The Reliance Negotiation Framework: A Dynamic Process Model of Student LLM Engagement in Academic Writing

Este artigo apresenta o Modelo de Negociação de Dependência (RNF), uma estrutura dinâmica desenvolvida a partir de um estudo misto com 382 estudantes universitários que reconceitua o engajamento com modelos de linguagem de grande escala (LLMs) na escrita acadêmica como um processo contínuo de negociação entre benefícios, riscos, compromissos éticos e demandas situacionais, superando as limitações dos modelos tipológicos e de aceitação tecnológica existentes.

O essencial

O Mapa da Decisão: Como os Estudantes "Negociam" com a Inteligência Artificial

Imagine que você está dirigindo um carro em uma estrada cheia de neblina. O Modelo de Negociação de Dependência (RNF), criado pelo pesquisador Shahin Hossain, é como um novo GPS que explica como os estudantes decidem usar (ou não) a Inteligência Artificial (IA) para fazer seus trabalhos escolares.

Até agora, as escolas e teorias tratavam o uso da IA como uma coisa fixa: ou o aluno era "bom" e não usava, ou era "preguiçoso" e usava tudo. O autor diz: "Não é assim!"

A decisão de usar a IA não é um traço de personalidade (como ter olhos azuis). É como cozinhar um prato complexo. Você não decide "vou cozinhar" ou "não vou cozinhar" para sempre. Você decide a cada refeição, baseado em quatro ingredientes que você mistura na panela.

Os 4 Ingredientes da Decisão (A Negociação)

Sempre que um estudante recebe um trabalho, ele faz uma "negociação mental" rápida com quatro fatores:

1. O Que Ganho? (Benefícios): "Se eu usar a IA, vou economizar tempo? Vou ter ideias melhores?" (É como olhar para o prato e pensar: "Isso vai me salvar da fome hoje?").
2. O Que Perco? (Riscos): "Vou ser pego trapaceando? A IA vai inventar fatos errados? Vou deixar de aprender a escrever?" (É como pensar: "Se eu comer isso rápido demais, vou passar mal depois?").
3. Minha Consciência (Ética): "O que eu acredito? A IA é 'trapaça' para mim, ou é uma ferramenta?" (É a sua bússola moral interna).
4. A Situação (Pressão): "O prazo é amanhã? O professor é rígido? É uma prova difícil?" (É como o clima lá fora: se está chovendo muito, você corre mais rápido, não importa o que gosta de fazer).

A Grande Virada: O autor descobriu que esses ingredientes mudam a cada tarefa. Um mesmo aluno pode ser super cuidadoso em um trabalho de História (porque o professor vigia) e usar a IA de forma desenfreada em um relatório de Laboratório (porque ninguém está olhando). Não é que o aluno mudou de pessoa; é que a "receita" da negociação mudou.

O Segredo: O Efeito "Bola de Neve" (Recursividade)

Aqui está a parte mais interessante. O modelo diz que o que você faz hoje muda o que você pensa amanhã.

• Exemplo: Se um aluno usa a IA para fazer um trabalho rápido e nota que não aprendeu nada, ele "recalibra" sua mente. No próximo trabalho, ele pode decidir usar menos IA porque percebeu o risco de não aprender.
• O Perigo: Se ele usa a IA e só recebe notas altas (sem perceber que não aprendeu), ele pode ficar viciado na ferramenta, achando que é genial, quando na verdade está apenas copiando. É como comer fast-food todo dia: no começo é rápido e gostoso, mas depois você perde a capacidade de cozinhar sua própria comida.

Os Dois Tipos de Motoristas

O autor descobriu que existem dois tipos de motoristas nesta estrada:

1. Os Negociadores (87% dos alunos): Eles usam a "bússola" acima. Eles pesam prós e contras. Se a pressão mudar, eles mudam de decisão. Eles são flexíveis.
2. Os Abstencionistas (13% dos alunos): Estes são diferentes. Para eles, usar IA é como um "não" absoluto, não importa o preço ou o tempo. É uma regra moral inegociável. "Eu não uso IA, ponto final."
   • O problema: As escolas muitas vezes confundem esses 13% com alunos que não sabem usar tecnologia ou que são preguiçosos. O modelo diz: não confunda! Eles têm uma ética forte, não falta de habilidade.

Por que isso importa para as Escolas (especialmente as que atendem minorias)?

O estudo foi feito em uma universidade que atende muitos estudantes de primeira geração (filhos de imigrantes ou de famílias pobres). O autor diz que essas escolas têm um desafio especial:

• Para um aluno que já sabe escrever bem, a IA é um "turbo" (ajuda a ir mais rápido).
• Para um aluno que está tentando aprender a escrever do zero, a IA pode ser um "caminho curto" que faz ele pular a etapa de aprendizado.

Se a escola apenas proíbe a IA com câmeras e detectores (focando apenas em "não ser pego"), ela está punindo quem mais precisa de ajuda. O aluno pobre, que usa a IA para compensar a falta de recursos, fica sem ferramenta nenhuma e continua para trás.

A Solução Proposta:
Em vez de apenas vigiar, as escolas devem ensinar os alunos a negociar melhor.

• Ensinar a verificar se a IA está mentindo (alfabetização em IA).
• Ensinar a ética de forma profunda (não apenas "não faça", mas "por que você não deve fazer").
• Criar tarefas onde a IA é útil, mas onde o aluno ainda precisa pensar.

Resumo em uma Frase

O uso da IA pelos estudantes não é uma escolha fixa de "bom" ou "mau", mas uma dança constante entre o que eles ganham, o que eles temem, o que acreditam e a pressão do momento. Para educar bem, as escolas precisam entender essa dança e ensinar os alunos a dançar com a música, em vez de apenas tentar impedir que eles pulem.

Resumo técnico

1. O Problema de Pesquisa

O artigo identifica uma lacuna crítica nas teorias atuais sobre o uso de Modelos de Linguagem de Grande Escala (LLMs) por estudantes na escrita acadêmica. As abordagens existentes falham em explicar três fenômenos fundamentais:

• Variabilidade intra-individual: Modelos tipológicos (que categorizam usuários como "estratégicos", "dependentes", etc.) não conseguem explicar por que o mesmo estudante altera seu comportamento de uso dependendo da tarefa ou do contexto.
• O Paradoxo do Desenvolvimento: Modelos de aceitação de tecnologia (como TAM) explicam a adoção, mas não a qualidade pós-adoption. A experiência prévia com LLMs, contra-intuitivamente, não leva necessariamente a um uso mais sofisticado; em muitos casos, leva à habituação e a um uso menos regulado.
• Não-uso Principiado: As estruturas atuais tratam a recusa em usar IA como uma falha de competência ou baixa exposição. No entanto, o estudo revela que uma parcela significativa de estudantes (13,0%) recusa o uso de forma deliberada e baseada em valores éticos, o que os modelos atuais não conseguem teorizar.

A premissa central do problema é que o engajamento com LLMs não é um traço estável ou uma decisão binária, mas um processo contínuo de negociação que os frameworks existentes não conseguem modelar adequadamente.

2. Metodologia

O estudo emprega um desenho de métodos mistos explicativos sequenciais, conduzido em uma instituição de ensino superior nos EUA que atende majoritariamente minorias (MSI - Minority-Serving Institution).

• Amostra: 382 estudantes de graduação.
• Coleta de Dados:
  • Quantitativa: Pesquisa com 382 participantes.
  • Qualitativa: 14 entrevistas semiestruturadas e três vertentes de pesquisa qualitativa.
  • Análise: 1.435 instâncias codificadas.
• Abordagem: O estudo combina análise estatística (regressão hierárquica, modelos logísticos multinomiais) com análise temática qualitativa para desenvolver e validar o novo framework.

3. Contribuições Principais: O Framework de Negociação de Dependência (RNF)

O artigo propõe o Reliance Negotiation Framework (RNF), que reconceptualiza a dependência de LLMs como um processo dinâmico e recursivo.

A. Arquitetura de Quatro Inputs (Entradas)

O comportamento de uso é o resultado de uma negociação simultânea entre quatro entradas:

1. Benefícios Percebidos: Baseados na Teoria Valor-Expectativa (EVT), incluem economia de tempo, geração de ideias e melhoria da qualidade.
2. Riscos Percebidos: Também derivados da EVT (dimensão de custo), divididos em quatro subtipos: integridade acadêmica, risco epistêmico (alucinações), risco de desenvolvimento cognitivo (atrofia de habilidades) e risco social.
3. Compromissos Éticos: Baseados no modelo de desenvolvimento moral de Kohlberg, variando de conformidade (Tier 1) a normas dependentes (Tier 2) e princípios autênticos (Tier 3).
4. Demandas Situacionais: Fatores contextuais como pressão de tempo, políticas do instrutor e normas disciplinares (baseado na Cognição Situada de Greeno).

B. Mecanismo de Negociação e Recursividade

• Processo Dinâmico: As entradas não são estáticas; elas interagem simultaneamente. O contexto (ex.: prazo curto) pode amplificar os benefícios percebidos e suprimir a percepção de riscos de desenvolvimento.
• Loop Recursivo: O resultado de uma decisão de uso (o "produto") modifica as entradas para decisões futuras. Por exemplo, uma experiência de alucinação (risco epistêmico) recalibra a percepção de benefícios na próxima tarefa.
• Arquitetura de Dois Modelos: O RNF distingue dois modos de operação:
  1. Modo de Negociação (87% dos participantes): Os quatro inputs interagem dinamicamente.
  2. Modo de Abstenção (13% dos participantes): Compromissos éticos categóricos atuam como uma restrição lexical que encerra a negociação antes que ela comece. Estes estudantes não fazem "trade-offs"; eles recusam o uso independentemente do contexto.

C. Propriedades Definidoras

1. Recursivo: O produto modifica as condições de preságio para negociações futuras.
2. Situado: O comportamento varia conforme a estrutura de affordances (oportunidades e restrições) do sistema de atividade (ex.: STEM vs. Humanidades).
3. Desenvolvimental: A negociação amadurece de reações baseadas em medo (conformidade) para raciocínio baseado em valores, mas essa trajetória não é linear nem inevitável.

4. Resultados e Evidências Empíricas

• Variabilidade Contextual: Os dados qualitativos mostraram que todos os 14 participantes entrevistados exibiram orientações de dependência sobrepostas e variáveis entre diferentes cursos e tarefas, invalidando modelos tipológicos fixos.
• Paradoxo da Experiência: A exposição prévia ao LLM prediz maior intensidade de dependência ($\beta = .308$) e maior probabilidade de pertencer a tipos de dependência não-estratégicos (Odds Ratios de 2.89 a 6.83), indicando que a experiência sem mediação pedagógica leva à habituação, não à sofisticação.
• Abstenção Principiada: 13,0% dos respondentes (n=47) descreveram uma recusa deliberada baseada em valores (proveniência dos dados de treinamento, impacto ambiental, insuficiência epistêmica), que não pode ser explicada por baixa literacia em IA.
• Casos de Estudo:
  • Tariq: Demonstrou como mudanças na política institucional (demanda situacional) alteraram seu comportamento de uso, passando de um uso pesado com divulgação completa para um uso seletivo e proporcional.
  • Destiny: Ilustrou o paradoxo eficiência-atrofia. Inicialmente dependente, ela recalibrou seu comportamento após perceber que o uso de IA estava substituindo o aprendizado, ativando a dimensão de risco de desenvolvimento.

5. Significado e Implicações

O RNF oferece implicações profundas para a pesquisa, política e pedagogia:

• Pedagogia de Literacia em IA: O foco deve mudar da frequência de uso para a precisão da negociação. A instrução deve calibrar a avaliação de benefícios e riscos dos estudantes (ex.: ensinar a verificar alucinações específicas da disciplina) em vez de apenas focar na conformidade ou na proibição.
• Política de Integridade Acadêmica: Políticas baseadas apenas em detecção (foco no Tier 1 de conformidade) são insuficientes e podem ser contraproducentes. O RNF sugere que políticas devem visar o avanço do nível ético (Tier 3) e a melhoria da competência, criando restrições internas estáveis em vez de dependência de vigilância externa.
• Equidade e Instituições MSI: O framework destaca que estudantes em Instituições que Servem Minorias (MSIs), muitas vezes de primeira geração, enfrentam um "ponto de virada" assimétrico entre eficiência e atrofia. Para eles, a IA pode preencher lacunas de preparação, mas o uso substitutivo impede o desenvolvimento das habilidades fundamentais necessárias. O RNF argumenta que aplicar frameworks desenvolvidos em instituições seletivas a populações MSI sem validação específica é uma falha de equidade.
• Futuro da Pesquisa: O artigo propõe quatro previsões falsificáveis para validar o framework, incluindo a necessidade de estudos longitudinais, medição de variabilidade intra-individual e o desenvolvimento de escalas validadas para distinguir "não-uso principiado" de "baixa exposição".

Em suma, o RNF transforma a compreensão do uso de IA na educação de um problema de detecção de plágio ou de competência estática para um processo de desenvolvimento moral e cognitivo dinâmico, exigindo intervenções que moldem as entradas da negociação do estudante, e não apenas monitorem seus resultados.