É necessária uma assinatura do JoVE para visualizar este conteúdo. Faça login ou inicie seu teste gratuito.
Artigo de investigação
Este estudo de métodos mistos avalia uma rotina de sala de aula assistida por IA e centrada no aluno, envolvendo investigação apoiada por IA, discussão entre pares, esclarecimento do professor e autoavaliação. O estudo foca no autoconceito acadêmico autorrelatado e na competência em comunicação, fornecendo detalhes procedimentais suficientes para facilitar a replicação em sala de aula.
Este estudo quase-experimental de métodos mistos em sala de aula examinou se o ensino centrado no aluno assistido por IA estava associado a mudanças no autoconceito acadêmico dos adolescentes e na competência de comunicação auto-relatada. Seis turmas intactas foram atribuídas à instrução assistida por IA ou à condição usual de instrução centrada no aluno. A intervenção incorporou prompts apoiados por IA em um ciclo estruturado de aprendizagem que inclui investigação individual, discussão entre pares, esclarecimento do professor e autoavaliação. Dos 186 estudantes recrutados, 174 foram mantidos para análise quantitativa. O autoconceito acadêmico e a competência comunicativa autorrelatada foram avaliados no começo, imediatamente após a intervenção e em um acompanhamento pré-definido de curto prazo. A qualidade da interação, a autoavaliação e o engajamento do aprendiz foram medidos após a intervenção, e 36 alunos participaram de entrevistas semiestruturadas. Comparado ao grupo de instrução usual, o grupo assistido por IA apresentou ganhos ajustados pela linha de base maiores tanto nos desfechos pós-intervenção quanto no acompanhamento. Análises exploratórias do processo indicaram maior qualidade de interação, autoavaliação e engajamento do aprendiz no grupo assistido por IA, enquanto achados qualitativos sugeriram que os prompts apoiados por IA ajudaram os alunos a verificar explicações, revisar respostas e tornar a autoavaliação mais explícita quando combinados com discussões entre pares e orientação do professor. Como os participantes foram designados em nível de turma e os resultados foram principalmente auto-relatados, os achados devem ser interpretados como associações baseadas em sala de aula, e não como evidências definitivas de melhora causal no desempenho acadêmico.
A inteligência artificial (IA) tornou-se cada vez mais prevalente em ambientes educacionais. No entanto, seu valor instrucional permanece inconsistente, pois o mero acesso a uma ferramenta tecnológica não constitui inerentemente um processo de aprendizagem. Embora as avaliações destaquem avanços na IA educacional, elas frequentemente ignoram o papel do professor e as interações em sala de aula. Isso é fundamental para adolescentes, que formam ativamente julgamentos de competência e testam ideias com colegas. Portanto, a aprendizagem apoiada por IA deve ser implementada como uma organização pedagógica deliberada que molda como os alunos questionam, avaliam e discutem, em vez de servir apenas como exposição tecnológica.
O ensino centrado no aluno oferece uma estrutura robusta para enfrentar esse desafio. Ao afastar os alunos da recepção passiva, essa abordagem prioriza a participação ativa, o engajamento nas tarefas, a explicação entre pares e a tomada de decisões autônomas. Pesquisas meta-analíticas confirmam que ambientes de aprendizagem ativos caracterizados pela resolução de problemas e envolvimento dos alunos podem melhorar significativamente o desempenho acadêmico em comparação com as aulas tradicionais1. No entanto, o ensino centrado no aluno não é intrinsecamente eficaz. Exige tarefas instrucionais suficientemente estruturadas para orientar a participação, mas flexíveis o bastante para incentivar os alunos a explicar, comparar e revisar ideias. Essa dinâmica se torna ainda mais complexa em salas de aula assistidas por IA. Embora a IA possa gerar rapidamente exemplos, explicações e sugestões, a ausência de orientação do professor e avaliação por pares pode levar os alunos a aceitar esses resultados de forma acrítica, tratando-os como atalhos cognitivos em vez de matéria-prima para um pensamento mais profundo.
O autoconceito acadêmico serve como um resultado altamente relevante nesse contexto, refletindo as crenças específicas dos estudantes sobre suas capacidades acadêmicas. Pesquisas anteriores estabeleceram que o autoconceito acadêmico não é um traço de personalidade estático, mas sim uma construção dinâmica intimamente entrelaçada com conquistas e experiências de aprendizadocontínuas. Este estudo avalia o autoconceito acadêmico para avaliar a confiança dos estudantes em sua capacidade de melhorar seu trabalho. A competência comunicativa serve como um resultado secundário, pois a intervenção exige que os alunos articulem justificativas e refinem as explicações por meio de feedback estruturado dos colegas.
O feedback e a autoavaliação constituem a ponte instrucional crucial que conecta o suporte da IA a esses resultados de aprendizagem direcionados. A avaliação formativa eficaz exige que os alunos monitorem ativamente o progresso, o midam em relação aos padrões e ajam diante das discrepâncias de desempenho 3,4. Em uma sala de aula centrada no aluno e auxiliada por IA, os prompts de IA podem gerar explicações alternativas ou pistas para revisão. No entanto, o verdadeiro valor educacional desses prompts depende de os alunos analisarem o resultado, debatê-lo com colegas e traduzi-los em uma resposta refinada. Consequentemente, a autoavaliação neste estudo é operacionalizada não como uma atitude vaga, mas como um comportamento concreto e observável em sala de aula, com o objetivo de identificar lacunas de aprendizagem e fazer revisões.
O engajamento do aprendiz desempenha um papel igualmente vital nesse ciclo de aprendizagem. Reconhecido como uma construção multidimensional, o engajamento abrange participação comportamental, envolvimento emocional e investimentocognitivo 5. Essa multidimensionalidade é especialmente pertinente para adolescentes, pois a conformidade superficial não garante um processamento cognitivo profundo. Um aluno pode completar uma planilha mecanicamente, sem analisar o raciocínio subjacente, enquanto outro pode fazer menos perguntas, mas se envolver profundamente por meio de auto-monitoramento e revisão contínuas. A introdução da IA pode, teoricamente, elevar o engajamento ao fornecer material rico para comparação e investigação; Por outro lado, pode corroer o engajamento se os alunos dependerem sem esforço de resultados automatizados. Assim, este estudo contextualiza o engajamento do aprendiz junto com a qualidade da interação e a autoavaliação, evitando deliberadamente o tratamento do uso da IA como um evento isolado em sala de aula.
Debates em torno de grandes modelos de linguagem educacionais destacam uma tensão entre assistência individualizada e riscos como dependência excessiva ou esforço reduzido quando implantados sem limites rigorosos. Consequentemente, a coreografia pedagógica da rotina de aprendizagem é tão consequente quanto a própria tecnologia de IA. O presente estudo incorporou temas apoiados por IA em uma sequência consistente de cinco etapas em sala de aula: briefing do professor, investigação individual, discussão entre colegas, explicação em toda a turma e autoavaliação. Esse design específico posiciona intencionalmente a produção da IA como material preliminar sujeito a verificação e revisão rigorosas, em vez de uma resposta final infalível.
Um desenho de pesquisa de métodos mistos foi adotado porque os dados quantitativos de pesquisa sozinhos não conseguem capturar adequadamente as nuances das experiências de aprendizagem vividas pelos alunos. Abordagens de métodos mistos são particularmente valiosas quando trajetórias de resultados devem ser interpretadas em contexto de experiências dos participantes, condições de implementação e dinâmicas em desenvolvimento na salade aula 6. Na investigação atual, o componente quantitativo acompanhou mudanças no desenvolvimento do autoconceito acadêmico e na competência em comunicação. Simultaneamente, o componente qualitativo explorou como os alunos caracterizaram a qualidade da interação, as práticas de autoavaliação, o engajamento na tarefa e as barreiras percebidas durante a intervenção. Essas duas evidências foram posteriormente integradas para avaliar se os padrões quantitativos observados estavam alinhados com as experiências dos alunos em sala de aula no nível do solo.
Este estudo também aborda uma lacuna prática significativa na literatura sobre instrução assistida por IA. Embora inúmeros estudos avaliem resultados impulsionados por IA, relativamente poucos oferecem um protocolo de sala de aula transparente e reproduzível detalhando a utilização rápida, a estrutura entre pares, comparações de grupos de controle, monitoramento de fidelidade e integração de dados por métodos mistos. Décadas de pesquisa sobre interação entre pares demonstram que os alunos se beneficiam substancialmente ao explicar conceitos, receber feedback dos colegas e refinar continuamente sua compreensão por meio dodiálogo 7. O presente estudo se baseia nessa lógica fundamental, investigando se os prompts gerados por IA podem ser interligados com sucesso a essa estrutura dialógica sem usurpar os papéis indispensáveis da orientação do professor e da colaboração entre pares.
Assim, este estudo examinou a instrução centrada no aluno assistida por IA como um protocolo estruturado de sala de aula, e não apenas como uma simples exposição a uma ferramenta de IA. O caminho instrucional proposto era que os prompts suportados por IA fornecessem primeiro material para investigação e comparação; a discussão entre pares e o esclarecimento do professor então exigiriam que os alunos verificassem, justificassem e revisassem esse material; e a etapa final de autoavaliação ajudaria os alunos a reconhecer progressos e lacunas não resolvidas. Dentro desse caminho, a qualidade da interação, a autoavaliação e o engajamento do aprendiz foram tratados como variáveis exploratórias do processo que podem ajudar a explicar como os alunos vivenciaram a rotina instrucional, em vez de mediadores confirmados.
As principais questões de pesquisa foram as seguintes: O protocolo centrado no aluno assistido por IA produz mudanças maiores no conceito acadêmico de si próprio e na competência de comunicação autorrelatada do que o ensino centrado no aluno habitual? A qualidade da interação pós-intervenção, a autoavaliação e o engajamento do aprendiz são maiores na condição assistida por IA? As perguntas exploratórias secundárias foram as seguintes: Essas variáveis de processo mostram associações com escores de mudança de resultado? Os temas qualitativos de entrevistas convergem, expandem ou complicam os achados quantitativos? Como as turmas intactas, e não os alunos individuais, foram designadas às condições, todos os achados foram interpretados com cautela explícita quanto à inferência causal e ao agrupamento em nível de sala de aula.
Acesso restrito. Inicie sessão ou comece um teste para visualizar este conteúdo.
Todos os métodos envolvendo participantes humanos foram conduzidos de acordo com as diretrizes institucionais e a declaração de Helsinque. O protocolo do estudo foi revisado e aprovado pelo conselho de revisão institucional da faculdade de construção da cidade de Guangzhou (aprovação do IRB nº GZCJ2026A016; data de aprovação: 2 de janeiro de 2026). O título do estudo aprovado foi "Instrução centrada no aluno assistida por IA e autoconceito acadêmico e competência de comunicação dos adolescentes: um estudo de métodos mistos." A permissão por escrito foi obtida da escola participante antes da implementação do estudo. O consentimento informado por escrito foi obtido dos pais ou responsáveis legais, e a aprovação por escrito de todos os alunos participantes. Os estudantes foram informados de que a participação era voluntária e que poderiam se retirar do estudo a qualquer momento sem penalidade acadêmica. Nenhum nome, detalhe de contato, identificador escolar, nota ou outra informação diretamente identificável foi inserida na plataforma de chatbot de IA ou incluída no conjunto de dados público. Todos os procedimentos de estudo foram realizados durante o período aprovado, de 2 de janeiro de 2026 a 2 de janeiro de 2027. Todas as ferramentas e plataformas utilizadas neste estudo estão listadas na Tabela de Materiais
Projeto de estudo e atribuição da sala de aula
Este estudo utilizou um design de sala de aula quase experimental e de métodos mistos, com duas condições instrucionais: um grupo de instrução centrado no aluno assistido por IA e um grupo usual centrado no aluno. As medições longitudinais foram realizadas em três pontos de tempo: linha inicial antes da intervenção (T1), imediatamente após a última sessão instrucional (T2) e em uma avaliação de acompanhamento de curto prazo pré-definida (T3). O intervalo T2–T3 foi registrado no registro do estudo e mantido consistente entre o manuscrito, conjunto de dados, roteiros de análise e rótulos de figuras. A Figura 1 resume o recrutamento, a atribuição das turmas, o momento da avaliação, as exclusões e a amostragem qualitativa. Como restrições administrativas e ecológicas impediram a randomização individual, seis turmas intactas foram atribuídas no nível da sala de aula, com três turmas na condição assistida por IA e três na condição de comparação. Cada turma contribuiu com 29 alunos para a amostra analítica final. Nível escolar, área de disciplina, sequência de aulas, duração das sessões, tarefas da sala de aula, cronograma de avaliação e tempo de contato com o professor foram mantidos comparáveis entre as condições. Identificadores de classe foram mantidos para verificações estatísticas sensíveis a clusters.
Recrutamento de participantes e triagem de elegibilidade
Os participantes foram recrutados diretamente das turmas intactas participantes. Os alunos e seus pais ou responsáveis legais receberam uma folha informativa detalhada detalhando o propósito do estudo, procedimentos em sala de aula, atividades apoiadas por IA, cronogramas de questionários, o componente opcional de entrevista, proteções de privacidade, direitos de retirada e planos de armazenamento de dados. Os alunos foram incluídos no estudo se estivessem matriculados em uma das turmas participantes, assistissem às aulas regulares, dessem consentimento por escrito, obtivessem consentimento escrito dos pais ou responsáveis e preenchessem o questionário de referência antes da primeira sessão. Por outro lado, os alunos foram excluídos da amostra analítica final se transferissem da escola, faltassem a mais de 25% das sessões de intervenção, enviassem registros inválidos do questionário ou retirassem permissão para uso dos dados. Um dos principais motivos para exclusão foi documentado para cada participante excluído. Antes da inserção dos dados, cada participante elegível recebia um código único de identificação do estudo. Foram registradas covariáveis demográficas e educacionais relevantes, incluindo idade, gênero, identificador de classe, faixa inicial de desempenho acadêmico, exposição prévia à aprendizagem assistida por IA e familiaridade inicial com aprendizagem digital. Para acompanhamento estatístico, a variável do grupo instrucional foi codificada como 0 para a condição de comparação e 1 para a condição assistida por IA.
Materiais instrucionais e entrega de intervenções
Uma unidade instrucional de seis sessões (Tabela Suplementar 1) foi desenvolvida antes da implementação, com cada sessão em sala de aula durando de 40 a 45 minutos. Objetivos de aprendizagem idênticos, tópicos de aula, folhas de exercícios, tarefas de discussão entre pares, formulários de autoavaliação e prompts de reflexão foram aplicados em ambas as condições instrucionais. A estrutura do questionário, as direções de pontuação, os itens de pontuação reversa e as variáveis finais em nível de escala seguiram o mapa de pontuação bloqueado na Tabela 1. Os materiais de reprodutibilidade incluíam planos de aula (Tabela Suplementar 1), folhas de prompts de IA (Tabela Suplementar 2), fichas de prompts para professores (Tabela Suplementar 3), planilhas de exercícios dos alunos (Tabela Suplementar 4), formulários de autoavaliação (Tabela Suplementar 5), listas de verificação de observação (Tabela Suplementar 6), registros técnicos de incidentes (Tabela Suplementar 7), guias de entrevista (Tabela Suplementar 8) e um livro de códigos qualitativo (Tabela Suplementar 9). O professor participante completou o treinamento usando um guia escrito de entrega que abrange sequência de sessões, limites de uso de IA, procedimentos de grupos de comparação, requisitos de privacidade e listas de verificação de fidelidade. Foi realizado um ensaio com alunos que não estudam para verificar o tempo das atividades, acesso ao dispositivo, clareza da folha de exercícios e dificuldade das tarefas. A ferramenta de IA era um chatbot institucionalmente aprovado baseado em ChatGPT, utilizando a arquitetura GPT-4. Para uso em sala de aula, histórico de chat, memória de perfil, navegação na web, plug-ins, geração de imagens e correção automática foram desativados. O manuscrito utiliza o termo genérico "plataforma de chatbot de IA" após sua primeira menção para evitar linguagem promocional. Os princípios de design de prompts foram corrigidos antes da intervenção e limitaram o uso da IA para esclarecimentos, geração de exemplos, comparação de explicações, suporte direcionado à revisão e pistas de autoavaliação. Prompts representativos, resultados de amostra de IA e exemplos de moderação de professores foram mantidos como parte dos materiais de reprodutibilidade.
Cada sessão assistida por IA foi conduzida em cinco fases estruturadas. Primeiro, foi realizada uma apresentação de 5 minutos para o professor para declarar os objetivos de aprendizagem, explicar tarefas, identificar a plataforma de chatbot de IA configurada e lembrar aos alunos que os resultados da IA eram prompts provisórios, e não respostas autoritativas. Os alunos foram rigorosamente orientados a não inserir nenhuma informação pessoal identificável na plataforma. Em seguida, foi seguida uma atividade individual de investigação de 10 minutos apoiada por IA, durante a qual os alunos utilizaram a folha de prompts preparada para solicitar esclarecimentos, exemplos, explicações alternativas ou sugestões de revisão. Cada aluno registrou a categoria de prompt utilizada, uma ideia útil apoiada por IA, um ponto que precisa de verificação e sua decisão final de adoção. Terceiro, foi realizada uma atividade de discussão entre pares de 12 a 15 minutos, durante a qual os alunos compararam suas ideias apoiadas por IA em pequenos grupos, identificaram imprecisões e revisaram colaborativamente seus trabalhos. Durante essa fase, o professor circulou pela sala de aula para aplicar uma regra padronizada de moderação, incentivando os alunos a justificar verbalmente suas revisões contra os critérios da aula e corrigir resultados errônicos ou excessivamente confiantes da IA antes da finalização. Quarto, foi realizada uma sessão de esclarecimento de 5 a 8 minutos com toda a turma para corrigir equívocos generalizados e corrigir erros factuais. Por fim, uma atividade de autoavaliação de 5 minutos encerrou a sessão, durante a qual os alunos avaliaram sua compreensão, registraram uma melhora concreta e anotaram uma questão não resolvida. Essa sequência operacional exata foi mantida em todas as classes de intervenção. Folhas de prompt impressas serviam como backups técnicos, e desvios técnicos que afetavam mais de 1/3 de uma classe eram explicitamente registrados. Exemplos anonimizados de prompt-output-moderação foram mantidos e documentados nas Tabelas Suplementares 2, 3.
A condição de comparação foi entregue utilizando o mesmo tempo de duração, objetivos de aprendizagem, sequência de tópicos, folhas de exercícios, intervalos de discussão entre colegas, formulários de autoavaliação e janelas de feedback dos professores. No entanto, os prompts suportados por IA foram substituídos por prompts orientadores padronizados, preparados pelo professor, que instruíam os alunos a explicar conceitos centrais, comparar exemplos, identificar fraquezas e revisar seus trabalhos. A estrutura idêntica de cinco etapas, que abrange o briefing, a investigação individual, a discussão entre colegas, a esclarecimento de toda a turma e a autoavaliação final foi mantida rigorosamente. Nenhuma tutoria adicional, tarefas fora da sala de aula, períodos prolongados de feedback ou outras tarefas de avaliação foram oferecidas para qualquer um dos requisitos. A presença em sala de aula, interrupções comportamentais, substituições de professores e componentes incompletos foram documentados usando o mesmo formato de registro para ambos os grupos.
Coleta de dados, monitoramento de fidelidade e análise quantitativa
Os questionários de avaliação foram aplicados nos intervalos iniciais, pós-intervenção e acompanhamento, utilizando redação consistente dos itens, escalas de resposta e regras de pontuação em todas as três ondas de medição. Os instrumentos compreenderam escalas validadas que avaliavam o autoconceito acadêmico, competência em comunicação, qualidade da interação, autoavaliação e engajamento do aprendiz. As respostas foram coletadas usando uma escala padrão do tipo Likert de 5 pontos, variando de 1 (forte discordância) a 5 (forte concordância), com pontuações mais altas indicando níveis mais altos do construto-alvo. As pontuações individuais da escala foram calculadas como a média aritmética dos itens válidos após a codificação reversa necessária. Os valores dos itens faltantes foram substituídos pela média do estudante dentro da mesma escala e onda, desde que não houvesse mais que 20% dos itens faltando. Escalas com mais de 20% de itens ausentes foram tratadas como ausentes, e dados de uma onda de avaliação totalmente ausente não foram imputados. Antes da análise estatística, o conjunto bruto era cuidadosamente auditado quanto a violações de alcance, entradas duplicadas, padrões de resposta em linha reta e tempos anômalos de conclusão. Os registros foram marcados como inválidos e excluídos se apresentassem valores numéricos impossíveis, respostas invariantes em todos os itens ou tempos de conclusão abaixo de 1/3 da duração mediana, a menos que logs explícitos de sala de aula validassem sua autenticidade. As principais análises pós-intervenção e de acompanhamento incluíram estudantes que forneceram escores de referência válidos e dados correspondentes de resultados pós-intervenção ou acompanhamento, evitando assim a exclusão unilateral de listas para agendas parcialmente completas. Um dicionário de dados travado foi estabelecido antes da entrada de dados para definir nomes de variáveis, rótulos, intervalos de resposta, códigos de valor ausentes, regras de pontuação reversa, identificadores de onda e construtos finais em nível de escala. Os dados do questionário foram inseridos em formato amplo, com uma única linha por aluno e sufixos de onda (_T1, _T2, _T3) usados para distinguir as ondas de medição. Intervalos numéricos e registros únicos de participantes foram verificados computacionalmente, e padrões de ausência foram inspecionados entre grupos, turmas e ondas em relação ao registro mestre de presença.
Um checklist padronizado de observação em sala de aula foi empregado em cada sessão instrucional para monitorar a fidelidade da implementação. Cada componente pedagógico foi pontuado como 0 (não concluído), 1 (parcialmente concluído) ou 2 (totalmente concluído). Os componentes avaliados alinhavam estritamente com a sequência instrucional de cinco fases, incluindo o briefing do professor, a investigação individual, a discussão entre colegas, a esclarecimento de toda a turma e a conclusão dos registros de autoavaliação. A porcentagem geral de fidelidade da sessão foi calculada dividindo a pontuação observada pela pontuação máxima possível. Qualquer sessão abaixo de um limite de fidelidade de 70% foi registrada como um desvio de protocolo. Para garantir a confiabilidade entre avaliadores, um segundo observador treinado avaliava independentemente pelo menos 20% do total das sessões. A concordância percentual foi calculada em todos os itens, e quaisquer discrepâncias de avaliação foram resolvidas por meio de discussão por consenso sempre que o acordo inicial caía abaixo de 80%. Falhas técnicas de hardware ou software eram registradas em logs separados para distingui-las de questões de fidelidade instrucional.
As análises estatísticas foram realizadas usando um fluxo de trabalho reproduzível baseado em script, no qual a semente aleatória era fixada antes de qualquer amostragem ou verificação de sensibilidade. Todos os testes estatísticos foram bilaterais, com significância definida em p < 0,05. Variáveis contínuas foram resumidas como médias e desvios padrão, enquanto variáveis categóricas foram expressas como frequências e percentagens. A equivalência basal entre as coortes foi avaliada descritivamente usando testes t com amostras independentes para dados contínuos e testes qui-quadrado para distribuições categóricas. A consistência interna foi medida usando o alfa de Cronbach, aplicando limiares de α ≥ 0,70 para escalas gerais e α ≥ 0,80 para medidas de desfecho primário, juntamente com correlações de item total corrigidas. O ANCOVA ajustado pela linha de base serviu como a principal abordagem analítica. Modelos separados foram ajustados para cada resultado primário, com a pontuação pós-intervenção ou de acompanhamento especificada como variável dependente, o grupo instrucional como preditor principal e a correspondente pontuação de referência como covariável obrigatória. Covariáveis adicionais (gênero, faixa de desempenho acadêmico inicial e exposição prévia à IA) foram incluídas para controlar desequilíbrios na linha de base ou sua relevância teórica, e diferenças de média ajustadas, intervalos de confiança de 95%, erros padrão e valores do modeloR 2 foram reportados. Comparações de escores de mudança (T2–T1 e T3–T1) foram realizadas como análises secundárias usando testes t de Welch em amostras independentes, com tamanhos de efeito quantificados usando o d de Cohen. Análises exploratórias de processos avaliaram correlações de Pearson entre variáveis de processo e mudanças de desfecho, complementadas por regressões lineares multipreditoras com monitoramento do fator de inflação de variância (VIF) para verificar multicolinearidade. Por fim, verificações sensíveis a clusters foram implementadas para considerar a estrutura aninhada dos alunos dentro das seis turmas intactas. Coeficientes de correlação intraclasse (ICCs) incondicionais foram estimados, mudanças de resultado foram agregadas e comparadas em nível de classe, e os cálculos primários do ANCOVA foram repetidos usando erros padrão robustos a clusters como verificação exploratória de sensibilidade.
Amostragem qualitativa, codificação e integração de métodos mistos
Imediatamente após o questionário pós-intervenção, uma subamostra intencional de 36 estudantes foi selecionada para entrevistas semiestruturadas. Essa coorte qualitativa incluiu participantes de ambas as condições instrucionais que demonstraram altas, médias ou baixas pontuações de mudança em autoconceito acadêmico ou competência de comunicação. O guia semiestruturado de entrevistas investigou experiências de interação em sala de aula, confiança na explicação de ideias, comportamentos de autoavaliação, engajamento na tarefa e disposição para comunicar, usando prompts direcionados para explorar momentos de revisão, respostas a feedback pouco claro e variações no engajamento. As entrevistas eram gravadas em áudio somente após obtenção do consentimento dos pais e da aprovação dos alunos; caso contrário, anotações escritas estruturadas eram tomadas. Todos os nomes pessoais, números de turma e detalhes identificativos foram removidos durante a transcrição, e os históricos escolares foram vinculados aos seus identificadores quantitativos correspondentes. A estrutura inicial de codificação qualitativa foi derivada dedutivamente a partir de construtos de qualidade da interação, autoavaliação e engajamento do aprendiz, com códigos temáticos indutivos adicionados apenas quando os dados não se encaixavam no quadro de base. Dois codificadores independentes analisaram pelo menos 20% das transcrições para verificar a confiabilidade. Os coeficientes de kappa de Cohen foram avaliados, com valores entre 0,61–0,80 tratados como concordância substancial e valores acima de 0,80 como concordância forte. As definições dos livros de códigos foram refinadas e a dupla codificação foi repetida sempre que o kappa inicial caía abaixo de 0,61, e as definições finais junto com a matriz qualitativa de frequência do código resultante eram arquivadas (Tabelas Suplementares 9 e 10).
A análise quantitativa de dados e os frameworks de codificação qualitativa foram finalizados de forma independente antes de iniciar a integração de métodos mistos. Uma exibição conjunta coesa foi estruturada para conectar as três variáveis quantitativas do processo com seus respectivos temas qualitativos. Os resultados integrados foram sistematicamente classificados como convergência (onde padrões de questionários e temas de entrevista se alinhavam), expansão (onde narrativas qualitativas explicavam os mecanismos subjacentes às tendências quantitativas) ou divergência (quando as entrevistas revelavam barreiras únicas ou participação desigual que complicavam os padrões quantitativos). Os resultados qualitativos foram utilizados para contextualizar os processos em sala de aula, vinculando as pontuações de engajamento do aluno a temas de questionamento ativo e discussão entre colegas, e vinculando as pontuações da autoavaliação a relatos de consciência sobre lacunas e ajustes estratégicos.
Acesso restrito. Inicie sessão ou comece um teste para visualizar este conteúdo.
Fluxo dos participantes e características de linha base
Uma turma inicial de 186 estudantes de seis turmas intactas foi recrutada para o estudo. Após triagem de elegibilidade, verificação de frequência e verificações de qualidade de resposta, 174 estudantes foram retidos para a análise quantitativa final. Esses participantes estavam distribuídos de forma uniforme, com 87 designados para o grupo de instrução centrado no aluno assistido por IA e...
Acesso restrito. Inicie sessão ou comece um teste para visualizar este conteúdo.
Este estudo examinou se a integração de ferramentas assistidas por IA no ensino centrado no aluno estava associada a mudanças no autoconceito acadêmico dos adolescentes e na competência de comunicação auto-relatada. Durante o período de observação de três ondas, os alunos da coorte assistida por IA apresentaram ganhos maiores em ambos os desfechos do que aqueles que receberam instrução centrada no aluno habitual. Essa trajetória foi consistente em padrões brutos de pontuação, métricas de...
Acesso restrito. Inicie sessão ou comece um teste para visualizar este conteúdo.
Lingyun Deng: Conceitualação, Metodologia, Investigação, Curadoria de dados, Análise formal, Redação – rascunho original.
Shanshan Han: Conceitualação, Metodologia, Supervisão, Administração de Projetos, Validação, Redação – revisão e edição.
Fengni Yang: Recrutamento de participantes, coleta de dados de questionários, gravação de entrevistas semiestruturadas, triagem de material suplementar e polimento de manuscritos. Todos os autores leram e concordaram com a versão publicada do manuscrito...
Os autores gostariam de expressar sua sincera gratidão à escola participante, aos alunos e aos pais pela cooperação e apoio durante o processo de coleta de dados. Os autores também agradecem à Faculdade de Educação da Universidade Kookmin por fornecer o ambiente acadêmico e os recursos necessários que facilitaram essa pesquisa. Nenhum financiamento externo ou apoio financeiro foi recebido para o desenvolvimento deste estudo ou sua implementação.
Acesso restrito. Inicie sessão ou comece um teste para visualizar este conteúdo.
| Nome | Empresa | Número de catálogo | Comentários |
|---|---|---|---|
| ChatGPT | OpenAI | https://chatgpt.com | Plataforma institucionalmente aprovada utilizada como componente instrucional para consultas e prompts dos estudantes. |
| Grammarly | Grammarly, Inc. | https://www.grammarly.com | Usado durante a preparação do manuscrito para polimento da linguagem e suporte de formatação |
| SPSS | IBM Corp. | SCR_002865 | Usado para análise de dados quantitativos, incluindo ANCOVA ajustada por linha de base, testes t, correlações de Pearson e ICCs. |
| NVivo | Lumivero | https://lumivero.com/products/nvivo | Usado para codificar transcrições de entrevistas semiestruturadas e calcular o kappa de Cohen para codificadores independentes. |
| Qualtrics | Qualtrics, LLC | https://www.qualtrics.com | Usado para administrar questionários de avaliação de linha de base, pós-intervenção e acompanhamento. |
Acesso restrito. Inicie sessão ou comece um teste para visualizar este conteúdo.