"Why Put in This Much Effort?": How AI Availability Shapes Students' Motivation in Introductory Programming

Resumo Técnico: "Por que se Esforçar Tanto?": Como a Disponibilidade de IA Molda a Motivação dos Estudantes

Problema
A proliferação de ferramentas de IA generativa (IA) capazes de resolver problemas de programação introdutória sob demanda apresenta um novo desafio motivacional para os estudantes. Enquanto pesquisas anteriores focaram em políticas de instrutores, padrões de uso e resultados de aprendizagem, há uma lacuna na compreensão de como a mera disponibilidade da IA molda a motivação interna dos alunos para investir esforço na prática independente de programação. O problema central é que, quando uma solução funcional está acessível instantaneamente, o valor percebido do esforço sustentado pode diminuir, potencialmente minando o "efeito do executor" (doer effect) — a ligação estabelecida entre a prática ativa e a aquisição de habilidades. Isso é particularmente crítico para "programadores usuários finais" (ex: alunos de engenharia) que utilizam a programação como uma ferramenta disciplinar em vez de uma identidade profissional primária, pois seus motores motivacionais podem diferir dos alunos de Ciência da Computação.

Metodologia
O estudo empregou uma abordagem qualitativa e interpretativista utilizando a Teoria da Expectativa-Valor Situada (SEVT) como seu arcabouço analítico. A SEVT postula que a motivação é construída no momento com base em crenças individuais e fatores situacionais, decompondo o valor da tarefa em quatro componentes: valor intrínseco (prazer), valor de realização (identidade), valor de utilidade (utilidade) e custo (esforço e alternativas), além da expectativa (crença no sucesso).

• Contexto: O estudo foi realizado durante as três últimas semanas do semestre de Outono de 2025 em um curso introdutório de MATLAB para estudantes de engenharia em uma grande universidade pública de pesquisa. O curso apresentava uma política de uso de IA de seis níveis (variando de nenhum uso até a cocriação) e fornecia um assistente de IA específico do curso ao lado de ferramentas gerais.
• Participantes: 13 estudantes de engenharia (majoritariamente calouros e alunos do segundo ano) foram recrutados via e-mail e anúncios em sala de aula. A amostra incluiu uma mistura de níveis de experiência prévia em programação (nenhuma, alguma, extensa) e era predominantemente branca.
• Coleta de Dados: Entrevistas semiestruturadas (aprox. 30 minutos) foram conduzidas. O protocolo incluiu uma demonstração de capacidade da IA para estabelecer um ponto de referência comum, seguida de perguntas estruturadas em torno das dimensões da SEVT. As perguntas investigaram a motivação geral primeiro e, depois, como a disponibilidade da IA influenciou essas dimensões especificamente.
• Análise: Os pesquisadores utilizaram a análise temática reflexiva. A codificação foi tanto dedutiva (organizada pelos construtos da SEVT) quanto indutiva (capturando padrões emergentes como a comparação entre pares). A análise focou em como os alunos descreveram sua motivação e navegaram a tensão entre valorizar o esforço e a tentação dos atalhos da IA.

Principais Descobertas
O estudo revela que a disponibilidade da IA não simplesmente substitui o esforço; ela altera ativamente o cálculo motivacional dos estudantes em todas as dimensões da SEVT.

1. Expectativa (Confiança): Para muitos estudantes, a confiança tornou-se contingente à disponibilidade da IA. Vários participantes expressaram que, sem a IA, careceriam de confiança para ter sucesso ou temiam não conseguir completar as tarefas. Isso criou um ciclo de feedback onde a dependência da IA corroeu a própria competência necessária para o trabalho independente, levando a uma maior dependência.
2. Valor Intrínseco (Prazer): Os estudantes relataram uma redução na sensação de realização e no prazer quando a IA contornava o "esforço produtivo" de depuração (debugging) e resolução de problemas. Embora alguns tenham achado que a IA reduziu a frustração de estar travado, o consenso geral entre aqueles que valorizavam o processo foi que o uso da IA diminuía a sensação de sucesso "conquistado".
3. Valor de Utilidade (Utilidade): A disponibilidade da IA levou os estudantes a questionar a utilidade a longo prazo de aprender habilidades de programação. Alguns raciocinaram que, se a IA pode programar, a própria habilidade é menos valiosa para suas carreiras futuras. Outros, porém, reformularam a utilidade, argumentando que compreender os conceitos subjacentes é mais crítico em um futuro aumentado pela IA para gerenciar ou verificar o output da IA de forma eficaz.
4. Custo (Esforço e Alternativas): Esta foi a dimensão mais consistentemente afetada. A disponibilidade da IA fez com que o "custo de esforço" do trabalho independente parecesse desproporcionalmente alto. Os estudantes descreveram o tempo gasto depurando como um "desperdício" quando existia uma alternativa que poderia resolver o problema em segundos. Isso foi exacerbado pela comparação social: saber que colegas poderiam alcançar notas semelhantes com menos esforço desvalorizou o esforço independente daqueles que optaram por não usar a IA.
5. Navegando a Tensão: Quase todos os estudantes expressaram preferência por aprender através do esforço, mas sentiram a tentação de usar a IA.
   • Navegação Bem-sucedida: Estudantes que mantiveram o alinhamento entre seus valores e comportamento frequentemente utilizaram estratégias específicas: reestruturação do objetivo de "obter o código" para "aprender o processo", e estabelecimento de limites explícitos (ex: usar a IA apenas para verificações de sintaxe ou após tentativas independentes). Esses estudantes frequentemente ligavam o esforço à sua identidade pessoal ou profissional.
   • Conflito: Estudantes que usavam a IA extensivamente frequentemente descreviam um conflito entre seus valores declarados (querer aprender) e suas ações (tomar atalhos). Eles frequentemente citavam preocupações com a justiça (pares usando IA) e a "zona cinzenta" das políticas como justificativas para comportamentos que minavam seu próprio aprendizado, levando à redução da autoeficácia e lacunas de desempenho.

Principais Contribuições

• Mecanismos Motivacionais da IA: O artigo vai além de se os estudantes usam a IA para explicar como a disponibilidade da IA altera a construção psicológica do esforço, valor e custo. Identifica que o principal impacto é no custo percebido do trabalho independente, em vez da dificuldade do trabalho em si.
• Aplicação da SEVT à IA: O estudo demonstra a utilidade da Teoria da Expectativa-Valor Situada no ensino de computação, mostrando como um fator situacional (disponibilidade da IA) pode remodelar dinamicamente os valores de tarefa subjetivos, particularmente a dimensão do custo.
• Distinção para Usuários Finais: Ao focar em estudantes de engenharia, o artigo destaca que não-graduados em Ciência da Computação podem ter diferentes âncoras motivacionais (ex: utilidade disciplinar vs. identidade profissional) e podem enfrentar tensões de forma distinta entre aprendizado e eficiência.
• Dinâmicas de Comparação Social: A pesquisa destaca que o uso de IA pelos pares atua como um disruptor motivacional significativo, desvalorizando o esforço independente através da comparação social, não apenas pelo uso direto.

Significância e Implicações
Os autores argumentam que a resposta da área à IA no ensino de computação deve abordar as estruturas motivacionais dos estudantes, não apenas restrições técnicas ou políticas.

• Mudança no Design de Cursos: O artigo sugere uma mudança de valor do produto (o artefato de código final) para o suporte e valorização do processo (a jornada de esforço e aprendizado).
• Ajuda Instrumental vs. Executiva: Os instrutores devem ensinar explicitamente a distinção entre busca de ajuda instrumental (usar a IA para aprender) e busca de ajuda executiva (usar a IA para contornar o aprendizado).
• Visibilidade do Processo: Para combater a desvalorização do esforço causada pela comparação social, os autores sugerem tornar o processo de aprendizagem visível e responsável (ex: submissões intermediárias, rastreamento de processo) em vez de depender apenas de exames monitorados, que podem desmotivar o engajamento nas tarefas de casa.
• Ancoragem de Identidade: Para estudantes de engenharia, fomentar a motivação pode ser mais eficaz ao conectar o esforço de programação à sua identidade de engenharia existente e objetivos disciplinares, em vez de tentar recrutar uma identidade de "programador".

Limitações e Modéstia
Os autores explicitamente observam que suas descobertas baseiam-se em dados autorrelatados de um único contexto de curso e uma amostra pequena e selecionada (13 estudantes). Eles não pretendem estabelecer relações causais ou taxas de prevalência generalizáveis. O estudo captura um recorte do raciocínio dos estudantes em um momento específico e reconhece que as ferramentas de IA e as políticas utilizadas no curso influenciaram os resultados. Os autores posicionam este trabalho como uma fundação teórica para futuras pesquisas de larga escala e longitudinais.