Resumo Técnico: Além do Modelo Único para o Engajamento em Práticas de Fala Suportadas por IA Generativa

1. Problema

Embora a inteligência artificial generativa (IA generativa) tenha estabelecido ambientes personalizados e de baixo nível de ameaça para a prática de fala em Inglês como Língua Estrangeira (ILE), a literatura existente baseia-se amplamente em abordagens quantitativas para relatar tendências de grupo ou efeitos mediadores. Esses estudos frequentemente tratam o engajamento emocional, cognitivo e comportamental como variáveis separadas ou assumem que eles se desenvolvem de forma síncrona. Consequentemente, há uma lacuna significativa na compreensão de como os aprendizes individuais configuram subjetivamente essas dimensões. Especificamente, permanece incerto como as experiências emocionais de diferentes alunos moldam suas avaliações cognitivas e participação comportamental, e se uma abordagem de instrução suportada por IA de "tamanho único" é suficiente, dada a heterogeneidade das experiências dos alunos.

2. Metodologia

Este estudo utiliza a metodologia Q, uma abordagem centrada na pessoa projetada para investigar a subjetividade individual e identificar pontos de vista compartilhados dentro de um grupo.

• Participantes: 27 estudantes de primeiro ano de graduação (22 homens, 5 mulheres; média de idade de 19,04) de uma faculdade de ciências e engenharia no norte da China continental. Todos os participantes tinham pelo menos um semestre de experiência no uso de ferramentas de IA (ex: Doubao, Plataforma de Aprendizagem Chaoxing, Liulishuo English) para prática de fala.
• Desenvolvimento do Instrumento (Q-set): Um Q-set de 47 afirmações representativas foi construído a partir de três fontes: (1) uma revisão da literatura sobre engajamento do aluno e experiências emocionais no aprendizado suportado por IA; (2) respostas abertas dos participantes sobre suas experiências reais; e (3) comentários de usuários de plataformas populares de fala com IA na China. As afirmações foram refinadas para focar em dimensões únicas (emocional, cognitiva ou comportamental) para evitar ambiguidades.
• Coleta de Dados:
  • Q-Sorting: Os participantes classificaram as 47 afirmações em uma grade de distribuição forçada de "discordo fortemente" (-5) a "concordo fortemente" (+5).
  • Entrevistas Pós-Classificação: Entrevistas semiestruturadas foram realizadas com 10 participantes que apresentaram altas cargas fatoriais para explorar o raciocínio por trás de suas classificações.
• Análise de Dados: Os dados do Q-sort foram analisados usando o KADE (Versão 1.3.1) via Análise de Componentes Principais (PCA) com rotação Varimax. Os fatores foram retidos com base em valores próprios (eigenvalues) > 1,00 e cargas fatoriais ≥ 0,38. Quatro fatores foram extraídos, explicando 51% da variância total.

3. Resultados Principais: Quatro Perfis de Engajamento do Aluno

A análise fatorial identificou quatro perfis distintos de engajamento do aluno, cada um caracterizado por uma configuração única de engajamento emocional, cognitivo e comportamental:

1. Reguladores Relaxados (Fator 1):

   • Emocional: Alto senso de relaxamento e segurança; baixa ansiedade em relação à avaliação ou erros.
   • Comportamental: Ajuste dinâmico dos estilos de interação para atender às necessidades pessoais (ex: pedir à IA para simplificar a linguagem).
   • Cognitivo: Sem engajamento cognitivo distintivo saliente; o processamento parece superficial ou focado na prática em vez de reflexão profunda.
   • Perfil: Alunos que se sentem seguros e no controle, mas que podem não se engajar profundamente de forma cognitiva.

2. Céticos Desconectados (Fator 2):

   • Emocional: Desconectados e com baixo engajamento emocional; ceticismo em relação à qualidade "humana" do feedback da IA.
   • Cognitivo: Postura crítica e cética; questionamento da precisão do feedback da IA e de sua capacidade de avaliar a proficiência real.
   • Comportamental: Uso passivo ou participação limitada (ex: usar a IA apenas quando solicitado pelos professores).
   • Perfil: Alunos que carecem de confiança na ferramenta, levando ao desengajamento.

3. Melhoradores Ansiosos (Fator 3):

   • Emocional: Alta sensibilidade a pontuações e feedbacks; experienciam ansiedade e flutuaçãoções emocionais.
   • Cognitivo: Reconhecimento claro do valor da IA para o aperfeiçoamento, mas com foco rígido em fraquezas específicas.
   • Comportamental: Prática direcionada e repetitiva de fraquezas identificadas; relutância em explorar outras funções ou recursos da IA.
   • Perfil: Alunos movidos pela motivação extrínseca para evitar o fracasso, resultando em uma prática rígida e não exploratória.

4. Exploradores Curiosos (Fator 4):

   • Emocional: Emoções positivas e ativadoras impulsionadas pelo interesse intrínseco, curiosidade e novidade.
   • Cognitivo: Avaliação positiva do valor avaliativo e instrucional da IA.
   • Comportamental: Alta iniciativa; experimentação ativa com diferentes ferramentas e recursos de IA.
   • Perfil: Alunos que são intrinsecamente motivados, explorando amplamente e engajando-se profundamente em todas as dimensões.

4. Contribuições Principais e Achados

O estudo desafia a suposição de que o engajamento emocional, cognitivo e comportamental ocorrem de forma síncrona. Em vez disso, revela que essas dimensões se combinam em padrões configuracionais heterogêneos.

• A Centralidade da Emoção: O engajamento emocional é a dimensão central em todos os perfis. No entanto, o tipo de emoção (ativadora vs. desativadora, positiva vs. negativa) dita os resultados cognitivos e comportamentais subsequentes.
• Aplicação da Teoria Controle-Valor: O estudo aplica a Teoria Controle-Valor (Pekrun, 2006) para explicar essas configurações:
  • Reguladores Relaxados: Alta percepção de controle e avaliação de valor positiva levam a emoções desativadoras positivas (relaxamento), o que pode inibir o processamento cognitivo profundo.
  • Exploradores Curiosos: Alto controle e avaliação de valor positiva levam a emoções ativadoras positivas (prazer/novidade), promovendo o engajamento cognitivo profundo e o comportamento exploratório.
  • Melhoradores Ansiosos: Alta avaliação de valor, mas baixo controle percebido, leva a emoções negativas ativadoras (ansiedade), o que impulsiona o esforço comportamental direcionado, mas inibe a exploração.
  • Céticos Desconectados: Baixo controle e avaliação de valor negativa levam a emoções desativadoras negativas (tédio/desconexão), prejudicando tanto a avaliação cognitiva quanto o engajamento comportamental.

5. Significância e Implicações Pedagógicas

O artigo argumenta que uma abordagem de "tamanho único" para a instrução de fala suportada por IA generativa é insuficiente. A significância deste trabalho reside na demonstração de que o engajamento do aluno é heterogêneo e configuracional.

Implicações Pedagógicas:

• Prioridade do Suporte Emocional: A instrução deve priorizar o suporte emocional para aproveitar a natureza de baixo nível de ameaça da IA.
• Intervenções Personalizadas:
  • Para Reguladores Relaxados: Manter o ambiente de baixo estresse, mas introduzir diários reflexivos para aprofundar o engajamento cognitivo.
  • Para Céticos Desconectados: Utilizar jogos interativos e envolventes para construir experiências emocionais positivas e introduzir gradualmente tarefas com demandas cognitivas crescentes para construir um senso de controle.
  • Para Melhoradores Ansiosos: Orientar os alunos a estabelecer metas incrementais e avaliar criticamente o feedback da IA para reduzir a ansiedade e mudar da motivação extrínseca para uma mais sustentável.
  • Para Exploradores Curiosos: Atribuir tarefas criativas e de código aberto para manter a motivação intrínseca e incentivar o compartilhamento entre pares para reforçar o engajamento.

6. Limitações

O autor reconhece duas limitações principais:

1. Representatividade da Amostra: O estudo foi realizado com uma única coorte de uma universidade na China, o que limita a generalização dos achados para diferentes idades, níveis de proficiência e regiões geográficas.
2. Perspectiva Estática: O estudo captura os perfis de engajamento em um único ponto no tempo e não explora como esses perfis podem evoluir longitudinalmente durante um aprendizado sustentado.

O artigo conclui que a orientação do professor é crucial em ambientes integrados com IA para abordar essas distintas configurações emocionais-cognitivas-comportamentais e promover o engajamento sustentado.