Implementing GenAI-Supported Learning in Software Engineering and Computer Science Education using Bloom's Taxonomy

Resumo Técnico: Implementação de Aprendizagem Suportada por GenAI no Ensino de Engenharia de Software e Ciência da Computação utilizando a Taxonomia de Bloom

Definição do Problema
A rápida adoção da IA Generativa (GenAI) no ensino de Engenharia de Software (ES) e Ciência da Computação (CC) criou uma dicotomia entre o potencial de suporte à aprendizagem e os riscos de aprendizagem superficial, dependência excessiva e má conduta acadêmica. As respostas institucionais atuais baseiam-se frequentemente em políticas restritivas ou abordagens baseadas em detecção que focam na conformidade, em vez da pedagogia. Os autores argumentam que essas medidas tratam os sintomas, e não o desafio subjacente: a falta de orientação instrucional explícita sobre como a GenAI pode ser integrada de forma significativa para apoiar o desenvolvimento cognitivo. Sem tal orientação, a GenAI corre o risco de acelerar a conclusão de tarefas enquanto compromete a aprendizagem profunda, levando a uma "dívida cognitiva", onde os alunos possuem saídas aparentemente corretas, mas carecem de compreensão conceitual.

Metodologia
Este estudo emprega um design de pesquisa qualitativo e orientado à prática para investigar como a orientação instrucional explícita alinhada à Taxonomia de Bloom pode apoiar o uso responsável da GenAI. A pesquisa foi conduzida em dois contextos educacionais distintos:

1. Queen's University Belfast (QUB), Reino Unido: Uma disciplina de Teste de Software (CSC3056) de último ano de graduação com 150–250 alunos.
2. Universidade Técnica de Azerbaijão (AzTU), Azerbaijão: Uma atualização curricular em toda a faculdade abrangendo múltiplos programas de graduação em ES e CC (ex: Sistemas Operacionais, Estruturas de Dados, Programação Avançada).

Intervenção: Os autores projetaram e implementaram um framework de GenAI alinhado a Bloom. Este framework articula explicitamente os papéis apropriados para a GenAI em diferentes níveis cognitivos (Lembrar, Compreender, Aplicar, Analisar, Avaliar, Criar). Os elementos centrais de design incluem:

• Intencionalidade Cognitiva: Alinhar o uso da GenAI com o nível cognitivo específico de uma tarefa.
• Estruturação Temporal: Incentivar a exploração independente de problemas antes de recorrer à GenAI para reflexão.
• Modalidade de Interação: Mudar os prompts da geração de soluções para crítica, comparação e análise de erros.
• Meta-Diálogo: Incorporar discussões explícitas sobre o papel da GenAI como tutor/mentor, em vez de um solucionador.

Coleta e Análise de Dados:
Os dados foram coletados via questionários abertos anônimos (42 alunos da QUB) e reflexões de instrutores (11 instrutores da AzTU), juntamente com artefatos de aprendizagem selecionados. O estudo utilizou análise temática, usando a Taxonomia de Bloom como uma lente analítica, em vez de um instrumento de medição. Ferramentas de GenAI foram utilizadas de forma transparente para auxiliar na sugestão inicial de código e no agrupamento de temas, com supervisão humana total para validação.

Principais Contribuições
O artigo apresenta três contribuições primárias:

1. Um Framework Alinhado a Bloom: Um framework de design instrucional orientado pela pedagogia que operacionaliza o uso responsável da GenAI ao diferenciar os papéis apropriados da IA com base nos níveis cognitivos (Seção 3).
2. Evidência Empírica Qualitativa: Uma análise das percepções de estudantes e instrutores em dois cenários educacionais, demonstrando como a orientação explícita influencia as práticas de uso (Seção 4).
3. Implicações de Design Prático: Insights para educadores que buscam alternativas às abordagens de proibição ou detecção, focando especificamente em como enquadrar a GenAI como um suplemento de aprendizagem (Seção 5).

Resultos
Os achados indicam padrões distintos de como a GenAI é percebida e utilizada quando guiada pela Taxonomia de Bloom:

• Diferenciação de Nível Cognitivo: Os alunos perceberam a GenAI como mais valiosa para atividades cognitivas de ordem superior (Análise e Avaliação), onde ela apoiou o raciocínio, a comparação e a reflexão. Por outro modo, a GenAI foi vista como menos adequada e potencialmente contraproducente para a aprendizagem fundamental (Lembrar e Compreender), onde o uso prematuro levou a uma "compreensão ilusória".
• Mudança nas Práticas de Uso: A orientação explícita baseada nos níveis de Bloom influenciou os alunos a adotar o uso tardio (tentar realizar as tarefas de forma independente primeiro) e a interação reflexiva (usar a GenAI como um revisor, em vez de um solucionador).
• Não-Uso Intencional: O framework legitimou decisões de não usar a GenAI para tarefas específicas, particularmente aquelas que exigem a aquisição de habilidades fundamentais.
• Curva de Aprendizado: Tanto alunos quanto instrutores relataram uma curva de aprendizado inicial. Os alunos acharam cognitivamente exigente alinhar seu uso aos níveis de Bloom inicialmente, enquanto os instrutores notaram um aumento na carga de trabalho ao projetar e comunicar essas diretrizes. No entanto, esses desafios tenderam a diminuir conforme as expectativas se estabilizavam.

Significância e Alegações
O artigo afirma que o valor educacional da GenAI não reside no uso irrestrito ou na proibição estrita, mas no alinhamento intencional entre os objetivos de aprendizagem cognitiva, a orientação instrucional e a autorregulação do aluno.

• Mudança Pedagógica: O estudo demonstra que a Taxonomia de Bloom fornece um framework familiar, escalável e orientado pela pedagogia para operacionalizar o uso responsável da GenAI, mudando o discurso de "policiamento" da IA para o "suporte" à aprendizagem.
• Alternativa à Fiscalização: A abordagem proposta oferece uma alternativa prática às respostas focadas em fiscalização, estabelecendo uma base para pesquisas futuras sobre aprendizagem suportada por GenAI e cognitivamente intencional.
• Escopo Modesto: Os autores declaram explicitamente que o estudo não pretende estabelecer ganhos de aprendizagem causais ou melhorias definitivas de desempenho devido à complexidade dos contextos educacionais do mundo real. Em vez disso, a significância reside em demonstrar como a orientação explícita pode moldar o percebido suporte à aprendizagem e os comportamentos de uso, oferecendo um mecanismo estruturado para mitigar a "dívida cognitiva" enquanto se aproveitam as capacidades da GenAI.