Futuro da Ciência Educacional: Uso, Confiança e Carga Cognitiva de IA Generativa como Preditores do Desempenho Acadêmico Autopercebido no Ensino Superior

Resumo

Este estudo examina como o uso e a confiança em IA generativa na IA afetam o desempenho acadêmico entre estudantes do ensino superior por meio da carga cognitiva. O uso de modelagem estrutural de equações parciais de mínimos quadrados (PLS-SEM) em dados de 390 alunos revela que ambos os fatores aumentam significativamente a carga cognitiva, o que prevê positivamente o desempenho e mediaia seus efeitos.

Resumo

Este estudo investiga as relações complexas entre o uso de IA generativa, confiança na IA, carga cognitiva e desempenho acadêmico entre estudantes do ensino superior. Fundamentada na teoria da carga cognitiva e na literatura de confiança, a pesquisa examina como o engajamento dos estudantes com ferramentas de IA generativa e sua confiança nesses sistemas influenciam os resultados acadêmicos, tendo a carga cognitiva como mecanismo mediador. Um desenho de pesquisa quantitativa transversal foi empregado com uma amostra aleatória estratificada de 390 estudantes do ensino superior. Os dados foram coletados usando escalas validadas que medem a confiança no uso da IA generativa (dimensões semelhantes às humanas e funcionalidades), carga cognitiva (carga intrínseca, carga supérflua e aprendizagem autoperceptiva) e desempenho acadêmico. Modelagem estrutural de equações parciais de mínimos quadrados (PLS-SEM) com procedimentos de bootstrapping (5.000 reamostras) foi usada para testar as relações diretas e mediadoras hipotetizadas. Os resultados revelaram que o uso de IA generativa (β = 0,34, p < 0,001) e a confiança na IA (β = 0,28, p < 0,001) estiveram significativamente associados positivamente à carga cognitiva. A carga cognitiva também esteve positivamente associada ao desempenho acadêmico (β = 0,52, p < 0,001). Além disso, a carga cognitiva mede significativamente as relações entre o uso da IA generativa e o desempenho acadêmico (β = 0,18, p < 0,001) e entre a confiança na IA e o desempenho acadêmico (β = 0,15, p < 0,001). O modelo explicou 45% da variância no desempenho acadêmico, e o PLS Predict confirmou alto poder preditivo. Os achados estendem a teoria da carga cognitiva a contextos de aprendizagem aprimorada por IA e sugerem que a carga cognitiva pode funcionar como um importante caminho explicativo que liga fatores relacionados à IA aos resultados acadêmicos. Na prática, o estudo ressalta a importância de promover a alfabetização em IA, projetar ambientes de aprendizagem que otimizem a carga cognitiva e priorizar a confiabilidade funcional no desenvolvimento de ferramentas de IA. Este estudo fornece evidências empíricas de que a carga cognitiva serve como um mecanismo mediador significativo pelo qual o uso e a confiança em IA generativa se traduzem em desempenho acadêmico.

Introdução

O rápido avanço da inteligência artificial generativa (GenAI) precipitou uma mudança de paradigma no ensino superior, transformando fundamentalmente a forma como os estudantes acessam, processam e constroem o conhecimento¹. Ferramentas como ChatGPT, Gemini e Claude têm se tornado cada vez mais incorporadas em ambientes acadêmicos, com estimativas recentes sugerindo que mais de 30% dos estudantes universitários utilizam regularmente essas tecnologias em atividades relacionadas a^{trabalhos acadêmicos 2}. Essa revolução tecnológica apresenta tanto oportunidades sem precedentes quanto desafios significativos para educadores, administradores e pesquisadores que buscam entender como a integração da IA influencia os processos e resultados de aprendizagem³.

Embora a IA generativa ofereça potencial para tutoria personalizada, feedback instantâneo e maior produtividade, os alunos não consomem apenas informações geradas por IA de forma^{passiva 4}. Em vez disso, a aprendizagem aprimorada por IA envolve processos interacionais contínuos nos quais os estudantes formulam prompts, avaliam resultados, comparam respostas geradas por IA com fontes externas, calibram sua dependência de sistemas de IA e integram conteúdo gerado por máquinas em tarefas^{acadêmicas 5}. Essas demandas interacionais introduzem novas dinâmicas cognitivas que vão além dos modelos tradicionais de uso da tecnologia e podem, simultaneamente, reduzir certos encargos cognitivos enquanto criam novas formas de esforço e sobrecarga cognitiva. No centro dessas preocupações está a questão de como o uso da IA afeta os processos cognitivos subjacentes à aprendizagem, uma questão que permanece amplamente inexplorada na literatura empírica. A teoria da carga cognitiva (CLT) fornece uma estrutura teórica robusta para examinar essas questões. A CLT postula que a aprendizagem é limitada pela capacidade limitada da memória de trabalho e que um design instrucional eficaz deve gerenciar três tipos de carga cognitiva: carga intrínseca decorrente da complexidade do conteúdo, carga supérflua imposta por um design instrucional deficiente e carga pertinente direcionada à construção de esquemas e^{automação 6}. Em ambientes de aprendizagem aprimorados por IA, essas distinções se tornam particularmente^{evidentes 7}. Estudantes que interagem com ferramentas de IA generativa devem processar simultaneamente o conteúdo do curso, avaliar informações geradas por IA para verificar sua precisão e relevância, e integrar diversas fontes de processos de conhecimento que podem aumentar significativamente as demandas^{cognitivas 8}.

Importante, a teoria da carga cognitiva conceitua a carga cognitiva como uma construção multidimensional composta por carga intrínseca, supérflua e pertinente, cada uma das quais pode afetar a aprendizagem de forma^{diferente 9}. A carga intrínseca surge da complexidade inerente do material de aprendizagem, carga extraínseca reflete uma carga cognitiva desnecessária gerada por um design instrucional ineficaz ou demandas de processamento irrelevantes, e carga pertinente refere-se ao engajamento cognitivo produtivo associado à construção de esquemas e processos de aprendizagem significativos. Consequentemente, a carga cognitiva não deve ser interpretada como uniformemente benéfica ou prejudicial. Embora a carga intrínseca e pertinente possa apoiar uma compreensão mais profunda sob condições apropriadas, carga excessiva e extraínseca pode interferir no aprendizado ao consumir recursos cognitivos limitados.

Além dos padrões de uso, a confiança dos estudantes nos sistemas de IA surge como um fator psicológico crítico que molda a interação humano-IA¹⁰. Baseando-se em estruturas fundamentais de confiança, a confiança na IA pode ser conceituada em duas dimensões distintas: confiança semelhante à humana, que abrange percepções de benevolência, integridade e previsibilidade; e confiança em funcionalidades, refletindo confiança na confiabilidade, competência e confiabilidade da própria^{tecnologia 11}. Pesquisas anteriores estabeleceram a confiança como determinante da adoção e uso contínuo^{da tecnologia 12}, mas suas consequências cognitivas permanecem amplamente inexploradas. A relação entre confiança na IA e a carga cognitiva é teoricamente complexa e não deve ser interpretada como uniformemente positiva ou linear¹³. Por um lado, a confiança adequada na IA pode incentivar os alunos a se envolverem mais profundamente com o conteúdo gerado por IA, investirem esforço cognitivo na avaliação das respostas e integrarem informações geradas por máquina nas tarefas de^{aprendizagem 14}. A relação entre fatores relacionados à IA e o desempenho acadêmico representa o resultado final de interesse para educadores e instituições¹⁵. O desempenho acadêmico tem sido operacionalizado de várias maneiras em pesquisas educacionais, com alguns estudos utilizando medidas objetivas como médias de notas¹⁶, enquanto outros se baseiam na eficácia acadêmica^{autopercebida dos alunos 17}. As medidas autopercebidas capturam a consciência metacognitiva dos alunos sobre suas capacidades de aprendizagem e desempenho em tarefas, o que a pesquisa demonstrou estar fortemente associado ao desempenho acadêmico^{real 18}. Em contextos de aprendizagem aprimorada por IA, entender como os alunos percebem sua própria aprendizagem torna-se particularmente importante, pois essas percepções podem orientar o engajamento subsequente com ferramentas e estratégias de aprendizagem^{de IA 19}.

Apesar da crescente prevalência da IA generativa no ensino superior, pesquisas empíricas que examinam suas consequências cognitivas e acadêmicas continuam sendo^escassas. Estudos existentes têm focado principalmente em padrões de adoção, preocupações éticas ou aplicações disciplinares²¹, com atenção limitada aos mecanismos psicológicos que ligam o uso da IA aos resultados de aprendizagem²². Além disso, embora a confiança tenha sido amplamente estudada no comércio eletrônico e na interação^{humano-computador,} seu papel em contextos educacionais de IA permanece teoricamente subdesenvolvido e empiricamente não testado. O presente estudo aborda essas lacunas examinando as associações entre o uso de IA generativa, confiança na IA, carga cognitiva e desempenho acadêmico, com a carga cognitiva modelada como um possível caminho mediador. Baseado na teoria da carga^{cognitiva 24} e na literatura de confiança, este estudo propõe e testa um modelo de mediação que examina cinco hipóteses: (H1) o uso de IA generativa influencia positivamente a carga cognitiva; (H2) a confiança na IA influencia positivamente a carga cognitiva; (H3) a carga cognitiva influencia positivamente o desempenho acadêmico; (H4) a carga cognitiva media a relação entre o uso de IA generativa e o desempenho acadêmico; e (H5) a carga cognitiva media a relação entre confiança na IA e desempenho acadêmico.

A integração da inteligência artificial generativa (GenAI) no ensino superior representa uma das mudanças tecnológicas mais significativas na prática pedagógica^{contemporânea 25}. Ferramentas como o ChatGPT, desenvolvido pela OpenAI, demonstraram capacidades notáveis em gerar textos semelhantes aos humanos, resolver problemas complexos e fornecer suporte educacional personalizado²⁶. Investigações empíricas recentes documentaram a adoção generalizada entre estudantes universitários. Os alunos utilizam o GenAI para diversos fins acadêmicos, incluindo brainstorming, resumo de conteúdo, revisão de texto e explicação de^{conceitos 27}. Essa proliferação levou estudiosos a examinar tanto as possibilidades quanto os desafios associados à GenAI em contextos educacionais. Defensores argumentam que as ferramentas GenAI podem aprimorar o aprendizado ao fornecer feedback imediato, estruturar tarefas complexas e oferecer múltiplas perspectivas sobre conteúdo^{disciplinar 28}. Os estudantes que usaram o ChatGPT para tarefas de programação apresentaram melhor qualidade do código e redução do tempo de conclusão, sugerindo possíveis benefícios cognitivos de desinvestimento. Da mesma forma, a GenAI pode personalizar experiências de aprendizagem adaptando o conteúdo às necessidades individuais dos alunos e aos ritmos^{de aprendizagem.} No entanto, críticos levantaram preocupações sobre a integridade acadêmica, o potencial de plágio e a erosão das habilidades de pensamento crítico quando os estudantes dependem demais de conteúdo gerado por^{IA 30,31}. Essas perspectivas concorrentes ressaltam a necessidade de uma investigação empírica rigorosa sobre como o uso da GenAI afeta os processos fundamentais de aprendizagem.

A teoria da carga cognitiva (CLT) fornece uma estrutura abrangente para entender as demandas cognitivas impostas por tarefas de aprendizagem e desenhos instrucionais. A CLT está fundamentada na arquitetura estabelecida da cognição humana, que compreende uma memória de longo prazo efetivamente ilimitada e uma memória de trabalho severamente limitada tanto em capacidade quanto em duração³². De acordo com a CLT, o aprendizado ocorre quando informações são processadas com sucesso na memória de trabalho e posteriormente armazenadas como esquemas na memória de longo prazo. A teoria distingue entre três tipos de carga cognitiva: carga intrínseca, que é determinada pela complexidade inerente do material de aprendizagem e pela expertise existente do aprendiz; carga extra, imposta por materiais instrucionais mal elaborados e atividades que não contribuem diretamente para a aprendizagem; e carga pertinente, que se refere aos recursos cognitivos dedicados à construção de esquemas e^{automação 33}. Pesquisas demonstraram consistentemente que um design instrucional eficaz deve gerenciar esses três tipos de carga para otimizar os resultados de aprendizagem³⁴. Uma alta carga supérflua desvia recursos cognitivos dos processos de aprendizagem, prejudicando o desempenho, enquanto cargas intrínsecas e relevantes apropriadas facilitam compreensão profunda e transferência^{de conhecimento 35.} um instrumento abrangente para medir essas dimensões de carga em ambientes educacionais, permitindo uma investigação empírica da carga cognitiva em diversos contextos de aprendizagem. Mais recentemente, estudiosos estenderam a CLT a ambientes de aprendizagem aprimorados por tecnologia, examinando como as ferramentas digitais influenciam o processamento^{cognitivo 36}. A relação entre o uso de IA generativa e a carga cognitiva é teoricamente complexa e empiricamente^{subexplorada 37}. Por um lado, as ferramentas GenAI podem reduzir a carga externa ao simplificar a busca de informações, sintetizar fontes diversas e apresentar informações em formatos^{acessíveis 38}. Os alunos não precisam mais navegar por múltiplos bancos de dados ou interpretar textos complexos de forma independente, potencialmente liberando recursos cognitivos para um processamento mais^{profundo 39}.

A confiança é um mecanismo psicológico fundamental que molda a interação entre humanos e tecnologia. No contexto dos sistemas de informação, a confiança é multidimensional, abrangendo crenças sobre a competência, benevolência e integridade dos sistemas^{tecnológicos 40}. Aplicada à IA, a confiança pode ser distinguida em duas dimensões conceitualmente distintas: confiança semelhante à humana, envolvendo atribuições de qualidades antropomórficas como benevolência e previsibilidade; e confiança em funcionalidades, refletindo confiança no desempenho confiável das capacidades técnicas⁴¹. Essa distinção é particularmente relevante em contextos educacionais, onde os estudantes precisam decidir quanto depender do conteúdo gerado por IA para tarefas acadêmicas. De acordo com o modelo de probabilidade de elaboração, os indivíduos processam informações por via central ou periférica, dependendo da motivação e habilidade. Quando a confiança é alta, os alunos podem realizar o processamento central de rotas, analisando e elaborando conteúdos gerados por IA, aumentando assim a carga cognitiva direcionada para a aprendizagem⁴². O desempenho acadêmico constitui a variável critério final na pesquisa educacional, operacionalizado tanto por meio de medidas objetivas como médias de notas quanto de medidas subjetivas que capturam a eficácia acadêmica autopercebida^{dos alunos 43}. As medidas autopercebidas oferecem insights valiosos sobre a consciência metacognitiva dos alunos sobre suas capacidades de aprendizagem e demonstraram fortes associações com indicadores de desempenho objetivo. Uma autopercepção para avaliar a percepção acadêmica dos alunos, incluindo itens relacionados à eficiência de aprendizagem e à conclusão de tarefas⁴⁴. Essa abordagem é particularmente adequada em contextos aprimorados por IA, onde a confiança dos alunos em sua capacidade de aprender com e por meio de ferramentas de IA pode influenciar os resultados reais de aprendizagem.

Protocolo

A tabela de materiais resume os instrumentos, softwares e escalas usados no estudo, incluindo escalas adaptadas e validadas para uso de IA generativa, confiança na IA, carga cognitiva, desempenho acadêmico autopercebido, procedimentos de amostragem e pesquisas, e ferramentas de análise de dados (SPSS e SmartPLS). Além disso, a aprovação ética não foi aplicável para este estudo, pois não envolveu manipulação experimental, procedimentos médicos ou intervenções que pudessem representar riscos físicos ou psicológicos para os participantes. A pesquisa utilizou um questionário online não invasivo e autoadministrado para coletar dados sobre as percepções, experiências e comportamentos dos estudantes em relação ao uso da IA generativa em ambientes acadêmicos. Como o estudo não envolveu interação direta além da conclusão de uma pesquisa, não foram realizados ensaios clínicos, procedimentos biomédicos ou tratamentos experimentais, e os participantes não foram submetidos a condições experimentais que pudessem causar danos ou sofrimento. Antes da coleta dos dados, todos os participantes receberam um formulário detalhado de consentimento informado, explicando o propósito do estudo, a natureza voluntária de sua participação e as medidas tomadas para garantir anonimato e confidencialidade. O consentimento informado foi obtido implicitamente por meio do preenchimento e submissão do questionário, conforme explicitamente declarado no formulário de consentimento informado. Os participantes foram assegurados de que suas respostas seriam usadas exclusivamente para fins de pesquisa acadêmica e que nenhuma informação pessoalmente identificável seria coletada ou reportada. Além disso, os participantes foram informados de seu direito de se retirar do estudo a qualquer momento antes de submeter o questionário, sem consequências. Todos os dados foram armazenados de forma segura em dispositivos protegidos por senha, acessíveis apenas à equipe de pesquisa, e resultados agregados foram relatados para impedir a identificação de respondentes individuais. Essas medidas garantiram que o estudo fosse conduzido de acordo com os princípios éticos da Declaração de Helsinque e as diretrizes institucionais para pesquisas envolvendo participantes humanos, apesar de a exigência formal de revisão do IRB não ser aplicável.

Projeto de pesquisa

Este estudo utiliza um desenho de pesquisa quantitativo e transversal para investigar as relações complexas entre o uso de IA generativa, confiança na IA, carga cognitiva e desempenho acadêmico entre estudantes do ensino superior. Esse desenho foi operacionalizado por meio de uma estratégia de pesquisa, escolhida por sua eficiência e eficácia na coleta de dados padronizados de uma grande amostra, permitindo assim testes estatísticos robustos das relações hipotetizadas. O método da pesquisa facilita a medição sistemática de cada construto usando escalas validadas, garantindo que os dados coletados sejam tanto confiáveis quanto comparáveis entre todos os respondentes. Além disso, a adoção de uma abordagem transversal, na qual os dados são coletados em um único momento, é particularmente apropriada para esta investigação, pois permite examinar a prevalência atual do uso e da confiança em IA generativa entre os estudantes, ao mesmo tempo em que avalia as interconexões entre essas variáveis e sua influência coletiva na carga cognitiva e no desempenho acadêmico dentro da população-alvo do estudo.

Participantes e procedimento de amostragem

A população-alvo deste estudo era composta por estudantes matriculados em instituições de ensino superior que tinham experiência ativa no uso de ferramentas de IA generativa, especificamente o ChatGPT e modelos de linguagem grandes semelhantes, para fins acadêmicos. Para garantir uma seção representativa dessa população e aumentar a generalização dos achados, foi empregada uma técnica de amostragem aleatória estratificada. O quadro de amostragem foi obtido no escritório do registro da universidade, compreendendo uma lista completa dos estudantes atualmente matriculados em todas as faculdades. A estratificação baseava-se em duas variáveis demográficas principais: disciplina acadêmica e ano de estudo. A disciplina acadêmica era categorizada em quatro principais camadas: humanidades e ciências sociais, ciências naturais, engenharia e tecnologia, e negócios e economia. O ano de estudo era estratificado em quatro níveis: alunos de graduação do primeiro ano, segundo, terceiro e quarto ano, além de pós-graduação (mestrado e doutorado). Essa abordagem de dupla estratificação garantia representação proporcional de cada subgrupo dentro do corpo discente, prevenindo a super-representação ou sub-representação de qualquer área acadêmica ou nível acadêmico. De cada estrato, os participantes foram selecionados aleatoriamente usando um gerador de números aleatórios, com o número sorteado proporcional à representação desse estrato na população estudantil geral. Essa abordagem sistemática de seleção dos participantes garantiu que a amostra final refletisse com precisão a diversidade da população estudantil do ensino superior, incluindo antecedentes acadêmicos e progressão educacional.

Quanto à demografia dos participantes, a amostra de 390 entrevistados compreendia uma mistura diversificada de estudantes de várias faixas etárias, tipicamente entre 18 e 35 anos ou mais, com uma representação equilibrada das identidades de gênero proporcional à demografia institucional. A amostra incluiu estudantes de todos os quatro anos de graduação, bem como estudantes de pós-graduação, garantindo cobertura de diferentes estágios do desenvolvimento acadêmico e diferentes níveis de exposição a ferramentas de IA. As disciplinas acadêmicas foram representadas proporcionalmente, com estudantes de áreas de humanidades, ciências, engenharia e negócios incluídos na amostra. Além disso, informações demográficas básicas, como experiência prévia em tecnologia, frequência do uso de IA generativa e status de idioma nativo, foram coletadas para fornecer contexto para as variáveis primárias investigadas. Esse perfil demográfico abrangente serviu a dois propósitos: primeiro, permitiu a caracterização descritiva da amostra e, segundo, possibilitou que pesquisadores controlassem possíveis variáveis de confusão em análises subsequentes. A documentação detalhada do procedimento de amostragem e das características demográficas garante que outros pesquisadores possam replicar esse estudo com precisão, atendendo assim ao requisito científico de reprodutibilidade e possibilitando comparações significativas entre diferentes contextos institucionais e culturais. Além disso, essa abordagem rigorosa de amostragem fortaleceu a validade externa dos achados, permitindo uma generalização mais confiante dos resultados para a população estudantil do ensino superior em geral. Os dados deste estudo foram coletados usando um questionário online estruturado e autoadministrado. O questionário é dividido em cinco seções, projetadas para medir os construtos centrais do estudo usando escalas estabelecidas e validadas. Todos os itens, salvo indicação em contrário, serão medidos em uma escala de Likert de cinco pontos, variando de 1 ("Fortemente Discordando") a 5 ("Fortemente Concordando").

Instrumentação e medidas

O uso de IA generativa, especificamente o ChatGPT, foi quantificado usando uma escala de 8 itens adaptada de um estudo^{de 45}. Essa escala vai além da simples frequência de uso para capturar a natureza multifacetada da interação dos estudantes com a IA. Os itens focam em três dimensões principais: (a) a frequência de uso para diversas tarefas acadêmicas, (b) os propósitos específicos para os quais ela é empregada (por exemplo, brainstorming, resumo de conteúdo, revisão de textos) e (c) a eficácia percebida da ferramenta pelos estudantes para aprimorar seu trabalho acadêmico relacionado ao idioma. A confiança na IA foi conceituada como uma construção multidimensional, baseada em estruturas estabelecidas como a confiança^{interpessoal 46} e a confiança tecnológica. A escala é composta por duas dimensões distintas. Confiança semelhante à humana: Esta subescala de 6 itens mede até que ponto os alunos atribuem qualidades semelhantes às humanas à IA, como benevolência, integridade e previsibilidade. Por exemplo, os itens avaliam se os alunos acreditam que a IA age em seu melhor interesse ou fornece informações imparciais. Confiança em funcionalidades: Esta subescala de 5 itens avalia a confiança no desempenho funcional da IA. Ele foca na confiabilidade, competência e confiabilidade da própria tecnologia, capturando a crença de que a IA possui a funcionalidade necessária para realizar tarefas acadêmicas de forma eficaz.

A carga cognitiva foi medida usando uma escala adaptada de outro estudo^{, o 47}, que é fundamentado na CLT. Para capturar a estrutura triárquica da CLT, a escala é dividida em três subescalas: Carga Intrínseca (3 itens): essa subescala avalia a complexidade e dificuldade percebidas inerentes aos próprios materiais e tarefas de aprendizagem. Um item de exemplo pode ser: "Os temas abordados no meu curso são muito complexos." Carga extraínseca (3 itens): Esta subescala mede a carga cognitiva imposta pelo desenho instrucional e pela forma como a informação é apresentada. Um exemplo é: "As instruções para as tarefas muitas vezes são pouco claras e difíceis de seguir. Aprendizagem auto-percebida (4 itens): Após pesquisas educacionais anteriores, essa subescala foi usada como um indicador aproximado do processamento cognitivo relevante, em vez de uma medida direta da carga relevante^{em si 48}. Os itens capturam as percepções dos alunos sobre o esforço mental investido na compreensão, compreensão e processos de construção de esquemas associados à aprendizagem significativa. No entanto, como a aprendizagem autopercebida pode conceitualmente se sobrepor a percepções mais amplas de capacidade e realização acadêmica, ela deve ser interpretada cautelosamente como uma representação operacional parcial do engajamento cognitivo produtivo, e não como uma medida definitiva da carga relevante. Inclui itens relacionados à compreensão, compreensão e à sensação de ter dominado o material. Seguindo precedentes estabelecidos em pesquisa^{educacional 46}, o desempenho acadêmico foi operacionalizado usando uma escala de autopercepção. Um instrumento de 4 itens foi empregado. Essa abordagem é adequada para capturar a avaliação subjetiva dos alunos sobre sua eficácia de aprendizagem e desempenho acadêmico. A escala foca na eficácia acadêmica percebida e inclui afirmações como: "Tenho confiança na minha capacidade de concluir meus cursos com sucesso" e "Sinto que aprendi a gerenciar minhas tarefas acadêmicas de forma eficiente e eficaz."

Estratégia de análise de dados

A modelagem estrutural de equações parciais de mínimos quadrados (PLS-SEM) foi empregada para examinar as relações entre o uso de IA generativa, confiança na IA, carga cognitiva e desempenho acadêmico autopercebido. A seleção do PLS-SEM foi guiada por considerações tanto metodológicas quanto analíticas. Primeiro, o estudo adota uma perspectiva de modelagem exploratória e orientada para previsão voltada para examinar caminhos associativos entre construtos relativamente emergentes em contextos de aprendizagem aprimorada por IA, em vez de testar uma teoria causal totalmente estabelecida. Segundo, o PLS-SEM é considerado adequado para modelos complexos envolvendo múltiplos construtos latentes e vias de mediação, especialmente quando o objetivo principal é a explicação da variância e a análise preditiva. Além disso, o PLS-SEM é robusto sob condições de distribuição de dados não normais e é adequado para pesquisas em pesquisas em ciências sociais usando amostras moderadas. Dada a natureza exploratória da pesquisa em IA generativa no ensino superior e a ênfase do estudo em examinar associações preditivas entre construtos perceptivos, o PLS-SEM foi considerado metodologicamente apropriado para a presente análise.

Os dados coletados serão analisados usando uma abordagem em duas etapas, empregando modelagem estrutural de equações parciais de mínimos quadrados (PLS-SEM) com o software SmartPLS 4. O PLS-SEM é uma técnica baseada em variância, adequada para modelos preditivos complexos e não exige que os dados sejam distribuídos normalmente. Passo 1: Avaliação do modelo de medição. O primeiro passo envolve avaliar a confiabilidade e validade dos construtos. A confiabilidade da consistência interna será avaliada usando a confiabilidade alfa e composta de Cronbach, com um limiar de 0,70. A validade convergente será estabelecida examinando as cargas externas dos indicadores (devem ser > 0,70) e a média extraída da variância (AVE) para cada construto (devem ser > 0,50). A validade discriminante, que garante que os construtos sejam empiricamente distintos, será avaliada usando o critério de Fornell-Larcker e a razão Heterotrait-Monotrait (HTMT) de correlacions. Passo 2: Avaliação do modelo estrutural. Uma vez que o modelo de medição seja confirmado como confiável e válido, o modelo estrutural será avaliado para testar as hipóteses do estudo. Isso envolve examinar os coeficientes de caminho (β) quanto à significância e relevância usando um procedimento bootstrap com 5.000 reamostras. Os critérios-chave para avaliação incluirão o coeficiente de determinação (R²): Medir o poder preditivo do modelo (ou seja, a variância explicada nas variáveis endógenas, especialmente o desempenho acadêmico). Relevância preditiva (Q²): Uso do procedimento vendado para avaliar a precisão preditiva do modelo. Tamanhos de efeito (f²): Avaliar o impacto substantivo de cada variável independente sobre as variáveis dependentes. Análise de mediação: Testar o papel mediador da carga cognitiva na relação entre os antecedentes relacionados à IA (uso de IA generativa, confiança na IA) e o desempenho acadêmico. A importância dos efeitos indiretos será avaliada usando intervalos de confiança bootstrapped (inicializados).

Resultados

Estatísticas descritivas

Estatísticas descritivas foram calculadas para resumir as tendências centrais e a dispersão das variáveis-chave deste estudo, incluindo uso de IA generativa, confiança semelhante à humana, confiança na funcionalidade, carga intrínseca, carga extraínseca, aprendizagem auto-percebida e desempenho acadêmico. A análise descritiva foi realizada usando a versão 26 do SPSS, e os resultados são apresentados na Tabela 1 abaixo.

Discussão

A primeira grande descoberta deste estudo revelou que o uso de IA generativa está positivamente associado à carga cognitiva (β = 0,34, p < 0,001), um resultado consistente com a Hipótese 1. Essa descoberta sugere que estudantes que relatam uso mais frequente de ferramentas de IA generativa, como o ChatGPT, também relatam maior carga cognitiva durante suas atividades de aprendizagem. Essa associação positiva entre o uso de IA generativa e a carga cognitiva pode ser melhor compree...

Materiais

Lista de materiais utilizados neste artigo

Nome	Empresa	Número de catálogo	Comentários
Procedimento de Blindfold	SmartPLS 4 (integrado)	N/A	Computa Q² para relevância preditiva do modelo estrutural.
Procedimento de Bootstrapping (5.000 reamostras)	SmartPLS 4 (integrado)	N/A	Usado para avaliar a significância dos coeficientes de caminho (β) e efeitos indiretos.
Escala de Carga Cognitiva – Carga Extranha (3 itens)	Hadie & Yusoff (2021)	N/A (escala validada)	Carga cognitiva proveniente do design instrucional e apresentação de informações.
Escala de Carga Cognitiva – Carga Intrínseca (3 itens)	Hadie & Yusoff (2021)	N/A (escala validada)	Complexidade/dificuldade percebida dos materiais/tarefas de aprendizagem.
Escala de Carga Cognitiva – Aprendizado Autorreferido (4 itens)	Hadie & Yusoff (2021)	N/A (escala validada)	Proxy para processamento cognitivo pertinente; captura o esforço mental para compreensão e construção de esquemas.
Critério de Fornell-Larcker	SmartPLS 4 (integrado)	N/A	Avalia a validade discriminante dos construtos.
Escala de Uso de IA Generativa (8 itens)	Abbas et al. (2023)	N/A (escala adaptada)	Mede a frequência, propósito e eficácia percebida do uso de IA Generativa (ChatGPT) para tarefas acadêmicas. Escala Likert de 5 pontos.
Razão de Correlações HTMT	SmartPLS 4 (integrado)	N/A	Razão heterotrait-monotrait; verificação adicional de validade discriminante.
Formulário de Consentimento Informado	Equipe do estudo (diretrizes institucionais)	N/A	Descrição detalhada do propósito do estudo, participação voluntária, anonimato, confidencialidade e direito de retirar. Consentimento implícito via conclusão do questionário.
Plataforma de Questionário Online	Não especificado (genérico)	N/A	Questionário web estruturado, autoadministrado; todos os itens em escala Likert de 5 pontos (1 = Discordo Fortemente até 5 = Concordo Fortemente).
Estrutura de Amostragem	Escritório do Registrador da Universidade	N/A (registro institucional)	Lista completa de estudantes atualmente matriculados em todas as faculdades usada para amostragem aleatória estratificada.
Escala de Desempenho Acadêmico Autorreferido (4 itens)	Adaptado de precedentes de pesquisa educacional	N/A (escala adaptada)	Avaliação subjetiva de eficácia e realização acadêmica (ex., confiança no trabalho de curso, gestão eficiente de tarefas).
Software SmartPLS 4	SmartPLS GmbH	Versão 4	Software de modelagem de equações estruturais baseado em variância; usado para análise PLS-SEM, bootstrapping, blindfolding.
SPSS versão 26	IBM	N/A	Usado para triagem preliminar de dados, estatísticas descritivas e qualquer gestão de dados pré-PLS-SEM (se aplicável).
Procedimento de Amostragem Aleatória Estratificada	Equipe do estudo (manual)	N/A	Estratos baseados em disciplina acadêmica (4 categorias) e ano de estudo (5 níveis: 1º-4º ano de graduação + pós-graduação). Gerador de números aleatórios usado dentro dos estratos.
Escala de Confiança em IA – Confiança em Funcionalidade (5 itens)	Adaptado da literatura sobre confiança em tecnologia	N/A (escala adaptada)	Mede a confiabilidade, competência e dependência percebida da IA para tarefas acadêmicas.
Escala de Confiança em IA – Confiança Humanóide (6 itens)	Adaptado da confiança interpessoal (Rempel et al.) e literatura sobre confiança em tecnologia	N/A (escala adaptada)	Avalia a benevolência, integridade e previsibilidade atribuídas à IA.