📄 social_science

Ethical Awareness, Translanguaging-based EFL Proficiency, and AI Usefulness Predict Decision Quality among University Students

Com base em um estudo com 409 estudantes universitários indonésios, a consciência ética e a fluência na língua inglesa aumentam independentemente a qualidade da decisão assistida por IA, sendo que a consciência ética também aumenta significativamente a utilidade percebida da IA, sugerindo que integrar o letramento ético e a competência linguística é crucial para uma integração eficaz da IA no ensino superior.

Autores originais: Havid Ardi, Rino Dwi Putra, An Fauzia Rozani Syafei, Dian Safitri, Anisa Nurjanah

Publicado 2026-09-05

📖 5 min de leitura🧠 Leitura aprofundada

CC BY 4.0

Autores originais: Havid Ardi, Rino Dwi Putra, An Fauzia Rozani Syafei, Dian Safitri, Anisa Nurjanah

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

Na sala de aula moderna, os alunos não estão mais aprendendo isoladamente; eles estão navegando em uma paisagem complexa onde o pensamento humano encontra a inteligência artificial. No coração desta nova realidade estão três forças distintas que moldam como os estudantes universitários aprendem e fazem escolhas. Primeiro, há a presença crescente de ferramentas de IA, que podem gerar texto, resolver problemas e oferecer informações instantaneamente. Segundo, há a própria consciência ética do aluno, uma espécie de bússola interna que o ajuda a julgar o que é justo, honesto e responsável ao usar essas máquinas poderosas. Terceiro, há a habilidade linguística, especificamente a competência de transitar fluidamente entre diferentes línguas, uma prática conhecida como translanguaging (translinguagem). Em muitas partes do mundo, incluindo a Indonésia, os alunos não apenas alternam entre o inglês e sua língua nativa; eles os misturam para compreender ideias complexas. Compreender como esses três elementos interagem é crucial porque determina se a decisão final do aluno — seja em um ensaio, um projeto de pesquisa ou uma escolha de carreira — é ponderada e de alta qualidade, ou meramente uma cópia apressada do que uma máquina sugeriu.

Uma equipe de pesquisadores da Universidade Estadual de Padang, na Indonésia, propôs-se a mapear as conexões entre essas forças. Eles queriam saber se o senso de certo e errado de um aluno altera o quanto ele considera a IA útil, e se a sua capacidade de lidar com múltiplas línguas o ajuda a usar a IA para tomar decisões melhores. Para encontrar as respostas, os pesquisadores entrevistaram estudantes de graduação de universidades privadas de todo o país. Esses alunos variavam em idade, de menos de 18 a mais de 26 anos, com uma mistura de estudantes de Inglês e de outras áreas. Os pesquisadores fizeram perguntas detalhadas sobre seus hábitos, suas crenças sobre privacidade de dados e viés, como usavam ferramentas de IA como o ChatGPT e como avaliavam as informações fornecidas por essas ferramentas. A análise final baseou-se em 313 respostas válidas coletadas desses estudantes. Ao analisar as respostas, a equipe pôde ver quais fatores realmente impulsionavam a qualidade das decisões tomadas pelos alunos.

O estudo revelou uma história clara e poderosa sobre o papel da ética. Alunos que possuíam um forte senso de consciência ética não viam a IA apenas como um gadget legal; eles a viam como uma ferramenta genuinamente útil para seu trabalho acadêmico. Quando os alunos sentiam confiança de que compreendiam os riscos de viés ou a importância de proteger dados pessoais, eram mais propensos a confiar na IA e integrá-la ao seu fluxo de trabalho. Essa confiança não era cega; pelo contrário, era um engajamento responsável que levava a melhores resultados. Os dados mostraram que essa consciência ética tinha uma linha direta com a qualidade das decisões dos alunos. Aqueles que pensavam cuidadosamente sobre as implicações morais do uso da IA eram melhores em filtrar informações, detectar erros e fazer escolhas que resistissem ao escrutínio. Em suma, uma bússola moral forte fazia a tecnologia funcionar melhor para o aluno.

A pesquisa também confirmou que simplesmente considerar a IA útil leva a melhores resultados. Quando os alunos acreditavam que a IA os ajudava a trabalhar mais rápido ou a pensar mais profundamente, produziam decisões acadêmicas de maior qualidade. Essa relação era forte e consistente em todo o grupo. No entanto, o estudo desafiou uma suposição comum sobre habilidades linguísticas. Os pesquisadores haviam hipotetizado que os alunos que eram altamente habilidosos em mesclar o inglês e o indonésio obteriam um impulso extra ao usar a IA. A ideia era que esses alunos bilíngues poderiam ser melhores em traduzir o output da IA ou detectar nuances que outros perderiam, atuando efetivamente como uma ponte que tornaria a tecnologia ainda mais poderosa para eles. Os dados, contudo, contaram uma história diferente. Embora os alunos com fortes habilidades linguísticas pudessem tomar decisões melhores por conta própria, sua habilidade linguística não amplificava os benefícios da IA. A tecnologia ajudava a todos igualmente, independentemente da fluência linguística. As duas vantagens — ser bom com a linguagem e usar bem a IA — trabalhavam lado a lado, somando-se ao resultado final, mas não se multiplicavam entre si.

Essas descobertas sugerem que o caminho para a tomada de decisões de alta qualidade na era da IA tem menos a ver com possuir um superpoder linguístico específico e mais com cultivar uma mentalidade responsável. O estudo indica que os alunos mais eficazes são aqueles que combinam uma compreensão profunda de princípios éticos com uma crença prática no valor das ferramentas que utilizam. Sua capacidade de fazer julgamentos sensatos vem de um lugar de engajamento crítico, e não apenas de flexibilidade linguística. Para educadores e formuladores de políticas, isso significa que o treinamento dos alunos para o uso da IA deve focar pesadamente em ética e pensamento crítico. Ensinar os alunos a questionar a máquina, a verificar o viés e a entender os limites da tecnologia parece ser tão importante, se não mais, do que ensiná-los a fornecer comandos em uma língua específica. O estudo conclui que, embora as habilidades linguísticas continuem sendo um ativo valioso para qualquer aluno, o verdadeiro motor do uso eficaz da IA é a estrutura ética que o aluno traz para a interação.

Resumo Técnico: Consciência Ética, Proficiência em EFL Baseada em Translanguaging e Utilidade da IA Predizem a Qualidade da Decisão entre Estudantes Universitários

Problema de Pesquisa e Lacuna de Pesquisa
A rápida integração da IA generativa no ensino superior exige uma compreensão mais profunda de como os fatores humanos — especificamente a consciência ética e as competências linguísticas — interagem com ferramentas tecnológicas para moldar a tomada de decisão acadêmica. Embora a literatura existente tenha examinado separadamente as atitudes éticas em relação à IA, os benefícios cognitivos da translanguaging na aprendizagem de línguas e a utilidade das ferramentas de IA, permanecem desconexões teóricas significativas. Estudos anteriores frequentemente operacionalizam a ética apenas como um antecedente unidimensional da aceitação da tecnologia, falhando em explorar seu potencial duplo tanto como um impulsionador da utilidade percebida quanto como um filtro independente na qualidade da decisão. Além disso, embora a translanguaging seja conhecida por aumentar a flexibilidade cognitiva, permanece incerto se a proficiência linguística atua como um moderador (amplificando o efeito da IA nos resultados) ou como um preditor aditivo (operando como um recurso independente). Adicionalmente, modelos de adoção existentes (ex: TAM, UTAUT) desenvolvidos em contextos ocidentais e de predominância inglesa foram aplicados a contextos não ocidentais sem adaptação teórica, potencialmente negligenciando como o raciocínio ético-normativo e a flexibilidade cognitiva multilíngue reconfiguram a relação entre a utilidade da IA e a qualidade da decisão. Este estudo aborda essas lacunas propondo e testando empiricamente um modelo reconceitualizado dentro do contexto do ensino superior indonésio.

Metodologia
O estudo emprega um design quantitativo transversal utilizando Modelagem de Equações Estruturais de Mínimos Quadrados Parciais (PLS-SEM) para analisar dados de 313 estudantes de graduação de nove universidades na Indonésia. A amostra inclui uma mistura heterogênea de estudantes de programas de língua inglesa (26,2%) e programas não ingleses (73,8%), garantindo variância na proficiência em EFL baseada em translanguaging.

Coleta de Dados: Um questionário online foi distribuído via Google Forms utilizando amostragem por conveniência e proposital. A participação foi voluntária, com obtenção de consentimento informado.
Instrumentação: Quatro constructos principais foram medidos usando escalas Likert de múltiplos itens (5 pontos) adaptadas de literatura validada:
- Consciência Ética (ETHICS): 8 itens avaliando privacidade de dados, responsabilidade, reconhecimento de viés e adesão a diretrizes éticas.
- Proficiência em EFL Baseada em Translanguaging (EFL): 10 itens medindo a integração estratégica de indonésio e inglês ao interagir com ferramentas de IA (ex: prompting, edição, avaliação).
- Utilidade Percebida da IA (USEFUL): 8 itens refletindo facilidade de uso, eficiência de tarefas e suporte cognitivo.
- Qualidade da Decisão (QUALITY): 8 itens capturando a capacidade de avaliar, verificar, contextualizar e simplificar informações geradas por IA.
Abordagem Analítica: Os dados foram triados para valores ausentes e outliers. O modelo de mensuração foi avaliado quanto à confiabilidade dos indicadores (loadings externos ≥ 0,70), consistência interna (Confiabilidade Composta e alfa de Cronbach), validade convergente (AVE ≥ 0,50) e validade discriminante (razão HTMT < 0,90). O modelo estrutural foi testado usando SmartPLS com 5.000 reamostragens de bootstrap para avaliar coeficientes de caminho, níveis de significância, tamanhos de efeito ( $f^2$ ) e relevância preditiva ( $Q^2$ ). Uma análise de moderação foi realizada para testar se a proficiência em EFL altera a relação entre a utilidade percebida da IA e a qualidade da decisão.

Principais Resultados
O modelo estrutural demonstrou poder explicativo substancial, com os preditores explicando 65,3% da variância na Qualidade da Decisão ( $R^2 = 0,653$ ) e 35,3% da variância na Utilidade Percebida da IA.

Consciência Ética como um Impulsionador Dual: A consciência ética influencia significativa e positivamente tanto a Utilidade Percebida da IA ( $\beta = 0,594, p < 0,001$ ) quanto a Qualidade da Decisão diretamente ( $\beta = 0,291, p < 0,001$ ). Isso confirma que estudantes com maior sensibilidade ética não apenas veem a IA como mais útil, mas também tomam decisões de maior qualidade independentemente de sua percepção da utilidade da ferramenta.
Impacto da Utilidade Percebida: A Utilidade Percebida da IA tem um efeito direto forte e positivo na Qualidade da Decisão ( $\beta = 0,406, p < 0,001$ ), indicando que estudantes que consideram a IA útil a utilizam para fazer melhores escolhas acadêmicas.
Papel da Proficiência em EFL Baseada em Translanguaging:
- Efeito Direto: A proficiência em EFL prevê significativamente a Qualidade da Decisão ( $\beta = 0,230, p < 0,001$ ), apoiando a hipótese de que a competência linguística serve como um recurso cognitivo independente que melhora a tomada de decisão.
- Efeito de Moderação: A interação entre a proficiência em EFL e a Utilidade Percebida da IA não foi significativa ( $\beta = -0,044, p = 0,148$ ). Consequentemente, a hipótese de que a proficiência em translanguaging modera (fortalece) o vínculo entre a utilidade da IA e a qualidade da decisão foi rejeitada. Os dados sugerem que a proficiência linguística e a utilidade da IA operam como fatores aditivos, em vez de interativos, neste contexto.

Principais Contribuições e Significância
O artigo afirma fazer três contribuições primárias para a literatura:

Refinamento Teórico da Consciência Ética: Ele vai além de ver a ética meramente como um precursor da aceitação tecnológica, demonstrando seu papel dual como tanto um moldador da utilidade percebida quanto um filtro independente que eleva diretamente a qualidade da decisão.
Esclarecimento de Mecanismos Linguísticos: Ao rejeitar a hipótese de moderação, o estudo desafia a suposição de que a proficiência linguística amplifica os benefícios da IA. Em vez disso, postula que a proficiência em EFL baseada em translanguaging funciona como um recurso cognitivo aditivo, melhorando a qualidade da decisão através de mecanismos independentes (ex: função executiva, consciência metalinguística) em vez de alterar a eficácia das ferramentas de IA.
Adaptação Contextual: O estudo fornece um modelo empiricamente testado para um contexto educacional multilíngue e não ocidental (Indonésia), abordando a lacuna onde modelos centrados no Ocidente são aplicados sem adaptação teórica às realidades linguísticas e éticas locais.

Implicações Práticas
Os autores sugerem que os stakeholders educacionais devem integrar a literacia ética e a competência linguística na educação para a IA para aumentar a eficácia da decisão. Especificamente, eles recomendam:

Para Profissionais: Implementar treinamento direcionado em ética de IA e selecionar sistemas de IA transparentes e justos que expliquem seus processos de tomada de decisão.
Para Estudantes: Incentivar o questionamento crítico dos resultados da IA e integrar a literacia em IA com considerações éticas nos currículos.
Para Formuladores de Políticas: Promulgar regulamentações que exijam auditorias éticas de ferramentas de IA educacionais e apoiar o treinamento de professores em ética e literacia de IA.

Limitações
Os autores reconhecem modestamente algumas restrições: a natureza transversal e de autorrelato dos dados limita as afirmações causais; os índices de mensuração para alguns constructos poderiam ser refinados; a amostra é específica de universidades indonésias, limitando a generalização; e o resultado de moderação não significativo pode refletir sensibilidade de mensuração ou restrições contextuais, em vez de uma ausência real de interação. Incentiva-se pesquisas futuras para empregar designs longitudinais, medidas de desempenho objetivas e métodos mistos para explorar mais profundamente essas dinâmicas.

Mais como este