📄 social_science

How Undergraduates Interact with a Generative AI Peer: Eight Participation Roles and the Conditions for Effective Collaboration in University Mathematics

Este estudo identifica oito papéis distintos de participação de graduação na resolução colaborativa de problemas entre humanos e IA generativa, demonstrando que estudantes que sustentam ativamente estados cognitivos compartilhados e externalizam o raciocínio alcançam resultados significativamente melhores do que aqueles que delegam ou se desengajam, destacando, assim, a necessidade crítica de design de tarefas deliberado e ciclos de feedback para fomentar uma colaboração eficaz entre IA e pares.

Autores originais: Matias Rojas, Nicolás Guerra, Jonathan Frez, Brayan Díaz, Xiaoming Zhai

Publicado 2026-09-01

📖 5 min de leitura🧠 Leitura aprofundada

CC BY 4.0

Autores originais: Matias Rojas, Nicolás Guerra, Jonathan Frez, Brayan Díaz, Xiaoming Zhai

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

Na sala de aula moderna, um novo tipo de parceiro chegou, um que não se senta em uma mesa, mas vive dentro do software que os alunos usam para aprender. Este parceiro é uma inteligência artificial generativa, um sistema capaz de manter uma conversa, responder perguntas e ajudar a resolver problemas. Durante anos, os educadores se perguntaram como os alunos realmente trabalham com essas ferramentas. Eles tratam o computador como um tutor inteligente a ser guiado, ou como um mecanismo de busca a ser consultado? Eles pensam profundamente ao lado dele, ou simplesmente pedem a resposta e seguem em frente? A questão é importante porque a maneira como um aluno interage com uma máquina pode determinar se ele realmente aprende o conteúdo ou se apenas completa a tarefa. Pesquisadores estão agora tentando mapear o cenário dessa parceria entre humano e máquina, buscando os comportamentos específicos que levam à compreensão real e aqueles que levam a resultados superficiais.

Uma equipe de pesquisadores partiu para explorar essa dinâmica no ambiente de alto risco da universidade. Eles criaram um espaço digital onde trinta estudantes de graduação trabalharam com um par de inteligência artificial para resolver problemas complexos de cálculo. A configuração foi projetada para que nem o aluno nem o computador pudessem resolver o problema sozinhos. O aluno detinha parte das informações necessárias, e o computador detinha o restante. Para encontrar a solução, eles precisavam conversar, compartilhar o que sabiam e coordenar seus passos. Isso forçou uma colaboração genuína, em vez de uma simples transação onde o aluno faz uma pergunta e a máquina fornece uma resposta. Os pesquisadores registraram cada mensagem e ação, utilizando um sistema sofisticado para analisar a conversa e determinar quão bem a dupla estava trabalhando junta.

O estudo revelou que os alunos não interagiam com a IA da mesma forma. Em vez de um único padrão de comportamento, os pesquisadores identificaram oito papéis distintos que os alunos desempenharam durante essas sessões. Em uma extremidade do espectro estavam os alunos que atuavam como "Co-reguladores". Esses indivíduos tratavam a IA como um verdadeiro parceiro de pensamento. Eles explicavam seu próprio raciocínio, verificavam sua compreensão em relação às sugestões do computador e trabalhavam juntos para construir uma imagem compartilhada do problema. Eles externalizavam seus pensamentos, tornando seu processo mental visível para a máquina para que ela pudesse responder de forma significativa. Na outra extremidade estavam os alunos que atuavam como "Desengajados Precoces" ou "Adivinhadores de Baixo Esforço". Esses alunos mal se engajavam no processo colaborativo. Eles podiam pedir a resposta, aceitá-la sem questionar ou desistir rapidamente quando a tarefa se tornava difícil. Entre esses extremos havia outros papéis, como o "Diretor Delegante", que permanecia ativo, mas entregava o trabalho pesado para o computador, ou o "Seguidor Desalinhado", que tentava seguir a IA, mas falhava em construir uma compreensão compartilhada correta do problema.

Os resultados mostraram uma ligação clara entre como um aluno interagia com a IA e se ele tinha sucesso. Alunos que mantinham um alto nível de interação, compartilhando informações e raciocinando pelos passos juntos, tinham muito mais probabilidade de resolver ambos os problemas corretamente. De fato, as chances de um aluno no grupo de alta interação resolver as tarefas eram cerca de onze vezes maiores do que para aqueles no grupo de baixa interação. No entanto, os pesquisadores descobriram que simplesmente falar mais não era toda a história. Alguns alunos que resolveram os problemas o fizeram com pouca colaboração visível, muitas vezes contornando a ajuda da IA ou trabalhando ao redor dela. Por outro lado, alguns alunos que conversavam muito com a IA estavam apenas realizando aritmética ou adivinhando números sem compreender verdadeiramente a lógica subjacente. A qualidade da conversa importava mais do que a quantidade. As interações mais produtivas eram aquelas em que o aluno mantinha seu raciocínio visível, mantinha uma compreensão compartilhada do estado do problema e distribuía o trabalho mental de forma justa entre si e a máquina.

Para dar sentido a essas conversas complexas, os pesquisadores desenvolveram uma nova maneira de medir a colaboração automaticamente. Eles utilizaram um sistema de agentes de inteligência artificial para ler os registros de chat e pontuar as interações com base em estruturas estabelecidas de trabalho em equipe. Esse sistema podia identificar se um aluno estava planejando, monitorando ou compartilhando informações, fornecendo um mapa detalhado do processo de colaboração. A pontuação automatizada mostrou-se promissora, concordando com especialistas humanos sobre o tipo geral de comportamento cerca de 60% das vezes, e ainda melhor ao observar categorias mais amplas de interação. Isso sugere que é possível analisar o trabalho em equipe entre humanos e IA em uma escala que antes era impossível, indo além das simples notas de testes para entender o processo real de aprendizagem.

O estudo conclui que a relação entre um aluno e um par de IA não é uma simples questão de usar uma ferramenta. É uma interação social complexa onde a abordagem do aluno determina o resultado. Se um aluno trata a IA como um parceiro para pensar junto, externalizando seu próprio raciocínio e negociando etapas, ele provavelmente aprenderá profundamente. Se ele trata a IA como um atalho para uma resposta, ele pode completar a tarefa, mas perder o aprendizado. Os pesquisadores sugerem que as futuras ferramentas educacionais devem ser projetadas para reconhecer esses diferentes papéis. Em vez de oferecer a mesma ajuda para todos, um sistema de IA poderia detectar quando um aluno está delegando trabalho excessivamente ou se desengajando, e então ajustar seus comandos para incentivar um pensamento mais profundo. Ao compreender as formas específicas pelas quais os alunos interagem com esses novos parceiros, os educadores podem projetar melhores experiências de aprendizagem que transformem a inteligência artificial em um verdadeiro catalisador para a compreensão humana.

Resumo Técnico: Como Graduandos Interagem com um Par de IA Generativa

Problema
Embora a IA generativa (GenAI) esteja entrando rapidamente no ensino superior, há uma falta crítica de compreensão sobre como os estudantes individuais interagem com a IA como um par durante a resolução de problemas colaborativos (CPS) de natureza aberta. Os frameworks existentes frequentemente tratam a interação humano-IA como monolítica ou dependem de agentes roteirizados que suprimem a negociação autêntica e a coordenação emergente. Além disso, medir a CPS em diálogos abertos tem sido historicamente proibitivo devido à necessidade de codificação humana intensiva. Este estudo aborda a lacuna na compreensão dos padrões de interação específicos, papéis de participação e condições que distinguem a colaboração humano-GenAI educacionalmente produtiva de trocas improdutivas ou transacionais em matemática universitária.

Metodologia
O estudo empregou um design piloto de métodos mistos, intra-sujeitos, envolvendo 30 estudantes de graduação matriculados em Cálculo I em uma universidade privada chilena.

Design do Sistema: Uma plataforma baseada na web pareou cada estudante com um par de Modelo de Linguagem de Grande Escala (LLM). O sistema utilizou uma estrutura de divisão de informações do tipo "jigsaw" (quebra-cabeça), onde o estudante e o LLM detinham informações complementares e não sobrepostas necessárias para resolver problemas de otimização. Este design impôs interdependência estrutural, tornando a colaboração necessária em vez de opcional.
Estrutura da Tarefa: Os estudantes completaram duas tarefas de otimização baseadas em cálculo. A Tarefa 1 envolveu otimização de múltiplas zonas com restrições parciais, enquanto a Tarefa 2 exigiu a inferência de uma função desconhecida. O par de LLM foi projetado via engenharia de prompt para atuar como um colaborador (evitando soluções diretas) e incluiu um agente "Provocador" para elicitar o compartilhamento de informações e monitoramento sem fornecer conteúdo matemático.
Coleta de Dados e Pontuação Automatizada: O sistema capturou traços detalhados de diálogo e interação (cliques, tempo na tarefa). Um novo pipeline de pontuação automatizada de três agentes, fundamentado no framework CPS do PISA 2015, foi usado para codificar os turnos dos estudantes. Este pipeline empregou uma abordagem de mistura de especialistas: um especialista Social atribuiu competências colaborativas, um especialista Cognitivo atribuiu processos cognitivos e um agente Juiz sintetizou estes em um código final (A1–D3) e classificação de qualidade.
Validação: O pontuador automatizado foi validado contra um subconjunto "gold-standard" de 76 mensagens codificadas por dois avaliadores humanos. A concordância foi medida no nível de 12 códigos, bem como nos níveis mais amplos de processo cognitivo e competência colaborativa.
Análise: A análise quantitativa incluiu agrupamento por k-means para identificar perfis de interação baseados em características de traço (ações, mensagens, comprimento, tempo). A análise qualitativa envolveu um estudo de caso temático de oito conversas selecionadas propositalmente para interpretar os perfis quantitativos.

Principais Contribuições

Tipologia de Participação: O estudo identifica oito papéis de participação distintos que os estudantes desempenham ao colaborar com um par de IA: O Co-regulador, O Colaborador de Recalibragem, O Adivinho de Baixo Esforço, O Diretor Delegador, O Seguidor Desalinhado, O Buscador de Respostas de Baixo Engajamento, O Buscador de Conhecimento Eficiente e O Desengajador Precoce.
Pipeline de Pontuação Automatizada: O artigo apresenta e valida um pipeline de LLM multi-agente para pontuar diálogos de CPS abertos. Ele demonstra que, embora a concordância com humanos no nível de 12 códigos seja moderada ( $\kappa \approx .60$ ), a concordância é substancialmente mais forte nos níveis de competência colaborativa e processo cognitivo ( $\kappa \approx .78$ e $.88$, respectivamente).
Perfis de Interação: A pesquisa distingue entre volume simples de interação e a qualidade da colaboração, mostrando que alta interação não equivale automaticamente a uma CPS de alta qualidade (ex: um estudante pode ser ativo, mas depender de tentativa e erro aritmético em vez de raciocínio).

Resultados

Achados Quantitativos: O agrupamento revelou dois perfis primários de interação: um cluster de "maior interação" (71% resolveram ambas as tarefas) e um cluster de "menor interação" (19% resolveram ambas as tarefas). Estudantes no perfil de maior interação tiveram chances aproximadamente 10,83 vezes maiores de resolver ambas as tarefas do que aqueles no perfil de menor interação.
Métricas de CPS: Embora um índice global de CPS tenha se correlacionado com o desempenho, modelos logísticos aninhados indicaram que subdimensões específicas — particularmente a proporção de movimentos de "tomar ação apropriada" e "monitorar e refletir" — foram mais preditivas de sucesso do que o escore global isolado.
Achados Qualitativos: A análise de caso revelou que a conclusão bem-sucedida da tarefa não garantia colaboração profunda (ex: alguns estudantes resolveram as tarefas com mínima CPS visível ao contornar o andaime/scaffolding da IA). Inversamente, alto engajamento não garantia colaboração de alta qualidade (ex: alguns estudantes delegaram todo o trabalho procedimental). As interações mais produtivas envolveram estudantes que externalizaram o raciocínio, mantiveram um estado cognitivo compartilhado e distribuíram a responsabilidade epistêmica.
Percepções: Os estudantes perceberam o feedback da IA como útil (86,7%) e o par como fácil de usar (80,0%), sem diferenças significativas de percepção entre alunos de alto e baixo desempenho.

Significância e Alegações
O artigo afirma que a colaboração humano-GenAI não é um fenômeno uniforme, mas um espectro complexo de comportamentos que impacta significativamente os resultados de aprendizagem. O estudo argumenta que a colaboração eficaz entre humano e IA requer o design deliberado de estruturas de tarefas (como a divisão de informações) e loops de feedback que incentivem comportamentos regulatórios específicos.

Os autores postulam que seus achados fornecem uma tipologia fundamentada teoricamente para interpretar logs de estudante-IA, indo além de métricas binárias de "uso" ou "sucesso". Eles sugerem que, para que ferramentas de par-IA sejam educacionalmente produtivas, elas devem ser projetadas para elicitar e apoiar papéis de participação específicos (como a co-regulação), em vez de permitir que os estudantes recorram a papéis transacionais ou delegadores. O estudo conclui que a medição baseada em processos, viabilizada pela pontuação automatizada, é essencial para distinguir entre estudantes que resolvem problemas com um par de IA versus aqueles que resolvem problemas ao redor dele. Os autores mantêm-se modestos, observando que a evidência atual provém de um estudo piloto e que o pontuador automatizado é mais adequado para detectar movimentos colaborativos amplos do que para fazer reivindicações psicométricas definitivas sobre cada fronteira de código refinada.

Mais como este