🤖 AI

Exploring the Adoption Intention in Using AI-Enabled Educational Tools Among Preservice Teachers in the Philippines: A Partial-Least Square Modeling

Este estudo utiliza PLS-SEM para analisar dados de 563 professores filipinos em formação, revelando que fatores motivacionais e emocionais internos, particularmente a expectativa de desempenho e a motivação hedônica, são os principais impulsionadores da sua intenção de adotar ferramentas educacionais habilitadas por IA, superando a influência de fatores institucionais externos.

Autores originais: Vanessa B. Sibug, Emerson Q. Fernando, Almer B. Gamboa, Roque Francis B. Dianelo, Agnes R. Regala, Joseph Alexander Bansil, Jan Henry B. Sunga, Vernon Grace M. Maniago, John Paul P. Miranda

Publicado 2026-05-01

📖 4 min de leitura☕ Leitura rápida

CC BY 4.0

Autores originais: Vanessa B. Sibug, Emerson Q. Fernando, Almer B. Gamboa, Roque Francis B. Dianelo, Agnes R. Regala, Joseph Alexander Bansil, Jan Henry B. Sunga, Vernon Grace M. Maniago, John Paul P. Miranda

Artigo original sob licença CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Esta é uma explicação gerada por IA do artigo abaixo. Não foi escrita nem endossada pelos autores. Para precisão técnica, consulte o artigo original. Ler aviso legal completo

Imagine que você está se formando para se tornar professor. Você está prestes a entrar em uma sala de aula para sua primeira prática real (seu "estágio supervisionado") e tem à sua frente uma nova e poderosa caixa de ferramentas: ferramentas educacionais de IA. São programas inteligentes que podem ajudá-lo a planejar aulas, corrigir trabalhos ou criar quizzes divertidos.

Mas eis a grande questão: Você realmente as utilizará?

Este artigo é como uma história de detetive que investiga por que alguns futuros professores nas Filipinas estão entusiasmados em usar essas ferramentas de IA, enquanto outros podem hesitar. Os pesquisadores pediram a 563 estudantes de pedagogia que preenchessem uma pesquisa e, em seguida, utilizaram um modelo matemático especial (uma "receita" para entender o comportamento humano) para descobrir o que impulsiona suas decisões.

Eis o que eles descobriram, explicado de forma simples:

1. Os Dois Motores Principais: "Isso vai me ajudar?" e "É divertido?"

O estudo descobriu que duas coisas são os maiores impulsionadores para o uso de IA, atuando como os dois motores de um foguete:

Expectativa de Desempenho (O Fator "Superpoder"): Esta é a crença de que a ferramenta realmente tornará o trabalho do professor mais fácil ou melhor. Se um estudante de pedagogia pensa: "Esta IA vai me ajudar a corrigir mais rápido e a fazer minhas aulas parecerem incríveis", é muito provável que ele a utilize. É como comprar um aspirador de pó de alta tecnologia porque você sabe que ele limpará sua casa melhor do que uma vassoura.
Motivação Hedônica (O Fator "Prazer"): Trata-se simplesmente de se divertir. Se a ferramenta parecer lúdica, divertida ou agradável de usar, os professores querem utilizá-la. É a diferença entre fazer uma tarefa doméstica e jogar um videogame. Se a IA parecer um brinquedo divertido em vez de uma tarefa chata, a adoção aumenta.

2. O Equívoco sobre a "Facilidade de Uso"

Você pode pensar: "Se uma ferramenta é fácil de usar, as pessoas certamente a utilizarão." O estudo descobriu que isso não é exatamente verdade para esses professores.

A Descoberta: Quão "fácil" é uma ferramenta (Expectativa de Esforço) não fez os professores quererem usá-la diretamente.
O Revesamento: No entanto, a "facilidade de uso" é fortemente influenciada por três sentimentos internos:
- Confiança: "Eu acredito que consigo lidar com isso?" (Autoeficácia Computacional).
- Medo: "Tenho medo de estragá-la?" (Ansiedade Computacional).
- Ludicidade: "Isso parece um jogo?" (Ludicidade Computacional).
A Analogia: Pense em um novo videogame. Mesmo que os controles sejam simples (fáceis de usar), você não jogará se estiver aterrorizado com os botões ou se sentir tolo tentando aprender. Mas, se você se sentir confiante e achar o jogo divertido, quererá jogar, mesmo que seja um pouco complicado.

3. O Efeito Surpreendente da "Pressão dos Pares"

Geralmente, pensamos que, se nossos amigos ou chefes nos dizem para fazer algo, nós o faremos. O estudo descobriu o oposto para a IA.

A Descoberta: A Influência Social (o que colegas ou supervisores dizem) teve, na verdade, um efeito negativo.
A Analogia: Imagine que um professor é informado: "Você deve usar esta IA porque o diretor ordenou." Em vez de se sentir motivado, ele pode se sentir coagido ou rebelde. É como ser obrigado a comer um vegetal específico por um pai; às vezes, a pressão faz com que você queira menos comê-lo, porque sente que sua liberdade está sendo tirada. Eles querem usar as ferramentas porque eles desejam, não porque lhes foi dito para fazê-lo.

4. O Que Não Importou Muito

O estudo analisou outros fatores, mas eles não foram os principais impulsionadores:

Suporte Institucional: Ter boa internet ou computadores (Condições Facilitadoras) não fez automaticamente os professores quererem usar IA. Você pode ter um Ferrari na garagem, mas, se não quiser dirigi-lo, ele apenas fica parado.
Preço: Como a maioria dessas ferramentas é gratuita ou de baixo custo, o "custo-benefício" não foi um fator decisivo enorme.
Hábito: O fato de terem usado tecnologia antes não garantiu que eles usariam IA especificamente.

A Conclusão

O artigo conclui que, para fazer com que futuros professores utilizem IA, não devemos apenas construir computadores melhores ou forçá-los a usá-la. Em vez disso, precisamos focar no interior do professor:

Mostre a magia: Prove que a IA realmente os ajuda a fazer seu trabalho melhor (Desempenho).
Torne divertido: Garanta que as ferramentas sejam envolventes e agradáveis (Hedônico).
Construa confiança: Ajude-os a se sentirem capazes e reduza seu medo da tecnologia.
Pare a pressão: Deixe-os escolher usá-la porque veem o valor, não porque um chefe lhes disse para fazê-lo.

Em resumo, para esses futuros professores, a motivação interna é a chave, não regras externas ou infraestrutura.

1. Declaração do Problema

O estudo aborda uma lacuna crítica na formação de professores: compreender os fatores específicos que influenciam a intenção comportamental de professores em formação em adotar ferramentas educacionais habilitadas por IA (ETTs) durante sua fase de estágio (prática de ensino). Embora a tecnologia educacional esteja cada vez mais integrada às salas de aula, a adoção eficaz depende não apenas da infraestrutura, mas dos fatores psicológicos e contextuais que impulsionam os futuros educadores.

A literatura existente frequentemente carece de insights específicos sobre como os professores em formação navegam por ferramentas específicas de IA (por exemplo, IA generativa para planejamento de aulas, sistemas de correção automatizada) dentro das restrições únicas de um estágio. Os autores visam identificar se fatores motivacionais/cognitivos internos ou fatores institucionais externos são mais preditivos da intenção de adoção no contexto filipino.

2. Metodologia

Desenho de Pesquisa e Participantes

Desenho: Estudo transversal descritivo.
Participantes: 563 professores em formação de instituições de formação de professores em Luzon Central, Filipinas.
Demografia: Predominantemente feminino (71,4%), idade média de 21,06 anos. As especializações incluíram Educação Física (50%), Ensino Fundamental (24,5%) e Ensino Médio (25,4%).
Contexto: Os participantes estavam matriculados em cursos de estágio. O estudo contextualizou as ferramentas de IA para incluir plataformas como Canva, Slidesgo, Quillbot, ChatGPT, Gemini, Copilot, Quizizz, Kahoot! e Gradescope.

Marco Teórico

O estudo utiliza uma versão estendida da Teoria Unificada de Aceitação e Uso de Tecnologia 2 (UTAUT2).

Construtos Principais: Expectativa de Desempenho (PE), Expectativa de Esforço (EE), Motivação Hedônica (HM), Influência Social (SI), Condições Facilitadoras (FC), Valor do Preço (PV) e Hábito (HB).
Construtos Estendidos: O modelo integra Autoeficácia Computacional (CSE), Ansiedade Computacional (CA) e Brincadeira Computacional (CP) como antecedentes de EE e HM.
Preditores Adicionais para PE: Motivação Externa (EM), Adequação ao Trabalho (JF), Vantagem Relativa (RA) e Expectativas de Resultado (OE).

Instrumento e Análise

Coleta de Dados: Pesquisa online (Google Forms) usando uma escala Likert de 4 pontos.
Técnica de Análise: Modelagem de Equações Estruturais de Mínimos Quadrados Parciais (PLS-SEM).
Validação:
- Confiabilidade: O alfa de Cronbach e a Confiabilidade Composta (CR) superaram 0,70.
- Validade: A validade convergente foi confirmada por meio de Cargas Fatoriais (>0,70) e Variância Média Extraída (AVE > 0,50). A validade discriminante foi confirmada pelo critério de Fornell-Larcker.
Hipóteses: 12 hipóteses principais foram testadas quanto às relações diretas e indiretas entre os construtos e a Intenção Comportamental de Uso (BITU).

3. Resultados Principais

A análise PLS-SEM produziu as seguintes descobertas significativas:

A. Preditores Diretos da Intenção Comportamental (BITU)

Expectativa de Desempenho (PE): O preditor positivo mais forte ( $\beta = 0,302, p < .001$ ). Professores que acreditam que a IA melhora seu desempenho no ensino são mais propensos a adotá-la.
Motivação Hedônica (HM): O segundo preditor positivo mais forte ( $\beta = 0,292, p < .001$ ). O prazer derivado do uso das ferramentas impulsiona significativamente a adoção.
Expectativa de Esforço (EE): Não significativa ( $\beta = -0,013, p = .830$ ). A facilidade de uso percebida não influenciou diretamente a intenção de usar ferramentas de IA neste contexto.

B. Antecedentes da Expectativa de Esforço (EE)

Embora a EE não tenha previsto a BITU diretamente, ela foi significativamente moldada por:

Autoeficácia Computacional (CSE): Influência positiva ( $\beta = 0,469$ ).
Brincadeira Computacional (CP): Influência positiva ( $\beta = 0,387$ ).
Ansiedade Computacional (CA): Surpreendentemente, uma influência positiva pequena, mas significativa ( $\beta = 0,059$ ), sugerindo que maior ansiedade estava associada a maior esforço percebido (ou que a relação é complexa nesta amostra específica).

C. Antecedentes da Expectativa de Desempenho (PE)

A PE foi significativamente prevista por:

Motivação Externa (EM): O principal motor ( $\beta = 0,487$ ).
Expectativas de Resultado (OE): ( $\beta = 0,236$ ).
Adequação ao Trabalho (JF): ( $\beta = 0,162$ ).
Vantagem Relativa (RA): ( $\beta = 0,071$ ).

D. Fatores Contextuais e Habituais (Não Significativos ou Negativos)

Influência Social (SI): Mostrou um efeito negativo significativo ( $\beta = -0,096, p = .014$ ). A pressão externa de colegas ou supervisores na verdade reduziu a intenção de usar ferramentas de IA, provavelmente devido a ameaças percebidas à autonomia.
Condições Facilitadoras (FC): Nenhum efeito significativo ( $\beta = -0,029$ ). O suporte institucional sozinho não impulsiona a adoção.
Valor do Preço (PV) e Hábito (HB): Mostraram apenas efeitos marginais ( $p > 0,05$ ), indicando que custo e rotina prévia não são os principais impulsionadores para este grupo demográfico.

4. Contribuições Principais

Refinamento da UTAUT2 no Contexto de IA: O estudo valida o quadro UTAUT2 para adoção de IA, mas destaca um desvio: a Expectativa de Esforço não é um motor direto da intenção neste contexto específico, desafiando suposições padrão onde a facilidade de uso é primordial.
Identificação do "Paradoxo da Influência Social": A descoberta de que a Influência Social tem um impacto negativo é uma contribuição crítica. Isso sugere que, para professores em formação, mandatos de cima para baixo ou pressão de colegas podem impedir a adoção voluntária de IA, enfatizando a necessidade de autonomia.
Impulsionadores Psicológicos vs. Institucionais: A pesquisa fornece evidências empíricas de que fatores internos (motivação, prazer, autoeficácia) superam significativamente os fatores externos (infraestrutura, mandatos institucionais, custo) na adoção de IA por futuros professores.
Especificidade Contextual: Oferece a primeira análise em grande escala PLS-SEM da adoção de IA especificamente entre professores em formação filipinos durante seu estágio, um grupo demográfico frequentemente negligenciado em estudos globais de educação com IA.

5. Significado e Implicações

Para Programas de Formação de Professores:
- Os currículos devem mudar o foco de apenas fornecer infraestrutura (Condições Facilitadoras) para fomentar motivação intrínseca e prazer.
- O treinamento deve enfatizar a relevância pessoal (Adequação ao Trabalho) e as expectativas de resultado para impulsionar a Expectativa de Desempenho.
- Os programas devem abordar a Ansiedade Computacional e construir Autoeficácia por meio de exploração prática e de baixo risco, em vez de mandatos obrigatórios.
Para Políticas e Administração:
- Os administradores devem evitar táticas coercitivas de "influência social". As estratégias de adoção devem ser voluntárias e autodirigidas.
- O investimento em ferramentas de IA deve priorizar recursos que ofereçam vantagem relativa e motivação externa (por exemplo, economizar tempo, melhorar as notas) em vez de apenas facilidade de uso.
Impacto Teórico: O estudo sugere que, no contexto de tecnologias emergentes de IA, o fator "diversão" (Motivação Hedônica) e a crença na utilidade (Expectativa de Desempenho) são os principais guardiões para a adoção, enquanto barreiras tradicionais como "facilidade de uso" são secundárias uma vez que a competência básica está estabelecida.

Em conclusão, o artigo argumenta que a integração bem-sucedida de IA na formação de professores depende menos de construir melhor infraestrutura e mais de cultivar um ambiente psicológico onde os futuros professores se sintam confiantes, autônomos e pessoalmente recompensados ao usar essas ferramentas.