Gender Differences in AI Literacy Workshop Outcomes and Deepfake Engagement

Resumo Técnico: Diferenças de Gênero nos Resultados de Workshops de Alfabetização em IA e Engajamento com Deepfakes

Declaração do Problema
À medida que as iniciativas de alfabetização em Inteligência Artificial (IA) se expandem na educação K–12 (ensino fundamental e médio), há uma lacuna crítica na compreensão de como o gênero influencia as percepções basais dos estudantes, o uso de ferramentas e a responsividade às intervenções. Embora as disparidades de gênero na educação computacional sejam bem documentadas, as evidências empíricas sobre as diferenças de gênero na alfabetização em IA entre estudantes do ensino secundário permanecem escassas. Além disso, a rápida ascensão das mídias sintéticas (deepfakes) introduz riscos de segurança diferenciados por gênero, embora a interseção entre a educação para alfabetização em IA e a conscientização sobre deepfakes tenha recebido atenção empírica limitada. Os frameworks existentes frequentemente abordam o que os alunos devem saber, mas falham em analisar quem se beneficia dessas intervenções ou se as estratégias são eficazes entre diversos grupos demográficos.

Metodologia
Este estudo avaliou o impacto de um workshop de um dia sobre alfabetização em IA (parte do programa "Day of AI") com estudantes do ensino secundário australianos de duas escolas governamentais coeducacionais em Nova Gales do Sul.

• Participantes: O estudo incluiu alunos dos anos 7, 8 e 10 ($N_{pre} = 199$, $n_{post} = 136$). Escolas de sexo único e o ano 9 foram excluídos para evitar variáveis de confusão. Respostas de gênero não binário ou não declaradas foram excluídas devido ao tamanho insuficiente da amostra ($n \le 9$).
• Instrumento: Um questionário adaptado de trabalhos anteriores mediu nove constructos: conhecimento de IA, compreensão do treinamento e viés de IA, atitudes, confiança, frequência de uso de ferramentas, aplicação conceitual, motivações, experiência com deepfakes (seleção múltipla), e interesse em carreiras STEM.
• Análise: As análises estatísticas controlaram o nível de escolaridade e a escola.
  • Itens ordinais (escalas Likert): Analisados por meio de regressão de Mínimos Quadrados Ordinários (OLS) com gênero codificado por dummy (Masculino como referência). Os tamanhos de efeito foram calculados usando o $d$ de Cohen.
  • Itens binários/seleção múltipla: Analisados por meio de regressão logística, relatando Razões de Chance (OR) para o coeficiente de gênero.
  • Efeitos da Intervenção: Comparações pré e pós-intervenção foram realizadas dentro dos grupos de gênero usando um modelo de resultado de $\sim fase + nível\_escolar + escola$.

Principais Descobertas

1. Diferenças de Gênero Basais (Pré-Workshop)

• Aspirações STEM: Estudantes do sexo masculino relataram um interesse significativamente maior em carreiras STEM em todos os três domínios: Engenharia ($d = -0,81$), Ciência da Computação ($d = -0,68$) e IA ($d = -0,58$).
• Compreensão de IA: Alunos do sexo masculino relataram uma autopercepção significativamente maior de compreensão sobre como os sistemas de IA são treinados ($d = -0,29$).
• Uso de Ferramentas: Estudantes do sexo feminino foram significativamente mais propensas a usar IA para tarefas escolares (OR = 1,81) e a buscar conselhos de ferramentas de IA (OR = 2,35). Alunos do sexo masculino relataram uso mais frequente do Microsoft Copilot.
• Comportamentos com Deepfakes: Alunos do sexo masculino foram significativamente mais propensos a compartilhar conteúdo de deepfake (23,2% vs. 10,0%, OR = 0,34). Estudantes do sexo feminino foram significativamente mais propensas a ter reportado conteúdo de deepfake (24,0% vs. 14,1%, OR = 2,14). Tendências sugeriram que os homens eram mais propensos a criar deepfakes ou serem alvo deles, embora estes dados não tenham sido estatisticamente significativos após o controle de covariáveis.
• Sem Diferenças Significativas: Não foram encontradas diferenças basais no conhecimento geral de IA, confiança, consciência de privacidade ou compreensão de viés de IA.

2. Efeitos Diferenciais da Intervenção (Pós-Workshop)

• Ganhos Gerais: Ambos os gêneros mostraram melhorias estatisticamente significativas em conhecimento de IA e confiança (tamanhos de efeito médios para ambos).
• Ganhos Específicos do Sexo Feminino: Estudantes do sexo feminino demonstraram um perfil de ganhos mais rico, incluindo melhorias de tamanho médio na compreensão do treinamento de IA ($d = 0,75$) e viés de IA ($d = 0,49$). Crucialmente, as mulheres mostraram aumentos significativos no interesse de carreira para IA ($\Delta M = +0,45$, $d = 0,52$) e Ciência da Computação ($\Delta M = +0,44$, $d = 0,47$).
• Resultados Específicos do Sexo Masculino: Alunos do sexo masculino não mostraram mudança significativa nas aspirações de carreira para IA ou Ciência da Computação.
• Reconhecimento de Plataformas: Ambos os gêneros melhoraram na identificação do uso de IA em plataformas de entretenimento (Netflix, Spotify), com as mulheres também mostrando ganhos na identificação do TikTok.

Principais Contribuições e Alegações de Significância
Os autores alegam fornecer a primeira análise de gênero desagregada de um workshop de alfabetização em IA com estudantes do ensino secundário australiano. A significância do estudo reside em três áreas principais:

1. Redução da Lacuna de Gênero em STEM: O workshop parece ajudar a reduzir a lacuna de gênero nas aspirações STEM. Embora os homens tenham começado com maior interesse, seu interesse permaneceu estático pós-intervenção, enquanto as mulheres mostraram ganhos significativos no interesse de carreira em IA e Ciência da Computação.
2. Resultados Responsivos ao Gênero: A intervenção produziu resultados diferenciados por gênero. Enquanto ambos os gêneros ganharam em conhecimento e confiança, as mulheres alcançaram ganhos conceituais mais amplos (treinamento, viés) e mudanças na trajetória de carreira.
3. Implicações de Segurança de Deepfakes: Os achados destacam padrões comportamentais distintos em relação às mídias sintéticas. A maior taxa de compartilhamento e potencial criação de deepfakes entre os homens sugere a necessidade de educação de segurança direcionada, focando na disseminação ética de mídia sintética para alunos do sexo masculino.

Limitações e Recomendações
Os autores observam limitações, incluindo a restrição a duas escolas regionais (limitando a generalização), o design de pesquisa anônimo que impede análises individuais pareadas e o possível viés de autorrelato.

Com base nesses achados, o artigo propõe três recomendações específicas para o design de programas de alfabetização em IA:

1. Aproveitar os workshops especificamente para aumentar o interesse de mulheres em carreiras STEM.
2. Incorporar módulos de segurança de deepfake específicos por gênero, visando particularmente os alunos do sexo masculino.
3. Garantir que as avaliações dos workshops monitorem explicitamente a equidade do impacto por gênero.