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

Análise de redes

Criado 2026-08-22 · Atualizado 2026-10-04

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

Análise de redes — a família de métodos de pesquisa que modela entidades (pessoas, conceitos, ações ou códigos) como nós conectados por arestas que representam relações ou transições, para então analisar a estrutura e a dinâmica da rede resultante e revelar padrões invisíveis a contagens de frequência ou comparações pareadas. Na pesquisa em IA na educação, a análise de redes é usada para mapear padrões de interação entre quem aprende e as ferramentas de IA, modelar como elementos de conhecimento ou de discurso coocorrem, e rastrear sequências temporais de comportamento. Ela inclui variantes distintas — a Análise de Redes Epistêmicas (ENA, que modela a coocorrência de códigos/construtos), a Análise de Redes Sociais (SNA, que modela relações entre pessoas) e a Análise de Redes de Transição (TNA, que modela sequências temporais de estados) —, cada uma das quais operacionaliza "a aprendizagem como conexão" de uma forma diferente. (Tracing GenAI Literacy: Student-AI Interaction Patterns in Academic Writing) (Penny: Transition Network Analysis of Learner-Chatbot Interactions in Scaffolded EFL Writing) (Cognitive Offloading in Student–AI Collaboration: A Longitudinal Analysis of Prompting Strategies)

Perguntas para refletir

  • Quando você ouve "análise de redes" na educação, que imagens vêm à mente — mapas de amizade dos estudantes, ligações entre ideias, ou outra coisa? Como elas diferem de simplesmente contar quantas vezes as coisas ocorrem?
  • Suponha que você quisesse saber se os estudantes de fato se engajam com o feedback de uma ferramenta de escrita com IA, ou se apenas recebem respostas. Por que uma métrica de "quantas vezes eles clicaram" poderia deixar passar a história que uma sequência de ações (por exemplo, um laço de revisão versus um laço de chat) revelaria?
  • A página distingue análise de redes epistêmicas, sociais e de transição. Sem conhecer os detalhes, você consegue adivinhar qual variante usaria para estudar (a) como as pessoas colaboram, (b) quais ideias coocorrem no raciocínio dos estudantes, e (c) como quem aprende se move entre estados ao longo do tempo?
  • Um pesquisador constata que estudantes de letramento alto e baixo usam a mesma ferramenta de IA, mas produzem estruturas de rede de raciocínio muito diferentes. O que isso lhe diz sobre avaliar ferramentas de IA com uma única nota média?
  • Métricas de rede como "densidade" e "centralidade" descrevem se a interação é aleatória ou organizada em torno de hubs. Quando uma rede organizada, centrada em um único estudante, seria sinal de boa colaboração — e quando sinal de problema?

Introdução

Os métodos de análise de redes compartilham uma premissa central: a estrutura das conexões — e não apenas sua presença ou frequência — carrega significado. Em vez de perguntar "quanto de X ocorreu", eles perguntam "como os elementos estão conectados, e o que essa conectividade revela sobre cognição, colaboração ou processos de aprendizagem?". Isso os torna especialmente valiosos na IA na educação, onde os pesquisadores querem crescentemente compreender o processo da interação entre quem aprende e a IA (como quem aprende navega feedback, diálogo e revisão), e não apenas o produto (notas finais, taxas de erro).

Variantes usadas no corpus da base de conhecimento

Elas diferem de um grafo de conhecimento, que é uma estrutura de dados para representar e raciocinar sobre fatos (uma ontologia/armazém de triplas), e não um método analítico para estudar processo ou estrutura de relação.

A análise de redes na pesquisa em IA na educação

Os métodos de rede são usados ao longo da base de evidências da base de conhecimento para responder a perguntas que métricas agregadas não conseguem:

Considerações metodológicas

  • A codificação é o fundamento. Todas as variantes de rede dependem de codificar de forma confiável dados brutos (falas, eventos, relações) em nós/códigos discretos; a codificação automatizada baseada em LLM é crescentemente usada, mas exige validação humana (por exemplo, κ de Fleiss de 0,70–0,71 em estudos de TNA). (Penny: Transition Network Analysis of Learner-Chatbot Interactions in Scaffolded EFL Writing)
  • Tratar a concordância entre codificadores como uma verificação contínua, e não como uma estatística única. Galiç et al. (2026) codificaram 304 afirmações de noticing com α de Krippendorff = .803 e monitoraram a concordância ao longo do estudo, recodificando afirmações disputadas sempre que o κ agrupado caía abaixo de seu limiar de recalibração de .85 (nos Casos 18 e 27), sem precisar de nova recalibração a partir dos Casos 36–51. A sequência é o ponto: uma confiabilidade medida apenas no final teria deixado os modelos de transição iniciais apoiados sobre deriva de codificadores, já que esses padrões semanais de transição eram o achado do estudo.
  • As métricas no nível da rede resumem a estrutura. Densidade, reciprocidade, centralização e força de entrada/saída descrevem se a interação é aleatória ou organizada em torno de hubs "gravitacionais", e quão recíproca é a troca.
  • A comparação estatística é necessária para diferenças entre grupos. Testes de qui-quadrado ou testes de permutação são usados para estabelecer que as diferenças de rede observadas (por exemplo, por proficiência) não se devem ao acaso. Shao et al. (2026) mostram que o nulo precisa ser construído para corresponder ao texto. Em uma discussão de caso com vinte estudantes de pós-graduação de disciplinas mistas, a parcela de termos compartilhados de tamanho 3 subiu de 5,2% para 8,0%, enquanto os tokens de conteúdo caíram para aproximadamente 0,65× seu nível pós-leitura. Um teste de permutação de saco inteiro teria chamado essa subida de significativa; seu teste de permutação de tokens condicionado ao comprimento não (Q6 p = .62, Q7 p = .15).
  • Valide o instrumento antes de ler sua rede. Alatoai & Alshahri (2026) construíram a AI-STEM-MLCS de 45 itens pela rota completa de desenvolvimento de escala — razões de validade de conteúdo de especialistas, análise fatorial exploratória e depois confirmatória (CFI = 0,983, RMSEA = 0,019), ω de McDonald de 0,888–0,905, e ICCs teste-reteste de duas semanas de 0,751–0,900 — antes de modelar as quatro dimensões com análise de grafos exploratória. Derivar a estrutura de uma rede cujos nós são notas de escala não validadas é o que essa ordenação evita, e os autores nomeiam a validação específica da Arábia Saudita como o limite à transferência da estrutura.
  • Interprete com cuidado. A granularidade dos nós (por exemplo, um nó "chat" grosseiro) pode obscurecer a intenção; a classificação automatizada carrega alguma ambiguidade; e a estrutura de rede transversal não estabelece causalidade.
  • Redes que expõem o que um agregado esconde. Pan et al. (2026) constataram que a turma com anotação por IA generativa superou e se engajou mais que seu controle, e então dividiram a turma experimental pela mediana de desempenho e mostraram que o ganho não foi compartilhado: os grupos de alto desempenho iniciaram 60,7% dos pedidos de feedback em suas anotações, contra 34,0% dos grupos de baixo desempenho, que permaneceram em um laço autorreferencial (separação de grupos significativa no eixo X da ENA, U = 25,00, p = 0,01). A lição de desenho é que um efeito no nível do grupo pode resumir duas estruturas de interação diferentes — e os dois grupos eram turmas intactas, de modo que a comparação identifica o padrão sem atribuí-lo causalmente.

Implicações para a pesquisa em IA na educação

  1. Prefira métodos de processo a métricas apenas de produto. Para avaliar se as ferramentas de IA apoiam a aprendizagem, modele como quem aprende de fato se engaja (incorporação, diálogo, revisão) com métodos de sequência/rede, em vez de confiar apenas nas notas finais.
  2. Use a ENA para comparar a estruturação cognitiva. Ao perguntar como diferentes estudantes ou modos (humano versus IA) estruturam seu raciocínio, a ENA oferece uma comparação direta e visual das redes de coocorrência — uma técnica bem adequada à modelagem de estudante de como quem aprende conecta ideias.
  3. Valide a codificação automatizada. Com grandes conjuntos de dados de registros, a classificação baseada em LLM é poderosa, mas precisa ser verificada contra a codificação humana (relate a concordância entre corretores) antes de interpretar a estrutura da rede.
  4. Desenhe para a diferenciação. A análise de redes frequentemente revela que a mesma ferramenta de IA produz padrões de interação diferentes entre subgrupos de estudantes — informando um desenho adaptativo, e não uma avaliação única para todos.

Validação por ENA de diálogo colaborativo simulado

  • A ENA como validação de diálogo simulado. Fang (2026) aplica a Análise de Redes Epistêmicas para avaliar se agentes de LLM ajustados reproduzem a estrutura do diálogo real de resolução colaborativa de problemas. Comparando vetores de adjacência simulados à rede empírica, ele relata uma distância de ENA de 0,17 — dentro do limiar do 95º percentil da distribuição nula, com um valor p de permutação de 0,65 —, demonstrando o poder da ENA como uma verificação quantitativa da fidelidade das simulações generativas de discurso, ao lado de outras aplicações de ENA/SNA/TNA na pesquisa em educação.

Conceitos conectados

Artigos conectados

Metadados

Tecnologias e técnicasGrafo de conhecimento, Analítica de aprendizagem
Métodos de pesquisa e avaliaçãoAnálise de redes, Métodos de pesquisa em AIED
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.