💻 computer science

Predicting Vocabulary Acquisition in EFL Learners Using Machine Learning Models

Este estudo demonstra que, embora a IA generativa aumente significativamente a aquisição de vocabulário em alunos de EFL em comparação com o ensino convencional, modelos de regressão linear que dependem primordialmente de indicadores linguísticos superam algoritmos complexos de aprendizado de máquina e métricas comportamentais na previsão desses ganhos de aprendizagem.

Autores originais: Ahmed Braima, Jamal Hussien

Publicado 2026-08-18

📖 5 min de leitura🧠 Leitura aprofundada

CC BY 4.0

Autores originais: Ahmed Braima, Jamal Hussien

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

Aprender uma nova língua é uma jornada de acumulação, onde a capacidade de expressar ideias complexas depende fortemente do tamanho e da variedade do vocabulário de uma pessoa. Durante décadas, os professores sabem que os alunos aprendem melhor quando encontram novas palavras repetidamente e as utilizam em contextos significativos, como escrever ensaios ou manter conversações. Nos últimos anos, uma poderosa nova ferramenta entrou na sala de aula: a inteligência artificial. Esses sistemas podem conversar com os alunos, oferecer explicações instantâneas e sugerir melhores formas de estruturar uma frase. Mas, embora as escolas estejam ansiosas para adotar essas ferramentas, uma questão crítica permanece sem resposta: ter simplesmente acesso a um chatbot inteligente realmente ajuda os alunos a aprender mais palavras, e podemos prever quem mais se beneficiará?

Pesquisadores da Universidade de Prince Mugrin, na Arábia Saudita, propuseram-se a responder a isso observando um grande grupo de estudantes universitários aprendendo inglês. Eles queriam ver se o uso de IA para auxiliar em tarefas de escrita levava a um melhor crescimento de vocabulário em comparação aos métodos de ensino tradicionais. Mais importante ainda, eles queriam saber se poderiam usar modelos computacionais para prever o progresso de um aluno com base em como ele utilizava a tecnologia. O estudo envolveu 180 estudantes de graduação ao longo de um período de quinze semanas. Os alunos foram divididos em dois grupos. Um grupo recebeu o feedback padrão de seu professor sobre sua escrita, enquanto o outro grupo teve permissão para usar chatbots de IA avançados para explorar significados de palavras, verificar sua gramática e revisar seus rascunhos. Ambos os grupos estudaram o mesmo material e escreveram as mesmas tarefas, garantindo que a única diferença relevante fosse a fonte de seu feedback.

Os resultados mostraram que ambos os grupos melhoraram seu conhecimento de vocabulário ao longo do semestre, o que é esperado quando os alunos estão ativamente engajados no aprendizado. No entanto, o grupo que utilizou as ferramentas de IA obteve ganhos significativamente maiores. Em média, esses alunos melhoraram suas pontuações nos testes de vocabulário em mais de sete pontos, enquanto o grupo que dependeu exclusivamente do feedback do professor melhorou apenas pouco mais de três pontos. Essa diferença não foi apenas uma questão de acaso; os alunos que usaram a IA aprenderam mais palavras e utilizaram uma variedade maior de termos em sua escrita. Seus ensaios mostraram uma maior riqueza de vocabulário e um uso mais elevado de termos acadêmicos, sugerindo que a IA os ajudou não apenas a memorizar definições, mas a incorporar novas palavras em suas habilidades linguísticas ativas.

Os pesquisadores voltaram-se então para a questão da previsão. Eles perguntaram se poderiam observar o comportamento de um aluno — como o tempo que ele passou conversando com a IA, a frequência com que revisava seu trabalho ou o nível de engajamento que demonstrava — e usar essa informação para adivinhar o quanto seu vocabulário cresceria. Eles testaram isso usando diversos modelos computacionais diferentes, variando de métodos estatísticos simples a algoritmos mais complexos projetados para encontrar padrões ocultos. Surpreendentemente, os modelos computacionais mais sofisticados não tiveram um desempenho melhor do que os mais simples. Na verdade, a maneira mais precisa de prever o ganho de vocabulário de um aluno foi observar suas pontuações iniciais e se ele pertencia ao grupo de IA ou ao grupo apenas com o professor.

Talvez a descoberta mais reveladora tenha sido que os dados comportamentais coletados dos usuários de IA não ajudaram a prever os resultados de aprendizagem. Saber quantos minutos um aluno passou com o chatbot ou quantas vezes ele clicou em um botão para obter uma sugestão disse muito pouco aos pesquisadores sobre o quanto aquele aluno realmente aprendeu. A quantidade de interação não foi um indicador confiável de qualidade. Um aluno pode passar muito tempo com a ferramenta, mas simplesmente aceitar a primeira sugestão sem pensar, enquanto outro pode usá-la brevemente, mas analisar profundamente as alternativas. O estudo sugere que o valor da IA veio da natureza do suporte que ela forneceu — feedback imediato e individualizado que permitiu aos alunos experimentar a linguagem em tempo real — e não pela mera quantidade de tempo que passaram utilizando-a.

Em última análise, o estudo demonstra que a inteligência artificial pode ser uma parceira poderosa no aprendizado de línguas, mas apenas quando é integrada cuidadosamente em um curso estruturado. A tecnologia não substituiu o professor; em vez disso, ela estendeu o alcance do professor, oferecendo aos alunos uma maneira de praticar e refinar sua escrita sempre que precisassem. Os pesquisadores descobriram que a melhor maneira de entender e prever o crescimento do vocabulário não era rastreando o quão ocupado um aluno estava com uma máquina, mas observando as mudanças reais em sua escrita e em suas pontuações de teste. Essa abordagem oferece um caminho claro para os educadores: focar na qualidade da interação de aprendizagem e nas melhorias tangíveis no uso da linguagem, em vez de apenas contar os minutos que os alunos passam online.

Resumo Técnico: Prevendo a Aquisição de Vocabulário em Aprendizes de EFL Usando Modelos de Aprendizado de Máquina

Definição do Problema
Embora a Inteligência Artificial (IA) esteja sendo cada vez mais integrada ao ensino de Inglês como Língua Estrangeira (EFL), existe uma lacuna crítica na compreensão de quão bem o desenvolvimento do vocabulário pode ser previsto combinando indicadores linguísticos com dados de interação com a IA. As pesquisas existentes frequentemente dependem de preditores acadêmicos de nível grosseiro ou focam na avaliação automatizada de escrita (AWE) para a avaliação do produto final, com atenção limitada às mudanças longitudinais no uso do vocabulário. Além disso, poucos estudos integram o conhecimento basal de vocabulário, características lexicais longitudinais derivadas da escrita, dados de interação do aluno e condições instrucionais para prever o ganho contínuo de vocabulário em contextos de EFL. Este estudo aborda a necessidade de modelos preditivos que expliquem a aquisição de vocabulário examinando a relação entre o desenvolvimento linguístico, o comportamento do aluno e o suporte instrucional.

Metodologia
O estudo empregou um delineamento quantitativo quase-experimental de pré-teste e pós-teste envolvendo 180 alunos de graduação de EFL (CEFR B1–C1) na Universidade de Prince Mugrin, Arábia Saudita. Os participantes foram divididos em dois grupos intactos de 90:

Grupo Assistido por IA: Utilizou ChatGPT e Google Gemini para suporte à escrita, exploração de vocabulário e revisão ao longo de um semestre de 15 semanas.
Grupo de Controle: Recebeu feedback convencional do professor para as mesmas tarefas de escrita e currículo.

Coleta de Dados e Características:

Variável de Desfecho: Ganho de Vocabulário, calculado como a diferença entre as pontuações do pós-teste e do pré-teste em um teste de vocabulário acadêmico (50 itens, Cronbach's α = .84/.90).
Preditores Linguísticos: Mudanças na Razão Tipo-Token (ΔTTR), Medida de Diversidade Lexical Textual (ΔMTLD) e cobertura da Lista de Palavras Acadêmicas (ΔAWL%), extraídas de amostras de escrita pré e pós-intervenção.
Preditores Comportamentais (apenas para o Grupo de IA): Tempo de uso da IA, pontuação de engajamento (baseada na participação nas sessões, frequência de interação e conclusão de tarefas) e contagem de revisões.
Variáveis de Controle: Conhecimento basal de vocabulário e pertencimento ao grupo instrucional.

Abordagem Analítica:
O estudo utilizou um framework analítico duplo:

Estatística Inferencial: Regressão múltipla hierárquica e ANCOVA foram utilizadas para examinar as diferenças entre grupos, a contribuição independente das variáveis linguísticas e comportamentais, e o poder explicativo dos preditores sobre o ganho de vocabulário.
Modelagem Preditiva: Quatro algoritmos de aprendizado de máquina supervisionado — Regressão Linear (LR), Regressão de Vetores de Suporte (SVR), Floresta Aleatória (RF) e Gradient Boosting (GB) — foram comparados usando validação cruzada de cinco dobras (five-fold cross-validation). O desempenho foi avaliado usando $R^2$ , Erro Quadrático Médio (RMSE) e Erro Médio Absoluto (MAE).

Principais Resultados

Melhoria de Vocabulário: Ambos os grupos mostraram ganhos significativos de vocabulário. No entanto, o grupo assistido por IA alcançou ganhos substancialmente maiores (Ganho médio = 7,33) em comparação ao grupo de controle (Ganho médio = 3,26), com um tamanho de efeito grande ($Hedges' g = 1,01$). Essa diferença permaneceu significativa após o controle das pontuações do pré-teste.
Preditores de Ganho:
- Análise Inferencial: Na regressão da amostra total, o grupo instrucional foi o preditor único mais forte do ganho de vocabulário ( $\beta = -0,548, p <,001$ ). Embora as mudanças linguísticas (ΔMTLD, ΔAWL%) tenham sido positivamente correlacionadas com o ganho, elas não permaneceram como preditores únicos significativos uma vez que o grupo instrucional foi incluído.
- Indicadores Comportamentais: Dentro do grupo assistido por IA, os indicadores comportamentais (tempo de uso, engajamento, contagem de revisões) mostraram correlações fracas e não significativas com o ganho de vocabulário e não adicionaram valor preditivo incremental nos modelos de regressão.
Desempenho de Aprendizado de Máquina:
- Amostra Total: A Regressão Linear alcançou o maior desempenho preditivo ( $R^2 = 0,156$ , RMSE = 4,125), superando SVR, RF e GB. Isso sugere que as relações subjacentes eram predominantemente lineares.
- Subgrupo de IA: A precisão preditiva foi menor (valores de $R^2$ negativos em modelos de validação cruzada). Crucialmente, a adição de indicadores comportamentais aos modelos linguísticos consistentemente reduziu o desempenho preditivo, indicando que a quantidade de interação não aumentou a predição dos ganhos de vocabulário individuais.

Principais Contribuições

Framework Integrado: O estudo fornece um framework analítico combinando mineração de dados educacionais com pesquisa de aprendizagem de línguas, integrando resultados de vocabulário medidos independentemente com características lexicais longitudinais derivadas da escrita e condições instrucionais.
Valor Comportamental vs. Linguístico: Demonstra que, embora a instrução assistida por IA melhore significativamente o aprendizado de vocabulário em nível de grupo, métricas comportamentais simples (tempo gasto, contagens de revisão) não servem como preditores confiáveis da aquisição de vocabulário individual. Mudanças linguísticas mensuráveis (diversidade lexical e uso de vocabulário acadêmico) são indicadores mais informativos dos resultados de aprendizagem.
Complexidade do Modelo vs. Desempenho: Os achados desafiam a suposição de que métodos de conjunto complexos (Random Forest, Gradient Boosting) sempre superam modelos mais simples em contextos educacionais. A Regressão Linear provou ser superior, sugerindo que as relações entre os preditores selecionados e o ganho de vocabulário neste conjunto de dados eram lineares.

Significância e Alegações
Os autores alegam que a IA generativa pode fortalecer o aprendizado de vocabulário quando integrada à instrução de escrita guiada pelo professor, atuando como um recurso mediador em vez de um substituto para o professor. O estudo destaca que o valor educacional da IA reside em fornecer suporte imediato e individualizado para a exploração lexical e revisão, o que acelera o aprendizado em comparação com o feedback convencional isolado.

Além disso, o artigo afirma que as abordagens inferenciais e de aprendizado de máquina oferecem insights complementares: a análise de regressão explica as relações causais ou explicativas (ex: o impacto da instrução por IA), enquanto o aprendizado de máquina avalia a precisão preditiva para novos aprendizes. O estudo conclui que prever com precisão o ganho de vocabulário individual continua sendo um desafio devido a fatores cognitivos e motivacionais não mensurados, e que pesquisas futuras devem focar na qualidade da interação com a IA (ex: qualidade do prompt, absorção do feedback) em vez da quantidade de uso.

Resumo Técnico: Prevendo a Aquisição de Vocabulário em Aprendizes de EFL Usando Modelos de Aprendizado de Máquina

Mais como este