Teoria da autodeterminação

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

Teoria da Autodeterminação (TAD) — uma teoria psicológica da motivação humana que postula que a motivação intrínseca e o bem-estar dependem de satisfazer três necessidades psicológicas básicas: autonomia, competência e vínculo. Na IA na educação, a TAD fornece um framework para desenhar ferramentas de IA e desenvolvimento profissional que apoiem, em vez de minar, a motivação de quem aprende e dos professores.

Perguntas para refletir

• A teoria afirma que a motivação não é apenas quanto você tem, mas uma qualidade moldada pelo ambiente, construída sobre três necessidades: autonomia, competência e vínculo. Pense em uma experiência de aprendizagem que o esgotou. Qual dessas três necessidades foi violada, e o que a teria restaurado?
• Um estudo de um ano constatou três perfis motivacionais — Desengajado, Em Desenvolvimento, Autodeterminado —, estáveis ao longo do tempo, e os estudantes que alcançaram o perfil Autodeterminado mostraram os maiores ganhos de letramento em IA. Antes de ler, a motivação é algo que os estudantes trazem consigo, ou algo que um ambiente bem desenhado pode cultivar? O que "desenvolvimental, não fixo" implica?
• Se uma ferramenta de IA torna cada tarefa sem esforço e "fácil de usar", qual necessidade psicológica ela pode estar satisfazendo — e qual pode estar minando silenciosamente? Como uma ferramenta que aumenta o engajamento de curto prazo poderia ainda assim corroer a motivação de longo prazo?
• O desenvolvimento profissional para professores que apoia as necessidades aumentou o letramento em IA deles e sustentou o engajamento. Isso sugere que como treinamos os educadores sobre IA importa tanto quanto o que a própria IA faz? Como seria, para você pessoalmente, um treinamento de IA que apoie a autonomia?
• Um estudo constatou que o ChatGPT poderia apoiar autonomia, vínculo e competência na aprendizagem de línguas. Mas a mesma ferramenta poderia minar essas necessidades para um estudante diferente? O que precisaria ser verdade sobre como ela é usada para que a teoria se sustente?
• Antes de ler mais, nomeie uma forma pela qual você sentiu sua própria competência, autonomia ou senso de conexão afetados pelo uso de uma ferramenta de IA — e reflita se você teria notado essa mudança sem ter sido instado a procurá-la.

Introdução

A TAD é crescentemente usada na pesquisa em IA na educação como uma lente teórica tanto para sistemas de IA voltados a quem aprende quanto para os voltados aos professores. A afirmação central da teoria — que a motivação não é simplesmente uma quantidade que quem aprende tem, mas uma qualidade moldada pelo ambiente social e tecnológico — a torna diretamente relevante para questões sobre como as ferramentas de IA afetam o engajamento, a persistência e os resultados de aprendizagem. Os artigos desta base de conhecimento aplicam a TAD em três contextos principais: desenvolvimento profissional de professores, engajamento de aprendizagem mediado por IA e computação afetiva.

Temas centrais de pesquisa

O desenvolvimento profissional de professores baseado na TAD aplica os princípios da teoria de apoio às necessidades para preparar educadores para a IA. Chiu et al. estudaram 382 professores do ensino médio, constatando que o desenvolvimento profissional que apoia as necessidades, fundamentado na TAD, aumenta o letramento em IA dos professores e fomenta o engajamento comportamental sustentado em comunidades on-line de aprendizagem profissional. A análise qualitativa identificou nove estratégias de desenho que apoiam autonomia, competência e vínculo —, fazendo a ponte entre o desenvolvimento profissional isolado e as comunidades de aprendizagem profissional.

A TAD no engajamento de aprendizagem mediado por IA examina como as ferramentas de IA generativa moldam a motivação dos estudantes. Isaeva et al. combinaram a TAD com a análise de redes epistêmicas para estudar o engajamento dos estudantes com IA generativa na aprendizagem acadêmica. Why Put in This Much Effort?": How AI Availability Shapes Students’ Motivation in Introductory Programming explora como a disponibilidade de IA afeta a motivação e a persistência dos estudantes, conectando-se às preocupações de excesso de dependência sobre a erosão da motivação. Liang et al. (2026) estendem a TAD à aprendizagem com IA com uma análise de transição latente de 2.086 estudantes do ensino médio em um currículo de IA de um ano, identificando três perfis motivacionais (Desengajado, Em Desenvolvimento, Autodeterminado) que foram estáveis ao longo do tempo e mostrando que a maioria dos estudantes manteve ou avançou para perfis mais altos. Crucialmente, os estudantes que alcançaram ou permaneceram no perfil Autodeterminado mostraram os maiores ganhos de letramento em IA — evidência longitudinal direta de que satisfazer autonomia, competência e vínculo prevê melhores resultados de aprendizagem com IA, e de que a motivação é uma propriedade de quem aprende desenvolvimental (não fixa).

Um resultado contrastante em sala de aula mostra que as necessidades não se movem juntas: entre 2.464 estudantes do segundo ciclo do fundamental, a aprendizagem baseada em competências apoiada pelo ChatGPT elevou o apoio à autonomia e a satisfação de competência, mas produziu uma parcela maior de perfis motivacionais de baixa qualidade, e a satisfação de vínculo foi mais fraca que na aprendizagem baseada em competências sem IA (Schweder, Hagenauer & Raufelder (2026)).

Um teste configuracional afia o ponto: entre 498 estudantes de graduação em medicina, o uso de IAG se associou apenas fracamente à satisfação de necessidades (β = 0,155) e mostrou-se desnecessário para o alto engajamento, enquanto a satisfação da necessidade de competência foi a condição central na configuração mais forte (He et al. (2026)).

Vias duplas do clima de aprendizagem para o uso de IA. Shen e Arunrugstichai (2026) integram a TAD ao modelo Hook do engajamento comportamental para explicar por que o uso de IA generativa varia de apoio construtivo a dependência compulsiva. Em dados de pesquisa transversal de 508 estudantes universitários com diferentes formações no ensino médio e contextos atuais (China e Tailândia), os relatos retrospectivos de pressão versus apoio à autonomia no ensino médio previram diferencialmente qual de duas vias os estudantes seguiram para a universidade — uma rumo ao uso construtivo e autônomo de IA generativa, e outra rumo à dependência compulsiva —, com resultados consistentes entre análises multigrupo transculturais. O modelo liga os processos motivacionais da TAD à qualidade percebida da aprendizagem apoiada por IA, enquadrando o apoio à autonomia como uma alavanca que conduz os estudantes rumo ao uso produtivo, e não dependente, de IA.

• O ChatGPT e as necessidades da TAD na aprendizagem de línguas: Annamalai et al. (2026) usaram uma lente da TAD com 25 estudantes universitários malaios, constatando que o ChatGPT apoia autonomia, vínculo e competência na aprendizagem da língua inglesa — aprimorando tarefas de gramática, escrita e conversação ao mesmo tempo que deixa os educadores focarem no treinamento de ordem superior.

A TAD aplicada à própria prática dos instrutores mediada por IA. Claassen et al. (2026) usaram a TAD como lente interpretativa sobre como os instrutores integram analítica de aprendizagem e IA generativa ao desenho de aprendizagem — constatando que apoiar as necessidades básicas dos instrutores (autonomia, competência, vínculo) fomenta a resolução criativa de problemas que seu trabalho de desenho exige. Em sua análise de ENA, o uso de IA generativa se associou ao desenho para a autodeterminação do estudante (por exemplo, cocriação de rubricas de avaliação com os estudantes), estendendo a TAD de quem aprende aos educadores que constroem ambientes mediados por IA que apoiam as necessidades.

Para os próprios professores, a colaboração com a IA corta nos dois sentidos: um estudo de três ondas com 468 professores universitários constatou que ela elevou o engajamento no trabalho por meio da disponibilidade psicológica, ao mesmo tempo que o reduziu por meio da alienação no trabalho, e a competência digital fortaleceu a primeira via e enfraqueceu a segunda (Sun et al. (2026)).

Um framework de co-agência delimita o alcance da TAD na educação mediada por IA: ele muda as circunstâncias sob as quais autonomia, competência e vínculo surgem, mas deixa sem tratamento a equidade de poder, a propriedade dos dados e a responsabilização, e é por isso que seus autores estabelecem a responsabilização epistêmica humana como condição inegociável fora da teoria (Poudyal (2026)).

O apoio à autonomia como enquadramento para o uso de IA generativa pelas crianças. Fan, Li e Zhang (2026) deslocam a questão do uso responsável da restrição para o apoio às necessidades, argumentando que a distinção que importa é se os adultos em torno de uma criança apoiam a autonomia, em vez de controlá-la, e distinguindo o descarregamento dependente do autônomo nos termos da TAD: o descarregamento dependente transfere agência e reduz a motivação intrínseca, enquanto o autônomo dá andaimento enquanto quem aprende retém o controle epistêmico. Duas características da revisão são diretamente relevantes à aplicação da TAD: ela insiste que o apoio à autonomia não é permissividade, e trata a coordenação família–escola que a orientação atual pressupõe como uma hipótese não testada, formalizando versões aditiva, sinérgica e compensatória que apenas um ensaio fatorial contrastando orientação apenas familiar, apenas escolar, coordenada e de prática usual poderia discriminar.

Conexões com conceitos afins

A TAD se conecta diretamente à motivação como seu construto-mãe, à computação afetiva e à tutoria afetiva para o desenho de IA consciente das emoções, e à experiência do estudante para como quem aprende vivencia ambientes mediados por IA. A ênfase da teoria na autonomia se conecta à aprendizagem autorregulada, enquanto sua dimensão de competência se conecta à Self-Efficacy and Favorability Shape Learning from Tutoring Systems and Paper Practice e à competência em IA do professor. A TAD é particularmente relevante para a formação profissional e o desenvolvimento educacional porque o desenho que apoia as necessidades é um princípio transferível para preparar educadores a usar a IA.

Conceitos conectados

• Motivação
• Experiência dos estudantes
• Computação afetiva
• Tutoria afetiva
• Aprendizagem autorregulada
• Competência em IA do professor
• Desenvolvimento educacional
• Aprendizagem no trabalho
• Descarregamento cognitivo
• Engajamento do estudante
• IA na educação
• Teorias de aprendizagem

Artigos conectados

• Family-school autonomy support for children's responsible use of generative artificial intelligence — Apoio à autonomia entre família e escola para o uso responsável de IA generativa pelas crianças

• How High-School Pressure and Autonomy Support Are Linked to Dual AI Learning Pathways: A Cross-Contextual SEM Analysis — Pressão/apoio à autonomia no ensino médio e vias duplas de aprendizagem com IA (Shen & Arunrugstichai 2026)

• Reclaiming Epistemic Agency: A Critical Framework for Human-Generative AI Co-Agency in Education

• Understanding the Role of Learning Analytics and Generative Artificial Intelligence on Decision-Making and Learning Design Practice in Higher Education — AL e IA generativa na tomada de decisão de desenho de aprendizagem

• Teacher education for artificial intelligence literacy through a self-determination theory perspective

• Students' engagement with generative AI in academic learning: A self-determination theory and epistemic network analysis study

• Why Put in This Much Effort?": How AI Availability Shapes Students’ Motivation in Introductory Programming

• Students' experiences of using ChatGPT for English language learning: a qualitative study in a Malaysian higher education institution — Experiências dos estudantes com o ChatGPT na aprendizagem da língua inglesa

• Interaction Effects Between Learner Characteristics and Dialogue Format in TTS Dialogue-Based Lessons — Características de quem aprende × interações em formato de diálogo com TTS

• From disengaged to self-determined: a latent transition analysis of students' AI learning motivation — Análise de transição latente com TAD da motivação de aprendizagem com IA dos estudantes (2.086 estudantes do ensino médio)

• Student Motivation and Need Satisfaction in GenAI-Supported Classrooms: A Self-Determination Theory Perspective — Motivação do estudante e satisfação de necessidades em salas de aula com IA generativa (Schweder, Hagenauer & Raufelder 2026)

• Generative Artificial Intelligence Use and Learning Engagement Among Medical Undergraduates: Statistical Indirect and Configurational Associations Involving Basic Psychological Need Satisfaction — O uso de IAG se liga fracamente à satisfação de necessidades e é desnecessário para o alto engajamento (He et al. 2026)

• The Double-Edged Sword Effects of Teacher–AI Collaboration on Work Engagement: A Self-Determination Theory Perspective — Vias duplas da colaboração professor–IA para o engajamento no trabalho, moderadas pela competência digital