Pesquisa quantitativa

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

Pesquisa quantitativa — a família de métodos empíricos que coleta e analisa dados numéricos para descrever padrões, testar relações e estimar efeitos causais. Na IA na educação, os métodos quantitativos quantificam se e como as ferramentas de IA afetam resultados de aprendizagem, engajamento, motivação e autoeficácia, e modelam os mecanismos psicológicos e comportamentais do uso da IA. Eles fornecem a amplitude, a precisão e o poder de inferência causal que os métodos qualitativos trocam por profundidade e contexto.

Perguntas para refletir

• "Estudantes que usam um tutor de IA pontuam mais alto" — antes de ler, essa é uma afirmação sobre causação ou sobre correlação, e qual peça única de evidência converteria uma na outra?
• Uma pesquisa transversal pode testar um modelo mediacional complexo, mas nunca estabelecer causação. Por que duas variáveis poderiam se correlacionar numa pesquisa mesmo quando nenhuma causa a outra? Você consegue pensar numa forma de ser genuinamente enganado por tal correlação na educação?
• Instrumentos quantitativos são tão bons quanto aquilo que medem — e a página nota que instrumentos podem medir o construto errado. Quando você preenche uma pesquisa de autorrelato sobre "confiança" ou "engajamento", o que ela poderia de fato estar capturando em seu lugar, e como você descobriria?
• Um RCT atribui aleatoriamente estudantes a condições para estimar um efeito causal. O que torna a atribuição aleatória poderosa, e que problemas práticos e éticos surgem quando o "tratamento" é uma ferramenta de IA possivelmente útil que está sendo negada a alguns estudantes?
• Desenhos longitudinais acompanham os mesmos estudantes ao longo do tempo — essenciais para distinguir desempenho inflado pela IA de aprendizagem durável. Por que um único retrato de notas altas falharia em revelar se a aprendizagem de fato aconteceu?
• O trabalho quantitativo fornece amplitude e poder causal; o trabalho qualitativo fornece profundidade e significado. Antes de ler o emparelhamento, onde você acha que números isoladamente mais provavelmente o enganaram sobre uma alegação de aprendizagem, e que método você acrescentaria para verificá-la?

Introdução

A pesquisa quantitativa abrange desenhos descritivos (medir prevalência e padrões), desenhos correlacionais/observacionais (testar relações entre variáveis) e desenhos experimentais e quase-experimentais (estimar efeitos causais). O que os unifica é a redução sistemática das observações a números, analisados com estatística, e a prioridade dada a confiabilidade, validade e generalizabilidade — as preocupações centrais da mensuração educacional.

Principais abordagens quantitativas

Pesquisa por levantamento e correlacional

Pesquisas transversais medem atitudes, percepções, motivação, autoeficácia e aceitação de tecnologia autorreportados, frequentemente modelados com regressão ou modelagem por equações estruturais (SEM/PLS-SEM) para testar relações e mediadores hipotetizados. Elas dominam o corpus da base de conhecimento, particularmente para questões de aceitação, motivação e mecanismos psicológicos. A aceitação de ferramentas de inglês assistidas por IA se constrói sobre o TAM com SEM; as trilhas de adoção de GenAI usam PLS-SEM, fsQCA e mapeamento importância-desempenho; o letramento em IA dos professores usa pesquisas validadas por fator fundamentadas na teoria da autodeterminação.

• Pontos fortes: amostras grandes; cobertura ampla e de baixo custo; testa modelos mediacionais complexos; viável para atitudes difíceis de observar.
• Limitações: dados transversais não podem estabelecer causação; viés de autorrelato; amostragem por conveniência limita a generalizabilidade; mediadores inferidos a partir de covariância, não de manipulação. Ver Medidas de autorrelato para o tratamento do lado do instrumento desses limites.

Pesquisa experimental e quase-experimental

Experimentos atribuem aleatoriamente estudantes a condições (ex., tutor de IA vs. tutor humano, ou com |scaffolding de IA vs. sem assistência) para estimar efeitos causais sobre os resultados. Ensaios controlados randomizados (RCTs) são o padrão-ouro para validade interna. Um estudo de campo randomizado de apoio humano mais tutoria por IA e um RCT sobre IA generativa no ensino usam a atribuição para isolar efeitos causais. Desenhos quase-experimentais (pré/pós, grupos pareados sem randomização) são mais viáveis em salas de aula intactas, mas mais fracos em alegações causais. Kestin et al. (2025) adotam em vez disso um crossover within-subject: cada estudante encontra o mesmo conteúdo de física duas vezes, uma numa aula ativa em sala e outra pelo próprio tutor de IA do curso, com pré- e pós-testes em torno de cada, de modo que cada estudante serve como seu próprio controle, e as diferenças entre pessoas se cancelam.

• Pontos fortes: inferência causal mais forte; mensuração limpa dos resultados; sustenta estimativa de tamanho de efeito e alegações de eficácia.
• Limitações: custoso e lento; condições artificiais reduzem a validade ecológica; ferramentas de IA que mudam rápido datam os experimentes rapidamente; amostras pequenas têm pouco poder para detectar efeitos; restrições éticas de reter ferramentas úteis.

Pesquisa longitudinal

Desenhos longitudinais acompanham os mesmos estudantes ao longo do tempo, capturando mudança, crescimento e aprendizagem durável que a mensuração em um único ponto deixa passar. O estudo longitudinal com LMS acompanha estudantes ao longo de um ano letivo. Desenhos longitudinais são essenciais para distinguir desempenho inflado pela IA de aprendizagem durável.

Comparações entre conjuntos de dados precisam de um ponto de trabalho fixo: uma verificação estrutural de dados educacionais sintéticos descobriu que analisar cada conjunto de dados em seu próprio limiar invertia um contraste que se mantinha num ponto compartilhado, e que sua comparação por substituto precisava apenas dos dados sintéticos e de permutações deles mesmos — um nulo baseado em permutação, e não um limiar absoluto (Inoue & Yasutake (2026)).

Quantificação computacional e psicométrica

Os métodos quantitativos também incluem a mensuração direta de construtos por instrumentos — o domínio da mensuração educacional e da teoria de resposta ao item. O GLAT da base de conhecimento é um instrumento quantitativo de 20 itens validado com TRI; instrumentos de mensuração de letramento em IA, aceitação e autoeficácia fornecem as escalas validadas das quais a pesquisa por levantamento e experimental dependem.

Como a pesquisa quantitativa aparece na base de conhecimento

• Alegações de eficácia e causais. RCTs e quase-experimentos testam se as ferramentas de IA melhoram a aprendizagem (Access is Not Enough: Human Support Improves Engagement with AI Tutoring, Generative AI Can Harm Teaching, Do Gains from Generative AI-Enabled Adaptive Pretesting Persist? Evidence from a Retention Study).

• Pré-registro e replicação. Meyer et al. (2026) declaram suas hipóteses e plano de análise antes do ensaio e reúnem a comparação randomizada ao longo de dois semestres e dois grandes cursos assíncronos, de modo que a estimativa repousa sobre um plano fixo e uma replicação, e não sobre uma única amostra.

• Modelagem de mecanismos. SEM/PLS-SEM testam mediadores e moderadores da adoção e da aprendizagem com IA (Decoding symmetric and asymmetric pathways in generative AI learning adoption: a multi-method study, Acceptance of AI-Assisted English Language Learning Tools in Higher Education: Psychological Correlates Across Disciplinary and Proficiency Groups, Teacher education for artificial intelligence literacy through a self-determination theory perspective).

• Modelos de painel que separam efeitos within- de between-person. Wu e Lu (2026) estimam um modelo de painel cruzado de interceptos aleatórios ao longo de três ondas de dados de escrita colaborativa, o que separa as diferenças estáveis entre estudantes da ordem temporal within-person — a distinção que autoriza ler o aumento da dependência como precedendo a queda na agência percebida, e não meramente acompanhando-a.

• Mensuração e desenvolvimento de escalas. A base de conhecimento documenta o desenvolvimento e a validação de instrumentos quantitativos (GLAT, Medição educacional).

• Desempenho versus aprendizagem durável. Barcaui (2025) randomiza 120 estudantes para estudo com assistência de IA ou tradicional e mede a retenção com um teste surpresa de 20 questões 45 dias depois da intervenção, de modo que o resultado é o que sobreviveu à demora, e não o que apareceu no fim da sessão.

Pontos fortes e limitações

• Pontos fortes: precisão e poder estatístico; generalizabilidade para populações definidas; inferência causal (com desenhos experimentais); cobertura eficiente de grandes amostras; cumulativo e comparável entre estudos.
• Limitações: captura o que é mensurável, frequentemente deixando passar processo, significado e contexto (ver Pesquisa qualitativa); viés de autorrelato; instrumentos podem medir o construto errado (ver questões de mensuração); correlação sem causação; pode ser artificial e lento em relação à mudança da IA.

Métodos quantitativos e qualitativos são complementos — o trabalho quantitativo fornece amplitude e poder causal, o trabalho qualitativo fornece profundidade e significado. Desenhos de métodos mistos os combinam. Ver Métodos de pesquisa em AIED para a comparação completa de métodos e os contrastes entre desenhos experimentais, por levantamento, qualitativos e outros.

Conceitos conectados

• Métodos de pesquisa em AIED
• Pesquisa qualitativa
• Pesquisa com métodos mixtos
• Medição educacional
• Teoria de resposta ao item
• ECA (ensaio controlado aleatorizado)
• Ganhos de aprendizagem
• Engajamento do estudante
• Autoeficácia
• Modelos de adoção de tecnologia
• Medidas de autorrelato

Artigos conectados

• Access is Not Enough: Human Support Improves Engagement with AI Tutoring — Um estudo de campo randomizado de apoio humano mais tutoria por IA
• Generative AI Can Harm Teaching — A IA generativa pode prejudicar o ensino: um RCT
• Acceptance of AI-Assisted English Language Learning Tools in Higher Education: Psychological Correlates Across Disciplinary and Proficiency Groups — Aceitação de ferramentas de aprendizagem de inglês assistidas por IA
• Decoding symmetric and asymmetric pathways in generative AI learning adoption: a multi-method study — Trilhas de adoção de GenAI (PLS-SEM, fsQCA)
• Teacher education for artificial intelligence literacy through a self-determination theory perspective — Letramento em IA dos professores pela teoria da autodeterminação
• GLAT: The Generative AI Literacy Assessment Test — GLAT: um teste de letramento em GenAI validado por TRI
• AI-Integrated Learning Management System for Middle School: A Longitudinal Study of Learning Outcomes Through High — Um estudo longitudinal de LMS com IA integrada
• Do Gains from Generative AI-Enabled Adaptive Pretesting Persist? Evidence from a Retention Study — Pré-teste adaptativo e retenção
• What Fidelity Metrics Miss: A Structural Check on Synthetic Educational Data — O que as métricas de fidelidade deixam passar: uma verificação estrutural de dados educacionais sintéticos