📄 social_science

Towards a Refined Framework for K–12 Teachers’ AI Literacy: A Mixed-Methods Investigation of Challenges in Its Development

Utilizando um delineamento de métodos mistos sequencial explanatório envolvendo 835 questionários e 10 entrevistas, este estudo identifica barreiras demográficas e conceituais à literacia em IA de professores da educação básica (K–12) e propõe um framework refinado de seis temas para abordar esses desafios de desenvolvimento.

Autores originais: Hui Du, Jinxia Hu, Xiaowei Kang

Publicado 2026-07-06

📖 7 min de leitura🧠 Leitura aprofundada

CC BY 4.0

Autores originais: Hui Du, Jinxia Hu, Xiaowei Kang

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 o sistema de educação como uma cozinha enorme e movimentada. Por muito tempo, os chefs (professores) confiaram em suas fiéis facas, fogões e livros de receitas. Agora, um robô de cozinha novo, incrivelmente poderoso, mas ligeiramente misterioso (Inteligência Artificial), foi entregue na despensa. O objetivo deste estudo é descobrir o quão bem os chefs sabem usar este robô, o que os confunde sobre ele e por que alguns chefs se sentem mais confortáveis com ele do que outros.

Aqui está um detalhamento do que os pesquisadores descobriram, usando linguagem simples e analogias.

O Panorama Geral: Quem Sabe o Quê?

Os pesquisadores primeiro pediram a 835 professores da China que preenchessem uma pesquisa, algo como um "teste de confiança na cozinha". Eles queriam ver quem se sentia pronto para usar o robô e quem se sentia perdido.

Os Resultados:

Os "Chefs Mais Jovens" são mais confiantes: Professores com menos de 30 anos sentiram-se muito mais confortáveis com a IA do que os professores mais velhos.
Os "Chefs Tecnológicos" estão à frente: Professores que já ensinam tecnologia ou ciência da computação são os que mais sabem.
Os "Chefs de Ciências e Matemática" estão um pouco mais hesitantes: Surpreendentemente, professores de matemática e ciências pontuaram mais baixo do que os de outras disciplinas. Os pesquisadores sugerem que isso pode ser porque a matemática e as ciências exigem extrema precisão, e esses professores são muito cautelosos para que o robô não cometa erros.
Os "Chefs do Sexo Feminino" pontuaram menos em autoconfiança: O estudo descobriu que as professoras avaliaram suas próprias habilidades de IA de forma inferior aos professores do sexo masculino. Os pesquisadores sugerem que isso não significa necessariamente que sejam menos capazes; pode ser apenas que sejam mais cautelosas ao julgar suas próprias habilidades ou que tenham tido menos oportunidades de brincar com o robô no passado.

A Pontuação Geral:
Em uma escala de 1 a 5, o professor médio pontuou cerca de 3,8. Eles estão ok, mas não são especialistas.

Melhores em: Ética (Eles se preocupam muito se o robô está sendo "bom" ou "justo").
Piores em: Realmente usar o robô no meio de uma aula (Aplicar a IA). Eles são ótimos em planejar com ele, mas são tímidos em deixar o robô comandar o show durante uma lição.

O Mergulho Profundo: O Que os Está Detendo?

Após a pesquisa, os pesquisadores sentaram-se com 10 professores para conversas longas (entrevistas) para entender por que eles se sentiam assim. Eles descobriram quatro "gargalos" ou obstáculos principais.

1. A Confusão "O Que é um Robô?" (Compreensão)

Muitos professores não conseguiam distinguir claramente a diferença entre uma calculadora inteligente e um verdadeiro robô de IA.

A Analogia: Imagine um chef olhando para um novo gadget. Alguns pensam: "Se ele responde perguntas, é IA!" Outros pensam: "Se ele não consegue conversar de volta, não é IA."
O Problema: Os professores frequentemente pensam que a IA é apenas um mecanismo de busca sofisticado ou uma ferramenta que escreve redações para eles. Eles não entendem realmente o "cérebro" dentro do robô (como ele aprende com os dados ou toma decisões). Porque não entendem o motor, têm medo de dirigir o carro.

2. A Divisão "Bastidores vs. Palco" (Aplicação)

Os professores estão usando o robô, mas principalmente nos bastidores.

A Analogia: Os professores usam o robô para escrever suas listas de compras, planejar seus menus e limpar a cozinha (tarefas administrativas). Mas quando chega a hora de cozinhar a refeição real para os alunos (ensinar na sala de aula), eles guardam o robô.
O Problema: Eles têm medo de que o robô estrague a lição ou que os alunos dependam demais dele. Eles o utilizam para economizar tempo com papelada, mas não confiam nele para ajudar os alunos a aprender durante a aula.

3. O Dilema "Isso é Real?" (Avaliação)

Quando o robô dá uma resposta, como você sabe se ela é verdadeira?

A Analogia: Se o robô disser: "A capital da França é Londres", o professor tem que pegar esse erro.
O Problema: Os professores não têm certeza de como julgar o trabalho do robô. Eles verificam se a resposta parece correta com base em sua própria memória, mas não possuem um checklist sólido para verificar se o robô está mentindo ou "alucinando". Eles também têm dificuldade em decidir quando é realmente útil usar o robô versus quando é apenas um artifício.

4. A Preocupação "Isso é Certo?" (Ética)

Os professores estão preocupados com a bússola moral do robô.

A Analogia: Eles se preocupam que o robô possa ser tendencioso (favorecendo um aluno em detrimento de outro) ou que os alunos parem de pensar por si mesmos e apenas deixem o robô fazer o trabalho.
O Problema: Não existem manuais de regras claros das escolas ou do governo dizendo: "É permitido usar o robô para isso, mas não para aquilo". Os professores estão tomando essas decisões éticas baseadas em seus próprios sentimentos, o que gera confusão e inconsistência.

O Novo "Manual do Chef"

Com base nessas descoções, os pesquisadores perceberam que o antigo "manual da cozinha" (a estrutura para as habilidades de IA dos professores) estava com algumas páginas cruciais faltando. Eles criaram uma nova estrutura refinada que inclui duas novas seções:

A "Mentalidade do Chef": Não é apenas saber usar o robô; é querer usar o robô.
- Você acredita que o robô é realmente útil?
- Você está disposto a tentar mesmo se falhar na primeira vez?
- Você tem resiliência para continuar tentando quando o robô apresenta falhas?
A "Equipe da Cozinha": Os professores precisam de um sistema de apoio.
- Eles precisam de treinamento contínuo (não apenas um workshop de um dia).
- Eles precisam conversar entre si, compartilhar truques e ajudar uns aos outros. No momento, muitos professores estão tentando aprender sozinhos em suas próprias cozinhas.

As Três Camadas do Problema

Os pesquisadores explicaram esses desafios usando uma analogia de um "Bolo de Três Camadas":

Camada 1 (O Sistema): A escola e o governo não forneceram treinamento suficiente ou regras claras. É como dar a um chef um novo robô, mas sem um manual e sem tempo para aprender a usá-lo.
Camada 2 (A Mente do Chef): Os professores têm dúvidas. Professores mais velhos sentem que é muito difícil aprender; alguns sentem que não são "pessoas da tecnologia". Eles carecem de confiança.
Camada 3 (O Cozinhar): Mesmo quando os professores tentam, eles não conseguem exatamente integrar o robô na lição real. Eles o usam para tarefas pequenas, mas não descobriram como deixá-lo transformar toda a maneira como ensinam.

A Conclusão

O estudo conclui que, para preparar os professores para o futuro da IA, não podemos apenas entregar-lhes um robô e dizer: "Boa sorte". Precisamos:

Oferecer um treinamento melhor e contínuo que se ajuste às suas disciplinas específicas (professores de matemática precisam de ajuda diferente de professores de artes).
Ajudá-los a construir confiança para que não tenham medo de tentar e errar.
Criar regras claras para que saibam o que é ético.
Construir equipes de professores que possam aprender e apoiar uns aos outros, em vez de deixá-los tentando descobrir tudo sozinhos.

O artigo encerra por aí, observando que, embora tenham um novo mapa (estrutura), mais pesquisas são necessárias para ver se este mapa funciona em diferentes partes do mundo e para testar se os professores realmente se tornam mais habilidosos após utilizá-lo.

Resumo Técnico: Rumo a um Modelo Refinado para a Literacia em IA de Professores de K–12

Declaração do Problema

Apesar da ênfase global na integração da inteligência artificial (IA) na educação, o desenvolvimento da literacia em IA entre professores de K–12 permanece uma área subexplorada e desafiadora. Embora as investigações existentes se tenham focado largamente em avaliações quantitativas da literacia em IA dos professores ou no desenvolvimento de escalas de medição, estes estudos permanecem frequentemente ao nível da identificação de associações de variáveis (ex: idade, género, autoeficácia) sem explicar suficientemente os desafios contextuais específicos que os professores enfrentam em ambientes educativos autênticos. Além disso, existe uma lacuna significativa entre a defesa política para a integração da IA e a realidade do desenvolvimento real das competências dos professores. Os atuais quadros conceituais carecem frequentemente de consenso e não conseguem dar conta das nuances específicas da profissão docente, tais como a interação entre a compreensão cognitiva, a aplicação ética e as barreções psicológicas (mentalidade) que dificultam a adoção.

Metodologia

Este estudo utilizou um design de métodos mistos sequencial explanatório para investigar os desafios no desenvolvimento da literacia em IA de professores de K–12.

Fase Quantitativa: Um questionário foi administrado a 835 professores em exercício de K–12 numa cidade economicamente próspera no leste da China. O instrumento baseou-se num quadro de quatro dimensões (Conhecer e Compreender a IA, Aplicar a IA, Avaliar a Aplicação da IA e Ética da IA) e demonstrou alta fiabilidade (Cronbach's $\alpha$ = 0,961) e bom ajuste do modelo (CFI = 0,950, RMSEA = 0,078). As análises estatísticas incluíram testes t de amostras independentes, ANOVA e regressão linear múltipla para identificar preditores demográficos da literacia em IA.
Fase Qualitativa: Após o inquérito, foram realizadas 10 entrevistas semiestruturadas com uma subamostra de professores selecionados por amostragem intencional, representando a variação máxima de idade, género, disciplina e título profissional.
Análise de Dados: Os dados qualitativos foram submetidos a uma análise temática híbrida indutiva/dedutiva. Foi utilizado um manual de codificação inicial baseado no quadro existente de quatro dimensões (dedutivo), enquanto a codificação aberta foi aplicada para identificar novos temas emergentes dos dados (indutivo). A fiabilidade inter-codificador foi estabelecida (Cohen's kappa = 0,93) e a verificação de membro (member checking) foi realizada para validar as interpretações.

Resultados Principais

1. Achados Quantitativos: Preditores Demográficos

A pontuação média de literacia em IA para professores de K–12 foi de 3,79 (DP = 0,61). A dimensão Ética da IA obteve a pontuação mais alta (M = 4,05), enquanto a Aplicação da IA obteve a mais baixa (M = 3,62). A análise de regressão revelou que três variáveis demográficas predisseram de forma significativa e negativa as pontuações de literacia em IA:

Idade: Professores mais velhos (particularmente aqueles com 41–50 anos e $\ge$ 51 anos) tiveram pontuações de literacia em IA significativamente mais baixas em comparação com os que têm $\le$ 30 anos.
Disciplina de Ensino: Professores de "Ciência e/ou Tecnologia" e de disciplinas "Não envolvidas em tecnologia" pontuaram abaixo daqueles em disciplinas de "Apenas Tecnologia".
Género: Professoras do sexo feminino pontuaram significativamente abaixo dos professores do sexo masculino.

2. Achados Qualitativos: Desafios em Contextos Autênticos

As entrevistas revelaram desafios específicos dentro do quadro original e identificaram dois temas emergentes:

Conhecer e Compreender a IA (KCIA): Os professores tiveram dificuldades com o reconhecimento da IA, recorrendo frequentemente à intuição ou a características superficiais (ex: capacidade de diálogo) em vez da lógica algorítmica. A compreensão conceptual foi largamente instrumental (ver a IA como uma ferramenta de pesquisa ou geração de texto) em vez de profunda.
Aplicar a IA (AAI): O uso foi altamente diferenciado. A IA foi frequentemente utilizada para tarefas não instrucionais (trabalho administrativo, redação de relatórios) e design instrucional (planeamento de aulas). No entanto, a integração no ensino rotineiro em sala de aula foi limitada, muitas vezes restrita a aulas de demonstração ou interações superficiais.
Avaliar a Aplicação da IA (EAIA): Os professores careciam de critérios estáveis para selecionar ferramentas ou avaliar o alinhamento dos resultados da IA com os objetivos instrucionais. A dependência da experiência pessoal, em vez de estratégias de avaliação sistemáticas, foi comum.
Ética da IA (AIE): Embora os professores reconhecessem riscos gerais (ex: desinformação, privacidade), as suas ações éticas eram impulsionadas pelo julgamento pessoal em vez de normas institucionais. Havia uma falta de diretrizes éticas claras ou protocolos operacionais ao nível da escola ou do distrito.
Tema Emergente 1: Mentalidade de IA (AI Mindset): Este tema abrangeu o Valor Percebido (julgar a utilidade da IA), a Disponibilidade para a IA (aprendizagem proativa) e a Resiliência à IA (persistência apesar de contratempos). Muitos professores reconheceram o valor da IA, mas careciam de iniciativa para a aprender ou de resiliência para superar frustrações técnicas.
Tema Emergente 2: Desenvolvimento Profissional: Os mecanismos de apoio atuais eram fragmentados. A formação era frequentemente pontual, genérica e orientada para políticas, em vez de ser específica para cada disciplina. O apoio colaborativo dependia de interações informais e ad-hoc entre pares, em vez de comunidades de aprendizagem profissional institucionalizadas.

Quadro Conceptual Refinado

Com base nos achados de métodos mistos, o estudo propõe um quadro refinado de seis temas para a literacia em IA de professores de K–12, expandindo as quatro dimensões originais:

Conhecer e Compreender a IA (Reconhecimento de IA, Compreensão Conceptual)
Aplicar a IA (Implementação de Ensino, Design Instrucional, Tarefas Não Instrucionais)
Avaliar a Aplicação da IA (Julgamento Crítico de Resultados, Avaliação de Viabilidade)
Ética da IA (Consciência Ética, Pensamento Ético, Ação Ética)
Mentalidade de IA (Valor Percebido, Disponibilidade, Resiliência)
Desenvolvimento Profissional (Aprendizagem Contínua de IA, Colaboração e Apoio Profissional)

Significância e Alegações

O artigo alega fazer três contribuições primordiais:

Inovação Metodológica: Ao utilizar uma análise temática híbrida indutiva/dedutiva, o estudo vai além da simples associação de variáveis para explicar os mecanismos e os desafios contextuais do desenvolvimento da literacia em IA, abordando uma lacuna na literatura predominantemente quantitativa.
Refinamento Teórico: O estudo argumenta que a literacia em IA dos professores não pode limitar-se a dimensões cognitivas. Integra explicitamente a Mentalidade de IA (motivação intrínseca e resiliência) e o Desenvolvimento Profissional (estruturas de apoio sistémico) no quadro conceptual, reconhecendo que a literacia é impulsionada tanto por fatores psicológicos e institucionais como por conhecimentos técnicos.
Análise de Barreiras Hierárquicas: O estudo interpreta os desafios identificados através de uma lente de três níveis de barreiras:
- Primeiro nível (Sistémico): Falta de formação sustentada e específica para cada disciplina e de incentivos institucionais.
- Segundo nível (Individual): Crenças, autoeficácia e disponibilidade insuficientes, particularmente entre professores mais velhos e aqueles em disciplinas não tecnológicas.
- Terceiro nível (Pedagógico): A incapacidade de reorganizar materiais de aprendizagem e de integrar profundamente a IA na prática de sala de aula devido a uma compreensão superficial e incerteza ética.

Os autores concluem que o desenvolvimento futuro dos professores deve mudar de uma formação de curto prazo e orientada para ferramentas para um apoio profissional sustentado e diferenciado que aborde a mentalidade, fomente comunidades colaborativas e se alinhe com contextos disciplinares específicos.