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

Modelos de adoção de tecnologia

Criado 2026-08-18 · Atualizado 2026-09-30

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

Os modelos de adoção de tecnologia são os frameworks teóricos usados para explicar e prever por que indivíduos e instituições aceitam, adotam e continuam usando novas tecnologias — e, na pesquisa em IA na educação, por que estudantes, professores e organizações adotam ferramentas de IA generativa. Em vez de um único modelo, esta é uma família de teorias que compartilham raízes na pesquisa de sistemas de informação e de psicologia social, da qual o Modelo de Aceitação de Tecnologia (TAM) é a mais amplamente aplicada. A base de conhecimento trata esses modelos juntos porque os estudos de adoção de GenAI rotineiramente os combinam (TAM + UTAUT, TAM + TPB, UTAUT + ARCS) e porque seus construtos centrais — utilidade percebida, facilidade de uso percebida e influência social — reaparecem em quase todo estudo de aceitação da IA na educação.

Perguntas para refletir

  • Pense numa vez em que você adotou um novo app, ferramenta ou serviço de IA — e numa vez em que abandonou um. O que de fato moveu cada decisão: o quão útil ela parecia, o quão fácil era, ou o que as pessoas ao seu redor estavam fazendo? Qual fator você suspeita que importa mais, e um levantamento consegue realmente capturar isso?
  • Uma crença comum é que "se uma ferramenta é claramente útil, as pessoas a usarão". Você já viu situações em que uma tecnologia genuinamente útil ainda assim não pegou, ou uma claramente limitada se espalhou de qualquer forma? O que poderia explicar a lacuna entre utilidade objetiva e adoção real?
  • Frameworks de adoção como o TAM foram desenhados nos anos 1980 para sistemas razoavelmente simples. Se você já usou IA generativa, em que aspectos ela difere de um processador de texto ou de um sistema de gestão de aprendizagem — e por que um modelo construído em torno de "facilidade de uso" e "utilidade" poderia lutar para capturar como as pessoas se relacionam com algo que responde?
  • Pesquisadores frequentemente dizem que risco percebido e confiança importam menos para a adoção da IA do que o esperado. Antes de ler mais adiante, o que você prediz: os estudantes adotam a IA porque confiam nela, apesar dos riscos, ou essas preocupações são de fato menores ao lado da conveniência e da pressão social?
  • A página argumenta que os frameworks de adoção tratam o uso de uma ferramenta como uma decisão única, mas o uso eficaz pode ser um julgamento contínuo. Onde na sua prática ou na dos seus estudantes a linha entre "escolher usar a IA" e "decidir continuamente como usá-la bem" parece se embaralhar — e o que mudaria se medíssemos isso em vez da mera adoção?
  • Alguns pesquisadores agrupam os estudantes em diferentes "personas de adoção", em vez de presumir que um modelo serve a todos. Que diferenças você vê entre seus próprios estudantes, colegas ou alunos que um único modelo médio de adoção poderia esconder — e como essas diferenças poderiam moldar a forma como você os apoia?

Introdução

Evidência metanalítica sobre a adoção da IA. Uma metanálise da adoção de IA por estudantes de nível terciário (233 correlações, 32 estudos, N = 16.977) encontra correlações positivas moderadas para fatores individuais (r = 0,57), contextuais (r = 0,53) e tecnológicos (r = 0,50), com as intenções de uso como preditor mais forte (r = 0,64) e riscos/confiança percebidos mais fracos que o esperado. Sua crítica central é que o campo depende excessivamente de frameworks tradicionais de TAM/UTAUT que antecedem os sistemas inteligentes modernos e negligencia fatores específicos da IA, como antropomorfismo e ética — argumentando que essas lacunas importam para o avanço da teoria e da política baseada em evidência.

A família de modelos

Modelo de Aceitação de Tecnologia (TAM)

Proposto por Davis (1989), o TAM explica a adoção por duas crenças centrais — Utilidade Percebida (PU) e Facilidade de Uso Percebida (PEOU) —, que moldam a Atitude (ATT) dos usuários, depois a Intenção Comportamental (BI) e depois o uso real. Fundamentado na teoria de sistemas de informação (adaptada da Teoria da Ação Racional), o TAM tornou-se o framework dominante para a adoção de GenAI na educação. Na pesquisa educacional sobre GenAI, ele é frequentemente estendido com letramento em IA, confiança, influência social, autodeterminação e uso crítico para capturar a complexidade da adoção além da simples adoção.

UTAUT / UTAUT2 / UTAUT3

A Teoria Unificada da Aceitação e Uso de Tecnologia consolida o TAM com oito modelos anteriores em quatro determinantes centrais — expectativa de desempenho, expectativa de esforço, influência social e condições facilitadoras (com a UTAUT2 acrescentando motivação hedônica, valor de preço e hábito; a UTAUT3 acrescentando inovatividade pessoal). A base de conhecimento aplica a UTAUT a populações de professores e estudantes: professores austríacos de matemática do ensino médio (UTAUT com 448 professores), futuros professores de ciências em Gana (UTAUT + TPB) e estudantes no Lesoto (UTAUT3 + ARCS, usando PLS-SEM e fsQCA). Jácome-Vásconez et al. estendem a UTAUT2 com IA explicável (Random Forest, SHAP, NCA, IPMA, K-Means) para 522 estudantes universitários, descobrindo o hábito como preditor mais forte da intenção com o ChatGPT e mostrando que a expectativa de esforço é uma condição necessária, e não um determinante linear — um resultado visível apenas quando a XAI complementa a regressão.

Teoria do Comportamento Planejado (TPB)

A TPB explica a intenção por atitude, normas subjetivas e controle comportamental percebido. Ela é frequentemente emparelhada com TAM/UTAUT em estudos de adoção de IA — ex., Rizun et al. integram TAM, TPB, UTAUT e o framework FATE (Justiça, Responsabilização, Transparência, Ética) para modelar os determinantes comportamentais e éticos da adoção do ChatGPT pelos estudantes.

A pesquisa em adoção normalmente para na intenção; uma extensão da TPB que em vez disso mediu a demora apesar de uma intenção genuína descobriu o controle comportamental percebido como o preditor negativo mais forte da procrastinação na aprendizagem assistida por GenAI (β = −0,331) ao longo de 1.243 graduandos, com a ligação intenção–demora significativa apenas em ansiedade moderada a alta em aprender GenAI (Li et al. (2026)).

Difusão da Inovação (DOI)

A teoria da DOI de Rogers explica a adoção como um processo social em que as inovações se difundem pelas populações ao longo do tempo, enfatizando os atributos da inovação (vantagem relativa, compatibilidade, complexidade, possibilidade de teste, observabilidade) e as categorias de adotantes. Ela aparece nas análises de nível institucional da base de conhecimento, ex., Al-Rahmi et al. combinam o framework Tecnologia–Organização–Ambiente (TOE) com a DOI para modelar a adoção organizacional de IA em universidades sauditas.

Tecnologia–Organização–Ambiente (TOE)

O TOE enquadra a adoção como moldada por contextos tecnológicos, organizacionais e ambientais — um complemento ao TAM/UTAUT de nível individual para estudar a adoção institucional (ver Exploring Organisational Drivers and Innovation Attributes of Artificial Intelligence Adoption in Higher Education).

Aplicações na base de conhecimento

Os modelos de adoção são aplicados por toda a base de conhecimento para modelar a adoção de ferramentas de IA por estudantes e professores:

  • Extensão de uso crítico: Nguyen et al. estenderam o TAM com uso crítico para estudantes de engenharia/ciência da computação, descobrindo que atitudes e uso crítico predizem diretamente a intenção — e que o uso crítico protege contra a dependência excessiva.
  • Modelo sociocognitivo unificado: Asag & Al Mamun integraram TAM com UTAUT para estudantes de engenharia em Bangladesh (explicando 64% da variância de uso).
  • Perfis centrados na pessoa: em vez de modelos centrados em variáveis, Saihi & Ahmed agrupam personas de adoção de GenAI, e Chen et al. usam análise de perfis latentes para identificar quatro perfis de aceitação do ChatGPT entre futuros professores — mostrando o movimento do campo além de contas lineares de modelo único.
  • Validação transcultural: Martínez-Moreno et al. validam transculturalmente construtos de motivação relacionados à adoção entre Suíça e China.
  • Correlatos psicológicos: Wu et al. constroem sobre o TAM para relacionar motivação, autoeficácia, ansiedade e percepção de risco à aceitação da aprendizagem de inglês assistida por IA.
  • Crítica da competência regulatória: Kim argumenta que os modelos de TAM centrados na adoção tratam o uso como uma decisão estável, ao passo que o uso eficaz da IA é um processo contínuo de julgamento, revisão e adoção seletiva — reenquadrando o letramento em IA como competência regulatória e pensamento crítico, e não como aceitação.

Acrescentar uma capacidade da família TPACK ao lado de frameworks de crenças como a Teoria do Comportamento Planejado como preditores paralelos convida à sobreposição de construtos e deixa indecidida a ordenação causal de capacidade, atitude e controle; o Modelo de Capacidade–Decisão, em vez disso, coloca a capacidade de AI-TPACK a montante da atitude e do controle comportamental percebido (Mnguni (2026)).

  • Determinantes de ML da adoção do ChatGPT: uma abordagem exploratória de ML examinou como as percepções e os dados demográficos dos estudantes se relacionam ao uso acadêmico pretendido do ChatGPT, usando análise SHAP para identificar construtos-chave relacionados à aprendizagem — priorizando o significado educacional em vez de maximizar o desempenho algorítmico (An Exploratory Machine Learning Approach to Understanding Determinants of Future ChatGPT Use in Higher Education).
  • Explicabilidade e relevância de domínio como alavancas de aceitação para professores: adaptando a teoria de confiança na automação à aceitação pelos professores de recomendações de IA, Feldman-Maggor et al. (2025) descobriram que a compreensibilidade (elevada pela IA explicável) se correlacionava positivamente tanto com a confiança quanto com a aceitação de uma ferramenta de IA para agrupamento, e que as explicações movidas pelo domínio em linguagem curricular superavam as de importância de features movidas por dados nas três. A aceitação era adicionalmente impulsionada pelo alinhamento pedagógico e pelo potencial de redução de carga de trabalho — fatores situacionais além da confiança que os construtos padrão de TAM/UTAUT raramente capturam, reforçando o argumento por estender os modelos de adoção com contexto e explicabilidade.
  • A aceitação medida ao nível dos materiais instrucionais (2026). Wang, Chuang e Wu (2026) operacionalizaram Expectativa de Desempenho, Expectativa de Esforço, Ludicidade Percebida e Intenção Comportamental para dois guias de letramento em IA divididos por faixa de idade, usados por 794 estudantes de K-12 e 37 professores, validando a estrutura de quatro fatores com EFA e CFA de amostra dividida e sustentando a invariância de mensuração entre as edições de 9-12 e de 13-18. Os estudantes mais novos reportaram níveis mais altos nos quatro construtos, e a ludicidade foi o correlato mais forte da intenção em ambas as coortes — com o coeficiente padronizado de ludicidade-para-intenção excedendo 1,00 no grupo mais novo e um HTMT de ,950 entre os dois construtos. Os autores leem isso como sobreposição de construtos e possível supressão, e não como um efeito gigantesco, um lembrete útil de que instrumentos de aceitação aplicados a materiais podem produzir fatores empiricamente emaranhados que complicam a interpretação estrutural.

Limites e extensões

O foco cognitivo do TAM também subcaptura as dimensões emocionais e relacionais do uso da IA. Um estudo qualitativo de estudantes e corpo docente de enfermagem descobriu que, ao lado dos quatro construtos clássicos do TAM, os participantes — principalmente estudantes — descreveram a IA como fonte de apoio psicossocial: conforto emocional durante o estresse e um espaço confidencial para reflexão. Isso estende a utilidade percebida além dos ganhos de desempenho para o bem-estar no treinamento profissional de alto estresse, sugerindo que os modelos de adoção deveriam atender a fatores afetivos e psicossociais, e não apenas à utilidade instrumental.

A percepção de autonomia e a aversão ao risco como extensões específicas da ferramenta. Um levantamento de métodos mistos com 287 professores experientes em GenAI de 27 países e regiões (Dai et al. (2026)) estende o TAM numa direção que a família de modelos mal tocou: a autonomia percebida da própria ferramenta. Acrescentando autonomia artificial percebida (quão independentemente os professores acreditam que a GenAI consegue realizar uma tarefa instrucional atribuída) e aversão ao risco aos construtos clássicos, seu modelo estrutural refinado explicou 79,8% da variância na intenção comportamental (χ²(97) = 202.597, CFI =,963, TLI =,954, RMSEA =,062, SRMR =,041), com a utilidade percebida novamente dominante (PU → BI β =,832, p <,001) e a facilidade de uso alimentando a utilidade (PEU → PU β =,479). Os resultados instrutivos são os desvios. A autonomia artificial não agiu diretamente sobre a intenção (β =,026, ns), mas agiu por meio da utilidade (AA → PU β =,188, p <,001; indireta AA → PU → BI =,156, IC 95% [,082,,240]) — professores que viam a GenAI como mais capaz a achavam mais útil, não mais imediatamente adotável. A aversão ao risco reduziu a intenção (RA → BI β = −,163, p <,001) sem reduzir a utilidade percebida (RA → PU ns), porque as preocupações dos professores se centravam no uso dos estudantes — trapaça e integridade, conhecimento fundamental e pensamento de ordem superior enfraquecidos, alucinações, interação humana reduzida, e riscos éticos, legais e de equidade —, e não no seu próprio. A facilidade de uso foi não significativa no geral (PEU → BI β =,068), mas significativa entre os 225 professores que de fato haviam usado IA no ensino (β =,138, p <,05), o padrão familiar de que o esforço só se registra depois do encontro real; a atitude teve de ser descartada quando sua correlação com a intenção (r =,929) violou a validade discriminante. Os professores colocaram a GenAI em níveis semiautônomos (130 no Nível 2, "assistência do professor"; 94 no Nível 3, "automação parcial"; um no Nível 6) e insistiram que as decisões de adoção fossem tomadas caso a caso. O TAM ainda prediz bem a intenção, mas, para a IA voltada ao professor, os construtos que fazem a diferença são específicos da ferramenta: quão autônoma a ferramenta parece, e a quem o risco se liga. O rótulo de "frenemy" dos autores — valorizada como ferramenta de apoio, desconfiada como agente autônomo — é a contraparte do lado do professor às extensões voltadas ao estudante catalogadas acima.

A percepção de risco como extensão específica de dimensão. Um levantamento com 814 estudantes universitários chineses (Du, Ning, Shi & Chen (2026)) dobra a Teoria da Avaliação Cognitiva e a Teoria da Motivação de Proteção sobre o TAM/UTAUT2 para perguntar não se os estudantes adotam a IA generativa, mas o que eles ganham com ela. A suposição da família de modelos de que o risco suprime uniformemente a adoção não sobrevive: a percepção de risco se divide em dimensões de informação, segurança, técnica, ética e legal que movem os benefícios em direções opostas. O risco de segurança — uma ameaça que os estudantes acreditam poder gerir por meio de práticas de privacidade — se associou positivamente ao apoio acadêmico e ao desenvolvimento de habilidades percebidos, consistente com o enfrentamento focado no problema, enquanto o risco de informação, que os estudantes não conseguem verificar facilmente, corroeu os benefícios de apoio psicológico e emocional, de vida cotidiana e de lazer por meio da evitação. Análises de limiar mostraram adicionalmente efeitos que mudam de sinal além de pontos de corte específicos por dimensão, e a experiência de uso importou independentemente: estudantes com mais de um ano de uso de GenAI reportaram benefícios mais altos nos quatro domínios. A implicação prática para a pesquisa em aceitação é que "risco percebido" é um construto grosseiro demais para ser modelado — a controlabilidade, e não a mera presença de risco, é o que determina se os estudantes se engajam ou se retraem.

A ligação do risco ao uso também depende do sistema: ao longo dos 49 sistemas do TALIS 2024 que aplicaram os itens, a utilidade percebida da IA se associou positivamente ao uso de IA em todos os 49, enquanto o risco percebido se associou negativamente em 40 e positivamente em nove (Fang & Jin (2026)).

Conceitos conectados

Artigos conectados

Metadados

NívelHigher Ed
Público-alvoLearners
Tecnologias e técnicasIA generativa, Modelos de adoção de tecnologia
Métodos de pesquisa e avaliaçãoMétodos de pesquisa em AIED
Fundamentos da IA na educaçãoLetramento em IA
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.