Artificial Intelligence Competence of K-12 Students Shapes Their AI Risk Perception: A Co-occurrence Network Analysis

Resumo Técnico: A Competência em IA de Estudantes do K-12 Molda sua Percepção de Risco de IA

Definição do Problema
À medida que a Inteligência Artificial (IA), particularmente a IA Generativa (GenAI), se integra à educação, compreender como os estudantes percebem os riscos associados é fundamental para uma adoção responsável. Embora a IA seja reconhecida tanto como uma oportunidade quanto como um risco, a relação específica entre a autopercepção de competência em IA de um estudante e sua percepção de riscos relacionados à IA permanece subestudada. A literatura existente identifica várias categorias de risco (privacidade, viés, precisão, ética, etc.), mas não está claro como as características individuais, especificamente os níveis de competência, moldam o enquadramento desses riscos. Este estudo aborda duas questões primárias: (1) Quais fatores os estudantes do ensino médio (K-12) percebem como riscos relacionados à IA? e (2) Como a competência em IA autorreferida molda essas percepções de risco?

Metodologia
O estudo empregou um design quantitativo, transversal, utilizando uma abordagem de análise de rede de coocorrência fundamentada na ciência da complexidade e na psicometria de redes.

• Participantes: Os dados foram coletados de 163 estudantes (47% mulheres, 51% homens, 2% não binários) de uma escola secundária geral finlandesa (nível ISCED 3) engajada em um projeto de desenvolvimento de GenAI de dois anos. O ano de nascimento mediano foi 2008.
• Instrumentos:
  • Competência em IA: Uma escala de quatro itens avaliada em uma escala Likert de 5 pontos, que avalia o uso geral de IA, o suporte à aprendizagem personalizada e a gestão de informação. A Análise Fatorial Confirmatória (CFA) confirmou uma estrutura unidimensional com excelente ajuste de modelo (CFI = 1.00, RMSEA = .041) e confiabilidade ($\alpha$ = 0.89).
  • Preocupações/Riscos de IA: Um checklist binário de 14 itens que captura percepções de riscos em três domínios: Sistêmicos (ex: viés, imprecisão, utilização de recursos), Institucionais (ex: trapaça, vantagem injusta, políticas escolares, direitos autorais) e Pessoais (ex: redução do pensamento crítico, criatividade, aprendizagem, vício, privacidade).
• Abordagem Analítica:
  • Os estudantes foram estratificados em grupos de "baixa" e "alta" competência usando uma divisão pela mediana (Mdn = 17).
  • Uma Análise de Rede de Coocorrência foi realizada para modelar a estrutura relacional das preocupações. As respostas binárias foram transformadas em uma matriz de coocorrência.
  • Os dados passaram por $L_2$-normalização para controlar o número total de preocupações selecionadas por estudante.
  • Pesos de aresta ajustados por regressão foram calculados usando regressão de Mínimos Quadrados Ordinários (OLS) para isolar o efeito da competência, controlando por gênero e série escolar.
  • A Centralidade de Autovetor (EC) foi computada para identificar a importância estrutural relativa de preocupações específicas dentro das redes dos grupos de baixa vs. alta competência. As arestas com valores absolutos abaixo do percentil 75 foram podadas para destacar associações salientes.

Principais Resultados
A análise revelou padrões distintos de como os níveis de competência influenciam a percepção de risco:

1. Prevalência Geral: As preocupações mais citadas entre todos os estudantes foram a imprecisão/viés da IA, o uso de IA para trapaça e riscos à qualidade da aprendizagem (redução do pensamento crítico e da criatividade). Preocupações institucionais e legais (direitos autorais, regras inconsistentes) foram as menos citadas.
2. Competência e Volume de Preocupações: Estudantes no grupo de baixa competência relataram um maior número de preocupações em quase todas as categorias em comparação com seus pares de alta competência. Estudantes de baixa competência mostraram uma ênfase mais forte em riscos de aprendizagem pessoais e questões baseadas no medo (uso indevido, vício).
3. Diferenças na Estrutura da Rede:
   • Grupo de Alta Competência: A rede foi caracterizada por fortes associações positivas entre riscos sistêmicos e institucionais. Os nós centrais principais incluíram Trapaça_IA (EC = 0.53) e Viesado (EC = 0.52), seguidos por Regras_dos_professores e Impreciso. Isso indica que estudantes com maior competência veem os riscos como questões sistêmicas interconectadas (ex: ligando a trapaça ao viés e às regras escolares).
   • Grupo de Baixa Competência: A rede centrou-se em ameaças pessoais e relacionadas à aprendizagem. Os nós mais centrais foram Menos_criativo (EC = -0.53) e Menos_crítico (EC = -0.49). Este grupo conectou fortemente as preocupações com criatividade e pensamento crítico com questões de justiça e recursos.
4. Achados de Regressão: Pesos de aresta positivos (aumentando com a competência) ligaram itens sistêmicos/institucionais (ex: Trapaça_IA—Viesado). Pesos de aresta negativos (diminuindo com a competência) ligaram itens pessoais/de aprendizagem (ex: Menos_criativo—Menos_crítico), sugerindo que estudantes de menor competência têm maior probabilidade de confundir o declínio cognitivo com questões de justiça e recursos.

Principais Contribuições

• Evidência Empírica do Elo Competência-Risco: O estudo fornece evidência empírica de que a autopercepção de competência em IA é um preditor significativo de como os estudantes enquadram os riscos da IA. Ele vai além das simples contagens de prevalência para mostrar como a competência altera as relações estruturais entre as diferentes percepções de risco.
• Diferenciação de Enquadramentos de Risco: O estudo distingue entre um enquadramento de risco "sistêmico/institucional" (dominante em estudantes de alta competência) e um enquadramento de risco "pessoal/cognitivo" (dominante em estudantes de baixa competência).
• Aplicação Metodológica: O artigo demonstra a utilidade da análise de rede de coocorrência e da Centralidade de Autovetor na pesquisa educacional para visualizar a complexa teia de crenças dos estudantes em relação à tecnologia.

Significância e Alegações
Os autores afirmam que esses achados destacam a necessidade crítica de incorporar a literacia em IA nos currículos. O estudo postula que, sem o ensino sistemático e equitativo da literacia em IA, as disparidades de conhecimento podem aumentar, levando a oportunidades desiguais (o "hiato da IA").

• Para Educadores: Professores devem ir além das políticas binárias de "permitir/proibir". Para estudantes de baixa competência, é necessário o suporte (scaffolding) para abordar os medos de uso indevido e atrofia cognitiva. Para estudantes de alta competência, são necessárias diretrizes claras sobre o uso aceitável e treinamento na avaliação dos resultados da IA.
• Para Políticas Públicas: Os resultados alinham-se com a ênfase do Ato de Inteligência Artificial da UE na literacia em IA. Os autores argumentam que falhar em institucionalizar a construção de competência pode deixar os sistemas educacionais despreparados para as mudanças tecnológicas.
• Escopo Modesto: Os autores reconhecem explicitamente as limitações, incluindo o contexto de uma única escola (limitando a generalização), a dependência da competência autorreferida e o design transversal, que impede afirmações causais. Eles não propõem novos modelos pedagógicos específicos, mas sugerem que pesquisas existentes sobre autoeficácia e consciência de risco devem informar intervenções futuras.

Em conclusão, o artigo afirma que a competência em IA não é meramente um conjunto de habilidades, mas uma lente através da qual os estudantes avaliam os riscos e as oportunidades da IA na educação. Promover a literacia em IA é, portanto, essencial para permitir que os aprendizes se envolvam de forma crítica, responsável e produtiva com as ferramentas de IA.