📄 social_science

An Integrative Model of Artificial Intelligence Competencies and a Multi-theoretical Approach to the Implementation of Inclusive STEM Learning

Este estudo quantitativo com 1.000 professores de escolas inclusivas da Indonésia demonstra que tanto as competências em IA quanto uma abordagem pedagógica multiteórica aumentam de forma significativa e sinérgica a implementação da aprendizagem de STEM inclusiva, validando um modelo integrativo para a prontidão docente e o desenvolvimento de políticas.

Autores originais: I Wayan Sumandya, I Wayan Widana, A.A. Istri Mirah Dharmadewi, Gde Iwan Setiawan

Publicado 2026-06-29

📖 4 min de leitura☕ Leitura rápida

CC BY 4.0

Autores originais: I Wayan Sumandya, I Wayan Widana, A.A. Istri Mirah Dharmadewi, Gde Iwan Setiawan

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 que você está tentando construir uma casa que seja acolhedora para todos, independentemente de seu tamanho, forma ou habilidades. É assim que funciona o Aprendizado de STEM Inclusivo: trata-se de ensinar Ciência, Tecnologia, Engenharia e Matemática de uma forma que cada estudante possa participar e ter sucesso.

Este artigo é essencialmente um projeto de como os professores podem construir essa casa com sucesso. Os autores, uma equipe da Universitas PGRI Mahadewa Indonesia, argumentam que você não pode simplesmente entregar a um professor um monte de tijolos (tecnologia) e esperar uma grande casa. Eles precisam de duas coisas específicas trabalhando juntas: Competência em IA e Teoria Educacional.

Aqui está a divisão de suas descobertas usando analogias simples:

1. Os Dois Ingredientes Essenciais

Os pesquisadores estudaram 1.000 professores na Indonésia para ver o que os torna bem-sucedidos nesta tarefa. Eles descobriram que dois "ingredientes" principais são necessários:

Competência em IA (A Caixa de Ferramentas): Isso não é apenas saber como ligar um computador. É como se um professor tivesse uma caixa de ferramentas mágica e de alta tecnologia. Eles precisam saber como usar a IA para criar aulas que se adaptem a diferentes alunos, entender como a IA "pensa" e conhecer as regras éticas (como não deixar a IA ser injusta).
Abordagem Multiteórica (O Plano do Arquiteto): Este é o conhecimento do professor sobre como as pessoas aprendem. Imagine um mestre arquiteto que sabe que algumas pessoas aprendem fazendo, outras observando e outras conversando. Um professor "multiteórico" não depende de apenas um livro de regras; ele mistura diferentes teorias de aprendizagem (como como as crianças constiam o próprio conhecimento, como aprendem umas com as outras e como fazer com que todos se sintam seguros) para projetar a aula perfeita.

2. A Magia de Misturá-los (A Sinergia)

A parte mais emocionante do estudo é o que acontece quando você combina esses dois.

Pense na IA como um motor poderoso em um carro, e na Teoria de Aprendizagem como o volante e o mapa.

Se você tem um motor poderoso (IA), mas não tem um volante (Teoria), o carro corre muito rápido, mas bate ou anda em círculos. O professor pode usar uma tecnologia legal, mas ignorar as necessidades dos alunos.
Se você tem um ótimo mapa (Teoria), mas um motor fraco (Sem IA), você sabe exatamente para onde ir, mas se move devagar demais para chegar lá de forma eficiente.
A Descoberta do Estudo: Quando você tem tanto um motor poderoso quanto um motorista habilidoso com um mapa, o carro voa. Os pesquisadores descobriram que, quando os professores tinham tanto fortes habilidades de IA quanto uma compreensão profunda das teorias de aprendizagem, sua capacidade de ensinar de forma inclusiva era significativamente maior do que se tivessem apenas um ou outro. Eles chamaram isso de "efeito sinérgico".

3. O Que os Números Dizem

Os pesquisadores usaram um método estatístico sofisticado (como uma calculadora muito precisa) para medir isso.

As habilidades de IA sozinhas ajudaram os professores a serem cerca de 40% mais eficazes.
As Teorias de Aprendizagem sozinhas ajudaram os professores a serem cerca de 32% mais eficazes.
Mas quando combinadas, elas aumentaram uma à outra, elevando o sucesso geral ainda mais.

O estudo explica cerca de 43% do porquê alguns professores são ótimos em STEM inclusivo e outros não. O restante depende de outros fatores não medidos neste estudo específico (como financiamento escolar ou a vida familiar do aluno).

4. O Ponto Principal

O artigo conclui que, para tornar o aprendizado de STEM justo e acessível para todos (incluindo alunos com necessidades especiais), não podemos apenas treinar professores para serem "tecnólogos". Também não podemos apenas treiná-los para serem "teóricos".

Precisamos de professores híbridos: aqueles que se sentem confortáveis com as ferramentas de IA mais recentes e que compreendem profundamente o lado humano da aprendizagem. Quando esses dois mundos colidem, eles criam um ambiente de aprendizagem que não é apenas inteligente, mas também gentil, justo e adaptável a cada um dos alunos.

Em resumo: Você precisa das ferramentas certas (IA) e do plano certo (Teoria) para construir uma sala de aula onde todos pertençam.

Resumo Técnico: Um Modelo Integrativo de Competências de Inteligência Artificial e uma Abordagem Multiteórica para a Implementação da Aprendizagem Inclusiva em STEM

Definição do Problema
A integração da Inteligência Artificial (IA) na educação STEM (Ciência, Tecnologia, Engenharia e Matemática) em escolas inclusivas enfrenta uma lacuna crítica: a prontidão docente é frequentemente limitada à proficiência tecnológica, carecendo de um arcabouço teórico pedagógico abrangente. Embora a IA ofereça potencial para personalização e acessibilidade, sua implementação em contextos inclusivos corre o risco de criar disparidades se os educadores a visualizarem meramente como uma ferramenta técnica, em vez de um instrumento conceitual para uma pedagogia orientada por dados, ética e inclusão. A literatura existente carece de modelos integrativos que combinem explicitamente as competências de IA dos professores com abordagens multiteóricas (ex: construtivismo, teoria cognitiva social, teoria da educação inclusiva) como preditores de uma implementação bem-sulada de STEM inclusivo. Além disso, limitações metodológicas em estudos anteriores, como a dependência de desenhos qualitativos ou de pesquisas simples sem o teste de causalidade simultânea entre variáveis latentes, dificultam uma compreensão robusta dessas relações estruturais.

Metodologia
Este estudo empregou um delineamento de levantamento explicativo quantitativo para testar um modelo estrutural integrativo.

Participantes: A amostra consistiu em 1.000 professores ativos de escolas inclusivas na Indonésia (Bali, Nusa Tenggara Ocidental e Nusa Tenggara Oriental), selecionados via amostragem por conveniência (purposiva). Os critérios incluíram pelo menos dois anos de experiência docente e envolvimento prévio em programas de IA ou STEM.
Instrumento: Os dados foram coletados utilizando um questionário de escala Likert de cinco pontos medindo três constructos primários:
1. Competência em IA: Abrangendo compreensão conceitual, capacidades operacionais, inovação, colaboração e confiança.
2. Abordagem Multiteórica: Medindo a conformidade entre teoria e prática, síntese teórica, contribuição para a inclusão, viabilidade e desenvolvimento profissional.
3. Capacidades de Implementação de STEM: Avaliando planejamento, currículo adaptativo, estratégias ativas, integração de IA, avaliação inclusiva e suporte de recursos.
Análise: Os dados foram analisados utilizando a Modelagem de Equações Estruturais por Mínimos Quadrados Parciais (PLS-SEM) via software SmartPLS. A análise seguiu uma abordagem de duas etapas:
1. Modelo de Mensuração: Avaliado quanto à confiabilidade (Alfa de Cronbach, Confiabilidade Composta) e validade (Validade Convergente via AVE e Cargas Fatoriais; Validade Discriminante via critérios de Fornell-Larcker e HTMT).
2. Modelo Estrutural: Testado para multicolinearidade (VIF interno), coeficientes de caminho (teste de hipóteses), tamanhos de efeito ( $f^2$ ) e relevância preditiva ( $R^2$ , $Q^2$ ). O bootstrapping foi utilizado para determinar a significância estatística.

Principais Resultados
O modelo estrutural demonstrou excelente validade e confiabilidade de constructo, com todas as cargas fatoriais excedendo 0,70, valores de Confiabilidade Composta acima de 0,90 e valores de Variância Extraída Média (AVE) acima de 0,65. A valididade discriminante foi confirmada, pois a raiz quadrada da AVE de cada constructo excedeu as correlações entre os constructos.

O teste de hipóteses apresentou os seguintes achados significativos:

Competência em IA: As competências de IA dos professores têm um efeito direto positivo significativo na implementação da aprendizagem STEM inclusiva ( $\beta = 0,408$ , $p < 0,001$ ).
Abordagem Multiteórica: A abordagem multiteórica tem um efeito direto positivo significativo na implementação de STEM inclusivo ( $\beta = 0,320$ , $p < 0,001$ ).
Efeito de Interação: Existe um efeito de interação positivo significativo entre a competência em IA e a abordagem multiteórica ( $\beta = 0,213$ , $p < 0,001$ ), indicando uma relação sinérgica onde a combinação de ambos os fatores potencializa a eficácia da implementação.
Ajuste do Modelo: O modelo estrutural explica 42,7% da variância na implementação de STEM inclusivo ( $R^2 = 0,427$ ), categorizada como poder preditivo moderado. O modelo não apresentou problemas de multicolinearidade (VIF Interno < 5) e o Erro Quadrático Médio da Raiz (SRMR) indicou um bom ajuste do modelo.

Principais Contribuições

Teórica: O estudo propõe e valida um "Modelo Integrativo" (referido na discussão como o Modelo Multiteórico Integrado de IA ou AIMTM) que vincula explicitamente as competências de IA e as abordagens pedagógicas multiteóricas como preditores duplos do sucesso de STEM inclusivo. Ele estende as teorias construtivista e cognitiva social para um contexto tecnopedagógico, enfatizando que a IA deve estar fundamentada em teorias educacionais éticas e humanísticas.
Metodológica: Ao utilizar PLS-SEM, a pesquisa fornece uma análise causal e preditiva robusta de variáveis latentes, abordando as lacunas metodológicas de estudos exploratórios ou qualitativos anteriores neste domínio.
Prática: Os achados oferecem implicações estratégicas para o desenvolvimento profissional docente, sugerindo que o treinamento deve ir além das habilidades técnicas de IA para incluir a integração de teorias de aprendizagem, reflexão ética e competências colaborativas.

Significância e Alegações
Os autores alegam que esta pesquisa fornece evidências empíricas sólidas de que a implementação bem-sucedida da aprendizagem STEM inclusiva depende da sinergia entre o domínio tecnológico (competência em IA) e a profundidade epistemológica (abordagem multiteórica). O estudo afirma que a IA sozinha é insuficiente; ela requer um "alinhamento pedagógico" onde os professores atuam como mediadores entre algoritmos e valores humanos.

O artigo conclui que a integração destas dimensões cria um "ecossistema de aprendizagem inteligente" capaz de promover uma educação STEM equitativa, adaptável e sustentável. Os autores posicionam seu trabalho como um passo fundamental para formuladores de políticas e desenvolvedores de currículos projetarem intervenções que evitem o fenômeno do "tecnólogo sem direção", garantindo que a IA sirva como uma ferramenta para a equidade, e não como uma fonte de novos hiatos educacionais. O estudo nota modestamente que, embora o modelo seja robusto, pesquisas futuras devem explorar influências contextuais multinível e validações transculturais em todo o Sudeste Asiático.

1. Os Dois Ingredientes Essenciais

2. A Magia de Misturá-los (A Sinergia)

3. O Que os Números Dizem

4. O Ponto Principal

Mais como este