🤖 AI

AI-Automation Tooling in Computer Engineering Education: Mixed-Methods TAM/UTAUT Evidence for a General Acceptance Attitude

Este estudo de métodos mistos com 103 estudantes de graduação em engenharia de computação da Tailândia demonstra uma aceitação forte e generalizada de ferramentas de automação de IA (especificamente o n8n) impulsionada principalmente pela expectativa de desempenho, revelando, ao mesmo tempo, uma divergência entre o entusiasmo quantitativo e o ceticismo qualitativo em relação à qualidade do resultado, apoiando, desta forma, a integração curricular de tais ferramentas com suportes instrucionais direcionados.

Autores originais: Aung Pyae

Publicado 2026-06-12

📖 5 min de leitura🧠 Leitura aprofundada

CC BY 4.0

Autores originais: Aung Pyae

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 é um professor tentando apresentar um novo assistente robô superinteligente a uma turma de futuros engenheiros. Antes de deixá-los à vontade para construir coisas com ele, você quer saber: Eles realmente gostam dele? Eles acham que é útil? E eles confiam nele?

Este artigo é o boletim de um estudo onde 103 estudantes de engenharia da computação na Tailândia testaram um tipo específico de ferramenta de "cérebro robótico" (chamada n8n) durante uma série de workshops. Os pesquisadores queriam ver se esses alunos estavam prontos para abraçar a automação por IA em suas futuras carreiras.

Aqui está o detalhamento do que eles descobriram, usando analogias simples:

1. A Configuração: Um "Test Drive" para o Futuro

Pense nos workshops como um test drive de um carro novo. Os alunos não apenas leram sobre o carro; eles assumiram o volante por duas horas. Eles usaram uma ferramenta gratuita e de código aberto chamada n8n para conectar diferentes tarefas digitais (como criar um agente de IA que lê uma mensagem e a salva em um banco de dados).

Após o "test drive", os alunos preencheram um breve questionário. O questionário pedia que avaliassem a ferramenta em seis diferentes "medidores de painel" emprestados de teorias tecnológicas famosas:

Expectativa de Desempenho: "Isso vai me ajudar a realizar meu trabalho?"
Expectativa de Esforço: "É difícil de aprender?"
Intenção Comportamental: "Vou usar isso novamente?"
Autoeficácia: "Sinto-me capaz de usar isso?"
Motivação Hedônica: "É divertido?"
Qualidade do Resultado: "A ferramenta entrega bons resultados?"

2. Os Resultados: O "Efeito Halo"

Os alunos deram notas muito altas para a ferramenta em todos os quesitos. Quase todos concordaram que a ferramenta era útil, fácil de usar e algo que usariam novamente.

A Grande Surpresa (O "Halo"):
Normalmente, quando você pergunta às pessoas sobre uma nova ferramenta, espera que elas tenham opiniões diferentes sobre diferentes aspectos (ex: "É útil, mas entediante" ou "É divertido, mas difícil de usar").

No entanto, os pesquisadores descobriram algo interessante: os alunos ainda não conseguiam distinguir essas categorias.

A Analogia: Imagine olhar para um smartphone novo e brilhante através de uma janela levemente embaçada. Você consegue ver que é um telefone e que parece ótimo, mas ainda não consegue distinguir a câmera da tela ou a bateria do processador.
A Descoberta: Como os alunos usaram a ferramenta por apenas um curto período (um workshop), seus cérebros agruparam todas as seis perguntas em um único sentimento: "Eu gosto desta ferramenta". Os detalhes específicos (como se é divertido vs. útil) ainda não haviam se separado em suas mentes.

3. O "Abismo de Confiança": Os Céticos Silenciosos

Embora os números da pesquisa fossem brilhantes (todos disseram que a ferramenta produzia resultados de alta qualidade), os comentários abertos contavam uma história ligeiramente diferente.

A Analogia: Imagine um grupo de pessoas provando um bolo novo. 95% dizem: "Está delicioso!". Mas um pequeno grupo de 5% sussurra: "Espere, a cobertura está um pouco inconsistente; às vezes está perfeita, às vezes está com grumos".
A Descoberta: A pesquisa disse que a "Qualidade do Resultado" era ótima. No entanto, os poucos alunos que escreveram comentários mencionaram que a IA às vezes dava resultados imprecisos ou inconsistentes.
Por que isso importa: Os pesquisadores perceberam que só porque os alunos dizem que confiam na ferramenta (com base na pesquisa), não significa que eles tenham uma confiança calibrada. Eles podem estar confiando demais, ou podem não saber quando conferir o trabalho. O artigo sugere que os alunos precisam ser ensinados não apenas a usar a ferramenta, mas a identificar quando a ferramenta comete um erro.

4. O Que Isso Significa para a Educação

O artigo conclui com três "alavancas" (ferramentas) que os professores podem usar para ajudar os alunos a tirar o máximo proveito da automação por IA:

A Escada de Andaime (Scaffolding): Como os alunos acharam a ferramenta útil, mas às vezes complicada, os professores precisam construir uma escada de suporte. Comece com passos fáceis e remova gradualmente o auxílio para que os alunos se sintam confiantes construindo coisas por conta própria.
O Impulso de Confiança: Alguns alunos sentiram que poderiam usar a ferramenta, mas apenas se tivessem ajuda. Os professores precisam oferecer suporte específico para preencher a lacuna entre "eu sei o que isso faz" e "eu consigo fazer isso sozinho".
A Calibragem de Confiança: Este é o mais importante. Os professores não devem apenas mostrar aos alunos como a ferramenta funciona perfeitamente. Eles precisam mostrar aos alunos quando a ferramenta falha. Isso ajuda os alunos a aprenderem a verificar o trabalho da IA em vez de confiar cegamente nela.

Resumo

Em suma, este artigo diz: Futuros engenheiros estão entusiasmados com ferramentas de automação por IA e acham que elas são úteis. No entanto, após apenas um curto workshop, eles veem a ferramenta como uma única "coisa boa" em vez de uma máquina complexa com diferentes forças e fraquezas.

A principal lição para educadores é: Não celebre apenas o entusiasmo. Você também precisa ensinar os alunos a lidar com os erros ocasionais da ferramenta para que eles se tornem usuários inteligentes e críticos, em vez de apenas usuários felizes.

Resumo Técnico: Ferramental de Automação por IA no Ensino de Engenharia da Computação

Definição do Problema
À medida que a IA generativa e as plataformas de fluxo de trabalho de baixo código (low-code) tornam-se integrantes da prática de software, uma questão empírica crítica permanece para o ensino de engenharia da computação: os estudantes de graduação aceitam essas ferramentas como úteis, utilizáveis e dignas de engajamento sustentado? Embora a próxima geração de engenheiros deva ser capaz de projetar e raciocinar sobre automações aumentadas por IA, há uma carência de evidências quanto às atitudes dos estudantes em relação a esse ferramental, particularmente em contextos educacionais do Sudeste Asiático. Além disso, a literatura existente frequentemente carece de um tratamento metodológico rigoroso para instrumentos de fonte única e formato curto utilizados para medir a aceitação imediatamente após intervenções instrucionais.

Metodologia
O estudo emprega um design de métodos mistos explicativo e transversal envolvendo 103 estudantes de graduação em engenharia da computação de uma universidade tailandesa. Os participantes, possuindo habilidades de Python de nível básico a intermediário e experiência diária com ferramentas de IA de propósito geral, participaram de três workshops com roteiro idêntico utilizando a plataforma de código aberto n8n.

Instrumentação: Um questionário Likert de 12 itens e cinco pontos foi administrado pós-workshop, mapeando seis construtos derivados do Modelo de Aceitação de Tecnologia (TAM), da Teoria Unificada de Aceitação e Uso de Tecnologia (UTAUT) e do UTAUT2: Expectativa de Desempenho (PE), Expectativa de Esforço (EE), Intenção Comportamental (BI), Autoeficácia (SE), Motivação Hedônica (HM) e Qualidade de Saída (OQ). Cada construto foi medido por dois itens.
Análise Quantitativa: Para abordar as limitações de um design parcimonioso (dois itens por construto, $N=103$ $N = 103$ ), o estudo evitou a Modelagem de Equações Estruturais (SEM) em favor de técnicas robustas não paramétricas e específicas para dados ordinais. As análises incluíram:
- Estimativa de confiabilidade usando coeficientes de Spearman-Brown e ômega de McDonald ( $\omega$ ) baseados em correlações policóricas.
- Intervalos de confiança de bootstrap (95%, $B=5.000$ ) para as médias dos construtos.
- Testes de postos sinalizados de Wilcoxon de uma amostra contra o ponto médio neutro (3.0).
- Correlações de Spearman com correção de Holm para múltiplas comparações.
- Diagnósticos de dimensionalidade: análise paralela de Horn, teste de fator único de Harman e medidas de Kaiser-Meyer-Olkin (KMO) para avaliar o viés de método comum e a separabilidade de fatores.
Análise Qualitativa: Uma análise temática indutiva foi realizada sobre 13 comentários abertos substantivos para identificar convergências e divergências com os dados quantitativos.

Principais Resultados

Altos Níveis de Aceitação: Todos os seis construtos demonstraram médias significativamente acima do ponto médio neutro ( $p < 0,0001$ ) com grandes tamanhos de efeito ( $r$ variando de 0,68 a 0,81). A classificação das médias foi PE (4,28) > OQ (4,16) > EE (4,11) > BI (4,05) > SE (4,04) > HM (4,00).
Colapso Dimensional: Os diagnósticos de dimensionalidade revelaram que os seis construtos teoricamente distintos colapsaram em um único fator de aceitação geral. A análise paralela de Horn reteve apenas um fator (autovalor 8,77 vs. benchmark aleatório ~1,76), e o teste de Harman mostrou uma variância do primeiro fator de 73,1%. Isso sugere que, em um contexto de pós-workshop de formato curto, os estudantes não diferenciam empiricamente as subfacetas da aceitação; eles respondem com uma atitude de "halo" holística.
Divergência Quantitativa-Qualitativa: Embora as pontuações quantitativas para Qualidade de Saída (OQ) tenham sido altas, o feedback qualitativo revelou uma "minoria cética quanto à confiabilidade". Um pequeno subgrupo de estudantes expressou preocupações sobre prompts inconsistentes e resultados imprecisos, indicando que o endosso agregado não equivale ao uso de confiança calibrada na automação.
Consistência das Sessões: Testes de Kruskal-Wallis confirmaram que não houve diferenças estatisticamente significativas nos perfis de aceitação entre as três sessões de workshop, validando a fidelidade do protocolo.

Principais Contribuições

Empírica: O estudo fornece a primeira evidência ao nível de construto da aceitação de ferramental de automação por IA entre graduandos de engenharia da computação tailandeses, uma população sub-representada na literatura de TAM/UTAUT.
Metodológica: Oferece um framework analítico transparente para instrumentos ordinais de fonte única e formato curto. Ao utilizar correlações policóricas, testes não paramétricos e diagnósticos explícitos de dimensionalidade, o artigo demonstra como analisar rigorosamente dados onde a SEM é subidentificada, evitando suposições padrão de separabilidade de fatores.
Teórica: O achado de que as subfacetas canônicas de TAM/UTAUT colapsam em um único fator de aceitação geral em configurações instrucionais de curto prazo desafia a suposição de que esses construtos são empiricamente separáveis imediatamente após uma única exposição. Isso sugere que a rede nomológica completa da aceitação pode exigir exposição longitudinal sustentada para se manifestar.
Pedagógica: A integração de métodos mistos identifica três alavancas instrucionais fundamentadas na teoria:
1. Scaffolds de sequenciamento de instrução para abordar a fricção da Expectativa de Esforço.
2. Suportes de autoeficácia para preencher a lacuna entre reconhecer a utilidade e sentir-se capaz.
3. Intervenções de calibração de confiança (ex: oportunidades estruturadas para encontrar e verificar falhas) para abordar a divergência nas percepções de Qualidade de Saída.

Significância e Alegações
O artigo afirma que, embora a aceitação de estudantes de graduação em relação ao ferramental de automação por IA seja amplamente favorável e ancorada na utilidade instrumental, a atitude imediata pós-workshop é um construto generalizado e indiferenciado, em vez de um conjunto de fatores psicológicos distintos. Consequentemente, os autores argumentam que instrumentos de aceitação de formato curto devem ser interpretados como medidas de uma única dimensão atitudinal, suplementadas por sondagens qualitativas para detectar preocupações específicas como a confiabilidade.

O estudo conclui que a adoção curricular de tais ferramentas é apoiada pelos dados, mas a pedagogia eficaz deve ir além da simples exposição. Ela deve abordar ativamente o "problema da dependência apropriada", projetando instruções que calibrem a confiança do estudante através de comportamentos de verificação, em vez de assumir que o entusiasmo inicial se traduz em uma dependência madura e calibrada de sistemas automatizados. Os autores explicitamente observam que seus achados são limitados a uma única instituição e a um design transversal, o que impede a inferência causal, e convocam estudos longitudinais para acompanhar se as atitudes iniciais favoráveis amadurecem em comportamentos de uso apropriados a longo prazo.