Defining AI Fatigue in Academic Contexts: Dimensions, Indicators, and a Stage-Based Model Using Grounded Theory

Resumo Técnico: Definindo Fadiga de IA em Contextos Acadêmicos

Declaração do Problema
A integração rápida de ferramentas de Inteligência Artificial (IA) em ambientes acadêmicos introduziu uma forma distinta de tensão que os quadros existentes — como tecnostresse, fadiga digital e fadiga do Zoom — não conseguem abordar plenamente. Embora pesquisas anteriores estabeleçam que ambientes digitais geram sobrecarga e tensão mental, esses modelos não levam em conta o ciclo de interação específico inerente ao trabalho apoiado por IA: o ciclo repetido de solicitação, revisão e verificação de saídas geradas por IA, que são rápidas, extensas e frequentemente inconsistentes. Os instrumentos existentes medem tensão digital geral ou fadiga acadêmica, mas carecem da capacidade de avaliar as pressões cognitivas, motivacionais, emocionais e atencionais específicas que surgem da dependência sustentada de IA generativa. Consequentemente, não há um modelo conceitual coerente que explique como essas pressões se acumulam ou um constructo distinto que defina "fadiga de IA" no ensino superior.

Metodologia
Este estudo empregou um desenho de pesquisa qualitativa guiado pela Teoria Fundamentada para desenvolver um modelo conceitual diretamente a partir dos relatos dos participantes.

• Participantes: A amostra consistiu em 1.054 estudantes universitários (507 homens, 547 mulheres; idade média de 19,21 anos) de três universidades em Pampanga, Filipinas, que haviam utilizado chatbots de IA para atividades acadêmicas.
• Coleta de Dados: Os dados foram reunidos por meio de três canais: entrevistas presenciais (15–20 minutos), entrevistas virtuais e pesquisas online via Google Forms. Os participantes responderam a seis perguntas abertas que exploravam suas experiências com ferramentas de IA, as tarefas específicas realizadas, sentimentos de fadiga ou tensão, mudanças motivacionais e alterações nos hábitos de aprendizagem. As respostas foram coletadas tanto em inglês quanto em filipino.
• Análise de Dados: Os pesquisadores utilizaram o procedimento de codificação em três estágios descrito por Corbin e Strauss (2008):
  1. Codificação Aberta: Pesquisadores independentes atribuíram rótulos descritivos a frases que refletiam tensão, dificuldade ou desconforto.
  2. Codificação Axial: Os rótulos foram agrupados em clusters que representavam formas recorrentes de pressão (indicadores).
  3. Codificação Seletiva: Categorias mais amplas foram identificadas para conectar indicadores em dimensões coerentes. Um terceiro pesquisador resolveu discrepâncias entre os dois codificadores principais.
  4. Desenvolvimento do Modelo: A sequência na qual os participantes descreveram essas pressões informou um quadro baseado em estágios.

Principais Contribuições e Resultados
A análise produziu duas contribuições primárias: um conjunto de cinco dimensões definidoras da fadiga de IA e um modelo conceitual baseado em estágios.

1. Cinco Dimensões da Fadiga de IA
O estudo identificou cinco dimensões distintas, cada uma apoiada por dois indicadores específicos fundamentados nas respostas dos participantes:

• Sobrecarga Cognitiva (310 respostas): A dimensão mais frequentemente relatada.
  • Esmagamento pela Saída: Tensão mental decorrente do processamento do volume e da densidade das respostas da IA.
  • Tensão de Verificação: Exaustão decorrente da verificação repetida das saídas da IA quanto à precisão e consistência devido a alucinações ou inconsistências.
• Desengajamento Motivacional (270 respostas):
  • Perda de Iniciativa: Uma tendência a contornar o pensamento independente e recorrer imediatamente à assistência da IA.
  • Dúvida de Competência: Erosão da confiança acadêmica e da autoeficácia devido à superdependência.
• Inquietação Moral (190 respostas):
  • Culpa de Autoria: Desconforto e culpa relacionados à submissão de conteúdo gerado por IA como sendo o próprio trabalho.
  • Lacuna de Compreensão: Angústia decorrente da disparidade entre a qualidade da saída da IA e o nível real de compreensão do estudante.
• Tensão Física (120 respostas):
  • Fadiga Visual: Desconforto ocular e craniano decorrente da leitura prolongada de texto denso da IA.
  • Exaustão de Sessão: Depleção física após sessões prolongadas de interação com IA.
• Deriva Atencional (125 respostas):
  • Impaciência com o Ritmo: Tolerância reduzida ao ritmo mais lento de materiais de aprendizagem tradicionais (por exemplo, livros didáticos) após a exposição a respostas rápidas da IA.
  • Alternância Inquieta: Atenção fragmentada e alternância habitual de abas impulsionada por uma preferência por respostas mais rápidas.

2. O Modelo de Fadiga de IA
O estudo propõe um quadro baseado em seis estágios que explica como essas pressões se desenvolvem e se reforçam mutuamente ao longo de interações repetidas com IA:

1. Redução Inicial de Esforço: A IA reduz a carga cognitiva inicial, tornando-se a resposta primária a demandas acadêmicas.
2. Expansão dos Papéis da IA: O uso se expande para tarefas complexas, expondo os estudantes a saídas mais longas e densas.
3. Acumulação de Tensão: Pressões em todas as dimensões (particularmente cognitiva e física) começam a se acumular.
4. Disrupção da Autorregulação: Os estudantes lutam para manter rotinas de estudo e resistir à dependência, experimentando perda de iniciativa e dúvida de confiança.
5. Consolidação da Fadiga: A tensão torna-se persistente; a inquietação moral e a deriva atencional tornam-se proeminentes ao lado das pressões cognitivas e motivacionais.
6. Ciclo de Feedback: O uso contínuo da IA retorna o estudante aos estágios anteriores, reforçando e intensificando todas as pressões de maneira cíclica.

Significância e Alegações
O artigo afirma estabelecer a primeira base conceitual e exploratória para a fadiga de IA como um constructo distinto, diferenciando-a do tecnostresse geral ou da fadiga digital. Os autores afirmam que, ao contrário dos modelos existentes que tratam a tensão tecnológica como uma resposta geral a demandas, o Modelo de Fadiga de IA aborda especificamente o ciclo de interação único de solicitação, verificação e ciclagem de conteúdo gerado por IA.

O estudo posiciona suas descobertas como base para:

• Desenvolvimento Teórico: Fornecer um quadro para validação futura de instrumentos e desenvolvimento de escalas.
• Investigação Empírica: Permitir pesquisa transcultural, particularmente em regiões como a ASEAN, onde a adoção de IA supera a prontidão institucional.
• Aplicação Instrucional: Orientar educadores a identificar pontos no ciclo de tarefas acadêmicas onde a pressão se acumula e a desenhar intervenções (por exemplo, reflexão estruturada) que abordem pressões psicológicas e motivacionais.

Os autores mantêm uma postura modesta, reconhecendo que as descobertas são exploratórias, limitadas a uma amostra regional específica e baseadas em dados autorrelatados. Eles afirmam explicitamente que o modelo requer análise fatorial confirmatória e validação em diversos contextos culturais e institucionais antes de uma aplicação mais ampla.