Ilustração criada com recurso a IA generativa (ChatGPT/DALL·E, OpenAI, 2026).
Diário de Bordo — Atividade 1
1. Contextualização
A Atividade 1 desafiou-nos a
explorar o estado da arte da avaliação pedagógica em contextos de eLearning,
partindo de uma pergunta-base lançada pela professora Lúcia Amante: qual é o
estado da arte da avaliação pedagógica em contextos de eLearning e quais são,
atualmente, os principais desafios enfrentados?
Optámos por trabalhar com uma
ferramenta de IA como ponto de partida, usando a sua resposta não como um fim
em si mesma, mas como um objeto de análise — algo a confrontar, problematizar e
confirmar (ou não) à luz da literatura científica selecionada. Este registo
documenta o processo, as opções tomadas e as aprendizagens retiradas, servindo
de atualização ao meu portfólio digital e de exercício de metacognição sobre o
meu próprio percurso de aprendizagem.
2. O processo de trabalho
O ponto de partida foi a pergunta
lançada à IA, que devolveu duas subquestões orientadoras: uma sobre a
viabilidade pedagógica da transição de modelos somativos para modelos
formativos e contínuos em turmas de grande dimensão, e outra sobre os desafios
éticos e pedagógicos associados ao uso de learning analytics e IA na
avaliação online.
A síntese da resposta da IA
apontava para uma evolução clara: de uma avaliação sumativa para uma abordagem
contínua e formativa, valorizando evidências múltiplas (interações, projetos,
portfólios) e práticas participativas como a autoavaliação e a avaliação entre
pares. O maior desafio nesta fase do trabalho não foi obter a resposta da IA,
mas decidir o que fazer com ela: resistir à tentação de a aceitar como
verdade estabelecida e transformá-la, em vez disso, num ponto de partida para
uma reflexão crítica sustentada em literatura científica.
3. A reflexão crítica:
confrontar a IA com a literatura
Escolhemos dois textos-âncora
para este confronto direto com a resposta da IA:
- Amante, Oliveira e Gomes (2014), sobre
avaliação digital nas universidades públicas portuguesas, que ofereceu um
quadro edumétrico situado sobre autenticidade e praticabilidade da
avaliação;
- Kickbusch, Ashford-Rowe, Kemp, Boreland e
Huijser (2025), Beyond Detection: Redesigning Authentic Assessment
in an AI-Mediated World, que trouxe uma perspetiva disruptiva sobre o
papel da IA na avaliação.
3.1. Convergências entre a IA
e a literatura
A resposta da IA revelou uma
forte convergência com a literatura no que toca à mudança de paradigma da
avaliação sumativa para a formativa. O modelo de Amante et al. (2014) já
apontava para a necessidade de tarefas significativas, ideia que a IA confirmou
ao destacar a centralidade do processo de aprendizagem. Esta visão é
corroborada por Kickbusch et al. (2025), que defendem que, num mundo mediado
por IA, a força avaliativa deve residir em evidências de percurso — portfólios,
projetos — e não em testes isolados. A literatura confirmou ainda a importância
da avaliação participativa (autoavaliação e avaliação entre pares) e do uso de learning
analytics para personalizar o feedback, elementos que a IA identificou como
tendências estruturantes. A própria ideia da IA sobre o "professor como
designer" de avaliação encontrou eco direto na dimensão da autenticidade
de Amante et al. (2014), em que o docente é entendido como o arquiteto de
contextos que ligam a academia ao mundo real.
3.2. Limitações e
simplificações da resposta da IA
Foi, no entanto, no confronto com
estas limitações que a reflexão crítica mais se aprofundou. Em primeiro lugar,
na dimensão da autenticidade e da integridade: enquanto a IA focava a sua
resposta na dificuldade de garantir a autoria — uma visão essencialmente
defensiva —, Kickbusch et al. (2025) propõem um salto qualitativo que a IA
ignorava: o redesenho da própria tarefa de avaliação para que a IA seja uma
parceira de co-criação crítica. A resposta da IA simplificava assim o desafio,
não percebendo que "avaliar", num contexto mediado por IA, implica
também avaliar o julgamento do estudante sobre o output da máquina, e
não apenas a autenticidade do produto final.
Em segundo lugar, identificámos
que a IA negligenciava a tensão entre praticabilidade e escala. Amante et al.
(2014) sublinham o equilíbrio necessário entre o esforço docente e o benefício
pedagógico — equilíbrio que a resposta da IA ignorava ao apresentar a
automatização como solução facilitadora, sem reconhecer que a avaliação
formativa de qualidade exige proximidade pedagógica, o que colide diretamente
com a tendência de massificação característica do eLearning.
Por fim, quanto à validade e à
ética do uso de dados, a IA tratou estas questões de forma predominantemente
técnica, enquanto a literatura as apresenta como dilemas bem mais complexos:
como garantir que a "datificação" — a recolha sistemática de logs e
interações dos estudantes — não compromete a equidade e a privacidade, e como
assegurar que não estamos, na prática, a medir apenas "atividade" em
vez de "competência" real. Este ponto revelou-se, para mim, um dos
mais importantes de todo o trabalho: a facilidade com que uma resposta
tecnicamente correta pode, ainda assim, escamotear o que está eticamente em
jogo.
Em síntese, a IA mostrou-se
eficaz a mapear o estado da arte da avaliação em eLearning, mas falhou em
captar a profundidade ética e política que a avaliação, enquanto ato
pedagógico, sempre implica. A literatura de Amante et al. (2014) e Kickbusch et
al. (2025) revelou-se indispensável para preencher este vazio, demonstrando que
a tecnologia deve servir para potenciar a agência humana, e não para
automatizar processos de exclusão.
4. O diálogo com os colegas
A interação no fórum foi um
momento particularmente rico deste percurso. Os comentários da Carla Miranda
e do Rui Silva ajudaram a validar — e a aprofundar — uma das ideias
centrais do trabalho: a de que avaliar em contextos mediados por IA implica
sempre avaliar o pensamento crítico e o julgamento do estudante sobre o
uso da tecnologia, e não apenas controlar a autoria do produto final.
A Carla acrescentou um ângulo
importante, sublinhando que este caminho implica também repensar os próprios
critérios de avaliação, deslocando o foco do produto final para os processos de
decisão, justificação e validação das escolhas do estudante, sobretudo quando
mediadas pela tecnologia — uma ideia que aprofunda exatamente a distinção entre
avaliar o produto e avaliar o processo que tínhamos retirado do confronto entre
a IA e Kickbusch et al. (2025). O Rui, por sua vez, destacou como muito
positiva a forma como explorámos a ideia de que avaliar, num contexto mediado
por IA, implicará sempre avaliar o julgamento crítico do aluno sobre o uso da
própria tecnologia, reforçando a pertinência da articulação entre a resposta da
IA e a literatura selecionada.
Respondi a ambos procurando não
apenas agradecer, mas devolver a discussão ao ponto que mais me parecia
central: a avaliação como processo formativo, ético e intencional, em que a
tecnologia só tem valor pedagógico quando ao serviço da aprendizagem e da reflexão
crítica — e não como um fim em si mesma.
5. Feedback recebido e
autoavaliação
A análise individual recebida
sobre o trabalho foi globalmente muito positiva, destacando:
- boa compreensão da temática e dos desafios da IA na
avaliação;
- estrutura clara e cumprimento dos elementos
solicitados;
- a reflexão crítica como ponto forte do
trabalho, evidenciando capacidade de análise e problematização, sem se
limitar a descrever as ideias da IA;
- uma articulação pertinente com a literatura.
Foram também identificadas áreas
de melhoria, que assumo como aprendizagem para as próximas atividades:
- maior capacidade de condensação na síntese
da resposta da IA, tornando-a mais focada e alinhada com os limites
propostos;
- aprofundar ainda mais as implicações
pedagógicas de algumas ideias, em vez de as explorar apenas
superficialmente;
- reforçar a articulação com os conceitos
mobilizados, com uma exploração mais consistente ao longo de todo o texto,
e não apenas nos momentos dedicados à reflexão crítica.
No que toca à minha participação
individual no fórum, foi-me reconhecido rigor científico e pertinência nas
interpelações aos colegas — nomeadamente ao levantar questões sobre a
autenticidade da avaliação em contextos de IA. Foi também identificado, com justiça,
que a minha participação foi sobretudo validativa, centrada no reforço
do consenso já existente no grupo, e que poderia beneficiar de maior
iniciativa crítica e problematização autónoma — ou seja, arriscar mais em
levantar dúvidas ou contrapontos, em vez de apenas confirmar e aprofundar o que
já estava bem dito.
6. Aprendizagens e próximos
passos
Este trabalho consolidou uma
ideia que me parece central para todo o mestrado: a avaliação em contextos de
eLearning não pode ser pensada como um problema técnico de deteção de fraude ou
de automatização de processos. É, acima de tudo, uma questão de intencionalidade
pedagógica — decidir o que queremos efetivamente avaliar (o produto ou o
processo, a autoria ou o julgamento crítico) antes de decidir como o vamos
avaliar. Esta conclusão é sustentada tanto pelo quadro edumétrico de Amante et
al. (2014) como pela perspetiva disruptiva de Kickbusch et al. (2025), o que
reforça a robustez do argumento construído ao longo de todo o trabalho.
Para a próxima atividade,
proponho-me:
- Ter mais capacidade de síntese, sem perder
rigor;
- Assumir posições mais problematizadoras e
autónomas no fórum, mesmo quando isso implica discordar ou questionar
consensos já estabelecidos no grupo;
- Trabalhar a articulação teórica de forma mais integrada
ao longo de todo o texto, mobilizando desde cedo os conceitos dos
autores de referência, e não apenas no momento da reflexão crítica final.
7. Reflexão final crítica
Chegada ao fim desta primeira
atividade, sinto que o maior ganho não foi tanto o conteúdo sobre avaliação em
eLearning — que, em grande parte, já intuía a partir da prática — mas sim a
forma como aprendi a relacionar-me criticamente com uma resposta de IA.
É fácil ler uma síntese bem escrita, coerente e aparentemente completa, e
confundir fluência com profundidade. O exercício de a confrontar
sistematicamente com Amante et al. (2014) e Kickbusch et al. (2025) obrigou-me
a distinguir aquilo que a IA descreve bem (a mudança de paradigma sumativo para
formativo, a valorização de evidências de percurso) daquilo que ela simplifica
ou evita (a dimensão ética da datificação, a tensão entre escala e proximidade
pedagógica, o redesenho da própria tarefa de avaliação). Esta distinção entre
descrição precisa e compreensão profunda é, a meu ver, a competência mais
transferível que retiro desta atividade — e é também, ironicamente, o próprio
objeto de estudo do trabalho: avaliar não é verificar se algo está corretamente
descrito, é avaliar a capacidade de julgar o que essa descrição deixa de fora.
Reconheço, contudo, limitações
neste percurso. Em primeiro lugar, a nossa reflexão crítica, apesar de sólida,
ficou concentrada essencialmente no confronto direto com a resposta da IA, sem
explorar tão a fundo como esta discussão se aplicaria a um caso concreto — uma
disciplina real, um instrumento de avaliação específico. A crítica manteve-se,
em parte, no plano conceptual, quando poderia ter ganho mais força ao ser
testada contra um exemplo prático. Em segundo lugar, e revendo o feedback
recebido sobre a minha participação no fórum, reconheço que tendi a validar e
aprofundar as ideias dos colegas em vez de as questionar. Foi uma escolha
talvez confortável — reforçar o consenso do grupo — mas que me deixou pouco à
vontade em relação ao papel de problematização que a própria literatura que
mobilizámos defende: se Kickbusch et al. (2025) argumentam que avaliar implica
julgar criticamente e não apenas validar, seria coerente que eu tivesse
aplicado esse mesmo princípio à minha postura no fórum, e não apenas ao conteúdo
do trabalho escrito.
Fica também uma questão em aberto
que gostaria de levar para as próximas atividades: se, como concluímos, a
avaliação mediada por IA exige avaliar o julgamento do estudante sobre o output
da máquina, como se operacionaliza isso na prática, sem transformar essa
avaliação num exercício igualmente superficial de "mostrar que se pensou
criticamente"? Esta é, para mim, a fronteira ainda por explorar entre o
discurso sobre avaliação autêntica em contextos de IA e a sua tradução em critérios,
tarefas e ins
trumentos concretos — e é também onde sinto que o meu percurso de
aprendizagem, e o do grupo, ainda tem um caminho significativo a percorrer.
Bibliografia
Amante, L., Oliveira, I., & Gomes, M. J. (2014). Avaliação
digital nas universidades públicas portuguesas: perspectivas de professores e
de estudantes [Comunicação]. EUTIC 2014, Universidade Nova de Lisboa,
Portugal.
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
Mestrado em Pedagogia do eLearning Grupo C: Susana Luís e Tânia Santos
