Base de Conhecimento AIEdAIEd KB
Nesta página

Esta página foi traduzida para o português. As páginas de artigo continuam escritas em inglês. Ler esta página em inglês

Conceitos

Motivação

Criado 2026-08-10 · Atualizado 2026-10-03

Esta é uma tradução automática da página em inglês; ainda não foi revisada por uma pessoa falante nativa.

Motivação — os processos psicológicos que iniciam, dirigem e sustentam o comportamento orientado a objetivos. Na IA na educação, a pesquisa sobre motivação examina como as ferramentas de IA afetam a motivação dos estudantes e dos professores — se a IA scaffold ou mina a persistência, a curiosidade e o engajamento intrínseco — e como os estados motivacionais moldam a eficácia da aprendizagem mediada por IA.

Perguntas para refletir

  • A motivação é frequentemente tratada como um traço que alguns estudantes "têm" e outros não. A página a descreve, em vez disso, como processos psicológicos que iniciam, dirigem e sustentam o comportamento — e como algo desenvolvimental e socialmente scaffolded. Como isso reformula quem é responsável pela motivação dos estudantes?
  • Ferramentas de IA podem remover atrito e tornar a aprendizagem mais acessível, mas também podem reduzir o esforço cognitivo e a luta que sustentam a motivação intrínseca. Quando tornar algo "mais fácil" de fato o tornou menos motivador ou menos satisfatório para você?
  • A teoria da autodeterminação diz que a motivação intrínseca cresce a partir de autonomia, competência e vínculo. Se um tutor de IA faz a maior parte do trabalho, qual desses três ele poderia ameaçar — e qual poderia fortalecer?
  • A pesquisa descobre perfis motivacionais distintos entre estudantes num currículo de IA, e que alcançar um perfil autodeterminado previu os maiores ganhos de letramento em IA. O que poderia ser necessário para que um estudante passe de passivamente desengajado a genuinamente autodeterminado no uso da IA?
  • A página reporta que o apoio do professor impulsiona o engajamento assistido por IA em grande parte por meio de metas de aproximação à maestria e de aproximação ao desempenho — as orientações de "aproximação" em vez de "evitação". Como a forma como um professor enquadra o uso de IA ("para acertar" vs. "para evitar parecer errado") molda se os estudantes se engajam profundamente?
  • Se você está desenhando para a motivação, o objetivo é tornar a aprendizagem mais fácil, mais engajante ou mais significativamente esforçada? Onde acessibilidade e motivação intrínseca puxam em direções opostas?

Introdução

A motivação é um construto fundamental na pesquisa em educação, e a ascensão da IA na educação a tornou mais consequente: ferramentas de IA podem remover atrito e tornar a aprendizagem mais acessível, mas também podem reduzir o esforço cognitivo e a luta que sustentam a motivação intrínseca e a aprendizagem profunda. Os artigos desta base de conhecimento exploram a motivação por ferramentas de IA voltadas ao estudante, sistemas de IA voltados ao professor e os mecanismos psicológicos — autodeterminação, autoeficácia, emoções — pelos quais a IA molda o comportamento motivado.

  • Lee & Wu mostram que gênero e motivação impulsionam engajamento diferencial com a GenAI, com trajetórias de desempenho distintas.

Temas-chave de pesquisa

Os efeitos da IA na motivação dos estudantes é a linha de pesquisa mais direta. O Why Put in This Much Effort?": How AI Availability Shapes Students’ Motivation in Introductory Programming examina como a disponibilidade de assistência por IA afeta a motivação e a persistência dos estudantes, conectando-se à pesquisa sobre Excesso de Dependência quanto à erosão da motivação quando a IA faz o trabalho. Para a persistência especificamente, uma breve exposição basta: dez minutos com um assistente que respondia sob demanda deixaram os participantes pulando 0,20 dos problemas sem ajuda contra 0,11 dos controles (Liu et al., 2026). O Designing a mobile chatbot-based learning journaling system for intrinsic motivation and engagement explora o diário por chatbot móvel como intervenção motivacional. O Designing Needs- and Attention-Aware AI Learning Tools for Engineering Education: Insights from Psychological Outcomes examina o que motiva os estudantes a adotar ferramentas de aprendizagem com IA na educação em engenharia.

Uma metanálise de 42 estudos (56 tamanhos de efeito, 6.059 estudantes) descobriu que a aprendizagem apoiada por GenAI elevou a motivação em g de Hedges = 0,764 (IC 95% [0,566, 0,962]) — mas com I² = 93,7% e um intervalo de predição de 95% de [−0,689, 2,217], a média esconde contextos em que o efeito é próximo de zero ou negativo (Fang et al. (2026)).

  • O uso irrefletido corrói a motivação — mais para homens. O uso impensado de GenAI (aceitar respostas sem exame) predisse menor motivação (β = −0,54) e menor autoeficácia (β = −0,37) entre 487 graduandos, e o efeito sobre a motivação foi significativamente mais forte para estudantes do sexo masculino, enquanto o efeito sobre a autoeficácia foi mais forte para os do feminino (Zhao & Gu, 2026).

Por que um leitor recorre à IA é ele mesmo uma variável mensurável: a escala AIR resolve quatro motivos para a leitura assistida por GenAI — Orientado à Tarefa, Sentir-se Bem, Tradução e Baixo Esforço — e apenas o Baixo Esforço, usar a IA quando se está cansado ou desengajado, se relacionou negativamente à necessidade de cognição (r = −,18) (Brann, Etgar e Sidi (2026)).

A motivação no engajamento mediado por IA examina como a qualidade motivacional (e não apenas a quantidade) muda com a IA. Isaeva et al. combinaram a teoria da autodeterminação com a análise de redes epistêmicas para estudar o engajamento com IA generativa. Liang et al. (2026) traçaram a motivação de forma desenvolvimental por análise de transição latente de 2.086 estudantes do ensino médio num currículo de IA de um ano, descobrindo três perfis estáveis (Desengajado, em Desenvolvimento, Autodeterminado) e que alcançar o perfil Autodeterminado previu os maiores ganhos de letramento em IA. Wang & Wang (2026) usaram a teoria de estabelecimento de metas com 758 estudantes universitários de inglês, mostrando que o apoio do professor impulsiona o engajamento assistido por IA primariamente por meio de metas de aproximação à maestria e de aproximação ao desempenho (as orientações de aproximação, não de evitação). Juntos, esses estudos mostram que a motivação em contextos de IA é tanto desenvolvimental quanto socialmente scaffolded — ela muda ao longo do tempo e responde ao apoio do professor e ao enquadramento de metas, e não apenas ao desenho da ferramenta.

A orientação de metas também roteia como a ferramenta é usada: metas de maestria e de desempenho normativo tendem a apoiar elaboração e refinamento, enquanto metas de desempenho de aparência tornam mais prováveis a minimização do esforço e a proteção da competência percebida — de modo que o mesmo assistente faz scaffolding ou substitui o pensamento dependendo do clima motivacional (Øby, 2026).

Um formato de diálogo pode elevar a motivação sem melhorar a avaliação geral: em 222 estudantes do primeiro ano do ensino médio, o diálogo professor–professor elevou a motivação ARCS mais que o formato professor–estudante para estudantes com alta experiência concreta (b = 0,162, p < ,001), mas pontuou significativamente mais baixo na avaliação geral (b = −0,126, p = ,005) (Watanabe et al. (2026)).

A motivação molda como os estudantes enquadram a ferramenta, e o enquadramento carrega o ganho metacognitivo: Cui et al. (2026) descobriram que o papel de colaborador — 7,5% dos registros — foi o único a produzir uma cadeia metacognitiva completa, enquanto estudantes extrinsecamente motivados usaram a GenAI como ferramenta de substituição em 64,6% dos registros e não produziram conexões de ordem superior.

Os ganhos de motivação são específicos de construto, não gerais. Lu et al. (2026) descobriram que um programa de escrita de nove semanas apoiado por GenAI para 301 estudantes do 5º e 6º anos elevou seu self ideal de escrita em L2 e sua flutuabilidade acadêmica — os componentes aspiracional e de resiliência da motivação — ao mesmo tempo que deixou o mindset de crescimento inalterado; o único ganho de mindset de crescimento apareceu no grupo controle e não sobreviveu à correção para comparações múltiplas. Os estudantes atribuíram a mudança a ver texto fluente construído a partir de vocabulário que já conheciam, o que fez a escrita bem-sucedida parecer alcançável. Assim, a motivação não é um único botão que a IA aumenta: o que melhorou foi a crença de que alguém consegue escrever bem, não a crença de que a habilidade cresce com o esforço. A mesma especificidade de construto aparece quando a GenAI é ela mesma a intervenção de relevância. Guo, Fryer e Shum (2026) fizeram 218 estudantes do ensino médio passarem uma hora em diálogo semiestruturado com um chatbot voltado à relevância pessoal para matemática; a versão coletiva, de nível de turma, elevou a relevância como identificação (F = 4,35, p = ,014, η² = 0,04; contra o controle, F = 11,11, p = ,001, η² = 0,073 — um efeito médio) e, no SEM, previu a relevância para uma aula específica uma semana depois (β = 0,18, p < ,01), enquanto o interesse na aula de matemática não se moveu (F = 0,29, p = ,75, η² = 0,003). Os autores atribuem o desacoplamento à dose: uma única sessão de uma hora é breve demais para que ganhos de relevância se consolidem em interesse na aula.

Uma intervenção de valor de utilidade não é uniformemente benéfica: uma versão com scaffolding não produziu ganho geral na integração de conhecimento de futuros professores e a prejudicou para estudantes que entraram com alto valor de utilidade percebido, uma interação aptidão–tratamento que argumenta por adequar o apoio motivacional aos pontos de partida dos estudantes (Boos, Eder & Lachner (2026)). Uma mensagem de feedback move o interesse por sua utilidade percebida, não pelas disposições do estudante. Jansen et al. (2026) deram a 1.507 estudantes do ensino médio uma mensagem padronizada de feedback automatizado após um primeiro rascunho de um texto argumentativo: a receptividade global foi a única dimensão de receptividade relacionada à mudança de interesse situacional (cerca de 0,11 pontos na escala observada, aproximadamente o 54º versus 46º percentil), e esse efeito foi plenamente mediado pela utilidade percebida (β indireto = 0,09, IC 95% [0,06, 0,13]) sem sobrar caminho direto significativo (β = 0,06, IC 95% [−0,07, 0,16]), de modo que o que moveu o interesse foi o valor sentido da mensagem, e não a postura geral do estudante em relação ao feedback.

Motivação e persistência do professor examina a motivação entre educadores. O Framing the 5% Problem: Teachers'' Perspectives on Persistence in Educational Technology estuda a persistência dos professores com ferramentas de IA, e o Chiu et al. descobriu que desenvolvimento profissional que apoia necessidades fomenta engajamento comportamental sustentado em comunidades de aprendizagem profissional.

  • Motivação transcultural de futuros professores: Martínez-Moreno et al. (2026) validaram a escala (D)FIT-Choice com 416 estudantes de magistério na Suíça e na China, descobrindo que professores suíços reportam maior utilidade social e motivação intrínseca, enquanto professores chineses mostram maior competência digital percebida e entusiasmo por integrar a IA — destacando como fatores culturais e sistêmicos moldam a motivação para moldar o futuro da educação com IA.

  • A autoeficácia é a raiz do prazer dos professores com a GenAI. Num estudo PLS-SEM com 434 professores em serviço, a autoeficácia foi a única variável exógena do modelo e seu maior efeito foi sobre o prazer percebido (β = 0,805, f² = 1,839), alimentando por sua vez a utilidade e a facilidade de uso percebidas (Guillén-Gámez et al., 2026).

O paradoxo do esforço e o círculo vicioso da assistência. Zohar, Bloom e Inzlicht (2026) argumentam que a motivação não é simplesmente ajudada ou prejudicada pela IA, mas redistribuída: os humanos geralmente tomam o caminho de menor resistência, mas também buscam esforço — o paradoxo do esforço — porque o esforço sinaliza que as ações importam e porque a recompensa ligada ao processo, em vez de ao produto, aumenta a tendência a se esforçar e perseverar. Duas afirmações decorrem. Primeiro, a relação esforço–sentido é um U invertido, de modo que o alvo motivacional é o atrito moderado, e o risco da IA sem atrito é exagerar para atrito insuficiente demais. Segundo, um círculo vicioso: à medida que a IA substitui o esforço num domínio, os benefícios motivacionais do esforço ali se corroem, o que torna os usuários mais dependentes da IA, o que corrói ainda mais a motivação. Eles também separam suplemento de substituto por estágio de desenvolvimento — estudantes em estágios iniciais correm o risco de contornar as experiências que constroem perseverança, enquanto aqueles com habilidades estabelecidas podem usar a IA para poupar tempo (dificuldades desejáveis, autoeficácia).

A literatura mede a motivação sem uma teoria dela. Uma revisão de escopo de 156 estudos de 2003 a 2025 descobriu que 133 (85,3%) não eram guiados por nenhuma teoria motivacional específica, a variável mais comum era uma motivação acadêmica generalizada (n = 89), e 88 estudos (56,4%) vinham de um único contexto nacional (Li et al., 2026).

Conexões com conceitos relacionados

A motivação é o construto-pai da teoria da autodeterminação, que especifica as necessidades psicológicas (autonomia, competência, vínculo) que sustentam a motivação intrínseca. Ela se conecta à experiência do estudante como a camada experiencial do engajamento motivado, ao engajamento dos estudantes como sua dimensão mensurável, e à computação afetiva pelos mecanismos emocionais que moldam a motivação. A motivação também se conecta ao Excesso de Dependência (a IA reduzindo a luta produtiva), à aprendizagem autorregulada (estudantes motivados se autorregulam) e ao papel do professor (a motivação se aplica também aos educadores).

Conceitos conectados

Artigos conectados

Perguntas frequentes relacionadas

Metadados

Público-alvoLearners
Aprendizagem e ensinoMotivação, Teoria da autodeterminação, Engajamento do estudante
Tecnologias e técnicasComputação afetiva
Fundamentos da IA na educaçãoIA na educação
SourceHistoryEditChat

Incorporar esta página

Copie o código abaixo para incorporar esta página num sistema de gestão da aprendizagem ou noutro site. A versão incorporada mostra apenas o conteúdo da página — o cabeçalho, a navegação e o rodapé do site ficam escondidos.