ODS). Especificamente, tanto o bem-estar digital (β=0,32, p<0,001) quanto o uso de IA generati...

Acesso restrito. Inicie sessão ou comece um teste para visualizar este conteúdo.

Discussão

Pesquisas anteriores examinaram amplamente o bem-estar digital, a IA na educação e a Educação para o Desenvolvimento Sustentável (ESD)isoladamente 47. Existia uma lacuna significativa na compreensão de como as competências digitais pessoais se cruzam com tecnologias emergentes para impulsionar não apenas resultados escolares, mas também a cidadania global. Este estudo faz a ponte entre esses domínios de forma única. Demonstramos que o bem-estar digital (β = 0,32, ...

Acesso restrito. Inicie sessão ou comece um teste para visualizar este conteúdo.

Divulgações

Todos os autores declaram não haver conflitos de interesse.

Agradecimentos

Essa pesquisa não recebeu financiamento.

Acesso restrito. Inicie sessão ou comece um teste para visualizar este conteúdo.

Materiais

Lista de materiais utilizados neste artigo
NomeEmpresaNúmero de catálogoComentários
Escala de Sucesso AcadêmicoAdaptado de Yu et al. (2010)N/AInstrumento de Levantamento
Procedimento de venda nos olhos (para Q2)SmartPLSRotina InternaProcedimento Analítico
Procedimento de BootstrappingSmartPLSRotina InternaProcedimento Analítico
Avaliação de Confiabilidade CompostaSmartPLSRotina InternaProcedimento Analítico
Análise de Matriz de CorrelaçãoEstatísticas IBM SPSSRotina InternaProcedimento Analítico
Análise de Confiabilidade Alfa de CronbachEstatísticas IBM SPSSRotina InternaProcedimento Analítico
Sistema de Armazenamento de DadosTI InstitucionalServidor SeguroEquipamentos & Material
Análise Estatística DescritivaEstatísticas IBM SPSSRotina InternaProcedimento Analítico
Escala Digital de Bem-EstarArslankara et al. (2022)N/AInstrumento de Levantamento
Escala de Engajamento na Aprendizagem EFLEerdemutu et al. (2024)N/AInstrumento de Levantamento
Avaliação do Critério Fornell-LarckerSmartPLSRotina InternaProcedimento Analítico
Escala de Uso de IA GenerativaAdaptado de Abbas et al. (2024)N/AInstrumento de Levantamento
Avaliação da Razão Heterotraço-Monotraço (HTMT)SmartPLSRotina InternaProcedimento Analítico
Estatísticas IBM SPSSIBMVersão 27Software
Documentação de Consentimento InformadoEquipe de PesquisaFormulário EletrônicoEquipamentos & Material
Questionário OnlineEquipe de PesquisaAutoadministradoEquipamentos & Material
Algoritmo PLSSmartPLSRotina InternaProcedimento Analítico
PLS-SEM SoftwareSmartPLSVersão 4.0Software
Escala de Conscientização sobre ODSAdaptado de Atmaca et al. (2019)N/AInstrumento de Levantamento
SmartPLSSmartPLS GmbHVersão 4.0Software

Referências

  1. Nedungadi, P., Tang, K. Y., Raman, R. The transformative power of generative artificial intelligence for achieving the sustainable development goal of quality education. Sustainability. 16 (22), 9779(2024).
  2. Khoso, A. K., Honggang, W., Darazi, M. A. Empowering creativity and engagement: The impact of generative artificial intelligence usage on Chinese EFL students' language learning experience. Comp Human Behav Rep. 18, 100627(2025).
  3. Rane, N. Roles and challenges of ChatGPT and similar generative artificial intelligence for achieving the sustainable development goals (SDGs). SSRN. 4603244, (2023).
  4. Enhancing education and well-being through artificial intelligence: opportunities and challenges. Qasmi, F., Fatima, S. K. Int Conf Breaking Barriers Generative Intell, , 154-164 (2024).
  5. Ferk, S., Vesna, S., Sanja, J. The role of AI implementation in higher education in achieving the Sustainable Development Goals: A case study from Slovenia. Sustainability. 17 (1), 183(2025).
  6. Barbieri, W., Nguyen, N. N. Generative AI as a placement buddy: Supporting pre-service teachers in work-integrated learning, self-management and crisis resolution. Australasian J Edu Tech. 41 (2), 34-49 (2025).
  7. Alshammari, M. E. Promoting emotional and psychological well-being in students through a self-help ChatGPT intervention: Artificial intelligence powered support. Int J Instruct. 18 (3), 511-530 (2025).
  8. Khoso, A. K., Honggang, W., Younas, M., Salam El-Dakhs, D. A. The Dual Forces of AI: How Generative AI and Perceived AI Dependency Influence Fear of Missing Out (FoMO) and EFL Students' Vocabulary Acquisition. J Vis Exp. (226), e69637(2025).
  9. Matthew, U. O., et al. Generative artificial intelligence (AI) on sustainable development goal 4 for tertiary education: conversational AI with user-centric ChatGPT-4. Impacts Generat AI Creativity Higher Edu. , 259-288 (2024).
  10. Pushpanadham, K., Sarpong, R. A. Research and Innovation in Higher Education: Promises of Generative Artificial Intelligence for Sustainable Development. Generat Artif Intell Higher Edu Handbook Edu Leaders. 32 (5-6), 154(2024).
  11. Nedungadi, P., Tang, K. Y., Raman, R. The transformative power of generative artificial intelligence for achieving the sustainable development goal of quality education. Sustainability. 16 (22), 9779(2024).
  12. Abdelmagid, A. S., Jabli, N. M., Al-Mohaya, A. Y., Teleb, A. A. Integrating Interactive Metaverse Environments and Generative Artificial Intelligence to Promote the Green Digital Economy and e-Entrepreneurship in Higher Education. Sustainability. 17 (12), 5594(2025).
  13. Raman, R., Iyer, A., Nedungadi, P. Forecasting Artificial General Intelligence for Sustainable Development Goals: A Data-Driven Analysis of Research Trends. Sustainability. 17 (16), 7347(2025).
  14. Farmanesh, P., Vehbi, A., Dehkordi, N. S. AI Literacy in Achieving Sustainable Development Goals: The Interplay of Student Engagement and Anxiety Reduction in Northern Cyprus Universities. Sustainability. 17 (11), 4763(2025).
  15. Niewiadomski, M., et al. The interrelation between digital competencies and Work-Life balance among academic Staff Realization of SDG goals in the science sector. Qual Quant. , 1-26 (2025).
  16. Jiménez-García, E., Ruiz-Lázaro, J., Martínez-Requejo, S., Redondo-Duarte, S. Artificial Intelligence and chatbots for sustainable higher education: a systematic review. RIED-Rev Iberoamer Educ Dist. 28 (2), 81-104 (2025).
  17. Sharma, C., Sharma, S., Bhardwaj, V., Dhaliwal, B. K. Generative artificial intelligence for sustainable development: predictive trend analysis in key sectors using natural language processing. Disc Appl Sci. 7 (6), 596(2025).
  18. Navigating the Bio-Digital Revolution: AI's Role in Achieving Sustainable Development Goals. Aravinda, K., Rangaraju, T., Singla, A., Parmar, A., Ziara, S. 2025 Int Conf Next Generat Comm Info Proc, , 262-267 (2025).
  19. Khoso, A. K., Honggang, W., Darazi, M. A. Trust and attitude towards AI as pathways to creativity: a TAM Model study of EFL students' digital literacy and AI acceptance. Humanit Soc Sci Commun. 13, 69(2025).
  20. Simanjuntak, A., Sutarman, A., Anjani, S. A., Nuche, A. Integrating artificial intelligence in e-learning for organizational well-being through orange technology mapping. IAIC Transact Sustain Digital Innovat. 7 (1), 13-26 (2025).
  21. Al-Emran, M., et al. Role of perceived threats and knowledge management in shaping generative AI use in education and its impact on social sustainability. Int J Manag Edu. 23 (1), 101105(2025).
  22. Bollaert, L. Artificial Intelligence: Objective or Tool in the 21st-Century Higher Education Strategy and Leadership. Edu Sci. 15 (6), 774(2025).
  23. Shahzad, M. F., Shuo, X., Liu, H., Zahid, H. Generative artificial intelligence (ChatGPT-4) and social media impact on academic performance and psychological well-being in China's higher education. Eur J Edu. 60 (1), e12835(2025).
  24. Jukiewicz, M. How generative artificial intelligence transforms teaching and influences student wellbeing in future education. Front Edu. 10, 159457(2025).
  25. Shi, J., Liu, W., Hu, K. Exploring How AI Literacy and Self-Regulated Learning Relate to Student Writing Performance and Well-Being in Generative AI-Supported Higher Education. Behav Sci. 15 (5), 705(2025).
  26. Hall, K. Shaping Digital Well-being: Developing a Well-being Lens on the Socio-technical Systems Perspective in Information Systems Research. [PhD dissertation]. , (2025).
  27. Huang, F., Wang, Y., Zhang, H. Modelling Generative AI Acceptance, Perceived Teachers' Enthusiasm and Self-Efficacy to English as a Foreign Language Learners' Well-Being in the Digital Era. Eur J Edu. 59 (4), e12770(2024).
  28. Shahzad, M. F., Xu, S., Liu, H., Zahid, H. Generative artificial intelligence (ChatGPT-4) and social media impact on academic performance and psychological well-being in China's higher education. Eur J Edu. 60 (1), e12835(2025).
  29. Kamau, J. N. Generative Artificial Intelligence and Mental Well-Being of University Students. A Structural Equation Modeling (SEM) Based-Analysis. African J Busi Dev Studies. 1 (2), 344-358 (2025).
  30. Monzon, N., Hays, F. A. Leveraging generative artificial intelligence to improve motivation and retrieval in higher education learners. JMIR Med Edu. 11 (1), e59210(2025).
  31. Reyes-Portillo, J. A., et al. Generative AI-Powered Mental Wellness Chatbot for College Student Mental Wellness: Open Trial. JMIR Format Res. 9 (1), e71923(2025).
  32. Kazanidis, I., Pellas, N. Harnessing generative artificial intelligence for digital literacy innovation: A comparative study between early childhood education and computer science undergraduates. AI. 5 (3), 1427-1445 (2024).
  33. Vanden Abeele, M. M. Digital wellbeing as a dynamic construct. Comm Theor. 31 (4), 932-955 (2021).
  34. Ryan, R. M., Edward, L. D. Intrinsic and extrinsic motivation from a self-determination theory perspective: Definitions, theory, practices, and future directions. Contemp Edu Psychol. 61, 101860(2020).
  35. Kee, T., Kuys, B., King, R. Generative artificial intelligence to enhance architecture education to develop digital literacy and holistic competency. J Artif Intell Archit. 3 (1), 24-41 (2024).
  36. Klarin, J., Hoff, E. V., Larsson, A., Daukantaitė, D. Adolescents' use and perceived usefulness of generative AI for schoolwork: exploring their relationships with executive functioning and academic achievement. Front Artif Intell. 7, 1415782(2024).
  37. Setsoafia, P., Appiah-Kubi, J., Koduah, C. A., Essel, H. B., Madakena, A. K. T. Are They AI-Literate? Exploring The Impact Of Generative AI Literacy On Academic Performance Among Ghanaian University Students. , (2025).
  38. Oubibi, M. Generative artificial intelligence: Postgraduate student's digital adaptability, engagement and academic confidence. J Comp Edu. , 1-23 (2025).
  39. Pavone, G. Generative AI in the Learning Process: Threat or Tool? Understanding the Role of Self-Esteem and Academic Anxiety in Shaping Student Motivations. J Marketing Edu. 02734753251346857, (2025).
  40. Doshi, R., Dadhich, M., Poddar, S., Hiran, K. K. Integrating generative AI in education to achieve sustainable development goals. IGI global. , (2024).
  41. Arslankara, V. B., Demir, A., Öztaş, Ö, Usta, E. Digital well-being scale validity and reliability study. J Teacher Edu Lifelong Learning. 4 (2), 263-274 (2022).
  42. Yu, A. Y., Tian, S. W., Vogel, D., Kwok, R. C. W. Can learning be virtually boosted? An investigation of online social networking impacts. Comp Edu. 55 (4), 1494-1503 (2010).
  43. Abbas, M., Jam, F. A., Khan, T. I. Is it harmful or helpful? Examining the causes and consequences of generative AI usage among university students. Int J Edu Technol Higher Edu. 21 (1), 10(2024).
  44. Mehrvarz, M., Heidari, E., Farrokhnia, M., Noroozi, O. The mediating role of digital informal learning in the relationship between students' digital competence and their academic performance. Comp Edu. 167, 104184(2021).
  45. Atmaca, A. C., Kıray, S. A., Pehlivan, M. Development of a measurement tool for sustainable development awareness. Int J Assess Tools Edu. 6 (1), 80-91 (2019).
  46. Eerdemutu, L., Dewaele, J. M., Wang, J. Developing a short language classroom engagement scale (LCES) and linking it with needs satisfaction and achievement. System. 120, 103189(2024).
  47. Ajlouni, A. O., Abu-Shawish, R. K., Silim, D. M., Ibrahim, A. H. The Academic Intensity Use of Chatbot-Based Artificial Intelligence and Its Relation to Academic Well-Being: A Correlational Study at the University of Jordan. IntJ Eng Pedag. 14 (8), (2024).
  48. Reeve, J., Cheon, S. H. Autonomy-supportive teaching: Its malleability, benefits, and potential to improve educational practice. Edu Psychol. 56 (1), 54-77 (2021).
  49. Nedungadi, P., Tang, K. Y., Raman, R. The transformative power of generative artificial intelligence for achieving the sustainable development goal of quality education. Sustainability. 16 (22), 9779(2024).
  50. Khoso, A. K., Honggang, W., Darazi, M. A. Trust and attitude towards AI as pathways to creativity: a TAM Model study of EFL students' digital literacy and AI acceptance. Humanit Soc Sci Commun. 13, 69(2026).
  51. Ringo, D. S. The effect of generative AI use on doctoral students' academic research progress: the moderating role of hedonic gratification. Cogent Education. 12 (1), 2475268(2025).
  52. Duong, C. D., Vu, T. N., Ngo, T. V. N., Do, N. D., Tran, N. M. Reduced student life satisfaction and academic performance: Unraveling the dark side of ChatGPT in the higher education context. Int J Human Comp Interact. 41 (8), 4948-4963 (2025).

Acesso restrito. Inicie sessão ou comece um teste para visualizar este conteúdo.

Reimpressões e permissões

Etiquetas

Estudantes de EFLEngajamento na AprendizagemLiteracia em IAAprendizagem Aprimorada por TecnologiaDesempenho Acad micoConsci ncia dos ODS

Este artigo foi publicado

Vídeo em breve

Fale conosco
Recomendar à biblioteca

Privacidade

Termos de Uso

Políticas

Copyright © 2026 MyJoVE Corporation. Todos os direitos reservados.