Ilustração criada com recurso a IA generativa (ChatGPT/DALL·E, OpenAI, 2026).
1. Contextualização
A Atividade 3 propôs a elaboração de um ensaio individual sobre o Tema 3 — Inteligência Artificial e Práticas de Avaliação — com uma exigência que distingue este trabalho de todos os anteriores: a co-autoria explícita e documentada com uma ferramenta de IA, incluindo uma secção prévia dedicada a descrever e avaliar criticamente esse processo. Ao contrário da Atividade 1, em que a IA foi usada como objeto de análise a partir de uma única pergunta genérica, e do Guia de Boas Práticas do Grupo 4, em que a IA teve um papel de apoio à forma, este ensaio exigiu que eu documentasse, prompt a prompt, como o pensamento foi construído em diálogo com a máquina — tornando a própria metodologia de trabalho parte do objeto avaliado.
Escolhi como ferramenta o Claude Sonnet 4.6, pela sua capacidade de processar múltiplas fontes bibliográficas numa mesma sessão, pela qualidade do raciocínio argumentativo e pela possibilidade de um diálogo iterativo. Este registo documenta o processo de construção do ensaio, a fundamentação teórica mobilizada, a interação com os colegas no fórum e a aprendizagem retirada de todo o percurso — servindo de atualização ao meu portfolio digital.
2. O processo de trabalho: da co-autoria à redação
O processo de coautoria desenvolveu-se em três etapas sequenciais, que documentei detalhadamente na secção prévia do ensaio. Na primeira etapa, apresentei à ferramenta o enunciado integral da atividade, incluindo objetivos, competências e referências bibliográficas, pedindo-lhe que assumisse o papel de colega de trabalho num mestrado em pedagogia do eLearning. Na segunda etapa, orientei a IA para analisar separadamente os dois grupos de textos propostos — um sobre os desafios gerais da IA na avaliação (Felix & Webb, 2024; O'Dea & O'Dea, 2023; Swiecki et al., 2022) e outro sobre respostas conceptuais possíveis —, pedindo-lhe que justificasse qual destes últimos se articulava melhor com o texto de Kickbusch et al. (2025) que eu própria tinha escolhido como âncora. A ferramenta identificou Oliveira e Pereira (2021) como o texto de maior afinidade conceptual, pelo foco partilhado na autenticidade da avaliação em contextos digitais — uma sugestão que validei e da qual me apropriei criticamente.
A terceira etapa foi, na minha avaliação, a mais formativa de todo o processo: antes de avançar para a redação, usei o diálogo com a IA para testar a robustez das minhas próprias ideias, colocando perguntas mais exigentes sobre se a IA generativa tinha criado uma crise na avaliação ou apenas tornado visíveis problemas já existentes, e que mudanças conceptuais seriam necessárias para pensar a avaliação num contexto mediado por IA. Foi deste confronto que nasceu a ideia central do ensaio: a de que a IA não criou o problema da avaliação no ensino superior, mas retirou-lhe o véu, expondo fragilidades — superficialidade, desadequação ao mundo real, incapacidade de acompanhar a aprendizagem como processo vivo — que já lá estavam.
3. Fundamentação teórica: da deteção ao redesenho
O ensaio estrutura-se em três movimentos argumentativos, cada um sustentado por um conjunto distinto de referências.
O primeiro movimento parte do diagnóstico da literatura sobre IA e avaliação. Felix e Webb (2024) mapeiam as possibilidades e os riscos da IA no ensino superior, identificando a linha cada vez mais ténue entre assistência legítima e substituição do esforço intelectual, bem como a fragilidade das próprias ferramentas de deteção. O'Dea e O'Dea (2023), apoiando-se nos modelos TPACK e UTAUT, adotam uma postura mais cética, argumentando que a tecnologia por si só não transforma práticas pedagógicas — são a formação, a reflexão crítica e a cultura institucional que o fazem. Swiecki et al. (2022) oferecem o diagnóstico mais sistematizado das limitações da avaliação tradicional, mostrando que esta já avaliava, antes da IA existir, competências que os próprios humanos delegavam em ferramentas computacionais — o que torna a sua pertinência questionável independentemente da tecnologia disponível.
O segundo movimento mobiliza Oliveira e Pereira (2021) para propor um quadro de resposta: a avaliação digital autêntica, que se orienta para evidências de competência em contextos de aplicação significativa, e que é, por definição, menos suscetível de ser transferida para ferramentas de IA — uma defesa oral ou um portefólio reflexivo implicam sempre a presença e o julgamento do próprio estudante.
O terceiro movimento aprofunda esta resposta com Kickbusch et al. (2025), que propõem deslocar o foco da deteção para o design: em vez de policiar o uso da IA, redesenhar as tarefas para que os estudantes exerçam julgamento sobre os seus outputs. Este argumento é reforçado por três conceitos complementares que fui buscar à literatura sobre avaliação sustentável e autorregulação: o evaluative judgement de Boud e Soler (2015), entendido como a capacidade de apreciar e regular autonomamente a qualidade do próprio trabalho; os instrumentos de auto e heteroavaliação de Panadero et al. (2016), que descrevo como simultaneamente mais resistentes à delegação em IA e mais formativos; e a ideia de Rodríguez-Gómez e Ibarra-Sáiz (2015) de que avaliar é, antes de tudo, capacitar os estudantes para aprenderem de forma autónoma e sustentada.
4. A avaliação crítica do uso da IA
Um dos aspetos que considero mais relevantes neste trabalho foi ter documentado, com honestidade, as tensões da experiência de coautoria, e não apenas os seus benefícios. Registei que a ferramenta demonstrou notável capacidade de síntese e organização argumentativa, mas que delegar nela as tarefas intelectualmente mais exigentes comprometeria precisamente as competências que a atividade pretendia desenvolver — o ensaio tem valor formativo não pelo resultado, mas pelo processo de ler, comparar, relacionar e argumentar que exige.
Identifiquei também uma assimetria estrutural na interação: a IA responde com fluência, mas não questiona nem propõe alternativas espontaneamente, faltando-lhe o conflito argumentativo que, numa coautoria entre pares humanos, é ele próprio gerador de conhecimento. Esta constatação tornou-se, no fundo, a prova viva do argumento central do ensaio — se a IA não consegue gerar esse conflito produtivo, é o estudante quem precisa de o criar ativamente, questionando e testando as respostas da máquina em vez de as aceitar.
5. O diálogo com os colegas
A interação no fórum foi particularmente rica nesta atividade, tanto pelos comentários que fiz aos ensaios dos colegas como pelos que recebi no meu.
Ao comentar o ensaio da Filomena Rodrigues, destaquei a profundidade conceptual do texto e a forma como a articulação entre Swiecki et al., Boud e Soler, Oliveira e Pereira, Panadero et al. e Félix e Webb permitia compreender a IA não apenas como ameaça, mas como elemento que expõe fragilidades históricas dos modelos avaliativos. No ensaio do Rui Silva, sublinhei a posição de "ambivalência tecnológica" que ele manteve ao longo do texto, evitando tanto o entusiasmo acrítico como o alarmismo, e a força de conceitos como "pedagogia da vigilância" e "erosão tecnocrática do ato de educar". No ensaio da Susana Luís, elaborado em coautoria com o NoteBookLM, destaquei o equilíbrio entre potencialidades e riscos e a defesa de uma integração pedagógica da IA baseada na supervisão humana e no fortalecimento do pensamento crítico.
No meu próprio ensaio, recebi comentários especialmente estimulantes da Júlia Reis e do Rui Silva. A Júlia interpelou-me sobre como garantir que todos os docentes e estudantes desenvolvem a literacia crítica necessária para integrar a IA de forma ética, sobretudo em contextos institucionais sem políticas claras nem formação adequada. Respondi assumindo que não existe garantia universal ou rápida para essa questão, mas defendendo que essa literacia não precisa de ser prévia à mudança — pode ser construída no próprio processo de transformação das práticas, tal como a minha secção prévia sobre coautoria com IA foi, ela própria, um exemplo desse desenvolvimento em ato. O Rui, por sua vez, questionou como as instituições podem capacitar os docentes no design de tarefas autênticas sem gerar sobrecarga de trabalho incomportável. Respondi que este esforço não pode continuar a ser uma "aventura individual" de cada docente isolado, defendendo antes um trabalho de equipa partilhado, e critiquei modelos de formação pontual e superficial — como o "bootcamp" de uma tarde sobre IA que referi ter vivido no meu próprio contexto profissional — como insuficientes face à complexidade da mudança que este redesenho da avaliação exige.
6. Aprendizagens e próximos passos
Este trabalho consolidou, de forma mais madura, uma ideia que já vinha a construir-se desde a Atividade 1: a de que a resposta à IA na avaliação não é a proibição nem a vigilância, mas o redesenho de tarefas que tornem visível o julgamento do estudante. O que esta atividade acrescentou de novo foi a experiência, em primeira pessoa, de praticar esse mesmo princípio — usar a IA de forma criticamente informada durante a construção do próprio ensaio, e não apenas defender essa prática em abstrato.
Para os próximos trabalhos, proponho-me:
1. Continuar a documentar de forma transparente e crítica os processos de coautoria com IA, incluindo as suas tensões e limitações, e não apenas os seus resultados;
2. Aprofundar, em resposta às questões deixadas pelos colegas, a dimensão institucional do problema — como transformar a literacia crítica em IA de responsabilidade individual em objetivo coletivo e sustentado;
3. Continuar a procurar, nos diálogos do fórum, ocasiões de genuíno conflito argumentativo — aquilo que identifiquei faltar na interação com a IA, mas que os colegas, felizmente, souberam proporcionar.
7. Reflexão final crítica
Olhando para este percurso, sinto que a Atividade 3 fechou um ciclo que começou na Atividade 1. Ali, aprendi a confrontar criticamente uma resposta de IA com a literatura científica; no Guia de Boas Práticas, aprendi a gerir de forma transparente o seu uso como apoio à forma; agora, neste ensaio, aprendi a usar a IA como parceira de pensamento, documentando o processo com o mesmo rigor crítico que exijo do conteúdo. A metáfora que usei no ensaio — a IA como espelho que devolve a pergunta "para que serve, afinal, avaliar?" — aplica-se também, por extensão, ao meu próprio percurso de aprendizagem: cada atividade não me deu apenas respostas sobre avaliação em eLearning, devolveu-me perguntas cada vez mais exigentes sobre o meu próprio papel enquanto estudante que usa IA.
Uma limitação que reconheço é que a "interação assimétrica" que identifiquei na coautoria com a IA — a ausência de conflito argumentativo espontâneo — não foi, no fundo, plenamente resolvida no ensaio: apesar de a ter identificado com lucidez, o texto final continua a refletir, em grande medida, a estrutura de raciocínio que emergiu do diálogo com a ferramenta, e não um contraponto genuinamente independente. A pergunta que a Júlia me deixou sobre a literacia crítica institucional e a que o Rui me deixou sobre a sobrecarga docente ficam, por isso, como convites a continuar este trabalho para lá do ensaio: não basta reconhecer a assimetria da interação com a IA — é preciso, também, encontrar formas concretas e sustentáveis de a compensar, tanto a nível individual como institucional.
________________________________________
Referências Bibliográficas
Boud, D., & Soler, R. (2015). Sustainable assessment revisited. Assessment & Evaluation in Higher Education, 41(3), 400–413. https://doi.org/10.1080/02602938.2015.1018133
Felix, J., & Webb, L. (2024). Use of artificial intelligence in education delivery and assessment (POST Note 712). UK Parliament, Parliamentary Office of Science and Technology. https://doi.org/10.58248/PN712
Kickbusch, S., Ashford-Rowe, K., Kemp, A., Boreland, J., & Huijser, H. (2025). Beyond detection: Redesigning authentic assessment in an AI-mediated world. Education Sciences, 15(11), 1537. https://doi.org/10.3390/educsci15111537
O'Dea, X., & O'Dea, M. (2023). Is artificial intelligence really the next big thing in learning and teaching in higher education? A conceptual paper. Journal of University Teaching & Learning Practice, 20(5). https://doi.org/10.53761/1.20.5.06
Oliveira, I., & Pereira, A. (2021). Avaliação digital autêntica: questões e desafios. RE@D — Revista de Educação a Distância e eLearning, 4(2), 22–40. https://doi.org/10.34627/vol4iss2pp22-40
Panadero, E., Jonsson, A., & Strijbos, J. W. (2016). Scaffolding self-regulated learning through self-assessment and peer assessment: Guidelines for classroom implementation. In D. Laveault & L. Allal (Eds.), Assessment for learning: Meeting the challenge of implementation (pp. 311–326). Springer. https://doi.org/10.1007/978-3-319-39211-0_18
Rodríguez-Gómez, G., & Ibarra-Sáiz, M. S. (2015). Assessment as learning and empowerment: Towards sustainable learning in higher education. In M. Peris-Ortiz & J. M. Merigó Lindahl (Eds.), Sustainable learning in higher education: Developing competencies for the global marketplace (pp. 1–20). Springer. https://doi.org/10.1007/978-3-319-10804-9_1
Swiecki, Z., Khosravi, H., Chen, G., Martinez-Maldonado, R., Lodge, J. M., Milligan, S., Selwyn, N., & Gašević, D. (2022). Assessment in the age of artificial intelligence. Computers and Education: Artificial Intelligence, 3, 100075. https://doi.org/10.1016/j.caeai.2022.100075
Sem comentários:
Enviar um comentário