A inteligência artificial já faz parte da rotina de milhões de estudantes. Ela pode explicar conceitos difíceis, ajudar na pesquisa, revisar textos e até funcionar como uma espécie de tutor particular. O problema começa quando deixa de ser uma ferramenta de apoio e passa a fazer todo o trabalho.
Para os professores, descobrir essa diferença está ficando cada vez mais complicado.
Uma pesquisa do Higher Education Policy Institute, no Reino Unido, mostrou que cerca de 94% dos 1.054 universitários entrevistados utilizavam IA generativa de alguma maneira em trabalhos avaliados. Cerca de 12% admitiram inserir diretamente textos produzidos pela tecnologia.
Nos Estados Unidos, pesquisas com mais de 95 mil estudantes de 20 universidades indicaram que 9% utilizaram IA em trabalhos mesmo sabendo que isso contrariava as regras.
Diante desse cenário, professores estão mudando suas estratégias. Em vez de simplesmente tentar descobrir se determinado texto “parece IA”, alguns passaram a avaliar todo o processo de aprendizagem.
Fazer a IA errar também pode fazer parte da prova
Nicholas Mattei, professor de Ciência da Computação da Universidade Tulane, permite inteligência artificial em sua disciplina de História da Tecnologia.
Mas existe uma diferença importante: os estudantes não podem simplesmente pedir uma resposta pronta.
Eles precisam identificar fontes, utilizar três modelos para resumi-las, analisar criticamente os resultados e depois produzir infográficos e um ensaio.
Mattei oferece até pontos adicionais quando os alunos encontram erros cometidos pelos sistemas, como referências inexistentes ou informações que não correspondem às fontes originais.
Nesse modelo, saber questionar a IA passa a fazer parte da avaliação.
Professores estão criando tarefas mais difíceis de automatizar
Daniel Silver, sociólogo da Universidade de Toronto Scarborough, adotou outra estratégia.
Em suas aulas, agentes de inteligência artificial simulam comerciantes para ajudar os estudantes a explorar conceitos de A Riqueza das Nações, obra publicada por Adam Smith em 1776.
Os alunos podem experimentar diferentes situações e posteriormente precisam analisar as transcrições dessas interações.
Isso cria uma dificuldade para quem tenta entregar tudo à IA de uma única vez.
Um chatbot pode produzir uma resposta aparentemente convincente, mas também pode inventar acontecimentos que nunca apareceram nas transcrições.
Quando isso acontece, o professor consegue identificar rapidamente que o estudante provavelmente não acompanhou o processo.
Uma boa resposta não basta: é preciso explicar como chegou até ela
Ruben Verborgh, cientista da computação da Universidade de Gante, na Bélgica, também permite o uso de IA em seu curso de Desenvolvimento Web.
Sua avaliação, porém, inclui problemas como descobrir por que determinada página não funciona ou por que está lenta.
Chatbots podem sugerir respostas para essas perguntas, mas nem sempre apresentam uma metodologia precisa para investigar o problema.
Etienne Roesch, estatístico e cientista cognitivo da Universidade de Reading, no Reino Unido, utiliza uma estratégia semelhante.
Ele apresenta imagens de análises de atividade neurológica e pede aos estudantes que expliquem aquilo que observam.
Segundo Roesch, respostas produzidas automaticamente muitas vezes descrevem elementos que simplesmente não aparecem nas imagens.
Histórico do Google Docs virou ferramenta de avaliação
Outros professores preferem observar como o trabalho foi produzido.
Yanjun Shen, pesquisador da Universidade Chang’an, na China, solicita registros das conversas dos estudantes com ferramentas de inteligência artificial.
O objetivo não é apenas descobrir se utilizaram IA, mas entender como fizeram isso.
Um estudante pode utilizar um chatbot para esclarecer dúvidas e desenvolver seu próprio raciocínio. Outro pode simplesmente pedir uma resposta pronta e copiá-la.
Nikita Bezrukov, professor de Linguística e Comunicação da Universidade Columbia, acompanha o histórico de revisões em plataformas como o Google Docs.
Ele permite IA para correções gramaticais e melhorias de redação, mas não para produzir trabalhos inteiros.
O histórico ajuda a mostrar como determinado texto evoluiu e se realmente existiu um processo de construção.
Provas orais voltaram a ganhar importância
Uma solução muito mais tradicional também está reaparecendo: pedir que o aluno explique aquilo que entregou.
Gianmarc Grazioli, químico computacional da Universidade Estadual de San José, divide parte da avaliação entre programação e uma prova oral.
Cerca de 70% da nota corresponde ao código Python apresentado. Os outros 30% dependem de uma conversa na qual o estudante precisa explicar linhas específicas do próprio código.
Nesse sistema, utilizar IA não necessariamente representa um problema.
A questão é descobrir se o aluno compreende aquilo que apresentou.
Se consegue explicar decisões, identificar problemas e defender sua solução, demonstrou conhecimento independentemente das ferramentas utilizadas durante o processo.
Detectores de IA estão longe de resolver o problema
Existem ferramentas desenvolvidas especificamente para identificar textos produzidos por inteligência artificial.
Mas muitos professores evitam utilizá-las como prova definitiva.
Ollie Thomas, biólogo da Universidade de Melbourne, descreve a situação como uma espécie de corrida armamentista.
À medida que os detectores melhoram, os modelos também evoluem e conseguem produzir textos cada vez mais difíceis de distinguir daqueles escritos por humanos.
Por isso, sinais como referências inexistentes, mudanças repentinas entre versões de um trabalho e dificuldades para explicar o conteúdo podem ser mais úteis quando analisados em conjunto.
O curioso “método do cavalo de Troia”
Uma das estratégias mais incomuns foi utilizada por Will Teague, historiador da Universidade Estadual de Angelo, no Texas.
Ele adotou aquilo que ficou conhecido como “método do cavalo de Troia”.
A técnica consiste em inserir nas instruções de uma atividade um comando praticamente invisível para o estudante, mas que pode ser interpretado quando todo o conteúdo é copiado e enviado para um chatbot.
Teague escondeu uma orientação para que os ensaios fossem escritos a partir de uma perspectiva marxista.
O resultado chamou atenção: 47 de 130 trabalhos seguiram claramente a instrução escondida, indicando que provavelmente haviam sido produzidos com ajuda de um chatbot.
Apesar do sucesso aparente, o próprio professor não ficou satisfeito com a experiência.
Depois, preferiu abandonar essa estratégia e investir mais em atividades educativas e discussões com os estudantes.
O caso revelou uma limitação importante: descobrir uma possível trapaça não significa necessariamente melhorar o aprendizado.
A solução pode ser mudar a própria avaliação
Alguns professores estão seguindo justamente esse caminho.
Risa Morimoto, da SOAS University of London, passou a permitir que estudantes escolhessem assuntos de interesse pessoal e escrevessem textos destinados a amigos ou familiares.
Com isso, os trabalhos passaram a apresentar características individuais mais claras.
Jonathan Vallano utiliza perguntas abertas e atividades nas quais estudantes precisam descobrir pesquisas científicas a partir de pistas, ler os artigos e depois explicar suas conclusões.
São tarefas que exigem decisões, interpretação e conhecimento do processo.
A tendência mostra uma mudança importante na discussão sobre inteligência artificial dentro das salas de aula.
Talvez a pergunta mais útil deixe de ser simplesmente “este texto foi escrito por IA?”.
Professores estão começando a perguntar algo diferente: o estudante consegue demonstrar que realmente aprendeu aquilo que entregou?
Com ferramentas de IA cada vez melhores, essa diferença pode acabar sendo muito mais importante do que descobrir quem — ou o que — digitou cada palavra.
[ Fonte: Wired ]
