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

Confiança

Criado 2026-08-13 · Atualizado 2026-10-03

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

Confiança — a disposição de quem aprene, dos educadores e das instituições de confiar em uma pessoa ou em um sistema de IA para aprendizagem, julgamento e tomada de decisão. Na IA na educação, a confiança abrange dois domínios relacionados, mas distintos: confiança na IA (confiança na competência, transparência, confiabilidade e benevolência de um sistema ou agente de IA) e confiança interpessoal (a confiança relacional entre estudantes e instrutores, entre quem aprene e pares, e ao longo da instituição). Ambas são de dois gumes: a confiança apropriada viabiliza o engajamento produtivo, enquanto a confiança excessiva convida à dependência excessiva e a confiança insuficiente bloqueia o uso benéfico. O desafio central é a calibração — alinhar a confiança à confiabilidade real, quer essa confiabilidade pertença a um modelo, quer a uma pessoa.

Perguntas para refletir

  • Quando você diz que "confia" em uma ferramenta de IA versus confiar em um professor ou em um colega, você está descrevendo a mesma coisa? O que é semelhante, e o que é fundamentalmente diferente, em depositar confiança em um sistema versus em uma pessoa?
  • Há uma "lacuna entre confiança e utilidade" documentada: a competência aparente de uma ferramenta frequentemente excede sua confiabilidade real. Lembre de uma ferramenta que parecia impressionante, mas o decepcionou, ou de uma que parecia limitada, mas se mostrou confiável. O que moldou a lacuna entre como ela parecia e o que realmente conseguia fazer?
  • Considere uma IA que sempre concorda com você e nunca desafia suas ideias. Ela pode parecer confortável e confiável — mas a concordância é o mesmo que confiabilidade? O que você poderia estar abrindo mão se a ferramenta em que você confia nunca o contrariar?
  • A página argumenta que a confiança do instrutor na IA molda como os estudantes confiam nessa IA — os dois domínios interagem. Em um curso que você conhece bem, como o entusiasmo ou o ceticismo de um professor em relação à IA influenciaria se os estudantes aceitavam ou questionavam a ferramenta?
  • Os estudantes frequentemente decidem se divulgam seu uso da IA com base no conforto com o instrutor, mais do que na política. Se você fosse (ou é) um estudante, o que o tornaria disposto a ser honesto sobre usar a IA — e o que o faria escondê-la? O que isso diz sobre como a confiança é de fato construída em uma sala de aula?
  • Um achado: um tutor de IA que avisa "posso cometer erros" levou os estudantes a buscar mais ajuda, e não menos. O que isso sugere sobre se reconhecer limites mina ou fortalece a confiança que apoia a aprendizagem real?

Introdução

A confiança na IA é moldada pela competência percebida, pela transparência, pela consistência e por se o sistema parece alinhado às metas de quem aprene; ela está intimamente ligada ao letramento em IA (saber em que confiar), ao pensamento crítico (avaliar a saída) e ao desenho de IA responsável. A confiança interpessoal, em contrapartida, é construída por meio de relações, divulgação, feedback e cuidado pedagógico — as qualidades em que os estudantes se apoiam quando decidem se um instrutor ou uma IA é uma fonte confiável de orientação. Os dois domínios interagem cada vez mais: a IA é tecida nas relações professor–estudante, então como os estudantes confiam em seu instrutor molda como confiam (ou questionam) nas ferramentas de IA que esse instrutor endossa.

Confiança nos sistemas de IA

A pesquisa nesta base de conhecimento examina quando quem aprene confia de forma apropriada em orientação gerada por IA. Os avisos sobre falibilidade da IA podem melhorar a calibração: uma simples intervenção de transparência que dizia aos estudantes que um tutor de IA pode cometer erros aumentou a busca de ajuda em um ITS de matemática, sugerindo que limites honestos fomentam, em vez de minar, a confiança apropriada. O codesenho de métricas de confiabilidade com engenheiros de aprendizagem mostra que a confiança é melhor construída sobre critérios observáveis e acordados, e não sobre capacidade pressuposta. Os estudos de física e de geração de imagens revelam uma lacuna entre confiança e utilidade persistente — os usuários precisam ponderar a competência aparente de uma ferramenta contra sua confiabilidade real em uma tarefa. Entre os usuários mais jovens, Vahedian Movahed & Martin (2025) concluíram que 52% das crianças (de 6 a 14 anos) geralmente confiavam em um chatbot adaptado à idade e 35% confiavam nele como em um professor ou amigo, com cerca de um terço disposto a se confiar a ele; as crianças também testavam ativamente sua credibilidade com perguntas de resposta conhecida, e a confiança não mostrou diferenças estatisticamente significativas por série — ilustrando como a confiança inicial pode se formar à frente da avaliação crítica.

A transparência sobre o que um sistema é — e não apenas sobre o que ele consegue fazer — também molda a calibração: o protótipo de acompanhamento Amico tornou explícitas sua identidade e seus limites, e seu piloto Itália–China concluiu que quem aprene o reconhecia como uma ferramenta de apoio delimitada, e não como um tutor autônomo ou um substituto relacional, evitando a confiança excessiva antropomórfica (Benedetti (2026)).

Nas instituições de ensino superior, a alavanca pode ser a utilidade, e não as regras: uma pesquisa com 2.121 estudantes, corpo docente e equipe de uma universidade concluiu que a utilidade percebida era o correlato mais forte da confiança na IA (β = 0,402), com a clareza percebida da política positiva, mas mais fraca (β = 0,223) (Braun & Khafizov, 2026). A desconfiança na precisão pode coexistir com a confiança em gerenciar a ferramenta. Em uma pesquisa com 8.021 estudantes de quatro universidades australianas, 51% desconfiavam da precisão factual da GenAI, enquanto 76% estavam confiantes em sua capacidade de obter as saídas que queriam, e a utilidade, e não a confiança ou o cumprimento de regras, dirigia seu uso (Chung et al., 2026)).

A modelagem da dependência excessiva da IA como um sistema adaptativo complexo reenquadra a confiança como um processo no nível da população: se as pessoas confiam em um assistente quando ele acerta e o verificam quando erra depende de dinâmicas sociais e de ciclos de feedback, e não apenas do julgamento individual. A sicofancia ameaça a calibração pela outra direção — uma IA que sempre concorda pode parecer confiável precisamente porque nunca desafia o usuário, convidando à aceitação sem criticidade (sicofancia contextual e IA sicofântica na interação social). Em contextos corporificados como a robótica educacional, a confiança é moldada mais pelo que o robô faz do que pelo que parece (contexto da tarefa e confiança na IHR educacional), e a identidade do avatar molda a confiança epistêmica que quem aprene deposita no conteúdo da IA. A confiança nas ferramentas de analytics também depende do contexto. Mejia-Domenzain et al. (2026) concluíram que as preocupações e as barreiras à adoção dos professores divergiam acentuadamente por contexto de aprendizagem: professores de sala de aula invertida (universidade) se preocupavam mais com a anonimização dos dados e com a recusa do estudante, enquanto professores de escrita reflexiva (vocacional) temiam o uso indevido da ferramenta por colegas educadores e ressaltavam a necessidade de contextualizar os dados — embora ambos os grupos relatassem autoeficácia e benefícios percebidos semelhantes em uma pesquisa sobre confiança na IA. O achado de que a confiança na ferramenta está desacoplada da confiança em sua governança de dados e em seu uso social ressalta que construir a confiança apropriada nos analytics exige atender a preocupações específicas do contexto, e não apenas à competência aparente do sistema.

Quão explicável um sistema é — e em que termos — também molda se os professores confiam em suas recomendações. Em um experimento intra-sujeito com 41 professores de química em serviço usando a ferramenta de recomendação de agrupamento por IA GrouPer, Feldman-Maggor et al. (2025) concluíram que a IA explicável constrói confiança indiretamente ao aumentar a compreensibilidade do desempenho do sistema, e que explicações dirigidas pelo domínio, enquadradas na linguagem curricular e pedagógica, fomentavam compreensibilidade e confiança aprendida significativamente maiores do que explicações puramente dirigidas por dados (de importância de características). Notavelmente, a compreensibilidade isoladamente era insuficiente para alguns professores — eles relataram precisar de experiência real em sala de aula com a ferramenta antes de confiar plenamente nela — reforçando que a confiança na IA é dinâmica e validada pelo uso situado, e não concedida apenas pela explicação.

A percepção de risco e a confiança não são opostos. Um estudo de percepção com 130 estudantes de GenAI agêntica no ensino superior concluiu que o risco percebido estava moderadamente elevado (M = 3,33, DP 0,89) junto com confiança e intenção de adoção mais favoráveis (M = 3,62, DP 0,81), e — contrariando uma expectativa simples de dissuasão — uma associação positiva entre risco percebido e intenção de uso continuado (ρ de Spearman = 0,317, p < 0,001) (Ilieva et al. 2026). Os autores leem isso como adoção informada, e não como indiferença: usuários engajados ou experientes reconhecem tanto o valor quanto os limites da tecnologia, e apenas 45,4% disseram confiar em agentes sob orientação do instrutor. Para a calibração da confiança, a implicação é que a consciência do risco não é a ausência de confiança — ela pode ser um componente dela — enquanto o desenho transversal deixa consciência, exposição e autosseleção indistinguíveis.

A confiança na IA se comporta como uma trajetória da avaliação à confiança, e não como uma atitude única: o empoderamento percebido pela IA e a ameaça percebida pela IA eram quase independentes (r=0,030), mas moviam a confiança em direções opostas (β=0,576 e β=−0,328), e a confiança carregava associações indiretas significativas com a dependência da GenAI nas duas direções (Zhu et al. (2026)).

AlGhamdi (2026) sustenta uma explicação da confiança nos algoritmos específica por função, e não global: nem aversão a algoritmos nem apreço por algoritmos descreveram esses 13 estudantes, que simultaneamente confiavam no ChatGPT para feedback de superfície e desconfiavam dele como corretor. A confiança deles era condicionada pela supervisão do instrutor, e seu ceticismo decorria dos limites contextuais da IA — ler erroneamente caligrafia escaneada ("ele escreveu meu sobrenome errado e acha que cometi erros de ortografia quando não cometi"), não conhecer o sistema de notas do instrutor, e positividade crônica — e não da tecnofobia, sugerindo que as medidas de confiança deveriam ser decompostas pela função que uma IA desempenha e pelas apostas a ela vinculadas.

As três dimensões da Credibilidade da Fonte podem se dissociar: dezessete estudantes de graduação de EFL concediam a um assistente de escrita por IA ampla especialização, duvidavam de sua confiabilidade sobretudo pelo que a plataforma retinha, e avaliavam sua boa vontade como a mais baixa — o teto à confiança deles estava no cuidado, e não na competência (Serpil & Mor, 2026)).

A confiança na IA acompanha o estado psicológico, não a categoria demográfica

Kumar et al. (2026) agruparam 107 estudantes de uma HBCU pública por resiliência, estresse percebido e confiança na IA, e encontraram três perfis em que a confiança na IA se dissociava da confiança em si mesmo: um grupo de alta resiliência e baixo estresse com confiança favorável na IA, um grupo moderadamente estressado que detinha a confiança na IA mais alta dos três, apesar da tensão, e um grupo psicologicamente resiliente que era quase tão resiliente quanto os adotantes, mas marcadamente mais baixo em confiança na IA. O estresse e a confiança na IA separaram os agrupamentos mais fortemente (eta quadrado parcial 0,528 e 0,521 contra 0,315 para resiliência), e o gênero foi a única variável demográfica significativamente associada à participação, com a filiação a STEM, o nível acadêmico, a situação de emprego e a faixa de idade todos não significativos. Duas implicações importam para esta página: primeiro, a baixa confiança na IA não é um proxy da baixa confiança em si ou da baixa familiaridade técnica, já que os céticos eram o grupo mais resiliente e mais pesado em STEM, o que os autores leem como ceticismo calibrado, e não como resistência; segundo, como os agrupamentos eram apenas fracamente separados (silhueta 0,288, com o índice de Calinski-Harabasz preferindo dois agrupamentos), eles deveriam ser tratados como perfis sobrepostos, e não como tipos distintos de estudantes. Os achados vêm de uma única instituição e de uma pesquisa transversal de autorrelato, então eles estabelecem que a confiança varia com o estado psicológico, e não por quê.

Confiança interpessoal na educação

A confiança também é fundamentalmente relacional. A lacuna de confiança em sala de aula está documentada em visões de professores e estudantes sobre controle e agência na IA no K-12: os estudantes querem maior autonomia e flexibilidade, enquanto os professores priorizam supervisão e monitoramento, um desalinhamento que ambos os lados precisam navegar para que a adoção da IA tenha sucesso. Por que os estudantes divulgam ou escondem seu uso da IA mostra que a divulgação é dirigida menos pela política do que por fatores relacionais — as normas percebidas dos pares e o conforto com os instrutores são os preditores mais fortes, apontando para baixa confiança interpretativa nos contextos institucionais. Os custos ocultos da divulgação acrescentam nuance sobre quando a honestidade é socialmente custosa. Uma resposta que prioriza a detecção funciona de outro modo: detectores pouco confiáveis que sinalizam desproporcionalmente falantes não nativos travam casos de má conduta por falta de prova, produzindo "suspeita sem recurso", enquanto conversas de verificação de cinco a dez minutos anunciadas como pedagogia, e não como vigilância, restauraram a autoridade docente e atraíram divulgação mais aberta do uso da IA (Mandernach, 2026). A dependência de detectores e de vigilância, argumentam Bassett et al. (2026), fomenta um clima de suspeita que corrói a confiança dos estudantes na avaliação e na instituição — o oposto da confiança que os processos de integridade visam proteger.

O feedback é um sítio-chave da confiança interpessoal. As percepções dos estudantes sobre o feedback de GenAI versus o do professor concluem que os dois servem a necessidades diferentes — complementares, mas não intercambiáveis — com os estudantes confiando no feedback do professor para o julgamento relacional e personalizado, e no da GenAI para velocidade e acessibilidade. Uma explicação "cuidadosa" do feedback argumenta que o feedback confiável é uma prática ética e relacional: ele constrói relações educativas e é respeitado como um ofício profissional, valores que uma IA não consegue simplesmente replicar. É por isso que a confiança professor–estudante — construída sobre cuidado e julgamento profissional — permanece central mesmo quando a IA entra no circuito de feedback.

A confiança entre pares passa por um canal diferente: entre 406 estudantes universitários avaliando um colega lembrado, o uso de GenAI desse colega foi associado a menor confiança interpessoal, carregado pela cordialidade e pela competência percebidas, e a associação negativa se manteve apenas quando o letramento em IA percebido era baixo — era não significativa quando alto (Zhang et al. (2026)).

Calibração e os dois domínios juntos

O desafio unificador é a calibração: corresponder a confiança à confiabilidade real, quer a parte confiada seja um modelo, quer uma pessoa. A calibração da confiança é a capacidade metacognitiva de saber quando confiar e quando questionar. Estudos de feedback e de tutoria por IA examinam quando quem aprene confia de forma apropriada na orientação da IA ou a desafia, enquanto a literatura interpessoal mostra que a confiança dos estudantes em um instrutor depende da confiança relacional construída ao longo do tempo. À medida que a IA se embute no ensino, esses domínios convergem: um instrutor que explica transparentemente o que uma ferramenta de IA consegue e não consegue fazer, e que demonstra confiabilidade no próprio julgamento, constrói o tipo de confiança que se transfere às ferramentas que endossa. Construir a confiança apropriada — na IA e uns nos outros — é uma meta central do desenho responsável de IA na educação.

A calibração também é testada pelos incentivos do próprio sistema confiado. Quando a equipe cética em relação à adoção da IA consulta a IA conversacional — construída por organizações com interesse comercial na adoção — há o risco de o sistema estar predisposto a encorajá-la. Uma auditoria de dez modelos de fronteira concluiu que a maioria reconhecia as preocupações de um membro da equipe do K-12 rural (ameaça ao emprego, "não ser para pessoas como eu") antes de redirecionar para o engajamento. Isso desafia a confiança ingênua e ressalta a importância da supervisão humana e da avaliação independente dos conselhos da IA.

Conceitos conectados

Artigos conectados

Metadados

Tecnologias e técnicasRobôs na educação, Tutoria inteligente
Equidade, ética e uso responsávelConfiança
Fundamentos da IA na educaçãoLetramento em IA, Pensamento crítico, Colaboração humano-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.