From Prompting to Epistemic Proactivity: Temporal Trajectories of Student-AI Interaction in Mathematics Learning

Resumo Técnico: Do Prompting à Proatividade Epistêmica

Definição do Problema
Embora os sistemas de IA Generativa (GenAI) estejam sendo cada vez mais adotados como companheiros de aprendizagem, particularmente em matemática, existe uma lacuna crítica na compreensão de como os alunos utilizam essas ferramentas em ambientes de aprendizagem abertos. As pesquisas existentes frequentemente dependem de métricas estáticas (ex: frequência de uso, qualidade agregada dos prompts) ou questionários, que falham em capturar o processo dinâmico de aprendizagem dentro da interação. Uma preocupação central é o "descarregamento epistêmico" (epistemic offloading), onde os alunos podem depender da IA para realizar o trabalho cognitivo necessário para a aprendizagem genuína (ex: identificar lacunas, formular perguntas, avaliar soluções) em vez de engajarem-se nela mesmos. O artigo postula que a qualidade da aprendizagem apoiada por IA não depende meramente da qualidade de prompts individuais, mas de se os alunos sustentam comportamentos "epistemicamente proativos" — engajamento estratégico, autorregulado e orientado para a compreensão — ao longo do tempo. O estudo busca determinar se trajetórias temporais específicas de interação aluno-IA predizem o desempenho subsequente independente (livre de IA).

Metodologia

• Participantes: 112 alunos do 9º ano (idades entre 14–15 anos) de escolas alemãs do tipo Gymnasium. 97 alunos completaram o protocolo completo, incluindo pré e pós-testes.
• Tarefa e Ambiente: Os alunos participaram de uma sessão de prática aberta de 40 minutos com um LLM de propósito geral baseado na web (Mistral Large) para se prepararem para uma avaliação alinhada ao currículo sobre modelagem matemática (MM) envolvendo funções lineares e quadráticas. A tarefa foi explicitamente enquadrada como melhoria de competências, em vez de mera conclusão de tarefa.
• Coleta de Dados:
  • Pré/Pós-Testes: Itens validados de MM do acervo IQB VERA para medir o conhecimento prévio e o desempenho pós-intervenção livre de IA.
  • Dados Conversacionais: Transcrições completas de chat foram analisadas.
  • Estrutura de Codificação: Foi desenvolvido um esquema de codificação por turno, baseado em teoria, fundamentado em três dimensões:
    1. Aprendizagem Autorregulada (SRL): Codificado usando o modelo cíclico de Zimmerman (PLANEJAR, MONITORAR, SOLICITAR, AVALIAR).
    2. Busca de Ajuda (HS): Codificado para orientação (instrumental vs. executiva) e conteúdo (conceitual, procedimental, verificação, busca de resposta).
    3. Modelagem Matemática (MM): Codificado usando a estrutura de Blum (compreender a situação, identificar variáveis, matematizar, trabalhar com o modelo, interpretar, validar).
  • Validação: A codificação automatizada via LLM (Gemini 2.5 Pro) foi validada contra codificadores humanos especialistas, mostrando concordância aceitável (Cohen's Kappa > 0,5 para a maioria das dimensões).
• Abordagem Analítica:
  • Análise Estática: Proporções de códigos de toda a sessão e diversidade comportamental (entropia de Shannon) foram testadas contra as pontuações do pós-teste usando ANCOVA, controlando o conhecimento prévio.
  • Análise Temporal: A sessão foi dividida em fases inicial e tardia. Três indicadores de "Mudança de Proatividade" (Proactivity Shift) foram calculados para medir a mudança de orientação da fase inicial para a fase tardia:
    1. Mudança de Proatividade de Regulação: Mudança de SOLICITAR para (PLANEJAR + MONITORAR + AVALIAR).
    2. Mudança de Proatividade de Busca de Ajuda: Mudança de (Verificação + Busca de resposta) para (Conceitual + Procedimental).
    3. Mudança de Proatividade Matemática: Mudança de (Interpretar + Validar) para (Compreender + Estruturar + Matematizar + Trabalhar).

Principais Resultados

• Padrões Descritivos: As interações foram dominadas por turnos de SOLICITAÇÃO (74%), com a busca de ajuda instrumental representando 70% das solicitações. Movimentos regulatórios explícitos (MONITORAR, AVALIAR) foram raros (5% e 3%, respectivamente). Os turnos de modelagem matemática concentraram-se em "Compreensão" (43%) e "Trabalho" (32%), sendo a "Validação" rara inicialmente.
• Preditores Estáticos: Resumos estáticos da interação (proporções de funções de SRL de toda a sessão, tipos de solicitação, estágios de MM e diversidade comportamental) não predisseram o desempenho no pós-teste livre de IA após controlar o conhecimento prévio.
• Preditores Temporais: Os indicadores temporais foram preditores significativos dos resultados de aprendizagem.
  • Em média, os alunos se afastaram de orientações proativas ao longo do tempo (mudanças negativas na proatividade de HS e MM), movendo-se em direção à verificação e validação.
  • No entanto, os alunos que exibiram uma mudança positiva em direção a orientações epistemicamente proativas (aumento da busca de ajuda conceitual/procedimental e do trabalho matemático construtivo em relação à verificação/validação) alcançaram pontuações significativamente maiores no pós-teste.
  • Especificamente, a Mudança de Proatividade de Busca de Ajuda ($\beta = ,250, p = ,009$) e a Mudança de Proatividade Matemática ($\beta = ,209, p = ,031$) predisseram significativamente o desempenho no pós-teste além do conhecimento prévio.
  • A Mudança de Proatividade de Regulação mostrou uma tendência positiva, porém não significativa ($p = ,090$).
• Diferenças de Grupo: Um agrupamento de trajetória baseado nessas mudanças revelou que os alunos que mantiveram ou aumentaram os comportamentos proativos (Grupo 1) superaram aqueles que mudaram para comportamentos reativos (Grupo 0), com uma diferença significativa nos resíduos do pós-teste ($p = ,014$).

Significância e Alegações
O artigo argumenta que a aprendizagem apoiada por IA produtiva é melhor compreendida como uma trajetória de proatividade epistêmica específica do domínio, em vez de uma coleção de prompts isolados de alta qualidade.

• Contribuição Teórica: O estudo demonstra que agregados estáticos de interação são insuficientes para prever resultados de aprendizagem. Em vez disso, a direção da mudança comportamental ao longo do tempo é o indicador crítico. A aprendizagem é um processo de desenvolvimento onde a capacidade de sustentar ou fortalecer o engajamento proativo (regulação, busca de ajuda orientada para a compreensão e trabalho específico do domínio) é mais preditiva do sucesso do que a mera presença desses comportamentos.
• Implicações para o Design: Tutores de IA devem ir além de avaliar a qualidade de prompts individuais para monitorar a evolução temporal da interação. Os sistemas devem detectar trajetórias reativas (ex: aumento da dependência de verificação sem o trabalho matemático adicional) e fornecer andaimes (scaffolding) apenas quando tais padrões emergem, em vez de reagir a instâncias isoladas de busca de resposta.
• Implicações para a Prática: Professores podem usar os rastros de interação para diagnosticar dificuldades específicas no ciclo de modelagem matemática (ex: dificuldade em estruturar um modelo vs. validar resultados) e guiar os alunos para distinguir entre tarefas adequadas para delegação à IA e aquelas que exigem responsabilidade epistêmica.

Limitações
Os autores observam que o estudo é correlacional, o que impede afirmações causais em relação aos indicadores temporais. A duração da interação foi curta (40 minutos) e a confiabilidade da codificação para etapas específicas de MM foi moderada. Trabalhos futuros são necessários para testar esses achados longitudinalmente e para avaliar se andaimes adaptativos podem promover ativamente trajetórias epistemicamente proativas.