📄 social_science

Conceptualising and Measuring Epistemic Dependence in AI-Mediated Learning: Development and Initial Validation of the ED-AIL Scale

Este artigo introduz e valida inicialmente a Escala ED-AIL, um novo instrumento psicométrico concebido para medir a dependência epistêmica acrítica no ensino superior ao distinguir o suporte produtivo da IA da tendência de risco de tratar os resultados da IA como epistemicamente diretivos através de cinco domínios fundamentais de aprendizagem.

Autores originais: Yiran Du, Bin Zou

Publicado 2026-08-11

📖 7 min de leitura🧠 Leitura aprofundada

CC BY 4.0

Autores originais: Yiran Du, Bin Zou

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 o seu cérebro como um canteiro de obras movimentado. Durante séculos, os trabalhadores (você) confiaram em uma caixa de ferramentas repleta de itens confiáveis: livros didáticos, professores, bibliotecas e amigos. Isso é o que os cientistas chamam de "dependência epistêmica", uma forma elegante de dizer que todos precisamos de ajuda para construir nossa compreensão do mundo. Isso não é algo ruim; na verdade, é assim que aprendemos. Mas agora, um robô novo, incrivelmente rápido e muito falante chegou ao canteiro. Este robô, movido por Inteligência Artificial Generativa (IA Generativa), não apenas lhe entrega um martelo; ele pode escrever as plantas, misturar o cimento e até dizer se a sua parede está reta. A grande questão não é se o robô é útil — ele claramente é. A verdadeira preocupação é: em que ponto paramos de verificar o trabalho do robô e simplesmente deixamos que ele comande todo o show? Este é o território da "dependência epistêmica acrítica", onde podemos começar a acreditar que o robô está sempre certo, mesmo quando ele está apenas dando palpites, e parar de usar nossos próprios cérebros para verificar os fatos.

Este artigo trata da construção de uma régua para medir exatamente o quanto deixamos esse robô assumir o controle do nosso pensamento. Os pesquisadores, Yiran Du e Bin Zou, criaram uma nova ferramenta chamada Escala ED-AIL. Pense nela como um "Detector de Descarregamento Cerebral". Eles não perguntaram apenas "Você usa IA?", porque usar uma calculadora não significa que você esqueceu como fazer matemática. Em vez disso, eles perguntaram: "Você deixa a IA decidir o que é verdade, o que um conceito difícil significa ou se sua resposta é boa o suficiente, sem que você verifique duas vezes?". Eles testaram essa régua em quase 1.550 estudantes universitários no Reino Unido, EUA e Europa. Os resultados sugerem que a régua funciona muito bem para identificar quando os alunos deixam a IA assumir suas pesquisas, sua compreensão de grandes ideias e seu julgamento sobre se uma resposta está correta. No entanto, a régua é um pouco instável quando se trata de medir se os alunos deixam a IA decidir o que estudar a seguir ou como planejar seu aprendizado. O estudo confirma que esse "tomada de controle pelo robô" é algo real e mensurável, mas também alerta que precisamos ter cuidado para não usar esta régua para punir estudantes individualmente ou para dizer que o uso de IA é sempre ruim. É uma ferramenta para nos ajudar a entender o problema, não uma varinha mágica para resolvê-lo da noite para o dia.

A História do "Detector de Descarregamento Cerebral"

O Problema: Quando o Robô se Torna o Chefe
Imagine que você está escrevendo uma história. Você pede uma ideia a um robô superinteligente. Se você pegar essa ideia, ajustá-la, verificar se faz sentido e então escrever sua própria versão, isso é como ter um copiloto prestativo. Mas se o robbô escrever a história inteira, você apenas copiar e colar, e nunca perguntar: "Espere, isso é realmente verdade?" ou "Isso faz sentido?", então você entregou o volante. Os autores chamam isso de "dependência epistêmica acrítica". Não se trata de com que frequência você usa o robô; trata-se de saber se você parou de fazer o esforço mental pesado.

Os pesquisadores notaram que as ferramentas existentes não conseguiam captar esse problema específico. Algumas ferramentas medem o quanto você confia no robô, outras medem a frequência com que você o usa, e outras medem o quanto você sabe sobre como os robôs funcionam. Mas nenhuma delas media o momento em que você para de pensar por si mesmo e deixa o resultado do robô se tornar sua verdade final.

Construindo a Régua (A Escala ED-AIL)
Para resolver isso, a equipe construiu uma nova escala com 23 perguntas. Eles começaram com 61 perguntas e as reduziram pedindo a especialistas e estudantes que as lessem em voz alta para ver se faziam sentido. A régua final mede cinco formas específicas pelas quais os alunos podem deixar o robô assumir o controle:

Aquisição de Conhecimento (A Armadilha da "Busca"): Você para de procurar outras fontes assim que o robô lhe dá um resumo? (ex: "Após ler uma visão geral da IA, costumo parar de procurar fontes que poderiam desafiar ou estender o conteúdo.")
Interpretação Conceitual (A Armadilha do "Significado"): Você aceita a explicação do robô sobre uma ideia difícil como a única verdade? (ex: "Se minha interpretação difere da explicação da IA, geralmente reviso meu entendimento em direção à versão da IA.")
Avaliação Epistêmica (A Armadilha do "Juiz"): Você deixa o robô decidir se sua resposta está correta ou se uma fonte é confiável? (ex: "Se a IA diz que um argumento é fraco, eu geralmente o trato como fraco antes de verificá-lo por conta própria.")
Produção de Conhecimento (A Armadilha do "Escritor"): Você deixa o esboço ou a redação do robô ditar sua própria escrita? (ex: "Esboços gerados por IA frequentemente determinam a estrutura do meu trabalho acadêmico.")
Regulação Epistêmica (A Armadilha do "Planejador"): Você deixa o robô decidir o que você deve estudar a seguir ou quando você já aprendeu o suficiente? (ex: "Uso a IA para decidir se já entendi o suficiente para prosseguir.")

O Que a Régua Descobriu
Os pesquisadores testaram esta régua em dois grandes grupos de estudantes. Aqui está o que encontraram:

Os Pontos Fortes: A régua funcionou muito bem para as três primeiras áreas: busca de informações, compreensão de conceitos e julgamento de respostas. As respostas dos alunos foram consistentes e as perguntas mediram claramente o que deveriam medir.
Os Pontos Instáveis: A régua foi menos confiável para as duas últimas áreas, especialmente "Regulação Epistêmica" (planejamento). As perguntas para esta parte não se mantiveram tão unidas quanto as outras. Os autores sugerem que isso pode ser porque planejar o próprio aprendizado é uma tarefa enorme e complexa, e as perguntas atuais podem ainda não capturá-la perfeitamente.
O Teste "Humano vs. Robô": Para garantir que a régua não estava apenas medindo o quanto os alunos gostavam de robôs, eles a compararam com outros testes. Descobriram que alunos que pontuaram alto na régua eram, de fato, menos propensos a verificar fontes ou detectar erros no trabalho do robô. No entanto, a conexão não era super forte, o que significa que a régua mede uma atitude específica em relação ao robô, não necessariamente o quão bem um aluno desempenha uma tarefa específica na vida real.

O Que a Régua NÃO É
É crucial entender o que este estudo não descobriu. Os autores são muito claros:

Não é um detector de mentiras: Você não pode usar esta escala para acusar um estudante específico de má conduta acadêmica ou de ser "dependente". É uma ferramenta de pesquisa, não uma evidência de tribunal.
Não é uma proibição da IA: O estudo não diz que usar IA é ruim. Diz que a dependência acrítica é arriscada. Um estudante pode usar IA todos os dias e ainda assim verificar seu trabalho; esta escala mede os estudantes que não verificam.
Não é um veredito final: Os autores admitem que sua seção de "Planejador" é instável e precisa de mais trabalho. Eles também observam que seu estudo foi feito online com falantes de inglês, portanto, não sabemos se a régua funciona da mesma forma para estudantes em diferentes países ou estudando áreas diferentes, como engenharia ou artes.

Por Que Isso Importa
Este estudo oferece aos educadores e pesquisadores uma nova maneira de falar sobre a IA. Em vez de apenas dizer "Os alunos estão usando IA demais", podemos agora perguntar: "Os alunos estão deixando a IA fazer o pensamento por eles?". Os autores sugerem que, se as escolas querem ajudar, não devem apenas banir os robôs. Em vez disso, devem projetar tarefas que forcem os alunos a verificar o trabalho do robô, comparar fontes e explicar por que concordam ou discordam da IA.

Em suma, a Escala ED-AIL é um primeiro rascunho de um mapa para um novo território. Ela nos mostra onde os penhascos da "dependência acrítica" podem estar, mas nos avisa que o mapa ainda não é perfeito. Precisamos continuar desenhando-o, testando-o e refinando-o antes de podermos confiar totalmente nele para nos guiar através do futuro do aprendizado.

Resumo Técnico: Conceitualização e Mensuração da Dependência Epistêmica na Aprendizagem Mediada por IA

Problema
A inteligência artificial generativa (GenAI) deixou de ser uma ferramenta periférica de produtividade para se tornar um componente central da infraestrutura epistêmica no ensino superior. Os estudantes dependem cada vez mais de modelos de linguagem de grande escala para recuperação de informações, interpretação de conceitos, avaliação de afirmações, feedback e regulação do estudo. Embora construtos existentes, como confiança na IA, aceitação tecnológica, literacia em IA, descarga cognitiva (cognitive offloading) e dependência geral, capturem aspectos da interação humano-IA, eles falham em identificar especificamente o risco educacional onde o output da IA começa a organizar o julgamento epistêmico do aprendiz. O artigo aborda uma lacuna de mensuração: a falta de um instrumento capaz de distinguir o suporte (scaffolding) produtivo da IA de uma "dependência epistêmica acrítica", definida como uma tendência contextualizada de tratar os resultados gerados pela IA como epistemicamente diretivos, substituindo, assim, a própria verificação, interpretação, justificativa ou regulação do aprendiz.

Metodologia
O estudo empregou um design de desenvolvimento de escala e validação inicial em múltiplas etapas, guiado pela lógica de argumento de validade, utilizando duas amostras independentes de estudantes de ensino superior de língua inglesa recrutadas via Prolific (Amostra 1: n = 756; Amostra 2: n = 789).

Especificação do Construto e Geração de Itens: O construto foi definido através de um processo dedutivo-indutivo baseado na literatura de epistemologia social, cognição epistêmica e interação humano-IA. Um conjunto inicial de 61 itens foi gerado em cinco domínios propostos: aquisição de conhecimento, interpretação conceitual, avaliação epistêmica, produção de conhecimento e regulação epistêmica.
Refinamento: O conjunto de itens passou por revisão de especialistas (9 especialistas) e pré-teste cognitivo (20 estudantes) para refinar a redação e remover itens que mediam utilidade geral, confiança ou frequência, em vez de delegação epistêmica. Isso reduziu o conjunto de 39 para 31 e, finalmente, para 23 itens.
Análise Fatorial Exploratória (EFA): Realizada na Amostra 1 utilizando correlações policóricas e rotação oblíqua. A retenção de fatores foi determinada via análise paralela, erro parcial médio mínimo (MAP), inspeção de scree plot e coerência teórica.
Análise Fatorial Confirmatória (CFA): Realizada na Amostra 2 utilizando um estimador ordinal robusto. Os modelos testados incluíram estruturas de fator único, quatro fatores, cinco fatores correlacionados, ordem superior e bifator.
Validação: A validade da escala foi avaliada contra construtos adjacentes (dependência de IA, confiança, descarga cognitiva, literacia em IA, verificação de fontes) e critérios orientados ao desempenho (tarefas de detecção de erros de IA e corroboração de fontes). A validade incremental e a invariância de mensuração (entre gênero, nível de graduação e frequência de uso) também foram testadas.

Principais Resultados

Estrutura Fatorial: Os dados apoiaram uma estrutura provisória de cinco fatores. O modelo de cinco fatores correlacionados demonstrou ajuste aceitável (CFI = .944, TLI = .936, RMSEA = .051) na Amostra 2, superando as alternativas de um fator e quatro fatores. Um modelo bifator mostrou um SRMR ligeiramente melhor, mas não justificou uma interpretação estritamente unidimensional dada a variância específica do domínio.
Confiabilidade e Evidência de Mensuração: A consistência interna foi aceitável entre as subescalas, mas variou por domínio. O domínio "Avaliação Epistêmica" apresentou a evidência mais forte (AVE > .50, $\omega$ = .88), seguido por "Aquisição de Conhecimento" e "Interpretação Conceitual". "Produção de Conhecimento" mostrou evidência aceitável, porém qualificada, enquanto "Regulação Epistêmica" foi o domínio mais fraco (AVE = .32, $\omega$ = .65), sugerindo que deve ser tratado como provisório. A pontuação total da escala demonstrou alta confiabilidade ( $\alpha$ = .90, $\omega$ = .91).
Relações de Validade: A pontuação total da ED-AIL correlacionou-se moderadamente com a dependência de IA ( $r$ = .48) e a aceitação de outputs de IA não verificados ( $r$ = .46), e modestamente com a confiança na IA e a descarga cognitiva. Apresentou uma associação positiva pequena com a literacia em IA ( $r$ = .08), indicando que não é meramente uma medida inversa do entendimento da IA. Como previsto teoricamente, a ED-AIL correlacionou-se negativamente com a verificação de fontes ( $r$ = -.27), autorregulação da aprendizagem ( $r$ = -.14) e desempenho em tarefas de detecção de erros de IA ( $r$ = -.14) e corroboração de fontes ( $r$ = -.12).
Validade Incremental: A regressão hierárquica indicou que a ED-AIL explicou variância única na aceitação de outputs de IA não verificados ( $\Delta R^2$ = .05) e na precisão de detecção de erros de IA ( $\Delta R^2$ = .02) além dos controles para demografia, frequência de uso, confiança, literacia e autorregulação.
Invariância de Mensuração: A invariância configuracional e de carga foi suportada entre grupos de gênero, nível de graduação e frequência de uso. No entanto, a invariância de limiar (threshold) foi menos estável, particularmente para usuários diários versus usuários de uso menos frequente, sugerindo que comparações de médias latentes entre esses grupos devem ser tratadas como exploratórias.

Principais Contribuições

Conceitual: O artigo define a dependência epistêmica acrítica não como um traço de personalidade ou simples frequência de uso, mas como uma relação específica aprendiz-IA onde o output da IA desloca o julgamento do aprendiz. Ele delineia este construto de conceitos adjacentes como viés de automação, descarga cognitiva e confiança na IA.
Instrumental: O desenvolvimento da Escala ED-AIL (23 itens) fornece o primeiro instrumento orientado ao risco projetado para distinguir o suporte de IA comum ou produtivo da delegação epistemicamente consequente.
Metodológica: O estudo oferece um argumento de validade abrangente incluindo revisão por especialistas, entrevista cognitiva, EFA/CFA ordinal e análise de sensibilidade bifator, estabelecendo uma base para pesquisas futuras sobre aprendizagem mediada por IA.

Significância e Alegações
Os autores posicionam a Escala ED-AIL como uma ferramenta de pesquisa inicial para examinar como os aprendizes alocam a responsabilidade epistêmica entre si e os sistemas de IA. O artigo afirma explicitamente que a escala é mais robusta como uma medida de autorrelato de orientação epistêmica, e não como um instrumento de diagnóstico comportamental.

Os autores enfatizam que a evidência é "inicial" e "provisória". Eles observam que o domínio "Regulação Epistêmica" requer maior validação e que o poder preditivo da escala para o desempenho em tarefas é atualmente modesto. Consequentemente, o artigo argumenta que a escala é adequada para pesquisa, teste de teoria, perfilamento de grupos e avaliação formativa de intervenções. O texto adverte explicitamente contra o uso da escala para diagnósticos individuais de alto risco, triagem punitiva de integridade acadêmica ou para fazer afirmações definitivas sobre a dependência epistêmica de um estudante específico sem validação adicional em contextos institucionais, disciplinares, linguísticos e de tarefas específicas. O estudo conclui que a ED-AIL oferece um quadro necessário para ir além dos debates binários de uso versus não uso de IA, focando nos mecanismos específicos de deslocamento de julgamento na aprendizagem.

A História do "Detector de Descarregamento Cerebral"

Mais como este