Scaffolded and Unscaffolded Generative AI Use in Mathematics Teacher Education: Effects on Pre-Service Teachers’ Instructional Design Competence
Este estudo de métodos mistos demonstra que fornecer andaime pedagógico para o uso de IA generativa aumenta significativamente a competência de design instrucional, a prontidão para IA, a aprendizagem autorregulada e o pensamento crítico de professores de matemática em formação, em comparação ao uso de IA sem andaime.
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 uma sala de aula onde o professor não é apenas uma pessoa, mas um poderoso programa de computador capaz de escrever planos de aula, criar problemas matemáticos e explicar ideias complexas em segundos. Esta é a promessa da inteligência artificial generativa, uma tecnologia que entrou rapidamente em escolas e universidades. Mas há um porém. Se um aluno simplesmente pedir a resposta ao computador e a aceitar sem questionar, ele pode aprender a depender da máquina em vez de desenvolver sua própria capacidade de pensar, planejar e resolver problemas. Esta é a tensão central que a formação de professores enfrenta hoje: como usar essas ferramentas inteligentes para ajudar os futuros professores a aprenderem, sem deixar que as ferramentas pensem por eles. A chave para resolver este quebra-cabeça reside num conceito chamado andaime (ou scaffolding). Na educação, o andaime é como as vigas de suporte temporárias usadas para construir uma casa; elas sustentam a estrutura enquanto os construtores aprendem seu ofício, e são removidas assim que o edifício estiver forte o suficiente para se manter sozinho. A questão que os pesquisadores fizeram foi se dar a esses futuros professores de matemática esse tipo de orientação estruturada enquanto usavam a inteligência artificial os tornaria melhores professores do que se fossem deixados para descobrir por conta própria.
Uma equipe de pesquisadores em Gana partiu para responder a esta pergunta trabalhando com setenta e seis futuros professores de matemática. Esses alunos estavam matriculados em um curso dedicado a aprender como projetar aulas de matemática, uma habilidade crítica para qualquer educador. Os pesquisadores dividiram a turma em dois grupos. Um grupo usou a ferramenta de inteligência artificial sem instruções especiais; disseram-lhes para usar a tecnologia para ajudá-los a planejar suas aulas, mas eles tinham que descobrir como fazer as perguntas certas e verificar as respostas por conta própria. O outro grupo usou a mesma tecnologia, mas recebeu um conjunto específico de suportes. Esses suportes incluíam exemplos de como escrever boas perguntas para o computador, listas de verificação para validar o trabalho do computador e perguntas orientadoras que os forçavam a pensar se o plano de aula fazia sentido para seus alunos. O objetivo era ver se essa orientação extra mudaria a forma como os alunos projetavam uma aula, o quão prontos se sentiam para usar a tecnologia, o quão bem conseguiam gerir sua própria aprendizagem e o quão criticamente conseguiam avaliar a informação que o computador lhes fornecia.
Após quatorze semanas trabalhando em planos de aula, os resultados foram claros. Os alunos que receberam a orientação estruturada tiveram um desempenho significativamente melhor do que aqueles que trabalharam sem ela. Quando os pesquisadores analisaram os planos de aula finais criados pelos alunos, o grupo com os suportes havia projetado aulas mais eficazes e profundas. Eles foram melhores em organizar o material, escolher as atividades certas e criar formas de testar se os alunos entendiam a matemática. O grupo sem os suportes produziu planos que eram frequentemente apressados ou que exigiam uma edição pesada porque haviam aceitado o resultado do computador rápido demais. O grupo orientado também obteve pontuações mais altas em medidas de sua prontidão para usar a tecnologia no futuro. Eles se sentiram mais confiantes em sua capacidade de conversar com o computador, entender suas limitações e usar a tecnologia de forma responsável. Eram menos propensos a serem enganados por erros ou informações tendenciosas geradas pelo software.
O estudo também revelou que os alunos orientados aprenderam a aprender melhor. Eles demonstraram uma capacidade muito maior de regular seu próprio processo de aprendizagem. Em vez de apenas digitar um pedido e esperar por um resultado, eles paravam para planejar sua abordagem, monitoravam a saída do computador conforme ela chegava e avaliavam se as sugestões correspondiam aos seus objetivos. Eles trataram o computador como um parceiro a ser questionado, em vez de uma máquina a ser obedecida. Este pensamento crítico foi a diferença mais distinta entre os dois grupos. Os alunos com os suportes constantemente perguntavam a si mesmos se as ideias da aula eram precisas e apropriadas para crianças reais. Eles conferiam a matemática, comparavam as sugestões com seus livros didáticos e revisavam os planos quando o computador cometia um erro. Os alunos sem os suportes frequentemente aceitavam a primeira resposta que recebiam, mesmo quando era falha, porque careciam de ferramentas para verificá-la.
Quando os pesquisadores entrevistaram um grupo menor de alunos para entender suas experiências, o padrão tornou-se ainda mais vívido. Os alunos que tiveram os suportes descreveram um processo de pensamento profundo. Explicaram que as listas de verificação e as perguntas orientadoras os forçaram a desacelerar e considerar o "porquê" por trás de cada atividade em sua aula. Eles perceberam que a qualidade da aula dependia de suas próprias decisões, não apenas do resultado do computador. Em contraste, os alunos sem os suportes admitiram que muitas vezes se sentiam perdidos ou incertos quando o computador dava uma resposta estranha. Eles tendiam a recomeçar com um novo chat em vez de corrigir sua pergunta original, e frequentemente priorizavam a velocidade em vez da precisão. Sentiam que o computador estava fazendo o trabalho por eles, o que os deixava sentindo-se menos preparados para ensinar por conta própria.
As descobertas sugerem que simplesmente entregar a futuros professores uma poderosa ferramenta de inteligência artificial não é suficiente para torná-los melhores educadores. A ferramenta é tão boa quanto a orientação que a cerca. Quando os pesquisadores forneceram uma estrutura que incentivava o planejamento, a verificação e a reflexão, os alunos usaram a tecnologia para refinar suas habilidades profissionais. Eles aprenderam a projetar melhores aulas, a pensar de forma mais crítica sobre a informação recebida e a assumir o controle de sua própria aprendizagem. Sem essa estrutura, a tecnologia corria o risco de se tornar uma muleta que os impediria de desenvolver o julgamento independente que precisariam em uma sala de aula real. O estudo conclui que, para que a inteligência artificial realmente ajude a treinar a próxima geração de professores, ela deve ser usada com um suporte intencional que ensine os alunos a pensar, e não apenas a perguntar.
Afogado em artigos na sua área?
Receba digests diários dos artigos mais recentes que correspondam às suas palavras-chave de pesquisa — com resumos técnicos, no seu idioma.