The Agency Gap in AI-Supported Writing: How Reactive and Proactive Agent Designs Shape Multimodal Reasoning

Resumo Técnico: O Hiato de Agência na Escrita Suportada por IA

Definição do Problema
A integração da Inteligência Artificial Generativa (GenAI) na escrita acadêmica introduz um desafio de design crítico: o "hiato de agência" (agency gap). Este conceito descreve um potencial descompasso entre a iniciativa demandada por um agente de IA (ex: reativo vs. proativo) e a capacidade de um aprendiz para iniciar, monitorar e avaliar o raciocínio suportado pela IA. Embora as ferramentas de GenAI ofereçam oportunidades de andaime (scaffolding), seu valor educacional depende de como o controle é compartilhado. Agentes reativos exigem que os aprendizes possuam altas habilidades de prompting e consciência metacognitiva, potencialmente desfavorecendo aqueles com baixa literacia em GenAI. Por outro lado, agentes proativos que fornecem sequências de perguntas e feedback podem reduzir a carga cognitiva, mas correm o risco de superestruturar a aprendizagem e diminuir a agência do aprendiz. A pesquisa existente carece de evidências empíricas sobre como esses designs de interação influenciam o raciocínio epistêmico, a absorção de feedback e o desempenho independente imediato em tarefas de escrita analítica multimodal.

Metodologia
O estudo empregou um design experimental de métodos mistos em duas fases com 79 estudantes de medicina e enfermagem. Os participantes completaram duas tarefas de escrita analítica multimodal baseadas em visualizações de dados de simulação de cuidados de saúde (um gráfico de barras, uma rede de comunicação e um mapa de enfermaria).

• Condições Experimentais: Os participantes foram designados aleatoriamente para um de dois designs de agente de IA:
  • Agente Reativo: Responde apenas quando solicitado pelo aprendiz, exigindo que o estudante identifique incertezas, formule prompts e sequencie a investigação.
  • Agente Proativo: Inicia uma sequência fixa de perguntas orientadoras e fornece feedback de nível de tarefa ou de processo baseado em andaimes elaborados por especialistas, conduzindo o aprendiz através da interpretação visual sem gerar o texto final.
• Medidas:
  • Literacia em GenAI: Avaliada através do Teste de Avaliação de Literacia em IA Generativa (GLAT) validado de 20 itens.
  • Desempenho de Escrita: Avaliado via uma rubrica ordinal cobrindo cinco dimensões: Perspicácia, Integração de Dados Visuais, Organização e Coerência, Qualidade Linguística e Pensamento Crítico.
  • Raciocínio Epistêmico: Analisado utilizando Análise de Rede Epistêmica (ENA) para mapear a estrutura relacional do raciocínio e engajamento (baseado em estruturas ICAP e de argumentação) dentro dos diálogos humano-IA.
• Abordagem Analítica: O estudo utilizou regressão logística ordinal para prever o desempenho de escrita independente (após a remoção da IA) com base na literacia e no design. A análise de mediação testou se o desempenho apoiado por IA mediava a relação entre a literacia e o desempenho independente. A análise temática das reflexões dos alunos forneceu insights qualitativos sobre a experiência de agência.

Principais Resultados

• Raciocínio Epistêmico (RQ1): A ENA revelou estruturas relacionais distintas entre as condições. As interações proativas fomentaram ligações mais fortes entre o raciocínio conceitual, a aplicação adequada de evidências e o engajamento construtivo. Em contraste, as interações reativas foram caracterizadas por associações mais fortes entre descrições fatuais e trocas procedimentais ou fora de tópico. O andaime proativo pareceu externalizar as funções de planejamento e monitoramento, direcionando a atenção das observações para a síntese.
• Literacia em GenAI e Desempenho (RQ2): A literacia em GenAI previu significativamente o desempenho independente imediato em Integração de Dados Visuais, Pensamento Crítico e no Índice Composto geral após a remoção do suporte da IA. No entanto, a literacia não previu significativamente o desempenho em Perspicácia, Organização ou Qualidade Linguística. Crucialmente, a interação entre a literacia em GenAI e o design do agente não foi estatisticamente significativa; o estudo não encontrou evidências de que um design produziu pontuações mais altas ou diferentes inclinações de literacia em relação ao outro.
• Efeitos de Mediação (RQ3): A análise de mediação mostrou uma associação total significativa entre a literacia em GenAI e o desempenho independente na condição reativa, mas não na condição proativa. Contudo, os efeitos indiretos não foram estatisticamente significativos em nenhuma das condições, e os intervalos de confiança foram amplos. Os resultados sugerem que, embora o suporte proativo possa reduzir as diferenças de desempenho observáveis baseadas na literacia, o estudo não estabelece um efeito causal compensatório ou confirma a mediação.
• Experiência do Aprendiz (RQ4): A análise qualitativa identificou três heurísticas de design: (1) sustentar a autonomia através de feedback contextual e confirmatório (reativo); (2) promover o raciocínio integrativo através de andaime dialógico (proativo); e (3) garantir a equidade alinhando a iniciativa com a percepção de expertise do aprendiz e a complexidade da tarefa. Os alunos valorizaram a orientação proativa para conectar evidências, mas a consideraram redundante para tarefas simples ou quando se sentiam competentes.

Principais Contribuições
A principal contribuição teórica do artigo é a conceitualização do "hiato de agência" como um descompasso relacional entre a iniciativa do agente de IA e a capacidade do aprendiz, em vez de um déficit individual. Posiciona a distribuição de iniciativa como uma condição de contorno de design que molda a alocação do trabalho epistêmico.

• Processo vs. Resultado: O estudo demonstra que o design de interação altera significativamente o processo de raciocínio (a estrutura de rede do diálogo), mesmo quando os efeitos diretos sobre os resultados imediatos (pontuações de escrita) não são estatisticamente significativos.
• Implicações de Design: Os achados sugerem que o suporte à escrita por IA eficaz requer feedback contextual, andaime dialógico e a calibração da iniciativa conforme as necessidades do aprendiz. Designs proativos podem aprofundar a integração conceitual, enquanto designs reativos preservam o controle do aprendiz, mas demandam maior literacia.

Significância e Alegações
Os autores reivindicam uma significância modesta, enfatizando que o "hiato de agência" é um framework explicativo emergente, e não uma teoria geral validada. O estudo não afirma que agentes proativos superam universalmente os agentes reativos, nem assegura que o andaime proativo compensa definitivamente a baixa literacia. Em vez disso, os resultados apoiam a hipótese de que o design de interação reorganiza o trabalho epistêmico do aprendizado. A implicação prática é que os agentes de IA educacionais devem oferecer níveis ajustáveis de iniciativa, permitindo que os aprendizes solicitem orientação ou reduzam o andaime conforme demonstram competência. Os autores alertam que estes resultados são específicos para tarefas de curto prazo de síntese de evidências multimodais e convocam pesquisas futuras com amostras maiores, medidas diretas de agência e avaliações longitudinais para testar a durabilidade destes efeitos.