O impacto dos chatbots na aprendizagem

Tempo de leitura: 25 minutes

Loading

À medida que a Inteligência Artificial (IA) avança tecnologicamente, ela inevitavelmente trará muitas mudanças para as práticas em sala de aula. Entretanto, a pesquisa sobre IA na educação reflete uma fraca conexão com as perspectivas pedagógicas ou abordagens instrucionais, principalmente o impacto dos chatbots na aprendizagem no ensino fundamental e médio. As tecnologias de IA podem beneficiar alunos motivados e avançados. É necessário entender o papel do professor na motivação do aluno para mediar e apoiar o aprendizado com tecnologias de IA na sala de aula. Este estudo usou a teoria da autodeterminação como estrutura subjacente para investigar como o apoio do professor modera os efeitos da experiência do aluno na satisfação das necessidades e na motivação intrínseca para aprender com tecnologias de IA.

Esse estudo experimental envolveu 123 alunos da 10ª série e usou chatbots como tecnologias baseadas em IA no experimento. As análises revelaram que a motivação intrínseca e a competência para aprender com o chatbot dependiam tanto do apoio do professor quanto da experiência do aluno (ou seja, aprendizagem autorregulada e alfabetização digital), e o apoio do professor satisfazia melhor a necessidade de relacionamento e menos a necessidade de autonomia. As descobertas aprimoraram nosso entendimento sobre a aplicação da teoria da autodeterminação e expandiram as considerações pedagógicas e de design da aplicação da IA e das práticas de instrução.

A IA na educação (AIEd) refere-se à aplicação de tecnologias de IA, como chatbots, sistemas de marcação automática, sistemas de tutoria inteligente e plataformas de previsão de desempenho do aluno que apoiam e aprimoram a educação (Chiu et al., 2023). A maioria dos estudos de AIEd se concentrou no desenvolvimento de ferramentas e sistemas de inteligência artificial (IA) envolvendo a eficácia dos algoritmos de aprendizagem, bem como a ética da IA e os direitos fundamentais dos alunos que usam IA (Berendt et al., 2020; Chiu et al., 2022; Cope et al., 2020; McStay, 2020; Luckin & Cukurova, 2019). Uma análise sistemática da AIEd sugere que as tecnologias de IA foram integradas em quatro domínios educacionais principais: ensino, aprendizagem, avaliação e administração (Chiu et al., 2023).

Por exemplo, os sistemas de tutoria inteligente poderiam recomendar conteúdo e tarefas das disciplinas e estratégias de ensino; os chatbots poderiam oferecer: feedback para promover a aprendizagem autorregulada do aluno e responder às perguntas dos alunos sobre administração; os sistemas de avaliação automática poderia oferecer notas mais eficazes. Esses estudos destacaram que a pesquisa atual sobre AIEd reflete uma conexão fraca com perspectivas pedagógicas ou abordagens de instrução e negligencia os desafios e riscos complexos e multifacetados de aprendizagem e ensino com IA (Guilherme, 2019; Holmes et al., 2019, p. 165; Williamson & Eynon,2020; Zawacki-Richter et al., 2019). Ainda não está claro como os alunos interagem e usam as tecnologias de IA de uma maneira pedagogicamente correta. Portanto, é necessário entender melhor a utilização da IA na sala de aula de hoje.

As pesquisas nos informam que a motivação dos alunos tem um impacto direto sobre suas abordagens de aprendizagem, seu nível de envolvimento, sua persistência em atingir metas e influencia seus processos de pensamento e abordagens de aprendizagem (Chiu, 2021a, 2021b, 2022). É provável que a motivação dos alunos para interagir e aprender com as tecnologias de IA seja afetada pela forma como essas tecnologias são aplicadas nas práticas. Como a adolescência é uma fase particularmente precária para a motivação (Eccles et al.,1997), estudar a motivação dos alunos nas escolas é crucial tanto para a pesquisa quanto para a prática do AIEd. Portanto, é fundamental explorar a relação entre a motivação dos alunos e o AIEd. Além disso, a compreensão do papel do professor, como principal facilitador da motivação do aluno e do progresso acadêmico, na mediação e no apoio ao aprendizado com tecnologias de IA na sala de aula, proporcionará uma compreensão clara de como essas tecnologias podem ser usadas na prática.

Para ajudar a conceituar a motivação, Ryan e Deci (2017; 2020) propõem a Teoria da Autodeterminação (SDT). A SDT foi validada por vários estudos em diversos domínios, inclusive a motivação para o aprendizado de alunos do ensino fundamental e médio. Ela argumenta que, para que os alunos se tornem autonomamente motivados, que é a motivação preferida para a aprendizagem que pode levar a um maior envolvimento e a uma persistência mais forte, as necessidades psicológicas dos alunos (autonomia, competência e relacionamento) precisam ser satisfeitas.

Com o desenvolvimento constante de ferramentas de aprendizagem baseadas em IA mais avançadas, a compreensão de seu papel em relação à motivação do aluno por meio do uso da pesquisa SDT continuará a crescer (Chiu, 2022; Peters et al., 2018). De fato, Ryan e Deci (2020) recentemente pediram que os acadêmicos investigassem mais a fundo os recursos da tecnologia moderna para motivar o aprendizado do aluno, bem como a motivação do aluno para usar a tecnologia para o aprendizado. No entanto, até o momento, não houve nenhuma pesquisa baseada na SDT que explorasse a IAEd em contextos de ensino fundamental e médio.

A literatura vê os potenciais do uso da IA para a aprendizagem, mas ainda não demonstrou claramente seu impacto científico na aprendizagem, particularmente na educação escolar (Williamson & Eynon, 2020), por exemplo, sugeriu-se que os chatbots como uma tecnologia de IA beneficiam mais os alunos motivados e/ou com alto desempenho (Kolchenko, 2018; Shawar & Atwell, 2007). Alunos com diferentes conhecimentos podem responder de forma diferente ao aprendizado com a tecnologia; portanto, as funções da tecnologia variam para esses alunos. A forma como os professores ensinam desempenha um papel importante na motivação dos alunos para aprender nas escolas (Pitzer & Skinner, 2017). As práticas dos professores na elaboração de atividades de aprendizagem, no fornecimento de recursos e na interação com os alunos para atender às necessidades dos alunos em ambientes aprimorados por IA precisam de mais atenção, mas atualmente são pouco estudadas (Kolchenko, 2018; Pitzer & Skinner, 2017).

Assim, o presente estudo tem como objetivo nos ajudar a entender melhor esse campo empolgante, mas emergente e pouco pesquisado, da IA no ensino fundamental e médio, investigando as funções da tecnologia de IA no aprendizado do aluno em sala de aula. Mais especificamente, ele explorou o uso de chatbots (uma ferramenta de aprendizagem baseada em IA) e o papel mediador do apoio dos professores na motivação do aluno para aprender com chatbots sob a perspectiva da satisfação das necessidades.

Revisão da literatura

Pesquisa em IA

A pesquisa em IA tem como objetivo apoiar e criticar o desenvolvimento de ferramentas e sistemas baseados em IA e investigar como usá-los para melhorar a aprendizagem e o ensino (Holmes et al., 2019; Williamson & Eynon, 2020). Grande parte da pesquisa até o momento se concentrou em inventar e desenvolver algoritmos de aprendizagem ou treinar novos modelos de aprendizagem para desenvolver novas ferramentas e sistemas educacionais. Essas ferramentas e sistemas geralmente se baseiam nas ciências da aprendizagem e nas ciências cognitivas (Perrotta & Selwyn,2020; Luckin & Cukurova, 2019). Por exemplo, usando o conhecimento do processo de aprendizagem, os desenvolvedores de ferramentas e sistemas de IA podem treinar um modelo preditivo de aprendizagem de máquina no desenvolvimento de sistemas de aprendizagem adaptativos (Perrotta & Selwyn, 2020). O resultado disso pode ser uma ferramenta baseada em IA para treinamento habilidades específicas nas quais os alunos se envolvem em pequenas unidades de aprendizagem com avaliação formativa incorporada, que ajudam o sistema a conhecer as necessidades dos alunos e a recomendar caminhos de aprendizagem para os alunos (Cepeda et al., 2006).

Estudos relevantes revelaram que sistemas de IA bem projetados, como o curso de aprendizado OLI, desenvolvido pela Universidade Carnefie Mellon (Lovett et al., 2008) e o Cognitive Tutor (Pane et al., 2014), podem ter impactos positivos no aprendizado dos alunos. Os sistemas de IA podem melhorar significativamente a eficácia e a qualidade da aprendizagem dos alunos, pelo menos em contextos de ensino superior (Luckin & Cukurova, 2019). Esses resultados positivos foram interpretados por alguns como indicadores do efeito transformador potencialmente profundo da IA e sugerem que as tecnologias de IA podem ajudar a automatizar os métodos tradicionais de ensino e aprendizagem (Williamson & Eynon, 2020).

No entanto, as dúvidas sobre o valor das tecnologias educacionais de IA permanecem devido às evidências limitadas de sua eficácia em escala ou em outros níveis de ensino, ou seja, ensino fundamental e médio (Kolchenko, 2018). De modo geral, os estudos empíricos sobre IA nas escolas são escassos. Ainda não está claro como os professores usam as tecnologias de IA pedagogicamente e suas funções no aprendizado em sala de aula.

Satisfação das necessidades dos alunos e tecnologia

Na SDT, Ryan e Deci (2017, 2020) categorizam várias fontes intrínsecas e extrínsecas de motivação e diferenciam entre motivação autônoma (de alta qualidade) e controlada (de baixa qualidade). Eles também propõem que todos os indivíduos têm três necessidades psicológicas básicas: autonomia (sentir que têm escolhas e propriedade), competência (sentir-se capaz e proficiente) e relacionamento (sentir-se conectado e amado).

A satisfação dessas necessidades básicas pode promover uma forma de motivação de alta qualidade que leva a um melhor envolvimento e persistência nas atividades. Por outro lado, a frustração de qualquer uma dessas três necessidades pode ser prejudicial ao envolvimento e ao desempenho nas atividades. A teoria tem sido aplicada de forma ampla e eficaz em salas de aula presenciais e on-line com resultados positivos (consulte Ryan & Deci, 2020 para ver vários exemplos).

A compreensão da satisfação das necessidades tem o potencial de transformar a maneira como os professores ensinam e preparam as aulas usando a tecnologia. Para apoiar a autonomia, os professores podem dar e endossar as escolhas dos alunos, oferecer aos alunos flexibilidade para concluir suas tarefas em vários formatos e fornecer fundamentos explicativos ou explicar a relevância das tarefas para os objetivos de aprendizagem dos alunos, quando a escolha for forçada (Chiu et al., 2022). Essas ações aumentarão o desempenho dos alunos porque eles perceberão maior propriedade sobre as tarefas de aprendizagem.

Para cultivar a competência, os professores podem padronizar os materiais de aprendizagem, projetar recursos cognitivo-efetivos (Chiu et al., 2020, 2022), organizar a moderação dos colegas para incentivar os alunos a compartilhar ideias nas aulas (Xie & Ke, 2011) e dar feedback relacionado à competência (Chiu, 2021, 2022). Em tais ambientes sociais, os alunos se sentem competentes e confiantes para enfrentar desafios. Para incentivar o relacionamento, os professores podem desenvolver ambientes de aprendizagem calorosos, atenciosos e positivos, fazendo elogios e comentários pessoais aos alunos, solicitando e valorizando seu feedback, facilitando atividades colaborativas (Xie & Ke, 2011) e discussões em pequenos grupos.

Nesses ambientes acolhedores, seguros e confortáveis, os alunos se sentirão mais conectados aos colegas e professores e, portanto, mais engajados no aprendizado. Em suma, a pesquisa demonstrou que a satisfação das três necessidades psicológicas poderia envolver melhor os alunos no aprendizado. Em outras palavras, as ferramentas baseadas em IA, como os chatbots, e seu uso em sala de aula devem apoiar as três necessidades de motivação de alta qualidade.

Chatbots e experiência do aluno

Os chatbots são aplicativos baseados em IA desenvolvidos para imitar as interações humanas e participar de conversas espontâneas em tempo real com humanos. Seu papel no aprendizado em sala de aula, especialmente no ensino de idiomas, é tangencial (Fryer et al., 2019; Shah et al., 2016; Yin et al., 2021). Estudos anteriores relevantes se concentram em como eles compreendem conversas humanas e motivam o aprendizado dos alunos. Pesquisas sobre a competência do chatbot (ou seja, compreensão) sugerem que sua capacidade de se envolver em conversas “autênticas” pode ser limitada. Os chatbots de primeira geração, desenvolvidos nos anos 2000 como ferramentas de aprendizado de idiomas, podem ser frustrantes para os alunos interagirem com eles.

Por exemplo, os alunos precisam soletrar uma palavra (entrada) corretamente (Coniam, 2008). Além disso, os chatbots nem sempre eram capazes de responder às perguntas dos alunos com precisão para acompanhar o fluxo de uma conversa (Fryer et al., 2019; Yin et al., 2021). Frequentemente, suas respostas eram vagas e, às vezes, induziam os alunos ao erro (Fryer et al., 2019). Esses primeiros chatbots desenvolvidos tinham muito pouco valor educacional. No entanto, na última década, os chatbots melhoraram (Coniam, 2014; Fryer et al., 2019; Shah et al., 2016; Yin et al.,2021). Por exemplo, Shah et al. (2016) descobriram que os chatbots modernos têm pontuações significativamente mais altas dos usuários do que os chatbots de primeira geração que foram criados usando o processamento de linguagem natural inicial. Um estudo de avaliação de chatbots conduzido por Coniam (2014) revelou que a maioria dos chatbots modernos é capaz de apresentar respostas gramaticalmente aceitáveis. Essas melhorias aumentam o potencial de uso dos chatbots para o aprendizado, mas são necessárias mais evidências para relacionar os chatbots ao sucesso do aprendizado (Fryer et al., 2019).

Por exemplo, Smutny e Schreiberova (2020) relataram que sua avaliação de 47 chatbots educacionais na plataforma de mensagens do Facebook para o ensino superior indicou que os chatbots estavam no estágio inicial de se tornarem assistentes de ensino e precisavam de melhorias. Apesar da falta de grandes avanços nas habilidades de comunicação linguística dos chatbots, os alunos ainda os consideram confortáveis, interessantes e divertidos de se brincar (Fryer et al., 2019; Hill et al.,2015; Yin et al., 2021). Outro estudo realizado por Hill et al. (2015) revelou que os estudantes universitários mantiveram conversas significativamente mais longas com chatbots do que com outros humanos; no entanto, os usuários usaram frases mais curtas com vocabulários simples para as comunicações. Yin et al. (2021) descobriram que os estudantes universitários que se envolveram com ambientes de aprendizagem baseados em chatbots tinham uma motivação intrínseca significativamente maior do que aqueles que não se envolveram.

Essas descobertas implicam que os alunos se sentiram à vontade e tiveram maior envolvimento com a conversação ao aprender com chatbots. Quando os chatbots são vistos como um aplicativo lúdico, que não oferece condições ameaçadoras, eles podem incentivar os alunos a continuar tentando expressar suas ideias durante a interação com eles. Portanto, no aprendizado e no ensino, uma das possíveis funções dos chatbots é motivar os alunos inspirando suas curiosidades e aumentando sua persistência (Fryer et al., 2019).

A maioria desses estudos foi realizada no ensino superior. No ensino fundamental e médio, os alunos podem ter habilidades de aprendizagem autorregulada (SRL) menos sofisticadas e uma diversidade maior de necessidades de aprendizagem. Portanto, a competência do chatbot é crucial para os alunos em idade escolar, especialmente para os alunos com baixo rendimento ou proficientes (Fryer et al., 2019; Kolchenko, 2018). Esses alunos precisam de respostas mais precisas dos chatbots e são mais propensos a desistir mais facilmente quando se sentem confusos ou enfrentam falhas durante o aprendizado.

Pesquisas anteriores e recentes relacionadas aos efeitos da tecnologia de aprendizado na experiência do aluno indicaram uma tendência de que o design instrucional com tecnologia poderia ter benefícios diferenciados para alunos com baixo ou alto desempenho (Kalyuga, 2007; Kalyuga et al., 2012; Chiu et al., 2020; Chiu & Mok, 2017). No caso dos chatbots, também é provável que os alunos com alto desempenho se beneficiem mais da interação com eles do que os alunos com baixo desempenho. Por exemplo, se as respostas dos chatbots forem confusas ou vagas, os alunos com alto desempenho poderão fazer perguntas adicionais de acompanhamento para esclarecer as respostas ou fazer perguntas mais específicas. Entretanto, os alunos com baixo rendimento podem não saber como interpretar a resposta ou tomar medidas para esclarecer o entendimento, e suas perguntas podem ser imprecisas, aumentando a probabilidade de respostas confusas do chatbot. Portanto, a forma como os alunos de escolas com diferentes conhecimentos de aprendizagem interagem com os chatbots merece uma análise mais aprofundada.

Chatbots e satisfação das necessidades

De acordo com a SDT, se os chatbots puderem ser utilizados como parte de uma abordagem instrucional de investigação que permita que os alunos escolham suas próprias perguntas e respostas (Shawar & Atwell, 2007; Autonomia na SDT), recebam feedback imediato (Smutny & Schreiberova, 2020; Yin et al., 2021; competência) e sintam que estão conversando com uma máquina semelhante a um ser humano (Relacionamento), eles poderão ter um impacto positivo na motivação autônoma dos alunos. A SDT permite que os pesquisadores descrevam com mais precisão como o suporte às necessidades dos chatbots pode levar à motivação autônoma, que é fundamental para o aprendizado com tecnologias de IA. Empregar a SDT e realizar uma análise cuidadosa e profunda da satisfação das necessidades que os alunos com diferentes experiências de conhecimento na interação com chatbots podem ajudar os pesquisadores a entender o papel das tecnologias de IA nas salas de aula do ensino fundamental e médio.

O presente estudo

Objetivos e perguntas da pesquisa

A pesquisa baseada em SDT sobre aprendizagem e tecnologia não apenas sugeriu projetos instrucionais, mas também enfatizou a importância do apoio às necessidades do professor (Alamri et al., 2020; Chiu, 2021a,2021b, 2022). Alunos com diferentes níveis de conhecimento respondem de forma diferente ao design instrucional (Kalyuga et al., 2014). Os alunos com maior conhecimento podem perceber mais necessidades de apoio dos chatbots do que aqueles com conhecimento mais fraco, resultando em maior motivação intrínseca para aprender apenas com os chatbots (Shawar & Atwell, 2007). Portanto, o apoio ou a orientação do professor é mais importante para os novatos ao aprenderem com chatbots.

Por exemplo, um chatbot poderia ser o principal colaborador/facilitador/professor para alunos avançados, mas um substituto para os novatos. Suas funções no ensino dentro das salas de aula ainda não estão claras. O SRL e a alfabetização digital (DL) dos alunos são pré-requisitos para o aprendizado eficaz com tecnologia aprimorada. Por exemplo, discutir com sucesso um tópico em fóruns, analisar informações coletadas da Web e fazer uma apresentação multimídia exigem SRL e DL (Chen & Jang, 2010; Ng, 2012).

Portanto, os alunos com diferentes níveis de SRL ou DL podem ter percepções diferentes em relação aos chatbots, apesar de os chatbots poderem oferecer experiências de aprendizagem personalizadas. As percepções podem influenciar as ações tomadas em relação ao feedback que recebem. Por exemplo, um aluno ciente de que a compreensão da fala pelo chatbot depende da qualidade da fala (DL) pode optar por repetir com voz mais clara e fala mais lenta ou mudar para a entrada de texto ao interagir com o chatbot (SRL).

O presente estudo tem como objetivo investigar como o apoio do professor e a experiência do aluno (SRL ou DL) afetam as motivações para aprender com chatbots, sob a perspectiva da satisfação das necessidades. Mais especificamente, ele examina se o apoio do professor modera os efeitos da experiência do aluno sobre a satisfação das necessidades do aluno e a motivação para aprender com chatbots. Dessa forma, as duas perguntas da pesquisa são:

  • RQ1: O apoio do professor modera a experiência do aluno e a satisfação de suas necessidades ao aprender com chatbots?
  • RQ2: O apoio do professor modera a experiência do aluno e a motivação intrínseca para aprender com chatbots?

As hipóteses para RQ1 e RQ2 são:

  • (H1) Há efeitos de interação significativos do apoio do professor e da experiência do aluno na competência percebida e na motivação intrínseca para aprender com chatbots.
  • (H2) Não há efeitos significativos do apoio do professor e da experiência do aluno na autonomia percebida e na relação para aprender com chatbots.
  • (H3) Os alunos com apoio do professor percebem significativamente menos relação e autonomia mais forte do que os alunos sem apoio.

Nesse estudo experimental, o tratamento foi o apoio do professor, e os dois grupos experimentais foram: alunos aprendendo com (grupo de apoio do professor: TS) e sem (grupo sem apoio do professor: NTS). Os alunos foram divididos aleatoriamente nos grupos TS e NTS.

Participantes

Cento e vinte e quatro alunos participantes da 10ª série (idade: 15-17 anos) que aprendem inglês como segundo idioma foram recrutados em um projeto financiado de parceria entre universidade e escola; um participante foi removido deste estudo devido à falta de dados. Os participantes têm desempenho acadêmico médio, com base em avaliações padronizadas do governo local. O tamanho dos grupos TS e NTS foi de 61 (32 meninas, 29 meninos) e 62 (32 meninas, 30 meninos), respectivamente.

Procedimento de pesquisa

A Figura 1 mostra o procedimento geral da pesquisa. Para selecionar um chatbot baseado em IA para este estudo, quatro professores experientes foram convidados a analisar e classificar 10 chatbots comerciais projetados especificamente para Hong Kong para verificar se eram apropriados para uso com alunos do ensino médio.

Os chatbots comerciais foram escolhidos porque acrescentam autenticidade à experiência de aprendizado – semelhante ao uso de livros de histórias reais em vez de livros didáticos. Foi solicitado aos professores que explorassem os chatbots e os classificassem com base em sua adequação aos alunos-alvo. O chatbot mais bem avaliado foi escolhido para o estudo. O chatbot selecionado foi projetado e operacionalizado pela Mass Transit Railway (MTR), uma empresa ferroviária local de Hong Kong, veja a Figura 2.

O chatbot foi originalmente projetado para servir como Embaixador Virtual da MTR. Ele foi projetado para ajudar os passageiros, especialmente os turistas, a planejar viagens, saber mais sobre os shopping centers administrados pela MTR e responder a perguntas sobre o esquema de recompensa “MTRPoints”. O chatbot foi desenvolvido com as seguintes tecnologias: InfoTalk-Processor – uma tecnologia multilíngue e mista para processamento e compreensão de linguagem natural, e InfoTalk-Receptionist: Uma tecnologia usada no setor comercial que foi projetada para responder a perguntas comuns dos consumidores.

O experimento foi realizado na escola onde os participantes estudavam. Três semanas antes do experimento, os participantes foram informados sobre os objetivos e procedimentos do estudo e o consentimento informado foi coletado. Dois dias após a coleta do consentimento, os participantes preencheram o pré-questionário.

No experimento, a tarefa era criar um script de conversação em inglês para turistas. O chatbot é visto como um provedor de respostas de perguntas ou buscas durante o aprendizado; os alunos usaram uma abordagem baseada em perguntas para concluir a tarefa, interagindo com o chatbot, esclarecendo e refletindo os dados do chatbot e fazendo perguntas de acompanhamento. Os alunos de ambos os grupos experimentais aprenderam com computadores individuais em grupos de 20 pessoas divididos em seis sessões de ensino. No grupo de condição NTS, os alunos concluíram a tarefa de forma independente, ou seja, eles tinham liberdade de escolha de como e quando usar o chatbot. Na condição TS, os participantes concluíram a tarefa com o apoio do professor.

Figura 2. Captura de tela do chatbot MTR usado no experimento.

Nos primeiros 5 minutos, os quatro professores explicaram o que eram a tarefa e o chatbot e aprovaram as tarefas que os alunos escolheram; do 6º ao 20º minuto, os participantes usaram o chatbot e os professores deram feedback específico sobre o uso; do 21º ao 30º minuto, os professores e os alunos discutiram o aprendizado em uma atmosfera calorosa, acolhedora e positiva, e os professores elogiaram o trabalho dos alunos; do 31º ao 80º minuto, os alunos continuaram a terminar seus roteiros. Por fim, os professores deram feedback sobre o aprendizado deles. No final do experimento, os participantes preencheram o questionário posterior e agradecemos a participação deles.

Abordagem de análise

A divisão dos participantes em dois grupos, como ocorre com uma divisão mediana, resulta em uma perda de poder de análise (Chiu & Mok, 2017). Portanto, para responder às perguntas da pesquisa, o autor correspondente usou regressões múltiplas moderadas usando a experiência do aluno e o apoio do professor como preditores para analisar os dados dos questionários. O principal software utilizado foi o SPSS.

Discussão e conclusão

O experimento relatado neste artigo foi concebido para investigar como o apoio do professor modera a experiência do aluno (ou seja, SRL ou DL) e a motivação intrínseca para aprender com chatbots sob a perspectiva da satisfação das necessidades. O objetivo deste estudo é entender o papel das tecnologias de IA no aprendizado dos alunos. Portanto, este artigo apresenta quatro implicações empíricas, duas contribuições teóricas e três sugestões práticas para pesquisadores, professores e desenvolvedores de aplicativos de IA.

Implicações empíricas

Primeiro, conforme previsto, a experiência do aluno e o apoio do professor tiveram um efeito de interação na motivação intrínseca do aluno para aprender com o chatbot (H1). Com o apoio do professor, os alunos novatos perceberam maior motivação do que os avançados. Em contrapartida, sem o apoio do professor, os alunos novatos relataram menos motivação do que os alunos avançados. Esses resultados sugerem que o apoio do professor é mais eficaz para motivar a aprendizagem dos alunos novatos com o chatbot, o que corrobora os resultados de estudos anteriores que examinaram como a experiência do aluno afeta a eficácia dos designs instrucionais na motivação e na aprendizagem (Chiu et al., 2020; Rey & Fischer, 2013).

Eles são explicados pelo efeito de reversão da especialização de Kalyuga (2007), que sugere que os projetos instrucionais criados para alunos novatos podem não funcionar bem para alunos avançados. Os projetos instrucionais devem ser ajustados para atender à diversidade de aprendizagem dos alunos. Além disso, este estudo confirmou que os alunos novatos preferiam receber apoio do professor. Os resultados mostraram que os alunos iniciantes que receberam apoio do professor perceberam maior motivação intrínseca do que os alunos iniciantes que não receberam apoio; enquanto os alunos avançados tiveram maior motivação intrínseca sem a presença de professores do que aqueles que estavam aprendendo com seus professores.

Esses resultados confirmam os estudos de Williamson e Eynon (2020) e Shawar e Atwell (2007), segundo os quais o autoaprendizado com chatbots tem maior probabilidade de beneficiar alunos motivados e com alto desempenho. Uma possível explicação é que o apoio dos professores (ou seja, feedback e endosso) ajudou os alunos novatos a se comunicarem melhor com o chatbot, mas se tornou mais incômodo para os alunos avançados (Chong et al., 2018). Os alunos avançados consideraram o apoio do professor redundante e não precisaram de ajuda extra ao aprenderem sozinhos com o chatbot.

Nesse caso, eles queriam mais tempo de autoaprendizagem e viam o apoio do professor como uma interrupção. Outra explicação plausível é que o aprendizado de máquina atual em chatbots pode não ser avançado para gerar conversas que ajudem o adolescente novato a aprender (Kolchenko, 2018; Shawar & Atwell, 2007). A maioria dos estudos sobre aprendizagem com chatbots foi realizada no ensino superior, ou seja, os estudantes universitários são muito mais capazes de aprender com chatbots do que os do ensino fundamental e médio. Além disso, esse efeito de interação sobre a motivação pode ser explicado pelas três necessidades – autonomia, competência e relacionamento na SDT (Ryan & Deci, 2020).

Na segunda implicação empírica, o apoio do professor foi o fator influente da autonomia e do relacionamento (H2). A análise mostrou que os alunos se sentiram mais conectados às atividades de aprendizagem com o chatbot, mas com menos liberdade sob a presença e a orientação dos professores (H3). O grupo TS tinha menos controle sobre como passava o tempo usando o chatbot, o que fazia com que eles se sentissem sem escolhas e sem senso de propriedade do que o grupo NTS (H3). O apoio do professor criou um ambiente de aprendizado mais controlado ou monitorado que levou os alunos a sentirem mais vergonha ao interagir com o chatbot, por exemplo, eles tomaram cuidado para evitar erros de digitação quando estavam sendo observados pelos professores. Isso poderia reduzir sua disposição para assumir riscos. Além disso, o grupo TS pode se sentir mais conectado ao aprendizado do que o grupo NTS devido ao relacionamento mais forte entre professor e aluno (Chiu, 2022; Vansteenkiste et al., 2009). A interação com um chatbot sem interação humano-humana reduz o senso de relacionamento, especialmente para os adolescentes. Isso pode significar que o grupo NTS trata o autoaprendizado com chatbots como lição de casa e o considera menos conectado ao aprendizado escolar.

A terceira implicação empírica, semelhante à primeira implicação, sugeriu que a experiência do aluno e o apoio do professor tiveram um efeito de interação na competência para aprender com o chatbot (H1). Os alunos novatos do grupo TS e os alunos avançados do grupo NTS se sentiram mais capazes e competentes para conversar com o chatbot. Esses resultados também são explicados pelos dois motivos discutidos na primeira implicação empírica.

A quarta implicação é derivada das três implicações acima. A necessidade de competência foi o fator mais influente da motivação intrínseca para aprender com o chatbot. De acordo com a SDT, as três necessidades – autonomia, competência e relacionamento – trabalham juntas para promover formas de motivação de alta qualidade que, por sua vez, levam a um melhor envolvimento e persistência nas atividades (Ryan & Deci, 2020).

Em comparação com as outras duas necessidades, a satisfação da competência é crucial para motivar o aprendizado dos alunos com o chatbot. Isso está alinhado com a maioria dos estudos sobre intenção comportamental de usar a tecnologia (Sánchez-Prieto, Olmos-Migueláñez, & García-Peñalvo, 2017). Esses estudos indicam que a autoeficácia percebida prevê positivamente a facilidade de uso e a utilidade percebida da nova tecnologia de aprendizagem na prática e prevê negativamente a ansiedade em relação à aprendizagem com a tecnologia.

Esses achados reafirmam a importância de projetar cuidadosamente a tarefa de aprendizagem com chatbots envolvidos para apoiar a competência do aluno (Bergdahl et al., 2020; Shawar & Atwell, 2007). Além disso, o professor desempenhou um papel moderador nas relações entre a experiência do aluno e a motivação intrínseca para aprender com o chatbot. Essas descobertas indicaram que o papel do chatbot dependia da percepção dos alunos de que eram competentes em SRL e DL. Os efeitos pedagógicos ideais podem não ser obtidos sem considerações contextuais cuidadosas sobre as características dos alunos e como essas características interagem com a máquina. Como essas relações ainda não foram extensivamente exploradas e relatadas em pesquisas anteriores sobre educação com IA (Chiu et al., 2022; Zawacki-Richteret al., 2019), essas descobertas podem preencher essas lacunas empíricas e estabelecer ainda mais um vínculo empírico pouco explorado entre as necessidades percebidas e o design das atividades de aprendizagem com IA. Essas descobertas podem contribuir com insights úteis para o design instrucional com IA.

Contribuição teórica

A primeira contribuição teórica deste estudo consiste em enriquecer a literatura sobre IAEd ao conectá-la com a satisfação das necessidades na SDT. Os resultados demonstram que o uso da satisfação das necessidades para explicar os efeitos do apoio dos professores e da experiência do aluno na motivação intrínseca para aprender com as tecnologias de IA. Diferentemente da maioria dos estudos anteriores que examinam a motivação por meio da variável agregada das três necessidades de satisfação (Chiu, 2021a, 2022), este estudo tenta entender como cada uma das necessidades de satisfação promove a motivação do aluno.

A satisfação das necessidades de competência parece ser um dos fatores menos influentes no aprendizado com IA, mas seus efeitos foram aumentados em duas condições: os alunos novatos com apoio do professor e os alunos avançados sem apoio do professor. Mais importante ainda, a descoberta aponta para a importância de interpretar a SDT de forma contextual, na qual as três necessidades podem interagir de forma diferente de acordo com as características específicas do aluno. Em uma segunda contribuição teórica, propomos três novas notações: “IA como facilitador”, “IA como professor substituto” e IA como ferramentas, veja a Figura 7.

A “IA como facilitadora” refere-se à condição de que os alunos possam colaborar com as tecnologias de IA para o autoaprendizado. Nessa condição, os alunos trabalham em conjunto com a IA para resolver problemas, concluir tarefas ou aprender novos conceitos. As tecnologias de IA envolvem ativamente os alunos para processar e sintetizar informações e conceitos, em vez de memorizar fatos e números. Além disso, “IA como professor substituto” refere-se à condição em que os alunos são capazes de aprender sozinhos com as tecnologias quando o suporte necessário é fornecido. Nessa condição, os alunos não são capazes de concluir tarefas aprendendo com as tecnologias de IA de forma independente e esperam algum apoio externo para suas necessidades inatas, como suporte digital ou do professor (Chiu, 2021a, 2021b, 2022).

As tecnologias de IA são professores substitutos que atuam como intermediários para o aprendizado e, portanto, funcionam parcialmente em nome dos professores. Elas são úteis, mas insuficientes para o aprendizado. Além disso, “IA como ferramenta” refere-se à condição de que os alunos não estão motivados a aprender com IA e os veem como ferramentas normais, que podem ser usadas para realizar uma função, em vez de ferramentas inteligentes, com as quais eles podem aprender interagindo.

Sugestão prática

Oferecemos duas sugestões práticas para professores e designers instrucionais e uma sugestão prática para desenvolvedores de tecnologia educacional. Os professores devem usar o SRL e o DL como medidas para determinar o grau de autoaprendizagem em tarefas baseadas em IA e decidir como apoiar a aprendizagem ao projetar atividades que envolvam tecnologias de IA como chatbots, traduções e reconhecimento de gráficos. Por exemplo, os chatbots são parceiros do aprendizado por meio de conversas. Como a conversa é discursiva, estruturar a conversa e as conversas para projetar tarefas com chatbots que exijam menos processamento cognitivo seria um bom ponto de partida para os novatos, e usar conversas abertas seria melhor para os avançados (Teng & Zhang, 2018). A essência mapeia os caminhos intermediários para a diversidade.

Figura 7. Relações entre o apoio do professor e a experiência do aluno.

A outra sugestão é que o apoio do professor ainda é crucial para as atividades de aprendizagem totalmente automatizadas no ensino fundamental e médio. Os atuais chatbots baseados em IA não podem atender com eficácia alunos com diferentes níveis de especialização porque os alunos da escola são mais jovens e sua diversidade de aprendizado é maior. Como os chatbots atuais precisam ser mais refinados para que o aprendizado seja bem-sucedido (Smutny & Schreiberova, 2020), os alunos da escola podem se desmotivar mais facilmente e seu SRL não é sofisticado para superar os problemas que encontraram (Peeters et al., 2016).

Nesse caso, as tecnologias de IA podem ser facilitadoras, colaboradoras, professoras ou ferramentas de aprendizagem para alunos com características diferentes. Por fim, os resultados deste estudo sugerem ainda que a IA torna as tecnologias educacionais mais inteligentes, mas a qualidade dos dados gerados pelos alunos e os algoritmos de aprendizagem afetam as experiências de aprendizagem dos alunos. Se os dados forem escassos ou o algoritmo não for avançado, os benefícios dos chatbots serão mínimos. Alunos motivados, persistentes e avançados tendem a ter melhores experiências de aprendizagem, o que pode aumentar a lacuna entre alunos com baixo e alto desempenho (Kolchenko, 2018). Incentivamos os desenvolvedores de aplicativos de IA a levar em conta a experiência do aluno ao treinar modelos em chatbots educacionais. Esses modelos são mais autênticos e realistas e podem se ajustar melhor ao contexto pedagógico dominado por humanos, o que melhorará o desempenho dos chatbots educacionais.

Limitações e direções futuras

Existem limitações neste estudo, e seis delas são mencionadas aqui. Primeiro, este estudo parece apoiar os efeitos da experiência do aluno e do apoio do professor sobre a motivação intrínseca e a satisfação das necessidades. No entanto, para validar a descoberta, o escopo do presente experimento poderia ser ampliado para incluir diferentes tipos de envolvimento (por exemplo, comportamental, cognitivo e emocional e social) ou diferentes experiências do aluno (por exemplo, conhecimento prévio, experiência de aprendizagem de IA). Em segundo lugar, pode ter havido uma lacuna entre a percepção dos alunos sobre a satisfação das necessidades e seu desempenho real dessas habilidades. Sugerimos mais estudos que adotem medidas objetivas, como o desempenho e o aproveitamento do aprendizado. Terceiro, as medidas do processo de aprendizagem contínua, como a mudança na satisfação das necessidades e no desempenho em diferentes fases, não foram incluídas neste estudo. Sugere-se a adoção de um projeto longitudinal que acompanhe o processo de aprendizagem do aluno em pesquisas futuras.

Em quarto lugar, neste estudo, o chatbot foi desenvolvido para aplicação comercial, embora isso aumente a natureza autêntica da tarefa, mas pode não revelar a eficácia do chatbot especialmente projetado para a educação. A última limitação é que o experimento foi realizado em diferentes sessões. Fatores ambientais, por exemplo, tempo e clima, podem influenciar a motivação do aluno para o aprendizado, o que leva a diferenças entre as condições. Estudos futuros devem usar sessões paralelas para o experimento.

Referências

1. Abu Shawar, B., & Atwell, E. (2007). Chatbots: Are they really useful?. *Journal for Language Technology and Computational Linguistics*, 22(1), 29–49. http://doi.org/10.21248/jlcl.22.2007.88
2. Aiken, L. S., West, S. G., & Reno, R. R. (1991). *Multiple regression: Testing and interpreting interactions*. Sage.
3. Alamri, H., Lowell, V., Watson, W., & Watson, S. L. (2020). Using personalized learning as an instructional approach to motivate learners in online higher education: Learner self-determination and intrinsic motivation. *Journal of Research on Technology in Education*, 52(3), 322–352. https://doi.org/10.1080/15391523.2020.1728449
4. Berendt, B., Littlejohn, A., & Blakemore, M. (2020). AI in education: Learner choice and fundamental rights. *Learning, Media and Technology*, 45(3), 312–324. https://doi.org/10.1080/17439884.2020.1786399
5. Bergdahl, N., Nouri, J., & Fors, U. (2020). Disengagement, engagement and digital skills in technology-enhanced learning. *Education and Information Technologies*, 25(2), 957–983. https://doi.org/10.1007/s10639-019-09998-w
6. Black, A. E., & Deci, E. L. (2000). The effects of instructors’ autonomy support and students’ autonomous motivation on learning organic chemistry: A self-determination theory perspective. *Science Education*, 84(6), 740–756. http://doi.org/10.1002/(ISSN)1098-237X
7. Cepeda, N. J., Pashler, H., Vul, E., Wixted, J. T., & Rohrer, D. (2006). Distributed practice in verbal recall tasks: A review and quantitative synthesis. *Psychological Bulletin*, 132(3), 354–380. https://doi.org/10.1037/0033-2909.132.3.354
8. Chen, B., Vansteenkiste, M., Beyers, W., Boone, L., Deci, E. L., Van der Kaap-Deeder, J., Duriez, B., Lens, W., Matos, L., Mouratidis, A., Ryan, R. M., Sheldon, K. M., Soenens, B., Van Petegem, S., & Verstuyf, J. (2015). Basic psychological need satisfaction, need frustration, and need strength across four cultures. *Motivation and Emotion*, 39(2), 216–236. http://doi.org/10.1007/s11031-014-9450-1
9. Chen, K.-C., & Jang, S.-J. (2010). Motivation in online learning: Testing a model of self-determination theory. *Computers in Human Behavior*, 26(4), 741–752. https://doi.org/10.1016/j.chb.2010.01.011
10. Chiu, T. K. F. (2021a). Digital support for student engagement in blended learning based on self-determination theory. *Computers in Human Behavior*, 124, 106909. https://doi.org/10.1016/j.chb.2021.106909
11. Chiu, T. K. F. (2021b). Student engagement in K-12 online learning amid COVID-19: A qualitative approach from a self-determination theory perspective. *Interactive Learning Environments*. Advanced Online Publication. https://doi.org/10.1080/10494820.2021.1926289
12. Chiu, T. K. F., Xia, Q., Zhou, X., Chai, C. S., & Cheng, M. (2023). Systematic literature review on opportunities, challenges, and future research recommendations of artificial intelligence in education. *Computers and Education: Artificial Intelligence*, 4, 100118. https://doi.org/10.1016/j.caeai.2022.100118
13. Chiu, T. K. F. (2022). Applying the Self-determination Theory (SDT) to explain student engagement in online learning during the COVID-19 pandemic. *Journal of Research on Technology in Education*, 54 (sup1), 14–30. https://doi.org/10.1080/15391523.2021.1891998
14. Chiu, T. K. F., Jong, M. S. Y., & Mok, I. A. C. (2020). Does learner expertise matter when designing emotional multimedia for learners of primary school mathematics? *Educational Technology Research and Development*, 68(5), 2305–2320. https://doi.org/10.1007/s11423-020-09775-4
15. Chiu, T. K. F., Meng, H., Chai, C. S., King, I., Wong, S., & Yeung, Y. (2022). Creation and evaluation of a pre-tertiary artificial intelligence (AI) curriculum. *IEEE Transactions on Education*, 65(1), 30–39. https://doi.org/10.1109/TE.2021.3085878
16. Chiu, T. K. F., & Mok, I. A. C. (2017). Learner expertise and mathematics different order thinking skills in multimedia learning. *Computers & Education*, 107, 147–164. https://doi.org/10.1016/j.compedu.2017.01.008
17. Chong, W. H., Liem, G. A. D., Huan, V. S., Kit, P. L., & Ang, R. P. (2018). Student perceptions of self-efficacy and teacher support for learning in fostering youth competencies: Roles of affective and cognitive engagement. *Journal of Adolescence*, 68(1), 1–11. https://doi.org/10.1016/j.adolescence.2018.07.002
18. Coniam, D. (2008). Evaluating the language resources of chatbots for their potential in English as a second language. *ReCALL*, 20(1), 98–116. https://doi.org/10.1017/S0958344008000815
19. Coniam, D. (2014). The linguistic accuracy of chatbots: Usability from an ESL perspective. *Text & Talk*, 34(5), 545–567. https://doi.org/10.1515/text-2014-0018
20. Cope, B., Kalantzis, M., & Searsmith, D. (2020). Artificial intelligence for education: Knowledge and its assessment in AI-enabled learning ecologies. *Educational Philosophy and Theory*, 53(1), 1229–1245. https://doi.org/10.1080/00131857.2020.1728732
21. Eccles, J. S., Midgley, C., Wigfield, A., Buchanan, C. M., Reuman, D., Flanagan, C., & Mac Iver, D. (1997). Development during adolescence: The impact of stage–environment fit on young adolescents’ experiences in schools and in families. In J. M. Notterman (Ed.), *The evolution of psychology: Fifty years of the American psychologist* (pp. 475–501). American Psychological Association. https://doi.org/10.1037/10254-034
22. Fryer, L. K., Nakao, K., & Thompson, A. (2019). Chatbot learning partners: Connecting learning experiences, interest and competence. *Computers in Human Behavior*, 93, 279–289. https://doi.org/10.1016/j.chb.2018.12.023
23. Guilherme, A. (2019). AI and education: The importance of teacher and student relations. *AI & Society*, 34(1), 47–54. https://doi.org/10.1007/s00146-017-0693-8
24. Hill, J., Ford, W. R., & Farreras, I. G. (2015). Real conversations with artificial intelligence: A comparison between human–human online conversations and human–chatbot conversations. *Computers in Human Behavior*, 49, 245–250. https://doi.org/10.1016/j.chb.2015.02.026
25. Holmes, W., Bialik, M., & Fadel, C. (2019). *Artificial intelligence in education: Promises and implications for teaching & learning*. Center for Curriculum Redesign.
26. Kalyuga, S. (2007). Expertise reversal effect and its implications for learner-tailored instruction. *Educational Psychology Review*, 19(4), 509–539. https://doi.org/10.1007/s10648-007-9054-3
27.Kalyuga, S., Rikers, R., & Paas, F. (2012). Educational implications of expertise reversal effect in learning and performance of complex cognitive and sensorimotor skills. *Educational Psychology Review*, 24(2), 313–337. https://doi.org/10.1007/s10648-012-9195-x
28. Kolchenko, V. (2018). Can modern AI replace teachers? Not so fast! Artificial intelligence and adaptive learning: Personalized education in the AI age. *HAPS Educator*, 22(3), 249–252. https://doi.org/10.21692/haps.2018.032
29. Lovett, M., Meyer, O., & Thille, C. (2008). The open learning initiative: Measuring the effectiveness of the OLI statistics course in accelerating student learning. *Journal of Interactive Media in Education*, 1, 1–16. http://doi.org/10.5334/2008-14
30. Luckin, R., & Cukurova, M. (2019). Designing educational technologies in the age of AI: A learning sciences-driven approach. *British Journal of Educational Technology*, 50(6), 2824–2838. https://doi.org/10.1111/bjet.12861
31. Ryan, R. M., & Deci, E. L. (2020). Intrinsic and extrinsic motivation from a self-determination theory perspective. Definitions, theory, practices, and future directions. *Contemporary Educational Psychology*, 61, 101860. https://doi.org/10.1016/j.cedpsych.2020.101860
32. Sánchez-Prieto, J. C., Olmos-Migueláñez, S., & García-Peñalvo, F. J. (2017). MLearning and pre-service teachers: An assessment of the behavioral intention using an expanded TAM model. *Computers in Human Behavior*, 72, 644–654. http://doi.org/10.1016/j.chb.2016.09.061
33. Shah, H., Warwick, K., Vallverdú, J., & Wu, D. (2016). Can machines talk? Comparison of ELIZA with modern dialogue systems. *Computers in Human Behavior*, 58, 278–295. https://doi.org/10.1016/j.chb.2016.01.004
34. Smutny, P., & Schreiberova, P. (2020). Chatbots for learning: A review of educational chatbots for the Facebook messenger. *Computers & Education*, 151, 103862. https://doi.org/10.1016/j.compedu.2020.103862
35. Teng, L. S., & Zhang, L. J. (2018). Effects of motivational regulation strategies on writing performance: A mediation model of self-regulated learning of writing in English as a second/foreign language. *Metacognition and Learning*, 13(2), 213–240. https://doi.org/10.1007/s11409-017-9171-4
36. Vansteenkiste, M., Sierens, E., Soenens, B., Luyckx, K., & Lens, W. (2009). Motivational profiles from a self-determination perspective: The quality of motivation matters. *Journal of Educational Psychology*, 101(3), 671–688. https://doi.org/10.1037/a0015083
37. Williamson, B., & Eynon, R. (2020). Historical threads, missing links, and future directions in AI in education. *Learning, Media and Technology*, 45(3), 223–235. https://doi.org/10.1080/17439884.2020.1798995
38. Xie, K., & Ke, F. (2011). The role of students’ motivation in peer-moderated asynchronous online discussions. *British Journal of Educational Technology*, 42(6), 916–930. https://doi.org/10.1111/j.1467-8535.2010.01140.x
39. Yin, J., Goh, T. T., Yang, B., & Xiaobin, Y. (2021). Conversation technology with micro-learning: The impact of chatbot-based learning on students’ learning motivation and performance. *Journal of Educational Computing Research*, 59(1), 154–177. https://doi.org/10.1177/0735633120952067
40. Zawacki-Richter, O., Marín, V. I., Bond, M., & Gouverneur, F. (2019). Systematic review of research on artificial intelligence applications in higher education–where are the educators? *International Journal of Educational Technology in Higher Education*, 16(1), 1–27. https://doi.org/10.1186/s41239-019-0171-0

 

 

Autores: Thomas K.F. Chiu, Benjamin Luke Moorhouse, Ching Sing Chai & Murod Ismailov
Fonte: Interactive Learning Environments
Artigo original: https://bit.ly/444f2KP

Fernando Giannini

Pesquisador de tecnologia aplicada à educação, arquiteto de objetos virtuais de aprendizagem, fissurado em livros de grandes educadores e viciado em games de todos os tipos. Conhecimentos aprimorados em cursos de grandes empresas de tecnologia, principalmente no Google Business Educational Center e Microsoft. Sócio-proprietário da Streamer, empresa que alia tecnologia e educação. Experiência de 18 anos produzindo e criando objetos de aprendizagem, cursos a distância, design educacional, interfaces para sistemas de aprendizagem. Gestor de equipe para projetos educacionais, no Ensino Básico, Médio e Ensino Superior. Nesse período de trabalho gerenciou equipes e desenvolveu as habilidades de liderança e gestão. Acredita na integração e aplicação prática dos conhecimentos para a realização de projetos inovadores, sólidos e sustentáveis a longo prazo. Um dos grandes sonhos realizados foi o lançamento do curso gratuito Mande Bem no ENEM que atingiu mais de 500 mil estudantes em todo o Brasil contribuindo para a Educação Brasileira.

Participe da nossa comunidade no Whatsapp sobre Educação e Tecnologia

0 comentários

Enviar um comentário

O seu endereço de e-mail não será publicado. Campos obrigatórios são marcados com *

Posts Relacionados

Competências essenciais na era digital

A proliferação da IA em muitos aspectos da vida humana - desde o lazer pessoal até o trabalho profissional, passando pelas decisões políticas globais - impõe uma questão complexa sobre como preparar as pessoas para um mundo interconectado e em rápida mudança, que está...

Educação digital para prevenir abusos sexuais online

Depois de participar de uma aula incrível com a professora Beatriz Lorencini e o Felipe, fui tirado da bolha onde costumo estar a maior parte do meu tempo se não o tempo todo. Quando percebi eu estava em choque por "não saber ou escolher não saber" que existem...

Cinco passos para utilizar o ChatGPT na sala de aula

Como professor, é quase certo que você já tenha utilizado inteligência artificial (IA), mesmo que uma vez ou diariamente em seus trabalhos acadêmicos sem saber ou se importar como ela funciona. Um exemplo disso é a filtragem de spam de e-mail e o verificador...

43 exemplos de inteligência artificial aplicados na educação

O potencial do uso da inteligência artificial na educação para aprimorar o aprendizado, auxiliar os professores e estimular um aprendizado individualizado mais eficaz é empolgante, mas também um pouco assustador. Para se ter uma conversa inteligente sobre IA na...

Impacto de robôs na curiosidade infantil

Resumo A curiosidade é fundamental para o aprendizado, mas as crianças em idade escolar apresentam variações em sua vontade de adquirir informações. Pesquisas recentes sugerem que outras pessoas têm uma forte influência no comportamento exploratório das crianças. Será...

10 práticas para utilizar IA em sala de aula

Nos primeiros dias de dezembro de 2022, tarde da noite, sob o manto da escuridão, digitei avidamente "ChatGPT" em minha barra de pesquisa do Google. Entrei no mundo da IA com nervosismo e entusiasmo, como quando entrava em uma loja de doces quando criança e era...

Tag Cloud

Posts Relacionados

[dgbm_blog_module posts_number=”4″ related_posts=”on” show_categories=”off” show_pagination=”off” item_in_desktop=”2″ equal_height=”on” image_size=”mid” author_background_color=”#ffffff” disabled_on=”off|off|on” module_class=”PostRelacionado” _builder_version=”4.16″ _module_preset=”default” title_font=”Montserrat||||||||” title_text_color=”#737373″ title_font_size=”19px” title_line_height=”25px” meta_text_color=”#666″ meta_font_size=”13px” content_font_size=”13px” content_line_height=”30px” author_text_color=”#666666″ custom_css_content_container=”display:flex;||flex-wrap:wrap;” custom_css_image-container=”padding-top:70%;||overflow:hidden;” custom_css_image=”position:absolute;||top:0;||left:0;||bottom:0;||right:0;||object-fit: cover;||height:100%;||width:100%;” custom_css_title=”padding:20px;||margin-top:0;||order:2;” custom_css_content=”padding:0 20px 20px;||order:3;” custom_css_post-meta-middle=”order:1;||padding:20px;||border-bottom:1px solid #dcdcdc;||border-top:1px solid #dcdcdc;” border_width_all_post_item=”0px” border_width_all_content=”0px” box_shadow_style_container=”preset1″ box_shadow_blur_container=”5px” box_shadow_spread_container=”1px” box_shadow_color_container=”rgba(0,0,0,0.1)” global_colors_info=”{}”][/dgbm_blog_module]

Receba a nossa newsletter

Fique por dentro e seja avisado dos novos conteúdos.

Publicações mais recentes