A cognitive–motivational perspective on AI-assisted pre-clerkship preparation: a theory- informed cross-sectional study

Resumo Técnico: Uma Perspectiva Cognitivo-Motivacional sobre a Preparação Pré-Estágio Assistida por IA

Definição do Problema
A educação médica enfrenta uma lacuna crítica de transição entre a aquisição de conhecimento teórico e a prática clínica experiencial, particularmente em especialidades como obstetrícia e ginecologia. Os estudantes frequentemente encontram barreiras estruturais durante os estágios clínicos, incluindo acesso restrito a pacientes devido a preocupações com a privacidade, oportunidades limitadas de exame prático e variabilidade na exposição a casos clínicos. Esses fatores levam, muitas vezes, a uma preparação inadequada e a um "hiato de andaime cognitivo pré-clínico", onde os alunos carecem de mecanismos estruturados para organizar e ativar o conhecimento antes de se engajarem em contextos clínicos autênticos. Embora a Inteligência Artificial (IA), particularmente os Modelos de Linguagem de Grande Escala (LLMs), ofereça potencial para aprendizagem interativa e adaptativa, seu papel na fase preparatória específica que precede a exposição clínica permanece subotimizado e insuficientemente compreendido no que diz respeito aos mecanismos de aprendizagem subjacentes e à aceitação do aluno.

Metodologia
O estudo empregou um delineamento transversal baseado em teoria para examinar a aceitação de um modelo de preparação pré-estágio assistido por IA por estudantes de medicina.

• Participantes: 176 estudantes de graduação em medicina da Universidade de Hangzhou (China) foram pesquisados entre fevereiro e abril de 2026, antes de seu estágio de obstetrícia e ginecologia. A taxa de resposta efetiva foi de 91,7% (176 respostas válidas de 192 coletadas).
• Instrumento: Um questionário de 32 itens foi desenvolvido com base no Modelo de Aceitação de Tecnologia (TAM) e na literatura de educação médica. Ele avaliou características demográficas, literacia digital, expectativas do estágio, utilidade percebida (5 itens), intenção comportamental (disposição para participar) e preferências de implementação.
• Estrutura Teórica: O estudo foi guiado pelo TAM, postulando que a utilidade percebida é o principal determinante da intenção comportamental. A utilidade percebida foi operacionalizada como uma pontuação composta (média de 5 itens), e a intenção comportamental foi medida via um único item avaliando a disposição para participar ativamente.
• Análise: A análise estatística incluiu estatística descritiva, análises de correlação de Pearson/Spearman e regressão linear múltipla utilizando SPSS versão 26.0. Variáveis significativas na análise univariada ($P < 0,10$) foram inseridas em um modelo multivariável para identificar preditores independentes.

Principais Resultados

• Níveis de Aceitação: Os estudantes demonstraram aceitação de moderada a alta da preparação assistida por IA, com uma pontuação média de disposição de $3,73 \pm 0,70$. Aproximadamente 63,0% expressaram intenção de participar de tais atividades.
• Preditores de Engajamento: Nas análises univariadas, a utilidade percebida, o desempenho acadêmico e a literacia digital mostraram associações com a intenção comportamental. No entanto, na análise de regressão multivariável, a utilidade percebida emergiu como o único preditor independente significativo ($\beta = 0,866, P < 0,001$).
• Variância Explicada: O modelo explicou 71,8% da variância na intenção comportamental ($R^2\ Ajustado = 0,718$).
• Fatores Não Significativos: Após o ajuste, variáveis como desempenho acadêmico autoavaliado, notas de cursos teóricos, confiança na literacia digital, familiaridade com bases de dados médicas e intenção de carreira não foram associadas independentemente à intenção comportamental. Isso sugere que sua influência pode ser mediada pela utilidade percebida.
• Preferências de Implementação: Os estudantes preferiram formatos concisos e estruturados. As principais preferências incluíram:
  • Tempo: 2–3 dias antes do estágio (34,1%).
  • Conteúdo: Objetivos de aprendizagem explícitos (50%) e listas de doenças com perguntas orientadoras (35,3%) foram priorizados em relação a casos de pacientes virtuais.
  • Formato: Resumos escritos (33,6%) e mapas conceituais (25,8%).
  • Duração: Uma forte preferência pela eficiência, com 69,9% favorecendo tarefas concluídas em até 30 minutos.

Significância e Alegações
O artigo afirma apoiar um Modelo de Aceitação de Tecnologia simplificado onde a utilidade percebida é o principal motor do engajamento dos estudantes com a preparação pré-estágio assistida por IA, superando diferenças individuais em literacia digital ou desempenho acadêmico prévio.

Os autores argumentam que esses achados desafiam a suposição de que a proficiência técnica é a principal barreira para a adoção da IA na educação médica. Em vez disso, eles propõem um mecanismo de adoção orientado pelo valor: os alunos se engajam com ferramentas de IA quando percebem uma relevância clara para a aprendizagem e o desempenho clínico. O estudo sugere que a preparação assistida por IA pode abordar o hiato de andaime cognitivo pré-clínico ao fornecer experiências de aprendizagem estruturadas e cognitivamente suportivas que ajudam os alunos a organizar o conhecimento e reduzir a carga cognitiva antes de entrarem na clínica.

Os autores concluem que a implementação educacional deve priorizar o valor de aprendizagem significativo e a relevância clínica em vez da complexidade tecnológica. Eles postulam que a IA deve ser concebida não como um substituto para o ensino clínico, mas como um andaime preparatório que potencializa o engajamento comportamental, contribuindo, assim, potencialmente para uma melhor prontidão clínica.

Limitações
Os autores reconhecem algumas limitações: o desenho de instituição única limita a generalização; o uso de medidas autorrelatadas introduz potencial viés de resposta; a intenção comportamental foi medida via um único item; e o estudo avaliou o engajamento antecipado, em vez do uso real ou resultados de aprendizagem subsequentes. Recomenda-se pesquisas futuras para empregar desenhos longitudinais e experimentais para avaliar o impacto no desempenho clínico real.