📄 social_science

Profiling Faculty Adoption of Generative AI: A Latent Profile Analysis of Platform Engagement and Inferred Drivers

Este estudo utiliza a Análise de Perfil Latente em dados objetivos de registros de plataforma de 358 membros do corpo docente para identificar dois perfis distintos de uso de IA Generativa — "Assistência ao Ensino" e "Suporte à Pesquisa" — preenchendo, assim, a lacuna entre as intenções autorreferidas e os comportamentos reais para informar estratégias diferenciadas de apoio institucional.

Autores originais: Lin SUN

Publicado 2026-07-21

📖 5 min de leitura🧠 Leitura aprofundada

CC BY 4.0

Autores originais: Lin SUN

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 tentando entender como um grupo de pessoas usa uma nova ferramenta mágica. No mundo da ciência, isso é frequentemente chamado de "adoção de tecnologia". Por muito tempo, pesquisadores perguntaram às pessoas: "Você gosta desta ferramenta? Com que frequência você a utiliza?". Mas há um problema: as pessoas nem sempre são honestas. Elas podem dizer que usam uma ferramenta todos os dias porque acham que isso soa legal, ou podem esquecer as vezes em que realmente a utilizaram. Essa lacuna entre o que as pessoas dizem que fazem e o que elas realmente fazem é um grande problema. Para corrigir isso, os cientistas estão começando a observar as "pegadas digitais" — os rastros invisíveis que deixamos ao clicar, digitar e rolar as telas nos computadores. Ao estudar essas pegadas em vez de fazer perguntas, os pesquisadores podem ver a história real. Este artigo mergulha nesse mundo, observando como professores universitários utilizam um novo tipo de "cérebro mágico" chamado IA Generativa. Ele questiona: os professores estão apenas usando-a para facilitar seus deveres de casa ou estão usando-a para descobrir novos segredos do universo? E será que importa se eles são bons com computadores ou se estão apenas começando?

Este estudo, intitulado "Perfil da Adoção de IA Generativa por Docentes", oferece um novo olhar sobre como 358 professores universitários em Dalian, China, realmente utilizaram uma plataforma de aprendizagem inteligente entre janeiro e junho de 2025. Em vez de enviar questionários e esperar pela verdade, os pesquisadores agiram como detetives digitais. Eles analisaram os "logs" — os registros automáticos de cada clique, cada minuto gasto e cada função utilizada pelos professores. Eles queriam ver se havia padrões ocultos no comportamento desses professores.

Usando uma técnica matemática especial chamada "Análise de Perfil Latente" (pense nisso como uma forma superinteligente de separar pessoas em grupos com base em seus hábitos), os pesquisadores descobriram que os professores naturalmente se dividiam em dois campos muito diferentes. Eles não usavam a IA apenas um pouco ou muito; eles a usavam por razões completamente distintas.

O primeiro grupo é o "Tipo de Assistência ao Ensino". Imagine esses professores como os "Ajudantes de Sala de Aula". Eles aparecem principalmente em dias úteis, justamente durante o horário escolar normal, como um dia de trabalho comum. Eles usam a IA para realizar tarefas que ajudam no ensino: gerar planos de aula, corrigir trabalhos e criar materiais de estudo. Esses professores tendem a ser iniciantes na tecnologia. Eles usam a ferramenta para tornar seu trabalho diário de ensino mais fluido e rápido, mas geralmente não se aprofundam em tarefas de pesquisa complexas. São os trabalhadores confiáveis que usam a ferramenta para realizar seu trabalho principal.

O segundo grupo é o "Tipo de Suporte à Pesquisa". Estes são os "Mergulhadores Profundos". Eles são muito mais ativos durante as noites e fins de semana, períodos em que a maioria das pessoas está relaxando. Eles não usam a IA apenas para tarefas simples; eles a utilizam para o trabalho pesado, como escrever artigos acadêmicos, gerenciar conhecimentos complexos e analisar dados de pesquisa. Este grupo é composto majoritariamente por especialistas que se sentem muito confortáveis com a tecnologia. Eles tratam a IA como um parceiro poderoso em suas descobertas científicas, utilizando-a por períodos longos e sustentados para resolver problemas difíceis.

O estudo sugere que esses dois grupos são bastante distintos. Os professores de "Assistência ao Ensino" são como passageiros que usam o trem para chegar ao trabalho no horário, enquanto os professores de "Suporte à Pesquisa" são como exploradores que usam o trem para viajar para terras novas e desconhecidas tarde da noite. Os dados mostraram que, embora ambos os grupos utilizem a ferramenta, seus hábitos, tempos e níveis de habilidade são muito diferentes.

Um ponto interessante que o estudo descobriu é que ser bom com computadores importa. Os "Mergulhadores Profundos" (Suporte à Pesquisa) eram muito mais propensos a serem especialistas, enquanto os "Ajudantes de Sala de Aula" eram majoritariamente iniciantes. Isso sugere que, se você quiser que os professores usem a IA para pesquisas profundas, eles podem precisar de mais treinamento e confiança primeiro.

Os pesquisadores são cuidadosos ao dizer que isso se baseia em dados de apenas uma universidade, portanto, não podemos ter 100% de certeza de que isso seja verdade para todas as escolas do mundo. No entanto, os padrões encontrados são claros e fortes dentro de seus dados. Eles argumentam que as escolas não devem tratar todos os professores da mesma forma. Em vez de oferecer o mesmo treinamento monótono para todos, as escolas devem oferecer tipos diferentes de ajuda: dicas rápidas e fáceis para os "Ajudantes de Sala de Aula" que só querem corrigir trabalhos mais rápido, e workshops avançados e profundos para os "Mergulhadores Profundos" que desejam expandir os limites da ciência.

Ao observar as pegadas digitais reais em vez de apenas ouvir o que as pessoas dizem, este artigo abre uma janela para o mundo real de como os professores estão se adaptando ao futuro. Ele mostra que, embora todos estejam usando a mesma ferramenta, eles a utilizam de duas maneiras muito diferentes para resolver dois problemas muito diferentes.

Resumo Técnico: Perfil da Adoção de IA Generativa pelo Corpo Docente

Problema
A pesquisa atual sobre a adoção de Inteligência Artificial Generativa (IAG) pelo corpo docente universitário baseia-se predominantemente em dados autorrelatados (questionários e entrevistas). Essa dependência cria um "hiato cognitivo" significativo entre as intenções dos docentes e seus comportamentos reais, frequentemente obscurecido pelo viés de desejabilidade social, viés de memória e pela incapacidade de capturar padrões de uso inconscientes ou habituais. Consequentemente, há uma falta de compreensão objetiva e baseada em evidências sobre como os docentes realmente utilizam as ferramentas de IAG em contextos autênticos, o que dificulta o desenvolvimento de políticas de apoio institucional precisas. Este estudo aborda essa "caixa preta do comportamento", mudando da percepção subjetiva para a análise comportamental objetiva.

Metodologia
O estudo emprega uma abordagem quantitativa de análise retrospectiva de dados de log baseada em um framework de Análise de Perfil Latente (LPA).

Fonte de Dados: Logs de uso anonimizados de uma plataforma de "Aprendizagem Inteligente" interna de uma universidade, abrangendo de janeiro a junho de 2025. O conjunto de dados inclui 358 membros do corpo docente de diversas disciplinas (Humanidades, Ciências, Engenharia, Medicina, etc.) e níveis acadêmicos.
Protocolo Ético: Todos os dados foram rigorosamente anonimizados, removendo informações de identificação pessoal (nomes, IDs, conteúdo específico) para reter apenas metadados operacionais. O estudo recebeu aprovação do IRB da Dalian Neusoft University of Information.
Construção de Indicadores: Dez indicadores comportamentais foram extraídos e categorizados em quatro dimensões:
1. Intensidade de Uso: Frequência total de uso, duração total, dias ativos e frequência média diária.
2. Amplitude e Profundidade Funcional: Número de módulos distintos utilizados, proporção de uso por módulo (ensino vs. pesquisa) e semanas consecutivas de uso de funções principais.
3. Padrões Temporais: Razões de uso em dias úteis/finais de semana e períodos primários de uso.
4. Tendências Evolutivas: Persistência de uso após a primeira interação e tendências na frequência de uso ao longo do tempo.
Processo Analítico:
1. Análise de Correlação: Coeficientes de correlação de Pearson foram calculados para rastrear fatores influenciadores e examinar as relações entre indicadores comportamentais e características docentes (ex: formação técnica, nível acadêmico).
2. Redução de Dimensionalidade: A Análise de Componentes Principais (PCA) foi utilizada para mitigar a multicolinearidade entre indicadores altamente correlacionados.
3. Análise de Agrupamento (Cluster): O agrupamento K-Means foi aplicado aos dados padronizados. O número ideal de clusters ( $K$ ) foi determinado usando o Silhouette Score e o Método do Cotovelo (Elbow Method), resultando em uma solução de dois clusters ( $K=2$ ) com um coeficiente de silhueta de 0,45.

Principais Resultados
A análise de agrupamento identificou dois perfis comportamentais distintos, derivados empiricamente, entre os usuários docentes:

Tipo de Assistência ao Ensino:
- Comportamento: Utiliza a plataforma principalmente durante o horário de trabalho padrão (dias úteis), com atividade concentrada nas manhãs e tardes.
- Funcionalidade: Foca fortemente em funções relacionadas ao ensino, como geração de planos de aula por IA, análise de aprendizagem e correção automatizada de tarefas.
- Características: Este grupo apresenta uma formação técnica predominantemente iniciante (mais de 50% do grupo) e mostra padrões de uso que flutuam conforme os ciclos do calendário acadêmico.
- Distribuição: Representa o maior segmento da base de usuários.
Tipo de Suporte à Pesquisa:
- Comportamento: Demonstra maior flexibilidade temporal, com atividade significativa fora do horário de trabalho (noites e fins de semana) e sequências mais longas de semanas ativas consecutivas.
- Funcionalidade: Engaja-se profundamente com ferramentas de assistência à pesquisa, incluindo assistentes de escrita acadêmica, agentes de produtividade e sistemas de gestão de conhecimento.
- Características: Este grupo é caracterizado por uma proporção significativamente maior de formação técnica de nível especialista (mais de 50%) e é composto predominantemente por docentes das áreas de Ciências e Engenharia.
- Distribuição: Constitui um subconjunto menor de usuários, mas demonstra níveis de atividade mais elevados e exploração funcional mais profunda.

A análise de correlação revelou ainda que a intensidade de uso, a amplitude funcional e a persistência estão fortemente inter-relacionadas, sugerindo um ciclo de reforço onde o engajamento sustentado leva a uma exploração mais ampla das ferramentas. Embora a formação técnica correlacione-se com a intensidade de uso, ela não é o único determinante, indicando uma interação complexa entre atributos individuais e tarefas profissionais.

Principais Contribuições
O artigo reivindica três contribuições primordiais:

Framework Analítico: Propõe um novo framework para caracterizar os comportamentos de uso de IAG pelos docentes baseando-se inteiramente em dados de log objetivos, indo além das métricas autorrelatadas.
Inferência de Impulsionadores: Demonstra a capacidade de inferir e validar fatores que influenciam a adoção de tecnologia (como expectativa de desempenho e inovação pessoal) diretamente a partir de padrões comportamentais objetivos.
Evidência Empírica para Políticas: Fornece evidências baseadas em dados para apoiar a transição de políticas institucionais de "tamanho único" para estratégias de treinamento e suporte diferenciadas e de precisão, adaptadas a perfis específicos de usuários.

Significância e Alegações
O estudo afirma que, ao iluminar a "caixa preta" do engajamento docente, oferece uma base empírica robusta para que instituições de ensino superior implementem estratégias baseadas em evidências para a integração inteligente de tecnologia. Os achados desafiam a suposição de que a adoção pelos docentes é uniforme, revelando que a proficiência técnica e o papel profissional (ensino vs. pesquisa) impulsionam trajetórias comportamentais distintas. O artigo conclui que reconhecer esses perfis divergentes é essencial para desenhar intervenções direcionadas — como o treinamento pedagógico simplificado para o Tipo de Assistência ao Ensino e o suporte avançado ao fluxo de trabalho de pesquisa para o Tipo de Suporte à Pesquisa — promovendo, assim, a integração eficaz e profunda da IAG no ensino superior. Os autores reconhecem limitações relativas à fonte de dados de uma única instituição e à falta de riqueza contextual nos dados de log, sugerindo pesquisas futuras de métodos mistos para triangular esses achados comportamentais com as percepções dos usuários.

Mais como este