Metas explícitas de confiança na inteligência artificial generativa: modulação do comportamento discursivo e implicações para a educação superior

Barra lateral del artículo

PDF HTML
Publicado: Jun 26, 2026
Palabras clave:
Inteligência artificial generativa, Metas explícitas de confiança, Alucinações em modelos de linguagem, Educação superior, Análise semântica Generative artificial intelligence, Explicit confidence targets, Hallucinations in language models, Higher education, Semantic analysis

Contenido principal del artículo

Paulo Victor Souza
Instituto Federal de Educação Ciência e Tecnologia do Rio de Janeiro. Brasil.
https://orcid.org/0000-0001-5440-7410
Ignacio Julio Idoyaga
Universidad de Buenos Aires. Consejo Nacional de Investigaciones Científicas y Técnicas (CONICET). Argentina.
https://orcid.org/0000-0002-0661-915X

Resumen

Este estudo investigou como a meta explícita de confiança (MEC) pode influenciar a geração de respostas por sistemas de inteligência artificial generativa, no contexto de sua integração às práticas de ensino na educação superior. A pesquisa adotou uma abordagem metodológica que combinou a análise semântica quantitativa e a análise de conteúdo qualitativa. Para tanto, utilizou-se o modelo Deepseek para gerar dez respostas sobre o conceito de emaranhamento quântico, com níveis de confiança variando de 10% a 100%. A análise de similaridade semântica evidenciou variabilidade mensurável na estrutura das respostas, enquanto a análise de conteúdo de Bardin permitiu identificar quatro categorias discursivas distintas: Paródico-Subversivo, Pedagógico-Dialógico, Técnico-Assertivo e Científico-Institucional. Os resultados indicam que a MEC atua como um mecanismo eficaz de modulação do comportamento generativo, ativando estratégias discursivas diferenciadas conforme o nível de confiança especificado. Destaca-se a identificação do Paradoxo da Eficácia Pedagógica, segundo o qual níveis intermediários de confiança podem apresentar maior potencial didático do que os extremos. A pesquisa propõe uma reinterpretação das chamadas alucinações como estratégias comunicativas de expressão de incerteza, superando abordagens binárias tradicionais. Os achados apresentam implicações relevantes para o uso pedagógico da inteligência artificial na educação superior, especialmente no desenvolvimento do pensamento científico e na promoção de práticas de ensino mais críticas e reflexivas.

Detalles del artículo

Cómo citar
Souza, P. V., & Idoyaga, I. J. (2026). Metas explícitas de confiança na inteligência artificial generativa: modulação do comportamento discursivo e implicações para a educação superior. Campo Universitario, 7(13). Recuperado a partir de //campouniversitario.aduba.org.ar/ojs/index.php/cu/article/view/142
Número
Vol. 7 Núm. 13 (2026): Vol. 7 Núm. 13 (2026): Campo Universitario. Enero - Junio 2026.
Sección
Artículos
Creative Commons License

Esta obra está bajo una licencia internacional Creative Commons Atribución-NoComercial-CompartirIgual 4.0.

Biografía del autor/a

Paulo Victor Souza, Instituto Federal de Educação Ciência e Tecnologia do Rio de Janeiro. Brasil.

Paulo Victor Santos Souza es profesor asociado de Física en el Instituto Federal de Educação, Ciência e Tecnologia do Rio de Janeiro, donde desarrolla actividades de docencia e investigación en el área de enseñanza de la física. Es doctor en física con especialización en sistemas complejos y sus líneas de trabajo incluyen la educación científica, la modelización, la teoría de juegos y el uso de tecnologías en la enseñanza.

Ignacio Julio Idoyaga, Universidad de Buenos Aires. Consejo Nacional de Investigaciones Científicas y Técnicas (CONICET). Argentina.

Ignacio J. Idoyaga es investigador y docente universitario en el área de didáctica de las ciencias naturales. Su trabajo se centra en la enseñanza de la física y la química en educación superior, con especial interés en el uso de tecnologías digitales y modelos innovadores para el diseño de la enseñanza.

Citas

Aggarwal, C. C., Hinneburg, A., & Keim, D. A. (2001). On the surprising behavior of distance metrics in high dimensional space. Database Theory — ICDT 2001, 420-434. https://doi.org/10.1007/3-540-44503-X_27

Bardin, L. (2016). Análise de conteúdo. Edições 70.

Bolukbasi, T., Chang, K. W., Zou, J. Y., Saligrama, V., & Kalai, A. T. (2016). Man is to computer programmer as woman is to homemaker? Debiasing word embeddings. Advances in Neural Information Processing Systems, 29, 4349-4357. https://papers.nips.cc/paper/2016/hash/a486cd07e4ac3d270571622f4f316ec5-Abstract.html

Burrows, S., Gurevych, I., & Stein, B. (2015). The eras and trends of automatic short answer grading. International Journal of Artificial Intelligence in Education, 25(1), 60-117. https://doi.org/10.1007/s40593-014-0026-8

Caffagni, D., Cocchi, F., Barsellotti, L., Moratelli, N., Sarto, S., Baraldi, L., Cornia, M., & Cucchiara, R. (2024). The revolution of multimodal large language models: A survey. Findings of the Association for Computational Linguistics: ACL 2024, 13590–13618. https://doi.org/10.18653/v1/2024.findings-acl.807

Crossley, S. A., Kyle, K., & McNamara, D. S. (2016). The tool for the automatic analysis of text cohesion (TAACO): Automatic assessment of local, global, and text cohesion. Behavior Research Methods, 48(4), 1227-1237. https://doi.org/10.3758/s13428-015-0651-7

Daher, W., Jaber, L., & Al-Hroub, A. (2024). Exploring the impact of artificial intelligence in teaching and learning science: A systematic review. Research in Science Education. https://doi.org/10.1007/s11165-024-10176-3

Devlin, J., Chang, M. W., Lee, K., & Toutanova, K. (2019). BERT: Pre-training of deep bidirectional transformers for language understanding. Proceedings of the 2019 Conference of the North American Chapter of the Association for Computational Linguistics, 4171-4186. https://doi.org/10.18653/v1/N19-1423

Harris, Z. S. (1954). Distributional structure. Word, 10(2-3), 146-162. https://doi.org/10.1080/00437956.1954.11659520

Idoyaga, I. J. (2023). El Laboratorio Extendido: nuevas perspectivas para el diseño de la enseñanza de las ciencias naturales en contextos digitales. Innovaciones Educativas, 25(Especial), 44–58. https://doi.org/10.22458/ie.v25iespecial.5083

Idoyaga, I. J., Medina, G. L., & Lorenzo, M. G. (2022). Las representaciones visuales como prótesis cognitivas de la mente digital. En L. M. Rodríguez Salazar & J. A. Bravo Anduaga (Coords.), Imaginación y conocimiento en ciencia, tecnología y educación: Retos, posibilidades y realidades (pp. 199–218). Gedisa. https://ri.conicet.gov.ar/handle/11336/258989

Kakkonen, T., Myller, N., & Sutinen, E. (2005). Automatic assignment assessment: An approach using semantic analysis of text. Proceedings of the 10th Annual SIGCSE Conference on Innovation and Technology in Computer Science Education, 212-216. https://doi.org/10.1145/1067445.1067498

Kenton, J. D. M. W. C., & Toutanova, L. K. (2019). BERT: Pre-training of deep bidirectional transformers for language understanding. Proceedings of NAACL-HLT, 4171-4186. https://doi.org/10.18653/v1/N19-1423

Landauer, T. K., Foltz, P. W., & Laham, D. (1998). An introduction to latent semantic analysis. Discourse Processes, 25(2-3), 259-284. https://doi.org/10.1080/01638539809545028

Manning, C. D., Raghavan, P., & Schütze, H. (2008). Introduction to information retrieval. Cambridge University Press. https://doi.org/10.1017/CBO9780511809071

Mikolov, T., Chen, K., Corrado, G., & Dean, J. (2013). Efficient estimation of word representations in vector space. arXiv preprint arXiv:1301.3781. https://doi.org/10.48550/arXiv.1301.3781

Monteiro FF, Souza PVS, da Silva MC, Maia JR, da Silva WF and Girardi D (2024) ChatGPT in Brazilian K-12 science education. Front. Educ. 9:1321547. https://doi.org/10.3389/feduc.2024.1321547

Mohler, M., Bunescu, R., & Mihalcea, R. (2011). Learning to grade short answer questions using semantic similarity measures and dependency graph alignments. Proceedings of the 49th Annual Meeting of the Association for Computational Linguistics, 752-762. https://aclanthology.org/P11-1076/

Kalai, A. T., Vempala, S. S., Nachum, O., & Zhang, E. (2025). Why Language Models Hallucinate. OpenAI, Georgia Tech. https://doi.org/10.48550/arXiv.2509.04664

OpenAI. (2023). GPT-4 Technical Report. arXiv preprint. https://doi.org/10.48550/arXiv.2303.08774

Pennington, J., Socher, R., & Manning, C. D. (2014). Glove: Global vectors for word representation. Proceedings of the 2014 Conference on Empirical Methods in Natural Language Processing, 1532-1543. https://doi.org/10.3115/v1/D14-1162

Reimers, N., & Gurevych, I. (2019). Sentence-BERT: Sentence embeddings using Siamese BERT-networks. Proceedings of the 2019 Conference on Empirical Methods in Natural Language Processing, 3982-3992. https://doi.org/10.18653/v1/D19-1410

Riordan, B., Horbach, A., Cahill, A., Zesch, T., & Lee, C. M. (2017). Investigating neural architectures for short answer scoring. Proceedings of the 12th Workshop on Innovative Use of NLP for Building Educational Applications, 159-168. https://doi.org/10.18653/v1/W17-5017

Salton, G., & McGill, M. J. (1983). Introduction to modern information retrieval. McGraw-Hill. https://dl.acm.org/doi/book/10.5555/539490

Schneider, J. (2024). Explainable Generative AI (GenXAI): a survey, conceptualization, and research agenda. Artif Intell Rev, 57, 289. https://doi.org/10.1007/s10462-024-10916-x

Souza, F., Nogueira, R., & Lotufo, R. (2020). BERTimbau: Pretrained BERT models for Brazilian Portuguese. Brazilian Conference on Intelligent Systems, 403-417. https://doi.org/10.1007/978-3-030-61377-8_28

Vaswani, A., Shazeer, N., Parmar, N., Uszkoreit, J., Jones, L., Gomez, A. N., ... & Polosukhin, I. (2017). Attention is all you need. Advances in Neural Information Processing Systems, 30, 5998-6008. https://papers.nips.cc/paper/2017/hash/3f5ee243547dee91fbd053c1c4a845aa-Abstract.html

Ward, J. H. (1963). Hierarchical grouping to optimize an objective function. Journal of the American Statistical Association, 58(301), 236-244. https://doi.org/10.1080/01621459.1963.10500845

Artículos similares

También puede {advancedSearchLink} para este artículo.