Calibração da confiança

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

Calibração da confiança — a capacidade metacognitiva de alinhar a própria confiança num sistema de IA a sua confiabilidade real num dado contexto, sabendo quando confiar e quando questionar sua saída. A calibração da confiança é o antídoto direto ao Excesso de Dependência: é a habilidade de igualar a confiança à evidência, e não à fluência confiante de uma IA.

Perguntas para refletir

• Você já aceitou uma resposta de IA que soava confiante e plausível — e depois descobriu que estava errada? O que foi sobre a apresentação, e não sobre o conteúdo, que conquistou sua confiança? É desse momento que trata esta página.
• A maioria das pessoas presume que o risco é confiar demais na IA. Mas a página argumenta que confiar de menos — evitar inteiramente uma ferramenta capaz — é igualmente uma falha de calibração. Você pende para aceitar ou para evitar a saída da IA, e o que você pode estar perdendo por causa dessa tendência?
• Uma resposta de IA fluente e confiante "soa confiável quer o seja ou não". Antes de ler mais adiante, que critérios você poderia usar para decidir quando uma saída de aparência confiante realmente merece sua confiança — e esses critérios se sustentariam para um tópico obscuro e de alto impacto sobre o qual você não sabe nada?
• A página sugere que a calibração depende do contexto: verificar mais onde os erros são custosos, menos onde são benignos. Onde, no seu próprio trabalho ou estudo, o custo de uma resposta errada é mais alto, e como você ajustaria seu esforço de verificação de acordo?
• A pesquisa modela a confiança como moldada não apenas pelo julgamento individual, mas pelo seu ambiente social — o que os pares e as redes fazem. Pense numa vez em que um colega de turma, um colega de trabalho ou uma comunidade online o persuadiram de que uma IA era (ou não era) confiável. Você se calibrou com base em evidência ou nesse sinal social?
• Um achado: dizer aos estudantes que um tutor de IA pode errar de fato aumentou o quanto eles o usaram. Por que ser avisado sobre a falibilidade poderia tornar as pessoas mais dispostas a se engajar — e o que isso sugere sobre como a honestidade sobre os limites da IA deveria moldar seu próprio uso dessas ferramentas?

Introdução

A prosa fluente e confiante de um modelo de linguagem soa confiável quer o seja ou não. A calibração da confiança é o contrapeso a essa ilusão — a prática de avaliar a IA segundo sua verificabilidade e as apostas da tarefa, em vez de aceitá-la pela força de sua apresentação. Como a confiança é usualmente medida perguntando-se, as alegações de calibração herdam os limites das medidas de autorrelato — a confiança reportada e o comportamento de verificação observado podem divergir, como um estudo de física descobriu.

O desenvolvimento de instrumentos está começando a endereçar diretamente essa lacuna de mensuração: Nazaretsky et al. (2025) validaram um instrumento de quatro fatores (Utilidade Percebida, Obstáculos, Prontidão e Confiança, ao longo de 21 itens e 665 estudantes) cujo movimento distintivo é separar a confiabilidade percebida de uma ferramenta da disposição do estudante que confia nela, de modo que utilidade e obstáculos possam ser pontuados à parte da prontidão para confiar. Seu modelo estrutural coloca a confiança a montante da utilidade percebida, e não a jusante, como o Modelos de adoção de tecnologia usualmente lê a adoção, e as duas médias divergem na direção de que a calibração cuida — a confiança (3,31) ficou abaixo da utilidade (3,62).

Por que a confiança precisa ser calibrada

A confiança não calibrada assume duas formas. A super-confiança (aceitar a saída da IA sem verificação) produz a aceitação acrítica documentada na pesquisa sobre Excesso de Dependência e offloading cognitivo, e agrava o risco de alucinação de erros confiantes. A sub-confiança (evitar a IA por completo) abre mão de benefícios legítimos. Ambas provêm da mesma raiz: confiança baseada na aparência, e não na evidência. A pesquisa sobre concepções errôneas mostra que os estudantes frequentemente caem por padrão na super-confiança, porque presumem que uma IA que "soa certa" está certa.

Uma confiança maior não compra julgamento melhor: entre 432 graduandos resolvendo problemas de Python com sugestões de IA acuradas e deliberadamente enganosas, maior confiança previu menor dependência apropriada (r = −,42), os estudantes aceitaram 86,03% das recomendações enganosas, e a relação foi moderada pelo letramento em IA e pela necessidade de cognição (Pitts, Rani & Mildort (2026)).

Como a calibração funciona

• Hábitos de verificação: checar as afirmações da IA contra fontes primárias e seguir a regra "a IA propõe, você verifica", em vez de aceitar a saída de aparência plausível.
• Um protocolo de verificação baseado em risco: Wang (2026) especifica seis dimensões interdependentes a examinar — Processo, Evidência, Acesso, Reprodutibilidade, Legitimidade e Fonte — e dirige a verificação para afirmações que são centrais, surpreendentes, numéricas ou difíceis de reverter, de modo que o esforço acompanhe o custo de estar errado, e não a fluência da resposta.
• Consciência de contexto: reconhecer que a confiabilidade varia por tarefa — um tópico muito trilhado que o modelo viu extensamente é mais seguro que um obscuro, de alto impacto ou de movimento rápido.
• Ajuste pelas apostas: aplicar mais escrutínio onde os erros são custosos (trabalho submetido, afirmações médicas ou legais) e menos onde são benignos.
• Monitoramento metacognitivo: rastrear quando e por que se confia demais, o que conecta a calibração a metacognição e a aprendizagem autorregulada.

Onde o limite da dependência realmente fica

A pesquisa em calibração normalmente trata a confiança como um julgamento único. Serpil & Mor (2026) mostram que a avaliação se divide em dimensões que não igualam em força vinculante. Entrevistando 17 graduandos de inglês como língua estrangeira depois de um semestre usando o GROK para feedback sobre sua escrita, eles descobriram a expertise percebida alta — os estudantes creditavam à ferramenta a melhora de vocabulário, gramática, estrutura e coerência, e liam suas explicações para as revisões sugeridas como evidência de competência —, enquanto a confiabilidade, principalmente sobre o que acontecia com seus dados, e a boa vontade, com o feedback experenciado como impessoal e às vezes desmotivador, permaneciam baixas. A dependência seguia as dimensões fracas, e não a forte: os estudantes autorizavam a ferramenta para feedback amplo de língua e reservavam a orientação individualizada e relacional para o instrutor. A implicação para a calibração é que melhorar a acurácia não move o teto do uso; a transparência de dados e o enquadramento instrucional em torno de uma ferramenta são eles mesmos intervenções de calibração.

Du e Yuan (2026) separam a dependência produtiva da dependência prejudicial usando seis critérios diagnósticos — contestabilidade, recuperabilidade, transferência, rastreabilidade, responsabilidade distribuída e pluralidade epistêmica — e distinguem assistência instrumental (ajudar a produzir saída) de assistência portadora de julgamento (fornecer os padrões pelos quais a saída é julgada), sendo esta última onde a dependência se torna educacionalmente consequente.

A calibração como problema de desenho

Tratar a descalibração puramente como um déficit do usuário — algo a ser corrigido ensinando as pessoas a checar a saída da IA — pode ser um erro de categoria. Jaidka & Cai (2026) argumentam que as affordances de transparência são inertes: elas esperam que um usuário aja sobre elas, e a maioria não age. Num estudo de rastreamento passivo com 900 adultos dos EUA, leitores que viam um resumo gerado por IA clicavam numa fonte citada dentro dele em apenas 1% das visitas, e clicavam em qualquer link de resultado cerca de metade das vezes que leitores que não viam resumo. A evidência de levantamento mostra a mesma lacuna em escala — num estudo com 81.000 pessoas em 159 países, a não confiabilidade era a preocupação mais citada sobre a IA, enquanto mais de 48.000 respondentes em 47 países usavam a IA diariamente em grande parte, mesmo dizendo que não confiavam nela. Confiança e dependência se afastaram, e o artigo localiza a causa nas pistas de superfície: fluência, confiança e velocidade substituem a verificabilidade, de modo que confiança e correção se desacoplam. Notavelmente, a autoria por máquina pode inflar a credibilidade — leitores avaliaram resumos científicos como mais credíveis e mais confiáveis quando escritos por GPT do que por um humano, principalmente porque o modelo escrevia em linguagem mais simples.

A implicação de desenho é uma tipologia de usuário bidimensional — a capacidade de verificar a saída de chatbot cruzada com a motivação para fazê-lo —, que prevê quais usuários se descalibrarão em qual direção. Os autores a emparelham com duas famílias de intervenção que precisam operar juntas: affordances de interpretabilidade (justificativas, citações, sinais de incerteza) que tornam a avaliação possível, e mecanismos de engajamento que a fazem realmente acontecer, em camadas pelo modelo do queijo suíço de Reason em oito proposições testáveis. O letramento em IA é posicionado como a camada durável sob ambas, movendo os usuários entre as células da tipologia. O reenquadramento importa para a educação porque desloca a responsabilidade: se citações transparentes não são clicadas na população geral, então simplesmente expor os estudantes a explicações da IA não os calibrará — a affordance precisa ser desenhada para compelir a verificação.

Coscia et al. (2026) fornecem uma alavanca de desenho que de fato moveu a calibração: mostrar aos revisores critérios de confiabilidade codesenhados enquanto eles comparavam respostas de LLM elevou a concordância interanotadores de alfa de Krippendorff 0,3987 para 0,4931, embora a concordância reunida tenha permanecido abaixo de 0,67 e as medidas extras tenham acrescentado sobrecarga.

Com agentes autônomos, o objeto da calibração muda. Nama (2026) argumenta que o usuário torna-se um principal que delegou autoridade a um sistema cujas ações são em grande parte não observadas e irreversíveis, deslocando a competência de julgar saídas para compreender o que foi autorizado, supervisioná-lo e atribuir responsabilização quando ocorre dano.

Conexões

A calibração da confiança é central para o letramento em IA e se situa ao lado de Reduzir o uso indevido de IA como intervenção baseada em habilidade: os estudantes usam mal menos a IA quando conseguem julgar quando sua saída merece confiança. Ela também é um objetivo de desenho — segurança pedagógica e ferramentas de transparência visam tornar legível a confiabilidade da IA, para que os estudantes possam se calibrar com mais acurácia. A calibração também pode ser empurrada para outro lugar quando o próprio artefato não oferece nada a checar: no curso de pós-graduação de Sidorkin (2026), onde a IA gerava as leituras semanais, citações no texto apareciam em apenas cerca de 0,80% das páginas, apenas cerca de 2,7% dos 837 turnos registrados dos estudantes continham um movimento consciente do risco, como corrigir um pressuposto da IA ou exigir um caso verificável, e a confiança delimitada reportada nos comentários da pesquisa vinha com quatro de 24 respondentes usando linguagem de dependência e um nomeando a necessidade de "supervisão do professor". Um artefato não auditável transfere portanto o dever de verificação para quem pode auditá-lo, e a resposta de desenho do estudo é institucionalizar essa supervisão, em vez de presumir que uma postura crítica surgirá por conta própria.

• Dependência excessiva e calibração como processos populacionais (2026): um modelo de sistema adaptativo complexo da dependência da IA mostra que a dificuldade da tarefa e a qualidade da IA estabelecem uma linha de base tanto para a dependência excessiva quanto para o arrependimento de calibração, enquanto a conectividade de rede e a prova social moldam se a dependência se propaga em cascata. Isso sugere que a calibração não é apenas um traço individual, mas é modulada pelo ambiente social e informacional (Modeling AI Overreliance as a Complex Adaptive System).

• A calibração como objetivo explícito da educação em ML (2026): o ICE-T argumenta que a dependência apropriada da IA é em si um resultado ensinado da educação em aprendizado de máquina. Ele integra transferência intermodal (os modos enativo–icônico–simbólico de Bruner), pensamento computacional pela progressão Usar–Modificar–Criar, e pensamento explicativo, dando aos estudantes os modelos de representação e a contextualização de erros necessários para calibrar a confiança e contra-atacar tanto a dependência excessiva quanto a aversão algorítmica — posicionando a instrução em ML como intervenção de calibração, e não apenas treinamento de habilidade.

• As explicações específicas de domínio podem apoiar a calibração dos professores (2025): num experimento within-subject com professores de química em serviço usando uma ferramenta de recomendação de IA, Feldman-Maggor et al. (2025) descobriram que a explicabilidade ajudava os professores a calibrar a confiança indiretamente, tornando o desempenho do sistema mais compreensível, e que explicações movidas pelo domínio em linguagem curricular elevaram a confiança aprendida e a aceitação significativamente mais que as de importância de features movidas por dados. Mas vários professores ainda disseram que a experiência real em sala de aula era necessária antes de confiarem plenamente na ferramenta — sublinhando que a calibração é validada em última instância pelo uso e pela prática situados, e não conferida pela explicação isoladamente.

• A personalização não move a confiança monotonicamente; a expertise prediz a auditoria (2026): em Bernstein & Sibia (2026), a confiança nas explicações de GenAI não se moveu em nenhuma direção única sob personalização: um participante reportou confiar mais numa analogia sob medida e escrutiná-la menos, outro reportou confiar menos precisamente porque ela era fortemente personalizada. O que previu consistentemente a auditoria foi a expertise de domínio, e não a relevância — sustentando a visão de que a dependência calibrada depende do conhecimento que o estudante consegue trazer para a verificação, e não de quão relacionável a saída parece, e de que a expertise deveria ser dividida em conhecimento do domínio de origem e do domínio de destino.

• Confiança condicional: utilidade do feedback vs. autoridade avaliativa (2026): AlGhamdi (2026) mostra que, quando estudantes sauditas de computação sabem que o ChatGPT gerou sua nota de escrita, eles traçam uma linha aguda entre aceitar o feedback da IA e ceder a autoridade de correção à IA — aceitando o primeiro para a revisão de superfície, ao mesmo tempo que reservam consistentemente a autoridade avaliativa para o instrutor humano. Essa distinção "utilidade do feedback / autoridade avaliativa" é um caso concreto de calibração no contexto da avaliação: os estudantes igualam a confiança à função da IA (feedback útil vs. correção consequente), em vez de aceitá-la ou rejeitá-la por inteiro, e a transparência sobre o envolvimento da IA parece ativar essa postura mais calibrada e crítica.

• Uma ferramenta que suprime e depois contradiz seus próprios avisos (2026): Humble (2026) fez red team de uma ferramenta de correção por IA com instruções escondidas dentro de submissões de estudantes. Duas de cinco injeções elevaram uma nota de reprovação sem aviso visível (taxas de sucesso de 100% e 94%), uma injeção em texto branco no corpo do documento falhou nas nove iterações — e, em vez de dizer ao usuário que havia capturado algo, a ferramenta silenciosamente desabilitou o chat. O caso mais stark é uma execução em pdf que anunciou que corrigiria apenas segundo as instruções oficiais da tarefa: reexecutar o mesmo arquivo elevou a nota mais seis vezes sem aviso, uma segurança que o autor descreve como capaz de produzir uma falsa sensação de segurança. Sinalização inconsistente e autocontraditória não dá ao usuário nenhuma base confiável para julgar quando depender da ferramenta, e o artigo é explícito que não mediu a confiança — o argumento é derivado da manipulação e do comportamento de reporte.

• Controles de confiança colocados dentro do caminho de inferência (2025): Li, Yang e Fang (2025) tratam a calibração como arquitetura, e não como reporte: a calibração por Monte Carlo dropout é combinada com debiasing adversarial e um portão de rejeitar-e-encaminhar que retém a nota quando a variância de dropout excede um limiar aprendido, alcançando um erro de calibração esperado de 0,032, uma lacuna de justiça de 1,8% e uma redução de 41% na carga de trabalho de revisão humana no TeacherEval-2023. Sua própria seção de limitações é a ressalva de calibração que vale para qualquer métrica assim: a confiança é difícil de quantificar a partir de métricas de desempenho isoladamente, a adoção pelos professores depende da confiabilidade, da justiça e da relevância pedagógica percebidas, e ensaios longitudinais de adoção e pesquisas de percepção são a evidência que falta.

• Construtos de confiança fragmentados, medidos principalmente por autorrelato (2026): uma revisão sistemática rastreou 1.565 artigos e incluiu 33 estudos empíricos sobre confiança em sistemas habilitados por IA, descobrindo que 21 (63,64%) reportavam uma definição extraída de nove fontes diferentes e 24 (72,73%) mediam a confiança apenas por autorrelato, com apenas dois apoiando-se apenas em medidas comportamentais. A explicabilidade foi o fator de desenho mais estudado (20 estudos), mas seus efeitos foram mistos, já que empilhar vários tipos de explicação elevava a carga cognitiva e às vezes deixava a confiança inalterada. A recomendação da revisão é desenhar para a confiança calibrada, e não para a confiança máxima, julgada por se um desenho ajuda os usuários a separar saídas confiáveis de não confiáveis, o que é o mesmo padrão que esta página aplica ao comportamento de verificação individual (Abramson et al. (2026)).

• Calibrar as inferências geradas por IA, e não os dados brutos (2026): Hoppe, Loibl e Leuders (2026) argumentam que a avaliação apoiada por IA muda o objeto da calibração dos professores: uma inferência de dashboard é o resultado de interpretação algorítmica, e não uma pista que o professor observou, de modo que ela precisa ser julgada quanto à plausibilidade e então deliberadamente aceita, rejeitada ou modificada, um processo cognitivo que eles chamam de metadiagnóstico. Como os sistemas atuais repousam principalmente em dados de desempenho, como correção e tempo de conclusão, as pistas de engajamento e motivação ainda precisam vir da própria observação do professor, e os autores enquadram o alvo de treinamento como confiança calibrada, e não confiança acrítica, construída ao lado do letramento de dados e de IA. Essa é uma análise conceitual, de modo que a afirmação é argumentada, e não testada.

• Um breve prompt de reflexão move a calibração de forma mensurável (2026): Ren (2026) atribuiu aleatoriamente 342 graduandos a tomada de decisão independente, apoio aberto do ChatGPT, ou o mesmo apoio mais um breve prompt de reflexão. O apoio aberto elevou a confiança final (76,1 vs. 68,4) e produziu 62,4% de aceitação de conselhos incorretos da IA, enquanto a reflexão cortou essa aceitação para 39,7% (OR = 0,40) e melhorou a calibração da consciência entre dependência percebida e comportamental (0,59 vs. 0,41) sem reduzir a acurácia das recomendações, de modo que a dependência que restou foi mais discriminativa, e não uniformemente defensiva. Tratar a calibração como problema de monitoramento sustenta a visão da página de que prompts metacognitivos, e não apenas a exposição aos limites de um modelo, são o que muda o comportamento.

• A disponibilidade da IA pode colapsar a disposição de admitir ignorância (2026): ao longo de cinco experimentos (N = 3.132), ter conselhos de IA disponíveis cortou a suspensão de julgamento de 0,36 para 0,06 num estudo e quase dobrou a confiança, enquanto a correção reunida caiu de 27,5% para 9,2% — o que muda é o limiar para responder. (Marcoccia et al., 2026))

• A calibração como mediadora numa cadeia até a transferência (2026): Bu e Li (2026) testam a calibração da confiança como a ponte entre apoio contextual e resultados de transferência, e não como atitude geral. Num desenho exploratório sequencial de métodos mistos (entrevistas, depois um instrumento de 22 itens com amostra analítica final de 642 estudantes, CFI = 0,953), o apoio contextual previu a calibração da confiança (β = 0,56) e a regulação colaborativa (β = 0,18), a calibração da confiança previu a regulação colaborativa (β = 0,49) e os ganhos de transferência percebidos (β = 0,22), e a regulação colaborativa foi o impulsionador proximal mais forte dos ganhos de transferência percebidos (β = 0,54), enquanto o caminho direto do apoio contextual para a transferência não foi significativo (β = 0,07). Como o resultado é transferência percebida, e não medida, e os dados são transversais, o valor é interpretativo: ele enquadra a calibração como construto de processo que converte apoio contextual em uso regulado e eficaz da GenAI.

• A ansiedade como condição de fronteira para o letramento virar confiança (2026): num levantamento com 450 estudantes universitários da China continental que já usavam o ChatGPT, Hu (2026) descobriu que o caminho do letramento em IA para a confiança foi a maior associação no modelo (beta = 0,50) e que a ansiedade em relação à IA enfraqueceu essa ligação (interação beta = −0,25), com as inclinações simples caindo de 0,76 um desvio-padrão abaixo da média de ansiedade para 0,25 acima dela, enquanto um caminho serial do letramento para a confiança, para a autoeficácia e para o uso continuado foi significativo. A calibração é portanto parcialmente afetiva: o mesmo conhecimento se traduziu em menos confiança entre os estudantes mais ansiosos, e o desenho transversal deixa em aberto se a ansiedade bloqueia a avaliação que transforma conhecimento em dependência ou reflete avaliação que os estudantes se recusam a encampar.

• A rotação de papéis como estrutura para praticar a crítica (2026): num estudo baseado em desenho com 62 futuros psicólogos educacionais passando por quatro papéis profissionais rotativos ao longo de oito semanas, Kenzhebayeva et al. (2026) fizeram os participantes compararem recomendações geradas por IA com a teoria psicológica e modificarem ou rejeitarem as que não se encaixavam no caso, mas ainda registraram dependência excessiva de respostas de IA aparentemente autorizadas, com alguns estudantes buscando confirmação da IA antes de oferecer sua própria interpretação, mesmo em ciclos posteriores. A rotação cria ocasiões repetidas para o julgamento de aceitar ou rejeitar sem garanti-lo, e o estudo reporta engajamento durante a intervenção, e não ganhos de competência medidos.

• Pistas superficiais de identidade movem a confiança independentemente da capacidade. Ao longo de dois experimentos (N = 396), os estudantes avaliaram avatares brancos — e avatares masculinos asiáticos em STEM — como mais credíveis e competentes, penalizaram avatares de mulheres negras mais velhas em todas as medidas, e adotaram orientação do mesmo grupo racial mais prontamente (Anthis & Kyriakidou-Zacharoudiou (2026)).

Conceitos conectados

• IA explicável
• Letramento em IA
• Descarregamento cognitivo
• Risco de alucinação
• Metacognição
• Aprendizagem autorregulada
• Colaboração humano-IA
• Concepções errôneas sobre IA
• Reduzir o uso indevido de IA
• Segurança pedagógica
• Medidas de autorrelato
• Uso indevido de IA e dano à aprendizagem
• Rendição cognitiva

Artigos conectados

• Who Should Grade My Work? Student Perspectives on Transparent AI-Assisted Writing Assessment in Higher Education — Perspectivas dos estudantes sobre a avaliação de escrita transparente assistida por IA (AlGhamdi 2026)
• Epistemic Dependence in AI-Mediated Learning — Seis critérios diagnósticos que separam a dependência produtiva da dependência prejudicial (Du & Yuan 2026)
• Addressing Trust in AI Systems through Education: A Didactic Perspective — Abordando a confiança em sistemas de IA por meio da educação: uma perspectiva didática
• From Plausibility to Verifiability: The PEARLS Framework for Developing Epistemic Agency in Generative AI-Mediated Higher Education — framework PEARLS para agência epistêmica e verificação da saída de IA (Wang 2026)
• Trust-utility gap in introductory physics education: Students' adoption, domain-specific skepticism, and preferences for AI integration
• Face value: How avatar identity shapes epistemic trust in AI-mediated learning
• Agentic Literacy Debt: A Structural Problem the AI Literacy Field Has Not Yet Named — Dívida de letramento agêntico: a lacuna estrutural de letramento em IA decorrente de agentes autônomos (Nama 2026)
• Trust and Reliance on AI in Education: AI Literacy and Need for Cognition as Moderators — Confiança e dependência da IA na educação
• Calibrating Trustworthiness: Co-Designing Metrics and Visualizations for Evaluating LLMs in Education — Calibrando a confiabilidade: codesenhando métricas para LLMs na educação
• The LLM Fallacy: Misattribution in AI-Assisted Cognitive Workflows — A falácia do LLM e a atribuição errônea de competência
• AI as a Partner in Learning about, Doing, and Engaging with Science: Vigilance as the Key to Productive Augmentation — A vigilância epistêmica como chave para a ampliação produtiva
• AI Advice Suppresses People's Willingness to Say "I Don't Know", Even When the Advice Is Wrong and Accuracy Is Incentivized
• Modeling AI Overreliance as a Complex Adaptive System — A dependência excessiva da IA modelada como sistema adaptativo complexo
• The Impact of Explainable AI on Teachers' Trust and Acceptance of AI EdTech Recommendations: The Power of Domain-specific Explanations
• Flawed but Memorable: Student Critical Reception of Interest-Personalized GenAI Analogies in Computing Education — Falhas mas memoráveis: recepção crítica dos estudantes a analogias de GenAI personalizadas por interesse na educação em computação
• Why we believe chatbots: trust calibration as a design problem — A calibração da confiança reenquadrada como problema de desenho: uma tipologia de usuário bidimensional e oito proposições de desenho (Jaidka & Cai 2026)
• Ethical implications of prompt injection in AI-mediated grading: An adversarial red-team evaluation — Injeção de prompt na correção mediada por IA: uma ferramenta que suprimiu e contradisse seus próprios avisos (Humble 2026)
• Towards trustworthy and explainable-by-design large language models for automated teacher assessment — Inferência gated por confiança e avaliação explicável por desenho, com a confiança não medida (Li et al. 2025)
• AI-assisted automated short answer grading of handwritten university-level mathematics exam — filtragem de confiança das notas de IA e sua taxa de falsos positivos
• Bounded Reliance: A Source Credibility Perspective on EFL Students' Engagement with AI-Generated Writing Feedback — Dependência delimitada: uma perspectiva de credibilidade de fontes sobre o engajamento de estudantes de inglês como língua estrangeira com feedback de escrita gerado por IA
• Trust and interaction design in AI-enabled systems: a systematic literature review — Confiança em sistemas habilitados por IA: definições, mensuração e fatores de desenho ao longo de 33 estudos empíricos (Abramson et al. 2026)
• Rethinking teachers’ diagnostic skills in AI-supported formative assessment: from diagnosis to meta-diagnosis — Do diagnóstico ao metadiagnóstico: professores avaliando inferências diagnósticas geradas por IA (Hoppe et al. 2026)
• College students’ metacognitive awareness of generative-AI reliance: an experimental study of decision confidence and attribution bias — Um prompt de reflexão corta a aceitação de conselhos incorretos de IA (Ren 2026)
• Trust calibration and perceived developmental gains in university students' collaboration with generative AI: an exploratory sequential mixed methods study — A calibração da confiança como mediadora numa cadeia do apoio contextual aos ganhos de transferência percebidos (Bu & Li 2026)
• Psychological predictors of continued ChatGPT use among university students: the roles of AI literacy, trust, and academic self-efficacy — A confiança como pivô do letramento em IA para o uso continuado, enfraquecida pela ansiedade em relação à IA (Hu 2026)
• Designing an AI-integrated role-rotation pedagogical model to support competence-related learning in pre-service educational psychologists — A rotação de papéis como estrutura para lidar criticamente com recomendações de IA (Kenzhebayeva et al. 2026)
• Student Use of LLMs and the Limits of AI-Generated Question Difficulty in Data Science Courses — Uso de LLMs pelos estudantes e os limites da dificuldade de questões gerada por IA em cursos de ciência de dados
• The critical role of trust in adopting AI-powered educational technology for learning: An instrument for measuring student perceptions — Instrumento voltado ao estudante validando a confiança em IA-EdTech como quatro fatores, com a confiança a montante da utilidade percebida (Nazaretsky et al. 2025)