📄 social_science

Invisible Inequality in Peer–AI–Peer Interaction: Rethinking Inclusion in Digital EFL Classrooms

Baseando-se na Teoria Sociocultural, este estudo qualitativo revela que as interações Par-IA-Par em salas de aula de EFL digitais geram desigualdades epistêmicas invisíveis onde pares especialistas dominam a construção de conhecimento mediada por IA, sugerindo que a verdadeira inclusão requer deslocar o foco do mero acesso tecnológico para o engajamento equitativo e o papel estratégico do andaime de especialistas na sustentação da aprendizagem colaborativa.

Autores originais: Van Huong Nguyen, Minh Tuan Dang, Anh Tuan Nguyen, Nhu Huong Nguyen

Publicado 2026-09-23

📖 6 min de leitura🧠 Leitura aprofundada

CC BY 4.0

Autores originais: Van Huong Nguyen, Minh Tuan Dang, Anh Tuan Nguyen, Nhu Huong Nguyen

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

Em salas de aula ao redor do mundo, uma revolução silenciosa está ocorrendo. Professores estão entregando aos alunos novas e poderosas ferramentas: a inteligência artificial. Esses assistentes digitais podem gerar ideias, corrigir a gramática e organizar pensamentos, prometendo nivelar o campo de jogo para todos os aprendizes. A esperança é que, ao dar a todos acesso à mesma máquina inteligente, a educação se torne mais justa. Mas esse otimismo frequentemente ignora uma verdade sutil sobre como as pessoas aprendem juntas. O aprendizado raramente é um ato solitário; ele acontece no espaço entre as pessoas, onde um aluno mais experiente ajuda um menos experiente. Essa dinâmica, conhecida como andaime entre pares (peer scaffolding), baseia-se na confiança e na conversa. Quando um terceiro elemento — um programa de computador — entra nessa conversa, as regras mudam. A questão que os pesquisadores fazem agora não é apenas se os alunos conseguem usar a ferramenta, mas quem realmente controla a conversa quando a ferramenta está presente. A máquina ajuda a todos igualmente ou desloca silenciosamente o poder para o aluno que já sabe mais?

Uma equipe de pesquisadores no Vietnã partiu para responder a isso observando alunos reais escrevendo ensaios com a ajuda de um chatbot de IA. Eles focaram em duplas de alunos: um que era bom em escrita e outro que ainda estava aprendendo. Eles chamaram essa configuração de interação "Par–IA–Par". Os pesquisadores queriam ver o que acontecia quando esses dois alunos trabalhavam juntos, pediam ajuda à IA e depois decidiam o que fazer com as respostas. Eles gravaram as conversas dos alunos, observaram seus rostos em busca de sinais de hesitação ou confusão e salvaram o texto de seus chats com o computador. Eles observaram todo o processo de escrita, desde o momento em que os alunos primeiro pensavam em uma ideia até o momento final em que poliam suas frases. O objetivo era encontrar a "desigualdade invisível" — diferenças na forma como os alunos participavam que são difíceis de ver, mas têm um impacto real no aprendizado.

O que os pesquisadores descobriram foi que a presença da IA não criou um triângulo de interação justo. Em vez disso, criou uma relação desequilibrada. Em quase todos os grupos, o aluno mais forte, ou o "especialista", assumia o controle do dispositivo. Esse aluno digitava as perguntas, lia as respostas da IA primeiro e depois decidia quais partes compartilhar com seu parceiro. O aluno mais fraco, ou o "novato", muitas vezes acabava apenas observando ou esperando. Embora ambos os alunos tivessem acesso à mesma tecnologia, o especialista tornou-se o guardião. Ele atuava como um filtro, interpretando as sugestões complexas da máquina e traduzindo-as para seu parceiro. Isso significava que o aluno novato raramente falava diretamente com a IA e, quando o fazia, sua contribuição era frequentemente anulada ou ignorada. A desigualdade não era sobre quem tinha a ferramenta; era sobre quem tinha a autoridade para decidir o que a ferramenta significava.

Esse desequilíbrio tornava-se mais forte conforme a tarefa de escrita progredia. No início, quando os alunos estavam apenas fazendo um brainstorming de ideias, o especialista usava a IA para gerar uma lista de possibilidades e então as apresentava ao novato. O novato podia concordar ou sugerir uma pequena mudança, mas o especialista detinha o poder de escolher a direção final. À medida que os alunos avançavam para o meio da escrita do ensaio, o especialista usava a IA para corrigir frases e melhorar o fluxo do texto. Novamente, o especialista decidia quais correções manter. Quando os alunos estavam terminando seu trabalho e revisando erros, o padrão era mais extremo. O especialista pedia o conselho final à IA, avaliava as sugestões e tomava as decisões finais sobre o que manter ou alterar. O aluno novato era frequentemente reduzido a um observador passivo, assentindo com a cabeça ou simplesmente digitando o que o especialista dizia para digitar.

O estudo revelou que o problema mais significativo não era a falta de acesso, mas a falta de "autoridade epistêmica". Esta é uma maneira sofisticada de dizer que um aluno perdia o direito de ser visto como uma fonte de conhecimento. Mesmo quando o aluno novato tinha uma boa ideia ou uma preocupação válida, o controle do especialista sobre a IA fazia com que a voz do novato parecesse menos importante. O resultado da máquina era tratado como a palavra final, mas apenas se o especialista o validasse primeiro. Se o especialista ignorasse uma sugestão do novato, o novato raramente contestava. Os pesquisadores observaram que isso acontecia porque o novato confiava no especialista, e o especialista confiava na máquina, criando uma cadeia de autoridade que deixava o novato para trás. A desigualdade era invisível porque todos estavam tecnicamente "participando", mas a qualidade dessa participação era vastamente diferente.

Curiosamente, os pesquisadores descobriram que essa dinâmica desigual nem sempre impedia o aprendizado de acontecer. Em alguns casos, o aluno especialista parecia reconhecer que seu parceiro precisava de ajuda e usava a IA para fornecer suporte extra. Ele explicava as respostas da máquina em termos mais simples ou pedia ao novato que tentasse uma parte específica da tarefa. Isso sugere que a desigualdade, embora injusta em termos de poder, às vezes poderia ser usada para manter o grupo avançando. No entanto, os pesquisadores alertaram que este é um equilíbrio frágil. Se o especialista for controlador demais, o novato para de pensar por si mesmo e apenas segue ordens. O estudo sugere que simplesmente dar um computador aos alunos não garante uma sala de aula justa. A verdadeira inclusão requer mais do que apenas acesso à tecnologia; requer atenção cuidadosa a quem está falando, quem está ouvindo e quem está tomando as decisões finais.

Os pesquisadores concluíram que, para que a IA seja uma ferramenta verdadeiramente útil na educação, os professores precisam mudar a forma como organizam o trabalho em grupo. Eles sugeriram que os alunos devem se revezar no controle do dispositivo, para que o novato tenha a chance de fazer as perguntas e interpretar as respostas. As tarefas devem ser desenhadas para forçar a discussão antes e depois do uso da IA, garantindo que a máquina apoie a conversa em vez de substituí-la. O estudo não afirmou que a IA é ruim ou que deve ser banida. Em vez disso, mostrou que, sem orientação cuidadosa, a tecnologia pode acidentalmente reforçar as mesmas lacunas que pretendia fechar. O verdadeiro desafio não está no código da máquina, mas nos hábitos humanos da sala de aula. Se queremos que a IA ajude todos a aprender, devemos garantir que o poder de usá-la seja compartilhado, e não acumulado pelo aluno que já sabe mais.

Resumo Técnico: Desigualdade Invisível na Interação Par–IA–Par

Problema de Pesquisa
Embora a integração da Inteligência Artificial (IA) nas salas de aula de escrita de Inglês como Língua Estrangeira (ILE) seja frequentemente enquadrada como uma ferramenta para ampliar o acesso e promover a autonomia do aluno, este artigo argumenta que esse otimismo negligencia desigualdades sutis e "invisíveis" dentro da aprendizagem colaborativa. Especificamente, nos modelos de interação Par–IA–Par (PIP), a mera presença da IA não garante uma participação equitativa. O estudo identifica uma lacuna crítica na literatura existente: a falta de uma análise de micro-nível sobre como os direitos de participação, o poder de decisão e a validação do conhecimento são distribuídos entre alunos especialistas e novatos quando mediados pela IA. O problema central é que a IA pode não apenas apoiar a aprendizagem, mas reestruturar ativamente as dinâmicas de interação, potencialmente concentrando o controle nas mãos do par "especialista" e relegando o "novato" a um papel periférico ou complacente, criando assim uma forma de desigualdade difícil de detectar, mas significativa em seu impacto nos resultados de aprendizagem.

Metodologia
O estudo utiliza um design de pesquisa qualitativa fundamentado na Teoria Sociocultural (TSC), utilizando especificamente conceitos de mediação, a Zona de Desenvolvimento Proximal (ZDP) e internalização.

Participantes: Cinco pares de estudantes do terceiro ano de Letras de uma universidade vietnamita foram selecionados por meio de amostragem intencional baseada em um modelo de pareamento especialista–novato. Os especialistas foram identificados pelo GPA e notas de escrita (7–9), enquanto os novatos pontuaram entre 4–6.
Coleta de Dados: Os dados foram coletados ao longo de cinco semanas durante um curso de escrita acadêmica, abrangendo três estágios: pré-escrita, durante a escrita e pós-escrita. Os instrumentos incluíram gravações de áudio das interações entre pares, capturas de tela dos logs de chat da IA (ChatGPT 5.1) e notas de observação capturando indicadores comportamentais (ex.: hesitação, silêncio, alternância de turnos).
Análise: Os logs de interação foram transcritos e codificados usando um framework adaptado da TSC e de estudos anteriores sobre andaime (scaffolding) entre pares e equidade digital. O esquema de codificação categorizou estratégias de scaffolding entre pares, funções mediadas por IA e cinco tipos de indicadores de "desigualdade invisível": interacional (II-INT), relacionada ao acesso (II-ACC), relacionada à decisão (II-DEC), de posicionamento de conhecimento/epistêmica (II-EPI) e relacionada ao resultado (II-BEN).
Suplemento Quantitativo: Para explorar as relações entre o scaffolding e a desigualdade, foi aplicada a análise de correlação de Spearman aos dados de frequência dos indicadores de desigualdade contra o total de movimentos de scaffolding.

Principais Resultados
A análise revela uma assimetria consistente nas interações PIP em todos os estágios de escrita, caracterizada por um canal dominante "Par 1 (Especialista)–IA" e um canal significativamente mais fraco "Par 2 (Novato)–IA".

Distribuição da Interação: No estágio de pré-escrita, as interações Par 1–IA (38 turnos) superaram vastamente as interações Par 2–IA (7 turnos). Esse padrão persistiu no estágio de escrita (29 vs. 6) e no de pós-escrita (43 vs. 11). O Par 1 controlou consistentemente o dispositivo, a inserção de comandos (prompts) e o recebimento inicial do conteúdo gerado pela IA.
Dominância da Desigualdade Epistêmica: Entre os cinco tipos de desigualdade invisível, a Desigualdade Epistêmica (II-EPI) emergiu como o indicador mais dominante em todos os estágios. Isso indica que a questão central não é meramente o acesso físico à ferramenta, mas a autoridade para interpretar, validar e decidir qual conhecimento gerado pela IA será retido.
Dinâmicas Específicas por Estágio:
- Pré-escrita: A desigualdade foi mais visível na geração e legitimação de ideias, onde o especialista interpretou as respostas da IA antes de transmiti-las ao novato.
- Durante a escrita: A desigualdade superficial pareceu diminuir conforme o foco mudava para a produção de texto, mas o controle sobre como o scaffolding era convertido em texto permaneceu com o especialista.
- Pós-escrita: A desigualdade voltou a subir, particularmente em relação ao poder de avaliar o feedback e tomar decisões finais de revisão.
Achados de Correlação: A análise de correlação de Spearman revelou relações positivas significativas entre o scaffolding total e as desigualdades relacionadas ao acesso (II-ACC), tomada de decisão (II-DEC) e status epistêmico (II-EPI). Notavelmente, a desigualdade de tomada de decisão mostrou a correlação mais forte ( $\rho = 0,664$ ), sugerindo que, quando um aluno é excluído da tomada de decisão, os pares podem aumentar o scaffolding como um mecanismo compensatório. Por outro outro lado, as desigualdades na quantidade de alternância de turnos (II-INT) e nos benefícios de aprendizagem (II-BEN) não mostraram correlação significativa com a frequência de scaffolding.

Principais Contribuições

Reconceitualizando a Inclusão: O estudo desafia a noção de que inclusão digital é sinônimo de acesso tecnológico. Ele postula que a verdadeira inclusão em salas de aula mediadas por IA exige participação equitativa nos processos de interpretação, validação e tomada de decisão.
O Triângulo PIP como um Sistema Assimétrico: O artigo contribui para uma compreensão estrutural do modelo PIP, demonstrando que a IA não apenas adiciona um terceiro elemento à interação entre pares, mas reestrutura o fluxo de mediação. O par especialista torna-se frequentemente um "Outro Mais Conhecedor aumentado pela IA" (AI-aMKO), controlando o fluxo de informação da IA para o novato.
Framework de Desigualdade Invisível: Ao identificar e codificar indicadores específicos de desigualdade invisível (particularmente a desigualdade epistêmica), o estudo fornece uma ferramenta metodológica para detectar desequilíbrios de poder sutis que as avaliações tradicionais baseadas em resultados podem perder.
Assimetria Funcional: A pesquisa sugere que, embora a desigualdade exista, ela nem sempre é puramente restritiva. Em alguns casos, o controle do especialista sobre o canal de IA serve a uma função pedagógica, sustentando a continuidade da interação e evitando que o novato fique sobrecarregado, embora isso ocorra às custas da redução da agência do novato.

Significância e Alegações
O artigo afirma que suas descobertas exigem um repensar da inclusão na educação digital. Argumenta que, sem intervenção, a colaboração mediada por IA pode inadvertidamente reforçar hierarquias existentes, transformando o scaffolding entre pares de um processo recíproco em um canal de mediação desigual onde o especialista detém um poder desproporcional.

O estudo conclui que a natureza "invisível" dessas desigualdades — enraizada em quem controla o comando (prompt) e quem valida o conhecimento — representa um risco significativo à autonomia do aluno e ao engajamento crítico. No entanto, os autores observam modestamente que o estudo é limitado a cinco pares em um único contexto universitário e baseia-se em dados observacionais sem entrevistas aprofundadas. Consequentemente, embora os achados destaquem a necessidade de estratégias pedagógicas, como a rotação de papéis e o desenho de tarefas que exijam discussões pré e pós-IA, os autores não alegam que esses resultados sejam universalmente generalizáveis sem pesquisas adicionais em diversos contextos e plataformas de IA. A principal significância reside em deslocar o foco do "acesso à tecnologia" para a "participação substantiva" em ambientes de aprendizagem mediados.

Mais como este