Autoeficácia

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

Autoeficácia — a crença de quem aprene em sua capacidade de realizar com sucesso uma tarefa ou de alcançar uma meta. Recorrendo à teoria social cognitiva (Bandura), a autoeficácia molda a motivação, o esforço, a persistência e o engajamento na aprendizagem. Na IA na educação, a autoeficácia importa de duas formas: as ferramentas de IA podem construir a confiança e a autonomia de quem aprene (por exemplo, oferecendo feedback e andaimento), e a autoeficácia em IA de quem aprene — sua confiança no uso das tecnologias de IA — influencia o quão eficazmente ele engaja com a IA, incluindo como o conhecimento relacionado à IA se traduz em prontidão relevante para a carreira.

Perguntas para refletir

• A autoeficácia é uma crença sobre sua capacidade — distinta da competência real. Você já foi altamente capaz em algo e ainda assim duvidou de si mesmo, ou já esteve confiantemente errado sobre algo que não conseguia fazer? O que essa lacuna entre crença e habilidade lhe diz sobre por que a autoeficácia importa?
• A autoeficácia em IA (confiança em trabalhar com IA) é um construto separado do letramento em IA, e a pesquisa conclui que o letramento se traduz em prontidão apenas quando quem aprene também tem confiança. Se alguém sabe sobre IA, mas não acredita que consegue usá-la, o que acontece com esse conhecimento — e o que isso implica para o treinamento?
• A pesquisa concluiu que o uso da IA para apoiar a compreensão foi totalmente mediado pela autoeficácia acadêmica em sua ligação ao desempenho, enquanto o uso de atalho predisse desfechos piores em parte independentemente da autoeficácia. Por que a mesma ferramenta construiria confiança quando usada de uma forma e falharia em construí-la quando usada de outra?
• A página distingue a autoeficácia da palavra cotidiana "confiança". Antes de ler, como elas são diferentes, e por que um pesquisador insistiria na distinção em vez de tratá-las como a mesma coisa?
• A robótica e a aprendizagem corporificada constroem confiança ao ancorar as tarefas em resultados observáveis, e o feedback pode construir a autoeficácia de quem aprene. Pense em uma tarefa em que você só ganhou confiança real depois de ver um resultado concreto. O que isso diz sobre que tipos de experiências de aprendizagem com IA têm mais probabilidade de construir — e não meramente relatar — a autoeficácia?
• A autoeficácia do professor afeta a adoção e a integração da IA. Se um professor não acredita que consegue usar a IA de forma eficaz, alguma quantidade de letramento em IA resolve? O que construiria a confiança de um professor, e como isso é diferente de lhe dar mais informação?

Introdução

A autoeficácia é distinta da competência real: é uma crença sobre a capacidade que dirige o comportamento. Ela está intimamente relacionada — e frequentemente é usada de forma intercambiável — à noção cotidiana de confiança nas próprias habilidades. A autoeficácia se conecta intimamente à motivação, à aprendizagem autorregulada e à experiência do estudante. No contexto da IA, a autoeficácia em IA (confiança em trabalhar com IA) é um construto distinto do letramento em IA, e a pesquisa mostra que ela desempenha um papel crucial em saber se quem aprene de fato ativa e aplica o conhecimento relacionado à IA.

Como a autoeficácia aparece na pesquisa da base de conhecimento

• Declínios sob o trabalho de estúdio com GenAI + XR: em um estúdio de desenho arquitetônico com 27 estudantes, as equipes que usavam um pipeline de GenAI e XR multiusuário mostraram declínios relativos pré–pós maiores na confiança de autoeficácia em desenho (β = −1,675, p = 0,021) e na expectativa de resultado (β = −2,088, p = 0,002) do que as equipes que continuavam o fluxo de trabalho normal, sem diferença significativa nas avaliações cegas de painel de suas apresentações (Xiao et al., 2026). Ambientes ricos em ferramentas podem deprimir as crenças de eficácia mesmo quando o próprio trabalho é julgado equivalente.

• Autoeficácia em IA e prontidão para a carreira: a pesquisa sobre prontidão em IA mostra que a autoeficácia em IA modera a relação entre letramento em IA e prontidão em IA: o letramento se traduz em prontidão apenas quando quem aprene tem confiança no uso da IA, e a autoeficácia prediz diretamente a adaptabilidade de carreira.

• A confiança nem sempre é a alavanca. Um SEM transversal com 502 docentes universitários concluiu que a autoeficácia tecnológica era um preditor pequeno do bem-estar com IA (β = 0,082), enquanto o letramento em IA dominava (β = 0,713), limitando a afirmação de que a confiança condiciona os resultados com IA: para o bem-estar, o conhecimento superou a confiança (Liu et al. (2026)).

• As habilidades podem viabilizar a dependência, enquanto a eficácia a amortece. Entre 478 estudantes de graduação israelenses, as dimensões de habilidade do letramento em IA foram positivamente associadas à dependência da IA (usar/compreender a IA β = 0,404), enquanto a autoeficácia em IA foi negativamente associada (β = −0,132), então um treinamento em letramento que constrói apenas habilidade com a ferramenta pode aumentar a dependência (Maizel et al. (2026)).

• A confiança como pivô entre letramento e confiança: Hu (2026) pesquisou 450 estudantes universitários que já usam o ChatGPT e concluiu que há uma cadeia ordenada, e não dois correlatos paralelos: o letramento em IA se relacionava com a confiança na ferramenta (beta = 0,50), a confiança com a autoeficácia acadêmica (0,48), e a autoeficácia com o uso continuado, com o efeito indireto serial significativo (0,07, IC de 95% [0,04, 0,10]). A ansiedade com a IA enfraquecia a ligação entre letramento e confiança (interação beta = -0,25, com inclinações simples caindo de 0,76 a 0,25 ao longo da faixa de ansiedade), então o mesmo conhecimento comprava menos confiança, e alcançava menos uso, entre os estudantes mais ansiosos. A confiança é, portanto, um elo a jusante na cadeia, e não um ponto de partida.

A rota da ansiedade pela qual a prática assistida por IA se relaciona à disposição pode se inverter, e não apenas se esmaecer, com a confiança: a associação indireta condicional caiu de 0,142 em autoeficácia baixa em fala para 0,044 na média e −0,054 na alta, um efeito concentrado em uma pequena cauda superior (Wang & Li (2026)).

• Perfis de autoeficácia acadêmica e quem recorre à IA: Suriá-Martínez et al. (2026) realizaram uma análise de perfil latente da autoeficácia acadêmica entre 102 estudantes universitários com deficiência motora na Espanha e encontraram três perfis (baixo 29,4%, moderado 41,2%, alto 29,4%), cujo uso relatado de IA subia degrau a degrau com o nível de perfil (médias 2,41, 3,56, 4,68; F(2, 99) = 27,84, p < .001, eta quadrado = .36), com a Excelência, a dimensão de planejamento e definição de metas, mais fortemente associada ao uso de IA (beta = .47). Os autores leem isso como um problema de equidade: se a confiança acompanha a adoção, estudantes com autoeficácia mais baixa podem ser os menos propensos a recorrer ao apoio da IA que poderia reduzir barreiras de acesso, então o apoio à autoeficácia acadêmica pertence aos frameworks de inclusão.
• Padrões de uso da IA e autoeficácia: Stamatoulis et al. (2026) concluíram que usar a GenAI para apoiar a compreensão (integração avaliativa) foi totalmente mediado pela autoeficácia acadêmica em sua associação com o desempenho — o uso da IA orientado à compreensão constrói confiança — enquanto o uso de atalho (aceitação com baixa verificação) predisse desfechos piores em parte independentemente da autoeficácia. A autoeficácia é, portanto, tanto uma via pela qual o uso produtivo da IA ajuda quanto um fator que o uso de atalho pode deixar de construir.
• A atribuição molda se a eficácia cresce. Creditar o sucesso à IA, e não ao próprio esforço, restringe o crescimento da autoeficácia e reforça padrões de atalho, então sequenciar atividades complexas em etapas em que os estudantes atribuem o progresso às próprias estratégias importa mais do que a ferramenta (Øby, 2026)).
• Robótica e aprendizagem prática: o REMind construiu, por meio de dramatização de papéis mediada por robô, a autoeficácia das crianças na intervenção contra o bullying; a robótica e a aprendizagem corporificada de forma geral constroem confiança ao ancorar as tarefas em resultados observáveis.
• Autoeficácia criativa em crianças: Niu et al. (2026) relatam, em uma revisão de escopo sistemática de 22 estudos primários de IA generativa com crianças de 6 a 15 anos, que os ganhos em autoeficácia criativa se agrupam com o pensamento divergente e a criatividade narrativa, sobretudo por meio de ferramentas de texto-para-imagem que baixam a barreira entre ideia e artefato. Eles evitam afirmar eficácia: os desenhos são heterogêneos, a revisão não realizou apreciação crítica alguma, e o corpus é quase silencioso sobre deficiência, baixa conectividade e aprendentes desatendidos, então a confiança criativa é um resultado relatado como ascendente, e não um que o campo confirmou.
• Autoeficácia do professor: a pesquisa em competência docente em IA examina como o desenvolvimento profissional constrói a confiança dos professores no uso da IA, o que afeta a adoção e a integração. Ismael, Luo & Li (2026) acrescentam evidência quase experimental de que um modelo de e-mentoria apoiado por IA eleva a autoeficácia e a inteligência emocional de professores pré-serviço de EFL durante a prática: o grupo experimental ganhou substancialmente mais do que os controles em ambas as medidas, com um grande efeito entre grupos e ganhos em todos os subdomínios de autoeficácia — e os autores os atribuem à mentoria mediada por IA dentro de ciclos reflexivos estruturados, e não à IA isoladamente.
• Feedback e confiança: o feedback por IA e a tutoria podem construir a autoeficácia de quem aprene ao oferecer feedback acionável e de apoio.
• Empoderamento no uso da IA para resolução de problemas: Zhu e Kong (2026) concluem que o empoderamento dos estudantes no uso da IA para resolução de problemas medeia a relação entre a aprendizagem baseada em projetos percebida e a satisfação com um curso de letramento em IA. Na análise SEM deles com 1.027 estudantes, a PBL fomentou condições que empoderaram os estudantes a usar a IA para resolução de problemas, o que, por sua vez, impulsionou a satisfação com o curso — evidência de que construir a confiança e a capacidade dos estudantes com a IA é um mecanismo-chave da educação eficaz em letramento em IA.

A autoeficácia se conecta à motivação, à aprendizagem autorregulada, à experiência do estudante, ao letramento em IA, à agência e à robótica educacional. Construir autoeficácia é um mecanismo-chave pelo qual a IA apoia o engajamento e a aprendizagem. A autoeficácia é mensurada quase inteiramente por autorrelato, então suas associações com o comportamento observado merecem a cautela usual.

• A autoeficácia em AIGC como pivô entre ferramenta e aprendizagem. Liang et al. (2026) concluem que as affordances percebidas do conteúdo gerado por IA elevam a autoeficácia em AIGC (beta = 0,583), que então medeia as trajetórias para a motivação de aprendizagem (efeito indireto 0,329) e para a aprendizagem autorregulada (0,145), com a trajetória serial affordance → autoeficácia → motivação → autoregulação também significativa (0,173). O contraste que torna o achado útil é que a qualidade do feedback de avaliação da IA não previu a autoeficácia (beta = 0,131, n.s.), embora previsse fortemente a satisfação — a confiança com a ferramenta é construída ao dirigi-la, e não ao receber boa saída dela.
• Nenhum efeito de tratamento em um ECR de um semestre — a confiança subiu com o tempo de curso: no experimento de campo randomizado de Thoeni e Fryer (2026) com 454 estudantes de graduação em um curso de Princípios de Marketing, a autoeficácia subiu ao longo do semestre para todos os estudantes (efeito de tempo β = 0,099, p = 0,0009, ƒ2 de Cohen = 0,025), enquanto nem o efeito de grupo (p = 0,1162) nem a interação grupo × tempo (p = 0,5306, d = 0,023) foi significativa, então o chatbot de RAG não acrescentou nada. Ganhos de confiança em cursos apoiados por IA podem acompanhar a progressão do curso, e não a ferramenta — um risco de atribuição para um construto que o campo mensura quase inteiramente por autorrelato.
• A confiança pode se mover em sentido oposto ao comportamento. Na programação competitiva, estudantes que pararam de competir relataram confiança teórica maior do que seus pares ativos, e ainda assim mostraram hábitos significativamente mais fracos de resolução pós-prova e de círculo de pares (p < .001), então um sinal de autoeficácia isoladamente enganará um sistema de alerta precoce (Ruhan et al. (2026)).
• A confiança pode subir enquanto a capacidade por trás dela cai. Entre estudantes universitários, o uso frequente de IA generativa elevou a confiança e a eficiência percebidas e aumentou a dependência tecnológica nos mesmos aprendentes, então uma pontuação de autoeficácia tomada durante trabalho assistido por IA pode parecer alta no momento em que a habilidade subjacente está se corroendo (Yan et al., 2025).
• O uso da IA andou com a confiança, mas a confiança não previu a frequência. Em uma pesquisa PLS-SEM com 291 estudantes portugueses, o uso geral da IA foi positivamente associado à autoeficácia para a aprendizagem independente (β = 0,266, f² = 0,106). O construto foi modelado como um composto formativo de segunda ordem das quatro fontes de Bandura — experiência de domínio, experiência vicariante, persuasão verbal e estado emocional. A autoeficácia, por sua vez, não previu o absenteísmo (β = −0,068, p = 0,276), embora o uso da IA estivesse separadamente associado a maior absenteísmo (β = 0,148, f² = 0,029). A trajetória uso da IA → autoeficácia foi significativamente mais forte entre homens do que entre mulheres (β = 0,449 contra 0,159; Δβ = −0,289, p = 0,013), sob invariância de mensuração parcial (Franco et al. (2026)).

Conceitos conectados

• Quem aprende — Quem aprene: o guarda-chuva dos conceitos do lado de quem aprene
• Aprendizagem autodirigida
• Motivação
• Aprendizagem autorregulada
• Experiência dos estudantes
• Letramento em IA
• Autonomia de quem aprende
• Robôs na educação
• Medidas de autorrelato
• Aprendizagem socioemocional — Aprendizagem socioemocional

Artigos conectados

• Confident but absent: AI use, self-efficacy for independent learning, and student absenteeism in higher education — O uso geral da IA acompanhou maior autoeficácia e maior absenteísmo, mas a autoeficácia não previu a frequência (Franco et al. 2026)

• AI chatbots in higher education: Comparing expectations to evidence — Chatbots de IA no ensino superior: comparando expectativas a evidências (Thoeni & Fryer 2026)

• Distinguishing performance gains from learning when using generative AI — a confiança subindo enquanto a dependência tecnológica cresce: a autoeficácia como um resultado enganoso da era da IA (Yan et al. 2025)

• An AI-supported E-mentoring model to develop EFL pre-service teachers' self-efficacy and emotional intelligence — A e-mentoria apoiada por IA eleva a autoeficácia e a inteligência emocional de professores pré-serviço de EFL (quase experimental)

• AIGC affordance and student self-regulation in private undergraduate education: a serial mediation model — Affordance de AIGC e Autorregulação do Estudante

• Beyond Task Completion: A Theoretical Integration and Framework for Guiding Students' ChatGPT Use for Learning

• AI literacy alone is not enough: Student AI readiness and career adaptability in business and management education — Letramento em IA, Prontidão em IA e Adaptabilidade de Carreira

• Play-Testing REMind: Evaluating an Educational Robot-Mediated Role-Play Game — REMind

• Teacher education for artificial intelligence literacy through a self-determination theory perspective — Formação de Professores para o Letramento em IA (TAD)

• Co-Creating Buildable and Open Social Robot Study Companions with University Students — Robôs Sociais como Companheiros de Estudo

• Human-Centric Artificial Intelligence Pedagogy (HCAP) framework developed from TPACK through integration of artificial intelligence literacy and competency — Framework HCAP

• Understanding Student Dependency on AI: The Role of AI Literacy, Academic Self-Efficacy, and Resource Management Strategies

• Same tool, different work: patterns of generative AI use and academic outcomes — Padrões de uso da GenAI e autoeficácia acadêmica

• Enhancing AI Literacy Course Satisfaction Through Empowerment in AI Problem-Solving and Ethical Awareness: Development and Validation of an AI Project-Based Learning Scale — Escala AI-PBLS; o empoderamento e a consciência ética medeiam a trajetória PBL-satisfação em cursos de letramento em IA (Zhu & Kong 2026)

• Predicting Student Attrition in Competitive Programming: A Large-Scale Study Integrating Survey Insights and Global Behavioral Logs — Prevendo o Abandono de Estudantes na Programação Competitiva

• Generative AI and Extended Reality in Collaborative Architectural Design Education: An Exploratory Studio Study — IA Generativa e Realidade Estendida na Educação em Desenho Arquitetônico Colaborativo: Um Estudo Exploratório de Estúdio

• Psychological predictors of continued ChatGPT use among university students: the roles of AI literacy, trust, and academic self-efficacy — Letramento em IA, confiança e autoeficácia acadêmica em uma cadeia serial para o uso continuado do ChatGPT

• Between perceived competence and artificial intelligence: academic self-efficacy profiles in university students with motor disabilities — Perfis de autoeficácia acadêmica e uso relatado de IA entre estudantes universitários com deficiência motora

• The role of generative AI in facilitating children’s creative thinking and cognitive development: a systematic scoping review — Ganhos relatados de autoeficácia criativa com IA generativa em crianças (revisão de escopo)

• AI-Assisted Speaking Practice and Human-Directed Communicative Readiness: Survey and Scenario Evidence on Anxiety, Self-Efficacy, and Evaluation Pressure — A autoeficácia em fala inverte a rota da ansiedade da prática assistida por IA para a disposição

• Exploring University Faculty's AI Well-Being: A Structural Equation Model of Social Supports, AI Literacy, and Technological Self-Efficacy — SEM com corpo docente: a autoeficácia tecnológica como preditor fraco do bem-estar com IA

• Open-ended AI design tasks sort students by pre-existing confidence. Zangari et al. (2026) found that performance self-esteem correlated with extroversion (r = 0.262, p < 0.001) in a course where 345 students each built a conversational agent to teach a peer, and that female students reported significantly lower self-esteem than male peers (Kruskal-Wallis H(2) = 9.87, p < .005). The design inference the authors draw: open-ended, conversational creative tasks advantage the already-confident, so "open-ended design tasks [should] include sufficient scaffolding to equitably build performance self-esteem across all personality types" — a caution that student-created-artifact assignments can widen, not close, confidence gaps if scaffolding is not deliberate.

• Self-efficacy interacts with format preference, not just with outcomes. A counterbalanced within-subject study (97 ninth-graders; content-matched tutor-based vs. paper-based practice of graph interpretation and construction) found tutor-based practice beat paper overall (t(62.30) = 2.38, p = .020), and — counterintuitively — lower baseline self-efficacy predicted greater gains in both formats (t(98.40) = −2.14, p = .035). The interesting structure is a significant three-way self-efficacy × favorability × format interaction (t(99.84) = −2.58, p = .011): among low-self-efficacy students, favorability toward the tutor predicts larger gains specifically in tutor practice. A sobering null for the assumption that tutor practice is motivationally self-reinforcing: ITS practice did not significantly improve post-training self-efficacy over paper — attributed to the short intervention (two ~40-minute sessions). The practical signal: baseline self-efficacy and technology favorability are cheap, actionable inputs for format assignment; tutor practice capitalizes on existing favorability rather than creating it. (Self-efficacy and favorability shape learning from tutoring systems and paper practice)

• Self-efficacy and favorability shape learning from tutoring systems and paper practice — Self-efficacy and favorability shape learning from tutoring systems and paper practice (Cen et al. 2026)