📄 social_science

Do Social Norms Matter in Promoting Students’ Engagement in GenAI-Supported Learning Environments? An Integrated Theoretical Model

Este estudo utiliza dados de 2.568 estudantes universitários chineses para demonstrar que atitudes positivas em relação à IA generativa aumentam significativamente o engajamento dos alunos por meio da mediação sequencial da intenção de uso e da autoeficácia, um processo que é ainda mais fortalecido por normas sociais de apoio.

Autores originais: Chengjin Gao, Dong Yang, Gurpinder Singh Lalli

Publicado 2026-08-11

📖 6 min de leitura🧠 Leitura aprofundada

CC BY 4.0

Autores originais: Chengjin Gao, Dong Yang, Gurpinder Singh Lalli

Artigo original sob licença CC BY 4.0 (https://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 entrando em uma biblioteca gigante e futurista onde os livros podem conversar com você, escrever ensaios para você e até discutir sobre história. Este é o mundo da IA Generativa na educação. Mas só porque a biblioteca está aberta não significa que todos queiram correr para dentro e começar a conversar com os livros. Alguns alunos estão entusiasmados, outros estão assustados e alguns simplesmente não sabem como falar com as máquinas. É aqui que a ciência da psicologia e da educação colidem.

Para entender por que um aluno decide mergulhar nesta biblioteca de IA, os pesquisadores observam algumas ideias-chave. Primeiro, há a Atitude: isso é apenas o seu sentimento visceral. Você acha que a IA é legal e útil, ou é um robô assustador que vai roubar seu dever de casa? Segundo, há a Autoeficácia. Pense nisso como o seu "músculo do eu consigo fazer". Não se trata de saber se você é bom em usar a IA agora, mas sim de acreditar que pode aprender a ser bom nisso se tentar. Terceiro, há a Intenção, que é simplesmente o plano de realmente usar a ferramenta. Por fim, existem as Normas Sociais. Este é o "teste de vibe" da sua escola. Seus professores, amigos e a própria escola parecem dizer: "Ei, usar IA é uma ótima ideia!" ou eles sussurram: "Não toque nisso, é contra as regras"?

Por que isso importa? Porque as escolas estão investindo muito dinheiro nessas ferramentas de IA, mas se os alunos estiverem com muito medo, inseguros de si mesmos ou sentirem que seus amigos os estão julgando, eles não as usarão. E se eles não as usarem, perderão a chance de aprender de uma maneira totalmente nova. A grande questão é: Como levamos os alunos de "acho que a IA é ok" para "estou profundamente engajado e aprendendo com a IA todos os dias"?

O Estudo: O Detetive do Engajamento com a IA

Uma equipe de pesquisadores da China decidiu brincar de detetive para resolver este mistério. Eles reuniram um grupo massivo de 2.568 estudantes universitários e fizeram uma série de perguntas sobre como eles se sentiam em relação à IA, o quão confiantes se sentiam ao usá-la, o que planejavam fazer e o que seus amigos e professores pensavam. Eles então usaram uma ferramenta matemática super inteligente (chamada PLS-SEM, que é como um GPS para encontrar conexões ocultas nos dados) para mapear exatamente como esses sentimentos se conectam uns aos outros.

Aqui está o que eles descobriram, dividido em uma história:

1. A Faísca: A Atitude é o Motor
O estudo descobriu que, se um aluno tem uma atitude positiva em relação à IA (acha que ela é útil e divertida), ele tem muito mais probabilidade de estar engajado. O engajamento aqui significa que eles não estão apenas clicando em botões; eles estão pensando profundamente, fazendo perguntas e realmente se envolvendo.

A Analogia: Pense na atitude em relação à IA como o combustível em um carro. Se o combustível for de alta qualidade (sentimentos positivos), o carro está pronto para partir. Se o combustível for ruim (sentimentos negativos), o carro não ligará, não importa o quão bom seja o motor.

2. Os Intermediários: Confiança e Planos
Mas ter uma atitude positiva não é a única coisa que importa. Os pesquisadores descobriram que a atitude trabalha através de dois intermediários: Autoeficácia e Intenção.

A Reação em Cadeia: Um aluno com uma atitude positiva primeiro começa a acreditar: "Eu realmente posso aprender a usar isso!" (Autoeficácia). Uma vez que acredita que pode fazer, ele faz um plano: "Vou usar esta ferramenta para o meu próximo projeto" (Intenção). Finalmente, esse plano se transforma em ação (Engajamento).
A Analogia: Imagine que você quer andar de skate.
- Atitude: Você acha que andar de skate é incrível.
- Autoeficácia: Você diz a si mesmo: "Eu consigo aprender a me equilibrar nisto".
- Intenção: Você decide: "Vou ao parque e vou tentar".
- Engajamento: Você está lá fora andando de skate.
  O estudo mostrou que pular a crença do "eu consigo fazer" ou o plano do "eu vou fazer" torna muito mais difícil chegar ao ato de andar de skate propriamente dito.

3. O Amplificador: Normas Sociais
Esta é a parte mais interessante. Os pesquisadores descobriram que as Normas Sociais agem como um botão de volume ou um turbocompressor.

Como funciona: Se um aluno tem uma atitude positiva, mas seu professor diz "IA é ruim" ou seus amigos dizem "Não use", a conexão entre a atitude dele e sua ação fica mais fraca. Mas, se o aluno tem uma atitude positiva e seus professores e amigos estão torcendo por ele ("Sim! Use a IA!"), essa atitude positiva explode em uma confiança muito mais forte e um engajamento muito mais profundo.
A Analogia: Pense na sua atitude como uma pequena fogueira.
- Baixas Normas Sociais: Se todos ao seu redor estiverem soprando o fogo para apagá-lo (vibrações negativas), o fogo permanecerá pequeno, mesmo que você tenha boa lenha (atitude positiva).
- Altas Normas Sociais: Se todos estiverem abanando as chamas e jogando mais lenha (vibrações de apoio), essa mesma pequena fogueira se transforma em uma enorme fogueira de proporções gigantescas. O ambiente de apoio faz com que os sentimentos positivos funcionem muito mais intensamente.

4. O Que Eles Descartaram
O estudo também deixou claro que ter uma atitude positiva sozinha não é uma varinha mágica. Você pode achar que a IA é ótima, mas se não acredita que pode usá-la (baixa autoeficácia) ou se seu ambiente é hostil (normas sociais negativas), você não acabará profundamente engajado. O artigo sugere que não basta apenas dizer aos alunos "a IA é legal" e esperar que eles mergulhem nela; você tem que construir a confiança deles e garantir que o ambiente escolar os apoie.

5. O Quão Certo Eles Estão?
Os pesquisadores estão bastante confiantes em seus resultados porque usaram um número enorme de alunos (mais de 2.500) e matemática rigorosa para provar as ligações. Eles descobriram que a "corrente" de Atitude → Confiança → Plano → Ação é real e mensurável. Também descobriram que o efeito turbocompressor das "Normas Sociais" é estatisticamente significativo, o que significa que não é apenas um acaso; ele realmente altera como os alunos se comportam.

A Conclusão Final
Este artigo nos diz que, para deixar os alunos entusiasmados e profundamente envolvidos com a IA na escola, não podemos apenas entregar a tecnologia a eles. Temos que:

Garantir que eles gostem da ideia de usá-la.
Ajudá-los a acreditar que são capazes de usá-la.
Garantir que seus professores e amigos estejam torcendo por eles.

Se você acertar nesses três pontos, os alunos não apenas usarão a IA; eles se engajarão verdadeiramente com ela, aprendendo e crescendo de maneiras que estamos apenas começando a compreender.

Resumo Técnico: Normas Sociais e Engajamento Estudantil na Aprendizagem Suportada por GenAI

Problema de Pesquisa

Embora a Inteligência Artificial Generativa (GenAI) esteja transformando rapidamente o ensino superior por meio de ferramentas como sistemas de recomendação inteligentes e avaliação automatizada, os mecanismos que ligam a aceitação da IA ao engajamento estudantil real permanecem insuficientemente compreendidos. As pesquisas existentes frequentemente focam em funcionalidades técnicas ou na adoção inicial da tecnologia, negligenciando os processos psicológicos que traduzem a aceitação em comportamentos de aprendizagem profundos e sustentados. Além disso, o papel das normas sociais — expectativas percebidas de professores, colegas e instituições — como uma condição de contorno nesse processo tem recebido atenção limitada. Existe uma lacuna na compreensão de como as atitudes individuais, fatores motivacionais (intenção) e crenças de capacidade (autoeficácia) interagem dentro de um contexto social para impulsionar o engajamento em ambientes dinâmicos de GenAI.

Metodologia

O estudo empregou um design quantitativo transversal para testar um modelo teórico integrado combinando a Teoria do Comportamento Planejado (TPB) e a Teoria Cognitiva Social (SCT).

Participantes: Os dados foram coletados de 2.568 estudantes (incluindo graduação e pós-graduação) de dez universidades na China, representando diversos níveis educacionais (universidades e faculdades) e disciplinas (Humanidades, Ciências, Engenharia, etc.).
Instrumento: Um questionário estruturado online, administrado via plataforma Wenjuanxing, incluiu cinco construtos latentes medidos em escalas Likert de cinco pontos:
1. Atitudes em relação à IA: Avaliações cognitivas e afetivas da IA (6 itens).
2. Autoeficácia em IA: Confiança no uso eficaz de ferramentas de IA (4 itens).
3. Intenção de Uso: Disposição para continuar usando IA para aprendizagem (4 itens).
4. Engajamento Estudantil: Engajamento multidimensional (comportamental, emocional, cognitivo, agêntico) em contextos de GenAI (19 itens).
5. Normas Sociais de Suporte: Percepção de encorajamento e suporte de recursos do ambiente social (4 itens).
Análise: Os pesquisadores utilizaram a Modelagem de Equações Estruturais por Mínimos Quadrados Parciais (PLS-SEM) via SmartPLS 4. A análise envolveu:
- Avaliação da confiabilidade e validade do modelo de mensuração (Alfa de Cronbach, Confiabilidade Composta, AVE, HTMT).
- Teste de efeitos diretos, mediadores e moderadores usando bootstrapping (5.000 reamostragens).
- Avaliação de tamanhos de efeito ( $f^2$ ) e relevância preditiva ( $R^2$ , SRMR).

Principais Contribuições

O estudo apresenta três contribuições teóricas primárias:

Integração Teórica: Estende a integração da TPB e da SCT especificamente para contextos de aprendizagem com GenAI, propondo um caminho sequencial onde as atitudes moldam a autoeficácia, que então influencia a intenção, impulsionando, por fim, o engajamento. Notavelmente, posiciona a autoeficácia como temporalmente anterior à intenção neste contexto específico, argumentando que os aprendizes devem perceber a capacidade antes de formar intenções sustentadas.
Expansão do Desfecho: Desloca o foco da mera adoção tecnológica para o engajamento estudantil como o desfecho principal, capturando a profundidade da interação necessária em ambientes de GenAI.
Condições de Contorno Contextuais: Conceitua as normas sociais de suporte não apenas como preditores diretos, mas como moderadores críticos que fortalecem a tradução de atitudes em crenças, intenções e comportamentos.

Resultados

O modelo estrutural demonstrou ajuste satisfatório ($SRMR = 0,033$, $NFI = 0,885$, $R^2 = 0,688$ para engajamento).

Efeitos Diretos: As atitudes em relação à IA predizem de forma significativa e positiva o engajamento estudantil ( $\beta = 0,330$ ).
Efeitos de Mediação:
- A Autoeficácia medeia parcialmente a relação entre atitudes e engajamento ( $\beta = 0,129$ ).
- A Intenção de Uso medeia parcialmente a relação entre atitudes e engajamento ( $\beta = 0,151$ ).
- Mediação Sequencial: Existe uma mediação em cadeia significativa: Atitudes em relação à IA $\rightarrow$ Autoeficácia $\rightarrow$ Intenção de Uso $\rightarrow$ Engajamento Estudantil ( $\beta = 0,068$ ).
Efeitos de Moderação: As Normas Sociais de Suporte moderam significativamente as relações entre as atitudes em relação à IA e:
- Autoeficácia ( $\beta = 0,081$ )
- Intenção de Uso ( $\beta = 0,111$ )
- Engajamento Estudantil ( $\beta = 0,162$ )
- Interpretação: Os efeitos positivos das atitudes em relação à IA sobre esses desfechos são significativamente mais fortes quando as normas sociais de suporte são altas em comparação a quando são baixas.
Tamanho do Efeito: As atitudes em relação à IA mostraram um efeito grande na autoeficácia ( $f^2 = 0,657$ ) e efeitos médios na intenção e no engajamento. Os efeitos de interação (moderação) foram pequenos em magnitude, mas estatisticamente significativos, indicando que influenciam meaningfulmente a força das relações principais.

Significância e Alegações

Os autores afirmam que este estudo fornece uma explicação abrangente de como os aprendizes transitam da percepção para a ação em ambientes de aprendizagem suportados por IA.

Clarificação de Mecanismos: Os achados confirmam que as atitudes positivas em relação à IA são fundamentais, mas sua tradução em engajamento é mediada pela confiança do aprendiz (autoeficácia) e pela motivação (intenção). Crucialmente, o estudo postula que a autoeficácia atua como um pré-requisito para a intenção neste contexto, onde a confiança na capacidade precede a formação de intenções de uso sustentadas.
Importância Contextual: O estudo ressalta que os fatores psicológicos individuais não operam no vácuo. As normas sociais de suporte atuam como condições de contorno críticas que amplificam o impacto das atitudes positivas. Em contextos coletivistas, o alinhamento do comportamento com as expectativas sociais percebidas aumenta significativamente a probabilidade de engajamento.
Implicação Prática: Os autores sugerem que a integração eficaz da IA requer uma abordagem coordenada: fomentar atitudes positivas, construir a confiança do aprendiz através de experiências escalonadas e cultivar ativamente ambientes institucionais e de pares que sejam de suporte.

O artigo conclui que, embora o design transversal limite a inferência causal, o modelo integrado oferece um arcabouço robusto para compreender a interação dinâmica entre fatores cognitivos, motivacionais e contextuais na era da Inteligência Artificial Generativa.