📄 social_science

Modeling Artificial Intelligence Tool Adoption in Mathematics Teacher Education: A TAM-Based Structural Equation Modeling

Este estudo utiliza um Modelo de Aceitação de Tecnologia aumentado para analisar as intenções de adoção de IA entre 268 professores de matemática em formação em Patna, Índia, revelando que, embora a Utilidade Percebida e a Facilidade de Uso impulsionem fortemente atitudes e intenções comportamentais positivas, fatores externos como a Autoeficácia Tecnológica e as Condições Facilitadoras têm um impacto direto relativamente baixo.

Autores originais: Vivek Kumar Rawat, M. T.V. Nagaraju, Kumari Dipti

Publicado 2026-07-14

📖 5 min de leitura🧠 Leitura aprofundada

CC BY 4.0

Autores originais: Vivek Kumar Rawat, M. T.V. Nagaraju, Kumari Dipti

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 esteja tentando convencer um grupo de futuros professores de matemática a começar a usar um assistente robô superinteligente e movido por IA em suas salas de aula. Você pode pensar: "Se eles apenas acreditarem que são bons com computadores, ou se a escola der um bom Wi-Fi, eles usarão!" Mas um novo estudo da Índia sugere que não é bem assim que a mágica funciona.

Os pesquisadores, Vivek Kumar Rawat, M. T.V. Nagaraju e Kumari Dipti, decidiram testar essa ideia usando um "mapa" chamado Modelo de Aceitação de Tecnologia (TAM). Eles pediram a 268 estudantes de licenciatura que preenchessem uma pesquisa sobre seus sentimentos em relação às ferramentas de IA. Pense nesta pesquisa como um enorme anel de humor digital que mede seis coisas diferentes: o quanto eles acham que a IA é útil, o quão fácil é de usar, como eles se sentem em relação a ela, se planejam usá-la, o quão confiantes se sentem com a tecnologia e o suporte que a escola oferece.

A Grande Surpresa: Não é Sobre Confiança ou Suporte (Pelo Menos, Não Diretamente)

Aqui está a reviravolta: o estudo descobriu que simplesmente sentir-se confiante em suas habilidades tecnológicas (chamado de "Autoeficácia Tecnológica") ou ter uma escola que promete ajudar (chamado de "Condições Facilitadoras") não fez com que os alunos quisessem usar a IA neste contexto específico.

Na verdade, os dados mostraram que o vínculo entre "Eu me sinto confiante" e "Eu acho esta ferramenta útil" foi estatisticamente não significativo para este grupo. Os pesquisadores observaram que esses fatores mostraram "pouco efeito direto", indicando que a crença em suas próprias capacidades e o suporte fornecido pelo ambiente não possuem valor preditivo para a adoção, a menos que seu valor experiencial seja tornado explícito. Mesmo a ideia de que "se eu planejo usar, será fácil" não se sustentou em seus números.

Os Verdadeiros Motores: "É Útil?" e "É Fácil?"

Então, o que funcionou? O estudo descobriu que as duas maiores chaves para desbloquear o desejo dos alunos de usar a IA foram a Utilidade Percebida e a Facilidade de Uso Percebida.

Pense nisso como se estivesse segurando um controle de videogame novo e sofisticado.

Utilidade Percebida (UP): Esta é a pergunta: "Este controle realmente vai me ajudar a vencer o nível do chefe?" O estudo descobriu que, se os estudantes de licenciatura acreditasam que a IA realmente tornaria suas futuras aulas de matemática melhores, eles seriam muito mais propensos a gostar dela e querer usá-la. Este foi o fator mais forte, agindo como um ímã pesado puxando-os em direção à tecnologia.
Facilidade de Uso Percebida (FEUP): Esta é a pergunta: "Este controle vai ser um pesadelo para entender?" Se a ferramenta parecesse fácil de manusear, isso fazia os alunos se sentirem melhor sobre o uso dela.

O estudo mostrou que, quando os alunos viam a IA como útil, isso fazia a ferramenta parecer mais fácil de usar, e essa combinação criava uma atitude positiva. É como descobrir que um novo aplicativo não apenas economiza seu tempo (Útil), mas também tem um botão que diz "Faça por mim" (Fácil). É quando você realmente clica em "Baixar".

Os Números Não Mentem

Os pesquisadores não apenas adivinharam; eles rodaram os números através de um motor estatístico complexo chamado Modelagem de Equações Estruturais. Os resultados foram incrivelmente claros.

O fator "Utilidade" teve um efeito positivo e forte na "Atitude" (uma pontuação de 0,532).
O fator "Facilidade de Uso" também ajudou, embora um pouco menos fortemente (uma pontuação de 0,127).
O modelo que eles construíram se ajustou aos dados perfeitamente, com a taxa de erro sendo essencialmente zero (RMSEA = 0,000) e a pontuação de "ajuste" sendo um perfeito 1,000. Isso significa que o mapa de como esses sentimentos se conectam é muito preciso para este grupo de estudantes.

O Mistério da "Mediação"

Os pesquisadores também testaram uma teoria específica: o "sentir-se confiante" (Autoeficácia) faz com que você ache a ferramenta "útil", o que, por sua vez, faz com que você goste dela? Eles verificaram esse caminho cuidadosamente. O resultado? Não. O caminho indireto era pequeno demais para contar. No mundo desses 268 estudantes de licenciatura, apenas sentir-se confiante não os enganou para que pensassem que a IA era útil. Eles precisavam ver o benefício real primeiro.

A Lição Principal

Portanto, se você é um líder escolar ou um treinador de professores querendo trazer a IA para o ensino da matemática, este estudo sugere um caminho claro. Não compre apenas os computadores e diga aos professores: "Vocês conseguem!" ou "Temos um ótimo suporte!" Embora essas coisas sejam boas, elas não são a chave mágica por si só.

Em vez disso, você tem que mostrar a eles exatamente como a IA tornará suas aulas de matemática melhores (Utilidade) e provar que não será um problema para aprender (Facilidade de Uso). Uma vez que vejam a ferramenta como uma parceira útil e fácil de usar, sua atitude mudará, e eles estarão prontos para a adoção. O estudo confirma que, para esses futuros professores, o "porquê" e o "como" importam muito mais do que o "eu consigo" ou o "nós temos", a menos que esses fatores estejam ligados a experiências claras e explícitas do valor da tecnologia.

Resumo Técnico: Modelagem da Adoção de Ferramentas de Inteligência Artificial na Formação de Professores de Matemática

Definição do Problema
Embora as ferramentas de Inteligência Artificial (IA) — como sistemas de tutoria inteligente e plataformas de aprendizagem adaptativa — ofereçam um potencial significativo para redefinir o ensino da matemática por meio de suporte personalizado e visualização conceitual, sua adoção entre professores de matemática em formação permanece inconsistente. Essa inconsistência é atribuída a percepções variadas, prontidão digital e níveis de suporte institucional. A literatura existente aplicou extensivamente o Modelo de Aceitação de Tecnologia (TAM) a tecnologias educacionais gerais (ex: e-learning, aplicativos móveis), mas há uma escassez de pesquisa empírica que examine especificamente a adoção de IA na formação de professores de matemática. Além disso, a interação específica entre os construtos centrais do TAM e variáveis externas como a Autoeficácia Tecnológica (TSE) e as Condições Facilitadoras (FC) neste contexto específico requer validação empírica para garantir a integridade contextual.

Metodologia
O estudo empregou um delineamento de pesquisa quantitativa, transversal, fundamentado na Modelagem de Equações Estruturais (SEM) para testar um Modelo de Aceitação de Tecnologia aumentado.

Amostra: O estudo pesquisou 268 formadores de professores de matemática em formação inscritos em instituições em todo o distrito de Patna, em Bihar, Índia, utilizando amostragem por conveniência.
Instrumento: Os dados foram coletados por meio de um questionário psicometricamente validado composto por 36 itens em uma escala Likert de cinco pontos, medindo seis construtos latentes: Autoeficácia Tecnológica (TSE), Condições Facilitadoras (FC), Utilidade Percebida (PU), Facilidade de Uso Percebida (PEOU), Atitude em relação ao Uso (ATU) e Intenção Comportamental (BI). A escala demonstrou alta confiabilidade (Alfa de Cronbach = 0,869).
Análise: A pesquisa utilizou a Análise Fatorial Confirmatória (CFA) para validar o modelo de mensuração, seguida pela Estimativa de Máxima Verossimilhança para testar as hipóteses estruturais. O ajuste do modelo foi avaliado por meio de índices incluindo CFI, RMSEA, TLI e GFI.

Principais Resultados
A modelagem de equações estruturais gerou um modelo com excepcional bondade de ajuste (CFI = 1,000, RMSEA = 0,000, TLI = 1,028), validando a robustez do framework proposto.

Hipóteses Suportadas:
- A Utilidade Percebida (PU) mostrou-se um forte preditor tanto da Facilidade de Uso Percebida (PEOU) ( $\beta$ = 0,485, $p < ,001$ ) quanto da Atitude em relação ao Uso (ATU) ( $\beta$ = 0,532, $p < ,001$ ).
- A Facilidade de Uso Percebida (PEOU) influenciou significativamente a Atitude em relação ao Uso (ATU) ( $\beta$ = 0,127, $p < ,001$ ).
- Esses achados confirmam as relações tradicionais do TAM, onde a utilidade e a facilidade de uso impulsionam atitudes positivas.
Hipóteses Não Suportadas:
- A Autoeficácia Tecnológica (TSE) não influenciou significativamente a Utilidade Percebida (PU) ( $\beta$ = 0,056, $p > ,05$ ), contradizendo estudos anteriores que sugerem que a autoeficácia é um motor primário da percepção de utilidade.
- As Condições Facilitadoras (FC) não mostraram uma influência direta significativa na Intenção Comportamental (BI) no caminho testado.
- Análise de Mediação: O estudo testou se a PU mediava a relação entre TSE e ATU. O efeito indireto não foi estatisticamente significativo, indicando que, neste contexto específico, a autoeficácia não se traduz em mudanças de atitude apenas através da utilidade percebida.

Principais Contribuições
O estudo contribui para a literatura ao:

Contextualizar o TAM para a IA na Educação Matemática: Fornece uma base empírica para compreender a adoção de IA especificamente entre professores de matemática em formação, uma lacuna identificada em revisões anteriores.
Refinar Variáveis Externas: Desafia a aplicabilidade universal da TSE e das FC como preditores diretos neste domínio específico, sugerindo que seu impacto pode ser mais complexo ou indireto do que anteriormente teorizado na literatura de adoção de tecnologia geral.
Validação do Modelo: Estabelece um modelo estruturalmente sólido com excelentes índices de ajuste, oferecendo um framework confiável para pesquisas futuras em treinamento de professores potencializado por IA.

Significância e Alegações
Os autores afirmam que os achados fornecem uma base empírica para formuladores de políticas e educadores que visam integrar a preparação para a IA nos programas de formação de professores. O estudo sugere que, para fomentar a adoção da IA, os programas de formação de professores devem priorizar a demonstração das vantagens instrucionais práticas (Utilidade Percebida) e garantir a usabilidade (Facilidade de Uso Percebida) das ferramentas de IA, pois estas são os principais motores de atitude positiva e intenção comportamental.

Embora o estudo observe que o suporte institucional (Condições Facilitadoras) e a autoeficácia são necessários, os resultados indicam que eles são insuficientes por si sós para impulsionar a adoção sem um valor experiencial explícito. Consequentemente, os autores propõem uma "estratégia de duas vias" para intervenção institucional: reforçar os sistemas de crenças internos por meio de iniciativas de construção de competência, enquanto simultaneamente otimizam as estruturas de suporte externo. O artigo conclui que esta conceitualização teoricamente fundamentada e empiricamente aprovada pode guiar o deployment estratégico de tecnologias de IA para capacitar futuros professores de matemática.

Mais como este