É necessária uma assinatura do JoVE para visualizar este conteúdo. Faça login ou inicie seu teste gratuito.
Artigo de investigação
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.
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.
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 atrabalhos acadêmicos 2. Essa revolução tecnológica apresenta tanto oportunidades sem precedentes quanto desafios....
Acesso restrito. Inicie sessão ou comece um teste para visualizar este conteúdo.
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 col....
Acesso restrito. Inicie sessão ou comece um teste para visualizar este conteúdo.
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.
Acesso restrito. Inicie sessão ou comece um teste para visualizar este conteúdo.
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.......
Acesso restrito. Inicie sessão ou comece um teste para visualizar este conteúdo.
Todos os autores declaram não haver conflitos de interesse.
Essa pesquisa não recebeu nenhum financiamento.
....Acesso restrito. Inicie sessão ou comece um teste para visualizar este conteúdo.
| 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. |