📄 ciências sociais

Conversational AI as a Cognitive Scaffold or a Substitute for Thinking: A Dual-Path Model of Cognitive Offloading, Post- Response Deep Processing, and Critical Thinking

Este estudo propõe um modelo de via dupla demonstrando que a IA conversacional potencializa o pensamento crítico de estudantes universitários principalmente quando serve como um andaime para o descarregamento cognitivo que estimula o processamento profundo pós-resposta, em vez de atuar como um substituto que desencoraja a reflexão adicional.

Autores originais: Yiding Bu, Zhentai zhang, Shuyi Wang, Yuxin Li

Publicado 2026-09-18

📖 5 min de leitura🧠 Leitura aprofundada

CC BY 4.0

Autores originais: Yiding Bu, Zhentai zhang, Shuyi Wang, Yuxin Li

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

No zumbido silencioso de uma biblioteca universitária ou no brilho de um quarto de dormitório tarde da noite, um novo tipo de tutor chegou. Não é uma pessoa, mas uma inteligência artificial conversacional, uma mente digital que pode responder perguntas, explicar ideias complexas e oferecer feedback em segundos. Para os estudantes, essas ferramentas prometem um atalho através do trabalho pesado do aprendizado. No entanto, essa conveniência traz uma tensão silenciosa para a sala de aula: quando uma máquina fornece a resposta, o estudante ainda está pensando? Para entender isso, pesquisadores observam duas ideias concorrentes. Uma sugere que essas ferramentas atuam como um andaime, um suporte temporário que sustenta as partes pesadas de uma tarefa para que o aluno possa focar sua energia no trabalho mais difícil de análise e julgamento. A outra sugere que elas atuam como um substituto, onde o aluno entrega o pensamento inteiramente, deixando a máquina fazer o trabalho e sua própria mente ociosa. A diferença entre esses dois caminhos determina se a tecnologia constrói uma mente mais aguçada ou uma dependente.

Uma equipe de pesquisadores da Universidade Liaoning Shihua partiu para mapear este território, fazendo uma pergunta simples, mas profunda: o uso de IA conversacional ajuda os estudantes universitários a pensar de forma mais crítica ou faz com que eles parem de pensar por conta própria? Eles estudaram 426 estudantes universitários que tinham experiência no uso dessas ferramentas para seus estudos. Os pesquisadores não perguntaram apenas se os alunos gostavam da IA; eles examinaram o que acontecia na mente dos estudantes após a IA fornecer uma resposta. Eles buscaram evidências de dois comportamentos distintos. O primeiro foi o "descarregamento com andaime" (scaffolded offloading), onde um estudante usa a IA para lidar com tarefas básicas, como reunir informações ou organizar notas, liberando seu próprio cérebro para focar em uma análise mais profunda. O segundo foi o "descarregamento substitutivo" (substitutive offloading), onde o estudante aceita a resposta da IA como a verdade final, interrompendo seu próprio processo de raciocínio antes mesmo de ele começar de fato. O estudo também mediu o que os alunos faziam após receber uma resposta: eles verificavam os fatos, comparavam diferentes pontos de vista ou questionavam a lógica? Esse trabalho de acompanhamento ativo foi chamado de "processamento profundo pós-resposta".

Os resultados revelaram um caminho dividido, mostrando que a mesma ferramenta pode levar a resultados opostos dependendo de como é usada. Quando os estudantes usavam a IA para lidar com tarefas de nível inferior, eram mais propensos a se envolver em um processamento profundo depois. Eles tratavam a saída da IA como um ponto de partida, não como um destino. Eles verificavam a informação, pesavam as evidências e revisavam sua própria compreensão. Esse engajamento ativo estava fortemente ligado a melhores habilidades de pensamento crítico. Neste cenário, a IA agia como um assistente útil, permitindo que o estudante poupasse sua energia mental para o trabalho mais importante. No entanto, o estudo descobriu que respostas de alta qualidade e com tom autoritário da IA também podiam desencadear a reação oposta. Quando as respostas pareciam completas demais ou fáceis demais de confiar, alguns estudantes simplesmente as aceitavam sem questionar. Esse "descarregamento substitutivo" significava que eles paravam de pensar, e essa falta de trabalho de acompanhamento estava diretamente ligada a habilidades de pensamento crítico mais fracas.

Os pesquisadores descobriram que a qualidade das respostas da IA sozinha não previa se um estudante pensaria de forma profunda ou superficial. Em vez disso, o resultado dependia inteiramente do comportamento do estudante após a aparição da resposta. O estudo mostrou que os estudantes que continuavam a verificar, questionar e refletir sobre as respostas da IA eram aqueles que desenvolviam habilidades de pensamento crítico mais fortes. Por outro lado, aqueles que aceitavam passivamente as respostas viam suas habilidades de raciocínio declinar. A equipe também investigou se a capacidade dos estudantes de detectar erros nas saídas da IA — o que chamaram de "literacia de avaliação de IA" — mudaria esses resultados. Surpreendentemente, saber como identificar um erro não significava automaticamente que um estudante pararia para verificar o trabalho. O conhecimento das falhas da ferramenta não garantia o comportamento de verificá-las. Os dados sugeriram que mesmo estudantes que sabiam que a IA poderia estar errada poderiam ainda depender excessivamente dela se as respostas parecessem convenientes.

Para entender o quadro completo, os pesquisadores observaram como esses fatores se combinavam em diferentes grupos de estudantes. Eles descobriram que altos níveis de pensamento crítico eram mais prováveis de aparecer em uma configuração específica: quando os estudantes usavam a IA para descarregar tarefas básicas, mas mantinham seu próprio julgamento ativo, e quando evitavam a armadilha de deixar a IA fazer o raciocínio por eles. Nesses casos, a presença do processamento profundo após a resposta da IA era o principal motor. O estudo não encontrou que ter simplesmente uma IA inteligente ou um estudante inteligente fosse suficiente; o fator crítico era o trabalho ativo e contínuo do estudante após a máquina falar. As descobertas sugerem que o valor da IA conversacional na educação não está nas respostas que ela fornece, mas nos hábitos que ela incentiva. Se a tecnologia leva os estudantes a parar de pensar, ela se torna um substituto para a mente. Se ela os leva a questionar, verificar e refinar, ela se torna um andaime que eleva o pensamento deles. O estudo conclui que, para que essas ferramentas realmente apoiem o aprendizado, os estudantes devem ser incentivados a tratar a saída da IA como um rascunho a ser editado, não como um veredito final a ser aceito.

Resumo Técnico: IA Conversacional como um Andaime Cognitivo ou um Substituto para o Pensamento

1. Problema e Contexto de Pesquisa

A rápida integração da inteligência artificial (IA) conversacional generativa em ambientes educacionais criou uma tensão entre seu potencial de apoiar a aprendizagem e seu risco de fomentar a dependência de respostas. Embora essas ferramentas ofereçam respostas convenientes e autoritárias, há a preocupação de que possam incentivar a inércia cognitiva, reduzindo o engajamento ativo do aprendiz no raciocínio e no julgamento.

A literatura existente sugere que tecnologias assistivas podem melhorar o desempenho imediato, enquanto potencialmente enfraquecem o pensamento independente subsequente; contudo, os mecanismos específicos que impulsionam esses resultados divergentes permanecem insuficientemente explicados. O problema central abordado por este estudo é se a IA conversacional funciona primariamente como um andaime cognitivo (liberando recursos para o pensamento de ordem superior) ou um substituto para o pensamento (terceirizando o julgamento e reduzindo o engajamento cognitivo). O estudo postula que o fator crítico não é meramente a qualidade do suporte da IA, mas como os aprendizes processam as respostas geradas pela IA após o recebimento delas.

2. Estrutura Teórica e Hipóteses

Baseando-se na Teoria do Descarregamento Cognitivo (Cognitive Offloading Theory) e na Teoria dos Níveis de Processamento (Levels-of-Processing Theory), os autores propõem um Modelo de Via Dupla que distingue duas formas de descarregamento:

Descarregamento Cognitivo com Andaime (Scaffolded Cognitive Offloading - SCO): Delegar tarefas de nível inferior (ex: recuperação de informações, organização de materiais) à IA para liberar recursos cognitivos para análise e reflexão.
Descarregamento Cognitivo Substitutivo (Substitutive Cognitive Offloading - SUCO): Terceirizar atividades principais relacionadas ao julgamento (ex: raciocínio, avaliação, argumentação) para a IA, reduzendo assim o monitoramento ativo.

O estudo hipotetiza que:

O suporte de alta qualidade da IA está positivamente associado tanto ao SCO quanto ao SUCO.
O SCO influencia positivamente o Processamento Profundo Pós-Resposta (Post-Response Deep Processing - PRDP) (verificação, comparação, questionamento, integração e revisão), enquanto o SUCO influencia negativamente o PRDP.
O PRDP está positivamente associado ao Pensamento Crítico (PC).
A Literacia de Avaliação de IA (AI Evaluation Literacy - AEL) pode atuar como uma condição de contorno, potencialmente amortecendo os efeitos negativos do SUCO.

3. Metodologia

Coleta de Dados

Amostra: 426 estudantes universitários com experiência prévia no uso de IA conversacional para aprendizagem.
Procedimento: Os participantes utilizaram uma ferramenta de IA conversacional convencional para completar uma tarefa de compreensão de informação ou análise de ponto de vista, seguida de um questionário estruturado.
Medidas: Seis construtos foram medidos usando uma escala Likert de 7 pontos: Qualidade do Suporte de Aprendizagem da IA (AIQ), SCO, SUCO, PRDP, AEL e PC. As escalas para SCO, SUCO e PRDP foram desenvolvidas ou contextualizadas especificamente para este estudo com base em fundamentos teóricos.

Abordagem Analítica

O estudo empregou uma abordagem quantitativa de métodos mistos complementares:

Modelagem de Equações Estruturais por Mínimos Quadrados Parciais (PLS-SEM): Utilizada para testar associações líquidas, caminhos diretos, mediação e efeitos de moderação (usando SmartPLS 4 com 5.000 reamostragens de bootstrap).
Análise Qualitativa Comparativa de Conjuntos Fuzzy (fsQCA): Utilizada para identificar configurações específicas de condições que levam ao alto e baixo pensamento crítico, capturando padrões assimétricos não visíveis em modelos lineares.

4. Principais Resultados

Achados do Modelo Estrutural (PLS-SEM)

Confirmação da Via Dupla: A Qualidade do Suporte de Aprendizagem da IA (AIQ) foi positivamente associada tanto ao Descarregamento Cognitivo com Andaime ( $\beta = 0,410$ ) quanto ao Descarregamento Cognitivo Substitutivo ( $\beta = 0,329$ ).
Efeitos Opostos no Processamento:
- O SCO foi positivamente associado ao Processamento Profundo Pós-Resposta (PRDP) ( $\beta = 0,294$ ).
- O SUCO foi negativamente associado ao PRDP ( $\beta = -0,434$ ).
Impacto no Pensamento Crítico: O PRDP foi positivamente associado ao Pensamento Crítico ( $\beta = 0,245$ ).
Mediação:
- O SCO teve um efeito indireto positivo significativo no PC via PRDP ( $\beta = 0,072$ ).
- O SUCO teve um efeito indireto negativo significativo no PC via PRDP ( $\beta = -0,106$ ).
Moderação: O efeito moderador da Literacia de Avaliação de IA (AEL) na relação entre SUCO e PRDP não foi significativo ( $p = 0,511$ ). Isso sugere que possuir conhecimento avaliativo não se traduz automaticamente em comportamento de verificação.
Poder Explicativo: O modelo explicou 23,4% da variância no PRDP, mas apenas 6,0% da variância no Pensamento Crítico, indicando que outros fatores além do escopo deste modelo influenciam o PC.

Achados da Análise Configuracional (fsQCA)

Alto Pensamento Crítico: As configurações que levam ao alto PC apresentaram consistentemente a presença de SCO e a ausência de SUCO.
- Um caminho (HC1) mostrou alto PC com alto SCO, baixo SUCO e alto PRDP, mesmo sob um AIQ relativamente baixo.
- Outro caminho (HC2) vinculou alto PC com alto AIQ, alto SCO, baixo SUCO e alto AEL.
Baixo Pensamento Crítico: As configurações que levam ao baixo PC foram caracterizadas pela ausência de SCO e pela presença de SUCO, frequentemente combinadas com um PRDP insuficiente.
Necessidade: Nenhuma condição única foi considerada necessária para alto ou baixo PC (consistência < 0,90).

5. Principais Contribuições e Significância

O artigo reivindica as seguintes contribuições:

Distinção Teórica: O estudo vai além de ver o uso da IA como uniformemente benéfico ou prejudicial ao distinguir empiricamente entre descarregamento cognitivo com andaime e substitutivo. Demonstra que um suporte de IA semelhante pode desencadear caminhos cognitivos opostos, dependendo de como os aprendizes alocam a responsabilidade cognitiva.
Identificação de Mecanismos: Identifica o Processamento Profundo Pós-Resposta como o processo explicativo proximal que liga o uso da IA ao pensamento crítico. Os achados sugerem que o valor educacional da IA depende menos da qualidade da resposta gerada e mais da subsequente verificação, comparação e revisão ativa dessa resposta pelo aprendiz.
Papel da Literacia: A moderação não significativa da Literacia de Avaliação de IA desafia a suposição de que o conhecimento sozinho impulsiona o comportamento. Sugere que o conhecimento avaliativo deve ser acompanhado de condições comportamentais específicas (configurações) para mitigar efetivamente os riscos do descarregamento substitutivo.
Integração Metodológica: Ao combinar PLS-SEM (para efeitos líquidos) e fsQCA (para caminhos configuracionais), o estudo fornece uma compreensão mais matizada de como diferentes combinações de fatores levam a níveis variados de pensamento crítico.

6. Limitações e Declarações de Modéstia

Os autores afirmam explicitamente que seus achados devem ser interpretados com cautela:

Poder Explicativo Modesto: O baixo $R^2$ para o Pensamento Crítico (6,0%) indica que o modelo não prevê de forma abrangente os resultados de PC; fatores do aprendiz, da tarefa e do nível de instrução fora deste modelo são provavelmente influentes.
Configurações Exploratórias: Os valores de consistência da solução fsQCA ficaram abaixo do limiar ideal de 0,80 para alguns caminhos, levando os autores a enquadrar esses resultados como "suplementares e exploratórios" em vez de caminhos causais definitivos.
Generalização: A amostra foi extraída de uma única universidade, limitando a generalização entre disciplinas e estágios educacionais.
Causalidade: O design transversal de autorrelato limita a inferência causal, embora o modelo teórico seja fundamentado em teorias cognitivas estabelecidas.

7. Conclusão

O estudo conclui que a IA conversacional está mais associada ao pensamento crítico quando os aprendizes a tratam como uma ferramenta para descarregar tarefas de nível inferior, mantendo a responsabilidade pelo julgamento. Inversamente, quando os aprendizes usam a IA para terceirizar o raciocínio e aceitam as respostas passivamente, o pensamento crítico é diminuído. Os autores enfatizam que o valor educacional da IA é contingente aos aprendizes continuarem a verificar, questionar, refletir e revisar as respostas geradas pela IA, em vez de simplesmente aceitá-las.