Não é nenhum segredo que nos últimos anos assistimos a uma explosão massiva no uso da inteligência synthetic para recolha de informações gerais. Uma tendência ainda mais recente, porém, é como os grandes modelos de linguagem (LLMs), como ChatGPT, Claude e Gemini, estão sendo cada vez mais usados para verificar e consumir notícias; relatórios do Pew Analysis Middle no ano passado descobriram que um em cada cinco adolescentes dos EUA usam regularmente LLMs para obter notícias, enquanto um em cada quatro jovens adultos relataram usá-los para esse fim pelo menos uma vez.
Um novo estudo de acesso aberto do MIT Media Lab deve fazer alguns desses usuários hesitarem: os pesquisadores descobriram que, ao longo de um mês, os participantes que dependiam de sistemas de IA para verificar os fatos pioraram na detecção de informações erradas por conta própria quando seus chatbots foram retirados.
Este fenómeno, muitas vezes referido como o “paradoxo da dependência da IA”, tem sido observado numa vasta gama de domínios do conhecimento, como o estudo de 2025 que descobriu que os médicos que utilizavam a IA pioraram na detecção de câncer por conta própria. A dinâmica reflecte tendências tecnológicas mais amplas em torno da chamada “desqualificação” (ou “descarga cognitiva”) que têm sido bem documentadas há décadas, desde calculadoras que enfraquecem as nossas competências matemáticas até tecnologias de Sistema de Posicionamento International (GPS) que afectam o nosso sentido pure de direcção.
No novo estudo do Media Lab, que acompanhou 67 pessoas durante quatro semanas enquanto avaliavam pares de manchetes e imagens de notícias, os participantes foram 21% mais precisos na detecção de notícias falsas quando assistidos por um chatbot de IA durante uma sessão – confirmando pesquisa anterior da MIT Sloan Faculty of Administration demonstrando que a IA pode ser uma ferramenta eficaz na redução das crenças das pessoas em informações falsas.
No entanto, o estudo mostrou que surgiu um novo problema quando a IA já não estava presente: na quarta semana, o desempenho não assistido dos participantes em novas notícias diminuiu 15 pontos percentuais em comparação com antes do início do estudo. (Aproximadamente um quarto de todos os participantes relataram sentir que estavam melhorando na detecção, mesmo com o declínio de seu desempenho.)
Dunning-Kruger se infiltra
“Os usuários ficam entusiasmados com esses LLMs ‘mágicos’, mas esquecem que eles são apenas modelos estatísticos que prevêem o próximo ‘token’ em uma sequência (de letras/palavras)”, diz o estudante de doutorado em artes e ciências de mídia (MAS) do MIT, Anku Rani, co-autor principal de um novo artigo sobre a pesquisa, ao lado do colega estudante de doutorado do MAS Valdemar Danry. “Muitos comportamentos impressionantes emergem da expansão desta medida, mas ela apresenta limitações reais, tanto no que o modelo pode gerar de forma confiável como no seu impacto mais amplo sobre as pessoas que o utilizam.”
A análise qualitativa identificou padrões comportamentais distintos, com a equipe rotulando um quinto de todos os participantes como “desenvolvedores de dependência”, que gradualmente mudaram da autossuficiência ativa para a aceitação passiva da orientação da IA.
Na pesquisa pós-experiência, um entrevistado reconheceu explicitamente esta transição, observando o seu papel passivo no processo. “Embora (os chatbots) tenham enfatizado que é preciso verificar múltiplas fontes para ter certeza de que uma história é verdadeira, eles não me ensinaram muito sobre como explorar o contexto das próprias imagens”, disse o participante.
A equipa de investigação disse que estes modelos de IA são particularmente vulneráveis a erros no meio de notícias de última hora com carga emocional, como demonstrado pela desinformação generalizada que acompanhou a recente tentativa de assassinato do Presidente Trump e os principais acontecimentos durante a guerra iraniana. (Os autores também apontam que o conteúdo de notícias unique criado por humanos e usado para treinar os modelos de IA é cada vez mais pouco confiável e/ou tendencioso, agravando ainda mais o problema.)
O papelque Danry e Rani apresentaram no Conferência CHI 2026 sobre Fatores Humanos em Sistemas Computacionaisfoi coautor do professor assistente Paul Pu Liang, do cientista pesquisador sênior Andrew Lippman e da autora sênior Pattie Maes, professora de artes e ciências de mídia de Germeshausen.
A solução: ser um treinador, não uma muleta
Os investigadores dizem que os resultados do seu projeto sugerem que a forma específica como uma IA interage com um utilizador determina se o seu impacto será “como treinador, versus como muleta”. O estudo encontrou uma distinção clara entre estratégias de conversação que simplesmente ajudam no momento e aquelas que realmente apoiam a aprendizagem ativa e o desenvolvimento de competências.
Para este último, a equipe do Media Lab descobriu diversas estratégias associadas a uma detecção independente mais forte posteriormente, mesmo que as estratégias inicialmente tenham diminuído o desempenho durante a interação. Isto incluiu o método socrático da IA fazendo perguntas guiadas, bem como a chamada “sondagem profunda”, onde o sistema fornece declarações suavemente persuasivas se o usuário parecer estar se desviando da resposta correta.
“As IAs que ‘dizem’ fornecendo respostas diretas têm maior probabilidade de promover a confiança, enquanto aquelas que ‘perguntam’ através de questionamentos socráticos são melhores em envolver alguém para realmente aprender como discernir a verdade por conta própria”, diz Danry. “Mas é uma compensação entre velocidade e esforço.”
Rani observou algumas limitações importantes no estudo de um mês, desde o pequeno conjunto de dados de cerca de 50 notícias validadas até o foco demográfico nos Estados Unidos e no Reino Unido. No futuro, ela diz que a equipe espera fazer experimentos semelhantes com grupos mais diversificados geograficamente, incluindo comunidades de poucos recursos, e também está ansiosa para explorar se outras estratégias de interação multimodal – como interagir com gêmeos digitais culturalmente adaptativos em vez de chatbots baseados em texto – ajudam as pessoas a melhorar suas habilidades para detectar desinformação.
A um nível superior, os investigadores esperam que o projeto seja algo que os educadores possam examinar à medida que desenvolvem planos de ensino que incorporem ferramentas de IA nos seus currículos escolares.
“É especialmente importante sensibilizar as nossas escolas e comunidades académicas para as deficiências da utilização da IA como ferramentas de aprendizagem”, afirma Maes. “As pessoas precisam de saber que, se ‘delegarem’ o seu pensamento, não irão melhorar nesse tipo específico de resolução de problemas. Em última análise, a capacidade de questionar e analisar informações é importante para todos, porque nos capacita a resolver problemas e a formar as nossas próprias opiniões independentes sobre o mundo.”
Danry acrescenta que o campo em rápida evolução do aprendizado de máquina e do aprendizado profundo exigirá educação contínua sobre os benefícios e desvantagens dos LLMs.
“Há muito trabalho a ser feito para garantir que não transferimos totalmente para esses modelos tarefas críticas que queremos continuar realizando”, diz ele. “Precisamos desenvolver um novo tipo de alfabetização em IA.”
O projeto de pesquisa foi apoiado, em parte, pelo Media Lab Consortium, uma Bolsa de Tecnologia e Design do MIT Tata Middlee uma bolsa de doutorado do Google em interação humano-computador.