From Objective AI Literacy Assessment to Training Needs Mapping in Greek Secondary Education

Resumo Técnico: Da Avaliação Objetiva de Literacia em IA ao Mapeamento de Necessidades de Formação no Ensino Secundário Grego

Definição do Problema
Embora a Inteligência Artificial (IA) esteja cada vez mais integrada na infraestrutura educacional, as evidências empíricas relativas à literacia em IA dos professores permanecem limitadas. As investigações existentes baseiam-se predominantemente na prontidão, confiança ou atitudes autorreportadas, que são suscetíveis ao viés de desejabilidade social, à calibração pessoal imprecisa e à inflação contextual. Esta dependência de medidas subjetivas obscurece conceitos erróneos específicos e uma cobertura de conhecimento desigual. No contexto do ensino secundário grego, onde os professores operam através de diversas especialidades disciplinares e trajetórias de aprendizagem profissional desiguais, a falta de uma linha de base localizada de conhecimento objetivo sobre IA corre o risco de tornar o desenvolvimento profissional (DP) ou demasiado genérico para ser útil ou demasiado técnico para se alinhar com as necessidades reais. O estudo aborda a lacuna entre a "consciência de IA" (familiaridade com ferramentas) e a "literacia em IA" (recursos conceptuais estáveis para interpretar o comportamento de sistemas), argumentando que os professores necessitam de conhecimento conceptual funcional para avaliar os resultados da IA, compreender as suas limitações e tomar decisões profissionais responsáveis.

Metodologia
O estudo utilizou um inquérito online transversal realizado em junho de 2025 com uma amostra de 271 professores do ensino secundário grego (ensino regular e educação especial). O recrutamento utilizou uma estratégia de amostragem por conveniência através de redes profissionais e pessoais.

• Instrumento: O estudo utilizou uma adaptação grega de um teste de conhecimento de literacia em IA objetivo de 26 itens, originalmente desenvolvido por Ding et al. [13], fundamentado no quadro orientado por competências de Long e Magerko [8]. O instrumento foi traduzido e retrotraduzido para garantir a equivalência conceptual.
• Pontuação: As respostas foram pontuadas de forma dicotómica (1 para correto, 0 para incorreto ou "não sei"). A inclusão da opção "não sei" permitiu uma estimativa conservadora do conhecimento funcional, distinguindo entre respostas confiantes e incerteza.
• Análise:
  • Estatística Descritiva: Foram calculadas as pontuações totais e as proporções de acertos ao nível do item ($p_{correct}$).
  • Diferenças de Grupo: Devido à distribuição não normal das pontuações totais (Shapiro-Wilk $p < .001$), foram utilizados testes não paramétricos de Kruskal-Wallis com comparações post-hoc de Dwass-Steel-Critchlow-Fligner para examinar diferenças por especialidade de ensino, formação em TIC e dados demográficos.
  • Preditores: Correlações de Spearman e regressão linear múltipla (utilizando intervalos de confiança de bootstrap com correção de viés) foram utilizadas para identificar associações entre as características dos professores, formação prévia e pontuações de literacia em IA.
  • Mapeamento de Necessidades: Foi calculado um "NeedIndex" para cada item como $1 - p_{correct}$. Esta métrica transformou os déficits ao nível do item numa ferramenta de priorização para o desenvolvimento profissional, onde valores mais elevados indicam maiores necessidades de formação.

Principais Resultados

• Desempenho Geral: A amostra demonstrou uma linha de base moderada de literacia objetiva em IA ($M = 15.82/26$, $SD = 3.53$;$p_{correct}$ global = $60.85\%$). No entanto, o desempenho variou significativamente entre os itens ($p_{correct}$ variando entre 0.09 e 0.90).
• Lacunas Conceptuais (Itens com Menor Desempenho): Os défices de conhecimento mais significativos agruparam-se em torno de conceitos técnicos fundamentais:
  • Distinguir automação de IA (ex.: máquinas de lavar automáticas).
  • Diferenciar IA estreita de IA geral (ex.: assistentes de voz como Siri/Alexa).
  • Compreender o fluxo de trabalho de aprendizagem automática (recolha de dados $\to$ treino $\to$ implementação).
  • Correlacionar técnicas de IA com aplicações.
  • Reconhecer limites na perceção e generalização da IA (desempenho em contextos desconhecidos).
• Itens com Melhor Desempenho: Os professores demonstraram um desempenho relativamente bom em itens relativos à interpretação de dados, ao equívoco de que a IA é sempre mais inteligente que os humanos e ao uso da IA em trabalhos perigosos.
• Preditores de Literacia:
  • Fatores Significativos: A especialidade de ensino (professores de TIC pontuaram mais alto do que os grupos não-TIC), o nível de formação em TIC, a familiaridade auto-reportada com PC/Internet e a exposição a formação específica em IA foram significadamente associados a pontuações mais elevadas.
  • Fatores Não Significativos: Variáveis demográficas como idade, género, grau académico mais elevado, anos de serviço e área de trabalho (urbana/rural) não mostraram associação estatisticamente significativa com o desempenho objetivo.
  • Impacto da Formação: A análise de regressão indicou que a exposição à formação específica em IA era o preditor dominante. Professores com programas semestrais/anuais, conhecimento certificado ou cursos de graduação em IA pontuaram significativamente mais alto do que aqueles com apenas seminários de curta duração ou sem qualquer formação.

Principas Contribuições

1. Linha de Base Objetiva: O estudo fornece a primeira linha de base objetiva e localizada da literacia em IA para professores do ensino secundário grego, indo além das métricas autorreportadas para identificar o conhecimento conceptual real.
2. Granularidade Diagnóstica: Ao utilizar a análise ao nível do item, o estudo revela que uma média "moderada" esconde uma desuniformidade conceptual substancial. Os professores podem possuir conhecimentos éticos ou relacionados com dados fortes, enquanto carecem de compreensão técnica fundamental.
3. Mapeamento de Necessidades de Formação (NeedIndex): O estudo introduz um mecanismo prático ($NeedIndex = 1 - p_{correct}$) para transformar os dados de avaliação diretamente em prioridades de desenvolvimento profissional. Isto permite que os designers de DP sequenciem o conteúdo com base nos défices conceptuais observados, em vez de uma relevância assumida.
4. Modelo de DP Diferenciado: Os resultados apoiam um modelo de desenvolvimento profissional em camadas:
   • Camada 1: Conceitos técnicos fundamentais (IA vs. automação, fluxos de trabalho de ML).
   • Camada 2: Capacidades, limitações e incerteza.
   • Camada 3: Aplicação pedagógica relevante para a sala de aula.
   • Camada 4: Ética, governação e responsabilidade.

Significância e Alegações
Os autores posicionam este trabalho como um estudo de aplicação de linha de base e mapeamento de necessidades de formação, em vez de uma validação abrangente do instrumento ou um preditor da prática em sala de aula. A principal significância reside na mudança do foco da "consciência de IA" para a "precisão conceptual". O estudo argumenta que, sem uma compreensão estável de como os sistemas de IA funcionam (ex.: dependência de dados, resultados probabilísticos, limites de generalização), os professores não podem avaliar eficazmente as ferramentas de IA, explicar falhas de sistema aos alunos ou distinguir as possibilidades educativas reais de promessas inflacionadas.

As conclusões desafiam a suposição de que a literacia em IA é uma questão geracional ou um subproduto da experiência docente geral. Em vez disso, o estudo afirma que a literacia em IA é um domínio de conhecimento profissional treinável, fortemente ligado ao percurso disciplinar e a oportunidades de aprendizagem estruturadas. Consequentemente, os autores defendem uma capacitação informada por evidências que priorize os conceitos técnicos fundamentais antes de avançar para aplicações éticas ou pedagógicas, garantindo que os professores possuam os recursos conceptuais necessários para a supervisão humana responsável em escolas apoiadas pela IA.

Limitações
Os autores explicitam várias limitações: o uso de uma amostra por conveniência limita a generalização para toda a população de professores gregos; o desenho transversal impede a inferência causal relativa ao impacto da formação; o instrumento mede o conhecimento conceptual em vez da implementação pedagógica; e o teste de 26 itens representa um compromisso entre amplitude e profundidade que não pode cobrir toda a complexidade da literacia em IA (ex.: nuances da IA generativa). Recomenda-se que investigações futuras combinem testes objetivos com medidas baseadas em cenários e na prática.