🤖 AI

AI-Assisted Help-Seeking Trajectories in Programming Education from an SRL-Informed Perspective

Este estudo analisa as trajetórias de busca de ajuda assistida por IA em cursos introdutórios de programação utilizando um framework fundamentado em SRL, revelando que, embora os estudantes utilizem predominantemente a IA para resolução reativa de problemas em vez de resolução de problemas autorregulada, esses padrões de interação influenciam significativamente o número de submissões de código, apesar de não afetarem diretamente as pontuações das tarefas.

Autores originais: Boxuan Ma, Huiyong Li, Gen Li, Li Chen, Atsushi Shimada, Shin'ichi Konomi

Publicado 2026-06-23

📖 6 min de leitura🧠 Leitura aprofundada

CC BY 4.0

Autores originais: Boxuan Ma, Huiyong Li, Gen Li, Li Chen, Atsushi Shimada, Shin'ichi Konomi

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 aprendendo a cozinhar um prato novo e complexo. Você tem uma receita, mas continua queimando o alho, colocando sal demais ou esquecendo um passo. No passado, você teria que esperar um chef passar por perto para te ajudar, ou poderia se sentir envergonhado demais para perguntar.

Agora, imagine que você tem um subchefe superveloz e superconhecedor (IA Generativa) sentado bem ao seu lado. Você pode sussurrar uma pergunta e ele instantaneamente te diz como consertar o alho queimado ou como picar as cebolas.

Este artigo é um estudo de como 71 estudantes universitários usaram este "subchefe de IA" enquanto aprendiam a cozinhar (programar) em Python. Os pesquisadores não estavam apenas contando quantas vezes os alunos pediam ajuda; eles queriam ver a história de como a busca por ajuda acontecia. Os alunos planejavam com antecedência? Eles ficavam presos em um ciclo de corrigir pequenos erros? Ou eles apenas pediam a receita inteira e a copiavam?

Aqui está a divisão de suas descobertas usando analogias simples:

1. A Descoberta Principal: O "Bombeiro" vs. O "Arquiteto"

Os pesquisadores descobriram que a maioria dos alunos tratava a IA como um bombeiro em vez de um arquiteto.

O Bombeiro (Reativo): Os alunos usavam a IA principalmente depois que algo dava errado. Eles escreviam o código, ele quebrava, e eles perguntavam: "Por que esta mensagem de erro vermelha está aqui?" ou "Conserte esta linha".
O Arquiteto (Proativo): Pouquíssimos alunos usavam a IA para planejar antes de começarem. Eles raramente perguntavam: "Qual é a melhor maneira de estruturar isso?" ou "Você pode me explicar este conceito para que eu entenda melhor?".
A Metáfora: É como se a maioria dos alunos esperasse até a casa estar pegando fogo para chamar o bombeiro, em vez de chamar o bombeiro para ajudar a projetar uma casa à prova de fogo desde o início.

2. Os Cinco "Hábitos de Busca por Ajuda" (Trajetórias)

Os pesquisadores agruparam as interações dos alunos em cinco padrões distintos, como diferentes formas de navegar em um labirinto:

O "Tiro Único" (O Conserto Rápido): O aluno faz uma pergunta, recebe uma resposta e segue em frente.
- Analogia: Você pergunta: "Como eu amarro o cadarço?" A IA te mostra, e você amarra. Pronto.
- Descoberta: Este foi o hábito mais comum (mais da metade das vezes). Curiosamente, às vezes era apenas um conserto rápido, mas outras vezes era um aluno inteligente perguntando: "Existe uma maneira melhor de amarrar este cadereço?" (o que é algo bom!).
A "Persistência na Depuração" (O Ciclo de Travamento): O aluno fica preso em um pequeno erro e continua pedindo para a IA consertá-lo repetidamente sem mudar sua abordagem.
- Analogia: Você está tentando abrir um pote. Você pergunta à IA: "Como eu abro isto?" A IA diz: "Gire a tampa". Você tenta, falha. Você pergunta novamente: "Ainda não abre!" A IA diz: "Gire com mais força". Você tenta de novo. Você faz isso 10 vezes.
- Descoberta: Esses alunos foram os mais "caros" em termos de esforço. Eles enviaram seu código mais do que duas vezes mais do que os alunos do "Tiro Único" para obter o mesmo resultado. Eles estavam presos em um ciclo de tentativa e erro, dependendo da IA para pensar por eles.
O "Enquadramento Conceitual" (O Planejador): O aluno pergunta sobre as regras ou conceitos antes de escrever qualquer código.
- Analogia: Antes de cozinhar, você pergunta: "O que significa 'simmer' (fogo brando)?" ou "Como eu pico uma cebola com segurança?". Então você cozinha.
- Descoberta: Esses alunos foram eficientes. Eles entenderam o básico primeiro, então cometeram menos erros depois.
O "Orientado ao Desempenho" (O Mestre da Tarefa): O aluno pula direto para a construção da solução, pedindo para a IA escrever o código ou consertar partes específicas para realizar a tarefa rapidamente.
- Analogia: Você diz: "Faça um sanduíche para mim", e a IA constrói. Você apenas verifica se o gosto está bom.
- Descoberta: Isso foi eficiente para conseguir a nota, mas os pesquisadores se preocuparam que o aluno pudesse não ter aprendido como fazer o sanduíche por conta própria.
O "Mudança de Modo" (O Aprendiz Flexível): O aluno começa com um tipo de ajuda (como corrigir um erro), mas percebe que não entende o conceito, então muda para pedir uma explicação, e depois volta a corrigir.
- Analogia: Você tenta abrir o pote, fica travado, pergunta "Por que este pote é tão difícil de abrir?" (conceito), recebe uma resposta e então tenta novamente.
- Descoberta: Isso foi raro, mas mostrou o aprendizado mais "autorregulado" — adaptar a estratégia quando as coisas não funcionam.

3. A Grande Surpresa: Notas vs. Esforço

Você poderia pensar que os alunos que usaram a IA da maneira "mais inteligente" (os Planejadores ou os Aprendizes Flexíveis) tiraram as melhores notas.

A Realidade: Todos tiraram aproximadamente a mesma nota. Como o sistema de correção por computador permitia que os alunos enviassem seu código repetidamente até que funcionasse, quase todos eventualmente conseguiram os pontos.
A Real Diferença: A diferença estava em quanto trabalho eles fizeram para chegar lá.
- Os alunos da "Persistência na Depuração" (Ciclo de Travamento) tiveram que enviar seu código 12 vezes em média.
- Os alunos do "Tiro Único" enviaram apenas 5 vezes em média.
- A Lição: A IA ajudou todos a passar, mas para alguns alunos, ela se tornou uma muleta que tornou o processo muito mais longo e frustrante.

4. O Que Isso Significa?

O artigo conclui que não é sobre se os alunos usam a IA, mas sim como eles a usam.

Se um aluno usa a IA apenas para remendar erros repetidamente (como um mecânico que apenas aperta um parafuso solto repetidamente sem consertar o motor), ele pode passar na disciplina, mas não está aprendendo a dirigir o carro.
Se um aluno usa a IA para entender as regras, planejar seus passos e verificar seu trabalho, ele a está usando como um verdadeiro parceiro de aprendizagem.

A Conclusão: O "valor educacional" da IA não está na nota final (que foi a mesma para todos); está na jornada. O estudo sugere que precisamos ensinar os alunos não apenas como pedir respostas à IA, mas como usá-la para planejar, compreender e refletir, em vez de apenas usá-la para consertar códigos quebrados em um momento de pânico.

Resumo Técnico: Trajetórias de Busca de Ajuda Assistida por IA na Educação de Programação sob uma Perspectiva Informada por SRL

1. Declaração do Problema

Na educação de programação introdutória, aprendizes novatos encontram frequentemente incertezas profundas em relação à sintaxe, fluxo de controle e diagnóstico de erros. Os mecanismos de suporte tradicionais (ex: horas de atendimento, fóruns) muitas vezes falham em fornecer assistência oportuna e individualizada, levando a uma compreensão superficial e ao desenvolvimento insuficiente de habilidades de resolução de problemas. Embora a IA Generativa (especificamente Grandes Modelos de Linguagem) ofereça uma solução escalável ao fornecer suporte personalizado e instantâneo, ela introduz riscos pedagógicos. Existe a preocupação de que os alunos possam "descarregar" etapas de resolução de problemas para a IA, engajando-se em uma "preguiça metacognitiva", onde dependem da ferramenta para o raciocínio em vez de desenvolver suas próprias habilidades regulatórias.

Pesquisas existentes têm focado amplamente na frequência do uso de IA, na correção do código gerado ou na usabilidade geral. No entanto, há uma lacuna significativa na compreensão de como a busca de ajuda aluno–IA se desenrola ao longo do tempo. Especificamente, pouco se sabe sobre a estrutura sequencial dessas interações (trajetórias) e se elas refletem processos de aprendizagem autorregulada (SRL) (planejamento, monitoramento, reflexão) ou resolução de problemas reativa. Este estudo aborda a necessidade de ir além das métricas de uso estáticas para analisar a evolução dinâmica, turno a turno, do comportamento de busca de ajuda em tarefas de programação apoiadas por IA.

2. Metodologia

2.1 Contexto e Participantes

O estudo foi conduzido em um curso de introdução à programação Python para graduação em uma universidade nacional no Japão, abrangendo duas ofertas (Verão 2024 e Verão 2025).

Participantes: 166 alunos do primeiro ano estavam matriculados. A amostra analítica final consistiu em 71 alunos que geraram pelo menos cinco prompts durante o curso.
Estrutura do Curso: O curso incluiu 14 lições com 57 tarefas de programação cobrindo variáveis, strings, funções, condicionais e loops.
Ferramenta de IA: Os alunos tiveram acesso a uma interface personalizada baseada na web conectada ao GPT-4o para interação em tempo real. Todas as conversas foram registradas.

2.2 Fontes de Dados

A análise integrou duas fontes complementares de dados de traço:

Submissões de Avaliação Automatizada: 17.190 submissões de código de 71 alunos (vinculadas a 57 tarefas) via plugin CodeRunner. Esses logs forneceram pontuações de tarefas (0–5 com base nos casos de teste aprovados) e o número de tentativas de submissão.
Registros de Diálogo Aluno–IA: 1.290 prompts específicos de tarefas extraídos de 635 sessões de diálogo. Prompts não relacionados às tarefas do curso ou enviados fora dos períodos de exercício foram excluídos.

2.3 Estrutura Analítica e Codificação

O estudo empregou uma estrutura analítica informada por SRL (Figura 1) para interpretar os comportamentos de busca de ajuda.

Esquema de Codificação: Os prompts foram codificados em 10 categorias detalhadas agrupadas em quatro funções principais:
- Conceitual: Esclarecimento de conceitos, sintaxe ou requisitos (ex: Pergunta Conceitual, Compreensão do Problema).
- Implementação: Construção de soluções ou geração de código (ex: Geração de Código, Pergunta de Implementação).
- Depuração (Debugging): Interpretação de erros, correção de código ou verificação de saída (ex: Interpretação de Erro, Correção de Código).
- Reflexiva: Explicação de código funcional ou busca por otimização (ex: Explicação de Código, Otimização de Código).
Confiabilidade: Dois pesquisadores alcançaram 92,7% de concordância entre avaliadores ( $\kappa = .88$ ) através de codificação por consenso.
Análise de Trajetória:
- Análise Sequencial: Análise de sequência de atraso (lag sequential analysis) e diagramas de Sankey foram usados para examinar transições entre categorias de prompts ao longo dos turnos.
- Taxonomia por Nível de Tentativa: Uma taxonomia baseada em regras foi desenvolvida para classificar sessões inteiras de tarefas em cinco padrões de trajetória:
  1. One-shot (Tentativa única): Prompt único.
  2. Persistência na Depuração (Debugging-Persistence): Três ou mais prompts de depuração consecutivos.
  3. Enquadramento Conceitual (Conceptual-Framing): Sessões que começam com ajuda conceitual.
  4. Orientada ao Desempenho (Performance-Oriented): Sessões consistindo apenas em ajuda de implementação e depuração.
  5. Mudança de Modo (Mode-Shifting): Sessões envolvendo mudanças entre diferentes modos de busca de ajuda (ex: depuração para conceitual).

2.4 Métricas de Desempenho

O desempenho em programação foi avaliado usando duas métricas:

Pontuação da Tarefa: A pontuação final alcançada (0–5).
Custo do Processo: O número de submissões de código necessárias para chegar a uma solução.

3. Principais Resultados

3.1 Distribuição de Prompts de Busca de Ajuda

Dominância da Depuração: A depuração foi a categoria mais frequente, representando 67,0% de todos os prompts. Interpretação de Erro (EI) e Correção de Código (CC) foram os códigos específicos mais comuns.
Escassez de Reflexão: A ajuda reflexiva representou apenas 1,6% dos prompts. Ajuda Conceitual e de Implementação compreenderam 14,6% e 16,8%, respectivamente.
Natureza Reativa: Os dados sugerem que os alunos usaram a IA primariamente como um auxílio reativo para solução imediata de problemas em vez de uma resolução de problemas planejada e autorregulada.

3.2 Padrões Sequenciais e Trajetórias

Estagnação na Depuração: A análise sequencial revelou que os alunos frequentemente permaneciam dentro da categoria de Depuração. As autotransições em Depuração foram significativamente elevadas ( $z = 6,1$ ), enquanto as transições entre categorias (ex: Conceitual $\to$ Depuração) foram frequentemente suprimidas.
Padrões de Trajetória:
- One-shot (53,1%): O padrão mais comum, dominado por pedidos únicos de depuração.
- Orientada ao Desempenho (19,2%): Interações de múltiplos turnos focadas exclusivamente em implementação e depuração.
- Persistência na Depuração (12,6%): Sessões com tentativas repetidas e sustentadas de depuração.
- Enquadramento Conceitual (9,0%) e Mudança de Modo (6,1%) foram menos comuns.

3.3 Associação com o Desempenho

Pontuações de Tarefa: Não houve diferença significativa nas pontuações das tarefas entre os cinco padrões de trajetória ( $p = .950$ ). A maioria dos alunos alcançou pontuações altas independentemente do padrão de interação, provavelmente devido à capacidade de realizar múltiplas submissões.
Submissões de Código (Custo do Processo): Diferenças significativas foram encontras no número de submissões de código ( $p < .001$ $p < .001$ ).
- Persistência na Depuração exigiu o maior número de submissões (Média = 11,90), significativamente mais do que One-shot (Média = 4,82) ou Enquadramento Conceitual (Média = 5,91).
- Os padrões One-shot e Enquadramento Conceitual foram associados a custos de processo menores.
Robustez: O maior número de submissões para a Persistência na Depuração manteve-se tanto para tarefas fáceis quanto difíceis, indicando que o padrão em si, e não a dificuldade da tarefa, impulsionou o aumento do custo do processo.

3.4 Ilustrações de Casos

Casos qualitativos ilustraram as implicações de SRL destes padrões:

Persistência na Depuração: Alunos frequentemente se envolveram em um loop de "tentativa e reparo" sobre questões menores de formatação sem diagnostar a regra subjacente.
Enquadramento Conceitual: Alunos esclareceram conceitos antes de programar, levando a uma verificação eficiente.
Mudança de Modo: Alunos mudaram com sucesso da depuração para perguntas conceituais, demonstrando regulação flexível.
One-shot: Embora frequentemente reativo, alguns prompts únicos foram usados para otimização reflexiva (ex: pedir implementações alternativas).

4. Principais Contribuições

Estrutura Analítica Informada por SRL: O estudo introduz uma estrutura que liga códigos de nível de prompt a suporte conceitual, de implementação, de depuração e reflexivo, interpretando-os através da lente da Aprendizagem Autorregulada (SRL).
Identificação de Padrões de Trajetória: Move-se além das estatísticas agregadas de uso para identificar cinco trajetórias distintas e recorrentes de busca de ajuda (One-shot, Persistência na Depuração, Enquadramento Conceitual, Orientada ao Desempenho, Mudança de Modo).
Distinção entre Processo e Resultado: A pesquisa demonstra que, embora as trajetórias apoiadas por IA não impactem significativamente as pontuações das tarefas (devido às oportunidades de múltiplas submissões), elas variam substancialmente no custo do processo (número de submissões).
Evidência de Uso Reativo vs. Regulado: Os achados fornecem evidência empírica de que muitos alunos usam a IA para solução de problemas reativa (presos em loops de depuração) em vez de resolução de problemas planejada e autorregulada, destacando um risco específico de "preguiça metacognitiva".

5. Significância e Alegações

O artigo alega que a significância educacional do suporte de IA na programação não reside meramente em se ou com que frequência os alunos usam a IA, mas em como suas trajetórias de busca de ajuda se desenvolvem durante a resolução de problemas.

Reenquadramento do Uso de IA: O estudo argumenta que pontuações altas nas tarefas não indicam necessariamente aprendizagem eficaz ou resolução de problemas eficiente. Um aluno que completa uma tarefa via uma trajetória de "Persistência na Depuração" (alto custo de processo, reativo) pode ter uma experiência de aprendizagem diferente de um que utiliza "Enquadramento Conceitual" (menor custo de processo, orientado ao planejamento).
Implicações Pedagógicas: Os autores sugerem que as intervenções educacionais devem focar na estrutura das interações. Sistemas de IA e instrutores devem visar detectar e interromper "loops de reparo" (Persistência na Depuração) ao estimular a reflexão conceitual ou a autoexplicação, em vez de simplesmente fornecer a próxima correção.
Escopo Modesto: Os autores reconhecem limitações, observando que o estudo foi conduzido em um único curso introdutório e que a análise depende de dados de traço (prompts e submissões) em vez de medidas diretas de estados cognitivos internos. Eles não alegam que padrões de trajetória específicos causam melhores resultados de aprendizagem, mas que eles representam estruturas regulatórias distintas com diferentes custos de processo associados.

Em conclusão, o artigo postula que apoiar os alunos para irem além de pedidos repetidos de depuração em direção ao esclarecimento conceitual e à autoexplicação é crucial para alinhar o suporte de programação assistido por IA com os objetivos da aprendizagem autorregulada.