Learning after COVID-19 and the ICT career aspirations: Are students entering the AI era with weaker skills?

Resumo Técnico: Aprendizagem após a COVID-19 e Aspirações de Carreira em TIC

Declaração do Problema
O artigo aborda uma lacuna crítica na compreensão de se os estudantes estão entrando na era da inteligência artificial generativa com fundamentos educacionais suficientes para apoiar futuras aspirações de carreira digital. Embora a literatura existente documente extensivamente as perdas de aprendizagem no período pós-pandemia, as desigualdades digitais e a relevância crescente das competências em TIC, essas dimensões são frequentemente analisadas de forma isolada. Há uma falta de evidências integradas e transnacionais que liguem as características estruturais dos ambientes de aprendizagem (especificamente autonomia do aluno, competências digitais e apoio docente) às mudanças longitudinais nas expectativas de carreira relacionadas a TIC dos estudantes entre 2018 e 2022. O estudo busca determinar se os sistemas educacionais com características estruturais mais fortes estão melhor posicionados para fomentar aspirações de carreira em TIC no contexto de mercados de trabalho digitais e orientados por IA.

Metodologia
O estudo emprega uma abordagem de métodos mistos, utilizando dados harmonizados a nível de país do Programa Internacional de Avaliação de Alunos (PISA) da OCDE de 2018 e 2022. O pipeline analítico é um quadro quantitativo totalmente reproduzível, de ponta a ponta, implementado em Python, compreendendo as seguintes etapas:

1. Harmonização e Codificação de Dados: Tabelas brutas do PISA foram analisadas para extrair indicadores a nível de país para autonomia do aluno, competências de aprendizagem digital e apoio docente percebido (operacionalizado como efeitos no desempenho académico em Matemática, Leitura e Ciências). As mudanças longitudinais nas aspirações de carreira (TIC, Saúde, Ciência e Engenharia, Ciência e Tecnologia) foram calculadas como diferenças em pontos percentuais entre 2018 e 2022.
2. Perfilagem Multivariada: Indicadores padronizados foram submetidos a agrupamento não supervisionado (KMeans) para identificar tipologias de sistemas educacionais baseadas em configurações distintas de autonomia, preparação digital e apoio docente.
3. Aprendizagem de Representação Latente: Um Autoencoder Variacional (VAE) foi treinado em vetores de entrada multidimensionais para projetar sistemas educacionais num espaço latente de baixa dimensão (2D). Este espaço latente serve como uma representação contínua da "preparação estrutural" para a era digital e de IA. Um Índice Composto de Preparação para IA foi construído como uma agregação linear destas coordenadas latentes.
4. Consistência Transdomínio: Correlações de Pearson e testes t pareados foram utilizados para avaliar a estabilidade dos efeitos do ambiente de aprendizagem (autonomia, competências digitais, apoio docente) em Matemática, Leitura e Ciências.
5. Modelagem Preditiva e Inferencial:
   • Análise de Regressão: Regressão linear multivariada foi utilizada para quantificar as associações marginais entre indicadores do ambiente de aprendizagem e mudanças nas aspirações de carreira em TIC.
   • Classificação: Análise Discriminante Linear (LDA) foi aplicada para distinguir entre sistemas educacionais com crescimento elevado versus baixo nas aspirações em TIC.
   • Simulação Contrfactual: O modelo de regressão foi utilizado para simular o impacto do aumento da autonomia do aluno num desvio padrão, mantendo outros fatores constantes.
   • Modelagem Probabilística: Uma rede bayesiana foi aprendida a partir de variáveis de mudança de aspiração discretizadas para explorar dependências condicionais entre aspirações em TIC e outros domínios ocupacionais.

Principais Resultados

• Dinâmicas de Aspiração: Há um aumento global, mas desigual, nas aspirações de carreira em TIC entre 2018 e 2022. Embora a maioria dos países tenha experimentado um crescimento moderado, existem outliers significativos com crescimento acelerado (por exemplo, Turquia, Kosovo) e declínios (por exemplo, Polónia, Países Baixos). As aspirações em TIC parecem estar a desacoplar-se das trajetórias tradicionais de STEM, evoluindo como um domínio distinto.
• Previsores de Crescimento: As competências digitais emergem como o preditor positivo mais forte e consistente do crescimento das aspirações de carreira em TIC. Em contraste, a análise de regressão revelou associações negativas para o apoio docente e a autonomia, embora os autores interpretem estas como dependentes do contexto e não como negativas causais.
• Papel da Autonomia e do Apoio: A relação entre autonomia e competências digitais é condicional. Em sistemas com baixo apoio docente, a autonomia atua como um mecanismo compensatório; no entanto, em sistemas de alto apoio, o efeito marginal da autonomia é reduzido. O estudo conclui que a autonomia, por si só, é insuficiente para impulsionar as aspirações em TIC sem apoio instrucional complementar.
• Preparação Latente: A análise do VAE revela que a preparação educacional é uma construção contínua e multidimensional, e não uma propriedade categórica. Sistemas com configurações favoráveis (alta autonomia, fortes competências digitais, apoio robusto) tendem a mostrar maior crescimento nas aspirações em TIC, embora permaneça uma heterogeneidade significativa dentro de perfis estruturais semelhantes.
• Independência dos Domínios: A análise da rede bayesiana não encontrou dependências condicionais significativas entre mudanças nas aspirações em TIC e mudanças em outros domínios ocupacionais (Saúde, Ciência e Engenharia), sugerindo que as dinâmicas de carreira em TIC evoluem relativamente de forma independente.

Principais Contribuições

• Quadro Integrado: O estudo desloca o foco de análises isoladas de perda de aprendizagem ou competências digitais para um quadro integrado que liga condições estruturais de aprendizagem com dinâmicas de aspiração de carreira ao longo de uma linha temporal longitudinal.
• Novidade Metodológica: Introduz a aplicação de Autoencoders Variacionais (VAE) e redes bayesianas a dados do PISA para capturar estruturas latentes não lineares e dependências probabilísticas na preparação educacional, indo além das classificações lineares tradicionais.
• Perspetiva Estrutural: A pesquisa reenquadra a transição para a era da inteligência artificial generativa não apenas como uma mudança tecnológica, mas como um desafio educacional estrutural moldado por condições institucionais e pedagógicas.

Significado e Afirmações
O artigo afirma que a preparação educacional para a era da IA é multidimensional e que as aspirações em TIC evoluem relativamente de forma independente de outros domínios de carreira. Conclui que, embora as competências digitais sejam um motor primário do interesse em carreiras em TIC, fatores estruturais como o apoio docente desempenham um papel complementar e habilitador. O estudo afirma modestamente que os fatores educacionais, por si só, não determinam totalmente as dinâmicas de carreira em TIC; antes, atuam como condições habilitadoras influenciadas por fatores contextuais mais amplos, como condições do mercado de trabalho e estratégias digitais nacionais. Consequentemente, os autores argumentam que intervenções políticas focadas exclusivamente no aumento da autonomia do aluno são pouco propensas a produzir mudanças substanciais nas aspirações de carreira em TIC sem melhorias paralelas nas competências digitais e no apoio pedagógico.