📄 ciências sociais

Artificial intelligence literacy and self-efficacy among nursing students: A network analysis of educational stratification

Este estudo utiliza a análise de redes para revelar que o letramento em IA e a autoeficácia entre estudantes de enfermagem formam uma estrutura moderadamente interconectada centrada na "Assistência", com variações significativas na organização da rede entre estudantes de cursos tecnólogos e de bacharelado que sugerem a necessidade de estratégias educacionais diferenciadas.

Autores originais: Lu Feng, Yujuan Zhao, Jiao Zhai, Xinyue Nie, Qiuyue Huang, Jie Jing

Publicado 2026-09-14

📖 5 min de leitura🧠 Leitura aprofundada

CC BY 4.0

Autores originais: Lu Feng, Yujuan Zhao, Jiao Zhai, Xinyue Nie, Qiuyue Huang, Jie Jing

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

A inteligência artificial não é mais apenas um conceito de ficção científica; ela está remodelando silenciosamente a forma como a saúde funciona, desde ajudar médicos a tomar decisões até gerenciar registros de pacientes. Para os enfermeiros do amanhã, compreender essas ferramentas está se tornando tão essencial quanto saber administrar medicamentos. Mas saber que uma ferramenta existe é diferente de sentir-se capaz de usá-la. É aqui que duas ideias entram em jogo: literacia e confiança. A literacia é a capacidade real de compreender, usar e julgar a inteligência artificial. A confiança, ou o que os pesquisadores chamam de autoeficácia, é a crença interior de que se pode operar essa tecnologia com sucesso. Embora os educadores saibam que essas duas coisas estão ligadas, a maneira precisa como elas se influenciam dentro da mente de um estudante permaneceu um pouco misteriosa. Saber como usar uma ferramenta faz você se sentir mais corajoso, ou o fato de se sentir corajoso faz você querer aprender mais? E será que essa relação muda dependendo de o estudante estar em um programa de treinamento mais curto e prático ou em um curso universitário mais longo e teórico?

Uma equipe de pesquisadores da Universidade de Ciência e Tecnologia Eletrônica da China propôs-se a mapear essas conexões. Eles reuniram 7 de 776 estudantes de enfermagem de cinco escolas diferentes na província de Sichuan e pediram que respondessem a perguntas detalhadas sobre seu conhecimento de inteligência artificial e sua confiança em usá-la. Em vez de apenas observar as pontuações médias, os pesquisadores utilizaram um método chamado análise de rede. Imagine as diferentes partes do conhecimento e da confiança de um estudante como quartos distintos em uma casa. Alguns quartos são conectados por portas largas e robustas, enquanto outros possuem corredores estreitos ou nenhuma porta. Os pesquisadores queriam ver quais quartos eram os principais centros que mantinham toda a casa unida, e quais portas conectavam a parte do "conhecimento" da casa à parte da "confiança". Eles também queriam ver se o layout desta casa parecia diferente para estudantes de programas de graduação tecnológica (associate degree) em comparação com estudantes de cursos de bacharelado.

O estudo revelou que o quarto mais importante de toda a casa era o rotulado como "Assistência". Isso representa a crença de um estudante de que a inteligência artificial é realmente útil e valiosa para suas tarefas. Essa crença única atuou como o centro principal, conectando quase tudo o mais. Era o elo mais forte entre saber sobre IA e sentir-se confiante para usá-la. Quando um estudante realmente sentia que a IA era um ajudante útil, isso impulsionava todo o seu sistema de habilidades e confiança. O segundo quarto mais importante foi "Uso", que se refere à capacidade real de operar essas ferramentas. Os pesquisadores descobriram que, quanto mais os estudantes sentiam que a IA era útil, mais tendiam a usá-la e, quanto mais a usavam, mais sua competência geral crescia. No entanto, o estudo também descobriu algumas conexões negativas surpreendentes. Por exemplo, estudantes que se sentiam muito confortáveis interagindo com IAs que soavam ou agiam como humanos eram, na verdade, menos propensos a se sentirem confiantes em suas habilidades de uso prático. Da mesma forma, um foco forte em habilidades técnicas às vezes ocorria às custas da compreensão das regras éticas da IA, sugerindo que estudantes que eram muito bons na mecânica poderiam estar negligenciando as implicações morais.

Os pesquisadores então observaram como essa "casa" era construída de forma diferente para estudantes em diferentes estágios de sua educação. Embora o número total de conexões fosse semelhante para ambos os grupos, os quartos mais centrais mudaram. Para estudantes de programas de graduação tecnológica, que tendem a focar mais na prática manual, os quartos mais centrais foram "Avaliação" — a capacidade de julgar se o resultado da IA está correto — e "Conforto com a IA". Esses estudantes dependiam fortemente de sua capacidade de verificar criticamente o trabalho da máquina e de sua facilidade emocional com o processo. Em contraste, para estudantes de programas de bacharelado, que frequentemente envolvem estudo teórico, os centros principais foram "Uso" e "Assistência". Esses estudantes eram mais movidos pela aplicação prática das ferramentas e pela percepção do valor das ferramentas. O estudo sugere que a maneira como os estudantes organizam suas habilidades e confiança depende de seu histórico educacional.

Essas descobertas oferecem um caminho claro para educadores que desejam treinar a próxima geração de enfermeiros. Como a crença na "Assistência" é o motor central, a maneira mais eficaz de construir confiança é mostrar aos estudantes exatamente como a IA pode ajudá-los de formas reais e tangíveis. Simplesmente ensinar os passos técnicos não é suficiente; os estudantes precisam ver o valor primeiro. O estudo também sugere que o treinamento deve ser adaptado. Para estudantes em programas mais curtos e práticos, os educadores devem focar em construir habilidades de pensamento crítico para que os estudantes possam julgar confiantemente os resultados da IA, além de criar um ambiente de baixo estresse para construir conforto emocional. Para estudantes em programas de bacharelado mais longos, o foco deve ser no aprofundamento de suas habilidades operacionais e no reforço da ideia de que a IA é uma parceira poderosa em seu aprendizado. Ao entender exatamente como essas peças se encaixam, as escolas podem parar de adivinhar e começar a construir programas de treinamento que realmente preparem os enfermeiros para um futuro onde a inteligência artificial é uma parte padrão de seu trabalho diário.

Resumo Técnico: Literacia de Inteligência Artificial e Autoeficácia de IA entre Estudantes de Enfermagem: Uma Análise de Rede da Estratificação Educacional

Definição do Problema
Embora a Inteligência Artificial (IA) esteja se integrando rapidamente aos cuidados de saúde e à educação em enfermagem, as interações dimensionais específicas entre a literacia de IA e a autoeficácia de IA entre estudantes de enfermagem permanecem obscuras. Pesquisas anteriores basearam-se amplamente em análises de nível de construto (ex: pontuações totais, regressão, modelagem de equações estruturais) para estabelecer correlações positivas entre esses dois conceitos multidimensionais. No entanto, tais métodos falham em revelar as complexas interações não lineares entre subdimensões específicas (ex: Consciência, Uso, Avaliação, Ética vs. Assistência, Interação Antropomórfica, Conforto, Habilidades Tecnológicas). Além disso, não se sabe se a estrutura de rede que vincula essas competências varia entre diferentes níveis educacionais (diploma de associado vs. bacharelado), o que limita o desenvolvimento de intervenções educacionais estratificadas e direcionadas.

Metodologia
Este estudo transversal empregou uma abordagem de análise de rede para mapear as relações estruturais entre a literacia de IA e a autoeficácia de IA.

Participantes: Uma amostra de conveniência de 776 estudantes de enfermagem de cinco instituições em Sichuan, China, foi recrutada entre fevereiro e abril de 2026. A amostra foi estratificada em um subgrupo de diploma de associado ( $N=344$ ) e um subgrupo de bacharelado ou superior ( $N=432$ ).
Medidas:
- Escala de Literacia de IA (AILS): Um instrumento de 12 itens medindo quatro dimensões: Consciência, Uso, Avaliação e Ética.
- Escala de Autoeficácia de IA (AISES): Um instrumento de 22 itens medindo quatro dimensões: Assistência, Interação Antropomórfica, Conforto com a IA e Habilidades Tecnológicas.
Estimativa de Rede: Uma rede de correlação parcial regularizada foi estimada usando o método EBICglasso (Critério de Informação Bayesiano Estendido com $\gamma=0.5$ ) via pacote qgraph em R. Os nós representavam as oito dimensões das escalas, e as arestas representavam correlações parciais controlando por todos os outros nós.
Análise:
- Centralidade: Foram calculadas a força, intermediação (betweenness) e proximidade para identificar nós influentes.
- Força de Ponte (Bridge Strength): Calculada para identificar nós que conectam as comunidades de literacia de IA e autoeficácia de IA.
- Previsibilidade: Estimou a proporção de variância em cada nó explicada por seus vizinhos ( $R^2$ ).
- Estabilidade: Avaliada via bootstrapping não paramétrico (1.000 iterações) para determinar a precisão das arestas e a estabilidade de correlação (CS) dos índices de centralidade.
- Comparação de Grupos: O Teste de Comparação de Redes (NCT) foi usado para comparar a força global, a estrutura da rede e a centralidade de força de nós entre os subgrupos de diploma de associado e bacharelado.

Principais Resultados

Estrutura da Rede: A rede geral consistiu em 8 nós e 20 arestas não nulas, com uma densidade de 0,714. A rede era moderadamente interconectada.
Nós Centrais e de Ponte:
- 'Assistência' (Autoeficácia de IA) emergiu como o nó mais central (Força = 1,170) e o principal nó de ponte (Força de Ponte = 0,662) conectando as duas comunidades. Também exibiu a maior previsibilidade ( $R^2 = 0,654$ ).
- 'Uso' (Literacia de IA) foi o segundo nó mais central (Força = 1,037).
- 'Avaliação' (Literacia de IA) serviu como um nó de ponte secundário fundamental (Força de Ponte = 0,561).
Associações Negativas: Três arestas negativas foram identificadas:
- 'Interação Antropomórfica' associada negativamente com 'Uso' ( $r = -0,145$ ).
- 'Habilidades Tecnológicas' associada negativamente com 'Ética' ( $r = -0,104$ ).
- 'Interação Antropomórfica' associada negativamente com 'Consciência' ( $r = -0,090$ ).
Estratificação Educacional:
- Força Global: Não foi encontrada diferença significativa na conectividade geral da rede entre os subgrupos ( $P=0,758$ ).
- Estrutura da Rede: Uma diferença significativa na estrutura da rede (padrões de peso das arestas) foi observada ( $M=0,287, P=0,018$ ).
- Divergência de Centralidade:
  - Subgrupo de Diploma de Associado: Centrado em 'Avaliação' (Força = 1,158) e 'Conforto com a IA' (Força = 1,034).
  - Subgrupo de Bacharelado: Centrado em 'Uso' (Força = 1,181) e 'Assistência' (Força = 1,172).
- Força de Ponte: Não foram encontradas diferenças significativas na força de ponte entre os subgrupos para qualquer dimensão.
Estabilidade: A rede demonstrou alta estabilidade, com coeficientes CS para centralidade de força (0,594) e força de ponte (0,75) excedendo o limite recomendado de 0,50.

Significância e Alegações
Os autores afirmam que este estudo fornece a primeira investigação sistemática das associações ao nível dimensional entre a literacia de IA e a autoeficácia de IA usando análise de rede. Os achados sugerem que:

'Assistência' é o Motor Central: A utilidade percebida da IA é o hub central que impulsiona tanto a literacia quanto a autoeficácia, atuando como um caminho psicológico crítico para a interação entre os dois construtos.
O Nível Educacional Modera a Organização: Embora a interconectividade geral das competências seja semelhante entre os níveis educacionais, a organização estrutural específica difere. Estudantes de diploma de associado dependem mais fortemente de 'Avaliação' e 'Conforto', enquanto estudantes de bacharelado são impulsionados por 'Uso' e 'Assistência'.
Implicações para Intervenção: Os resultados apoiam a necessidade de estratégias educacionais diferenciadas. As intervenções devem priorizar o aumento do valor assistivo percebido da IA, enquanto adaptam as abordagens de acordo com os históricos educacionais: focando na avaliação crítica e conforto emocional para estudantes de diploma de associado, e reforçando habilidades operacionais práticas e compreensão técnica profunda para estudantes de bacharelado.
Achados de Cautela: As associações negativas identificadas (ex: entre interação antropomórfica e uso) sugerem que interfaces de IA excessivamente humanizadas podem dificultar a aquisição de habilidades operacionais em aprendizes novatos, e que o treinamento técnico não deve ocorrer às custas da educação ética.

O artigo conclui que esses insights de rede matizados oferecem uma base teórica para o desenvolvimento de intervenções educacionais precisas e estratificadas para aumentar sinergicamente as competências essenciais dos estudantes de enfermagem em ambientes de cuidados de saúde inteligentes.

Mais como este