Avaliar sempre foi, e ainda é, um dos grandes desafios da educação, por cumprir uma dupla função, a de permitir ao estudante perceber seu próprio percurso e de possibilitar ao professor tomar decisões pedagógicas qualificadas. Com a entrada da IA no ambiente educacional, a pergunta fundamental, no processo avaliativo, deixa de ser, simplesmente, quanto o aluno acertou? E se transforma em o que estas evidências me dizem sobre sua aprendizagem, e o que devemos fazer (professor, aluno, instituição e família) a partir daqui?
Durante muito tempo, uma parte significativa das avaliações escolares foi construída sobre uma lógica relativamente simples em que o professor formula perguntas e o estudante fornece respostas. A Inteligência Artificial Generativa altera profundamente essa equação. Hoje, um estudante pode solicitar a uma máquina que explique um conceito, resolva um problema, compare teorias, produza argumentos ou escreva um texto em poucos segundos. A existência de uma boa resposta já não garante, por si só, que o percurso intelectual que se deseja avaliar tenha efetivamente ocorrido.
Este novo cenário abre espaço para uma preocupação legítima que é a de como saber o que o estudante realmente aprendeu. Entretanto, essa preocupação precisa ser acompanhada por outra, mais profunda, que pode ser expressa por uma linha de raciocínio que envolve a seguinte questão. Quando as máquinas se tornam cada vez mais eficientes na produção de respostas, o que devemos, ou como podemos, aprender a avaliar nos estudantes?
Neste novo cenário, as instituições de ensino enfrentam uma questão, a princípio compreensível: diante da IA, devemos controlar mais, proibir seu uso ou repensar a própria forma de avaliar? Mas, talvez essa ainda não seja a preocupação fundamental. Na verdade, muito antes de decidir se é lícito, ético ou pedagogicamente viável introduzir a IA no processo avaliativo, é importante perguntar o que desejamos conhecer sobre a aprendizagem do estudante e quais evidências realmente permitem conhecê-la. Para Paul Black e Dylan Wiliam a avaliação é um processo formativo que faz parte do processo de aprendizagem, não podendo ser usada apenas como uma medição final; ao que eu acrescento, e burocrática.
Perguntar o que desejamos conhecer sobre a aprendizagem do estudante, e quais evidências realmente permitem conhecê-la, provoca uma mudança decisiva no processo e conduz o olhar para o fato de que avaliar não deveria significar apenas atribuir uma nota ao produto final. Na tradição da avaliação formativa, Black e Wiliam compreendem a avaliação como parte do próprio processo pedagógico em que as evidências produzidas devem orientar decisões posteriores de professores e estudantes. Sadler (1989), por sua vez, destaca a importância de o estudante progressivamente compreender critérios de qualidade e desenvolver capacidade para acompanhar e melhorar o próprio trabalho. (Springer Nature). Pelo exposto, é possível dizer que a principal caracteristicas da avaliação, nos dias de hoje, talvez seja decidir como fazer a aprendizagem avançar, a partir da compreensão do processo avaliativo, no ambiente influenciado pela IA.
Quando a resposta deixa de ser o ponto final
Muitas vezes confundimos a qualidade da resposta apresentada com a qualidade da aprendizagem que a produziu, e a chegada da IA Generativa apenas torna mais visível este problema, que já, por sinal, existia. Isto por que uma redação correta pode esconder uma compreensão superficial. Uma resposta imperfeita pode revelar um raciocínio sofisticado. Um resultado errado pode conter uma hipótese interessante. E uma resposta impecável pode simplesmente ter sido obtida sem que o estudante consiga explicar, questionar ou utilizar aquilo que apresentou.
A discussão internacional mais recente sobre avaliação e IA aponta justamente nessa direção. O documento Assessment Reform for the Age of Artificial Intelligence, elaborado por Lodge, Howard, Bearman, Dawson e colaboradores (2023) para a agência australiana TEQSA, argumenta que proibições generalizadas constituem respostas simplificadoras e que a IA afeta não apenas como avaliamos, mas também o que vale a pena avaliar.
Em 2025, a TEQSA avançou nessa discussão e apresentou três possibilidades que são as avaliações que permitem uso de IA dentro de parâmetros definidos; as situações em que o uso da IA se torna irrelevante para demonstrar os resultados de aprendizagem; e os momentos nos quais o uso da IA precisa ser restringido ou supervisionado para que determinadas capacidades possam ser efetivamente verificadas.
Vale ressaltar, que o mesmo documento recomenda que as instituições não concentrem seus esforços prioritariamente na detecção do uso de IA, mas no redesenho da avaliação para obter demonstrações autênticas da capacidade e da compreensão dos estudantes. E acrescento, especialmente considerando o momento atual em que vivemos em relação ao uso da IA no ambiente educacional, que este redesenho não deveria apenas se restringir ao processo avaliativo.
Esta visão tende a mudar o problema e a exigir esforço adicional dos responsáveis pelas decisões de conviver, ou não com a IA. Neste novo ponto de vista, ao invés de perguntar: o estudante usou IA? talvez seja necessário perguntar: que evidência esta atividade me oferece de que o estudante escolheu, de forma consciente, compreendeu o conteúdo e estabeleceu relações, consegue continuar pensando de forma independente? E é exatamente neste ponto que a resposta deixa de ser o ponto final da avaliação e pode se tornar a matéria-prima para uma nova operação intelectual que consiste em avaliar a capacidade de perguntar.
Quando sistemas de IA produzem respostas cada vez mais rápidas, convincentes e linguisticamente adequadas, a competência de saber interrogar respostas ganha especial relevância. No capítulo 8 do livro Curadoria Docente, Ensinar a perguntar, a nova competência central da aprendizagem, faço uma reflexão inicial sobre este tema e nos apêndices “B” e “C”, respectivamente apresento o uso de ferramentas de IA no processo de avaliação e um protocolo de validação de autoria em trabalhos acadêmicos mediados por IA.
IA na avaliação, para que?
A questão não reside no fato de ser útil ou, ser necessário, ou permitir, ou impedir, o uso da IA inclusive na avaliação; mas (re)examinar aquilo que estamos avaliando. (TEQSA). Propostas recentes de reforma da avaliação defendem maior clareza sobre quando, como e para que usar a Inteligência Artificial em atividades avaliativas. Lodge et al. (2023), argumentam que a questão não se resolve por meio de proibições generalizadas, mas exige repensar o próprio desenho da avaliação, inclusive aquilo que consideramos relevante avaliar. Em sintonia com esta perspectiva, a UNESCO (MIAO; HOLMES, 2023) recomenda uma abordagem centrada no ser humano, orientada por critérios éticos e pelo uso pedagogicamente significativo da IA.
Neste diapasão, a capacidade do estudante de julgar a qualidade do próprio trabalho e do trabalho de outros, é defendida por Barman et al. (2024) quando se referem ao desenvolvimento do evaluative judgement, como uma competência particularmente importante no contexto da IA generativa. (Tandfonline) Isso conversa diretamente com a Curadoria Docente, porque desloca a avaliação da simples produção de uma resposta para a capacidade de examinar, julgar, justificar e melhorar respostas. E para Lodge et al. (2023) a IA nos obriga a reconsiderar o que vale a pena avaliar. Esta tese sustenta, no âmbito da Curadoria Docente o que defendo no sentido de que, diante de respostas facilmente produzidas pela IA, precisamos deslocar parte da avaliação da resposta produzida para o pensamento que o estudante consegue desenvolver a partir dela.
Curadoria Docente e o ponto central da avaliação
A enxurrada de informações e respostas, produzida pela IA, não elimina o valor e a importância da busca pelo conhecimento, nem torna desnecessário o cuidado com a resposta. Todavia a situação, paulatinamente, impõe e, de certa forma tende a modificar, algumas condições sob as quais o conhecimento é produzido, acessado e avaliado.
Neste cenário aumenta a responsabilidade, e a importância, do professor continuar responsável por determinar objetivos, selecionar situações, estabelecer critérios, identificar o grau de autonomia esperado e decidir quando a IA amplia a aprendizagem, e quando sua presença impede que determinada competência possa ser observada.
Aqui voltamos à pergunta central para reafirmar que não se trata de permitir ou impedir a tecnologia, mas definir por que, para quê e sob quais condições ela participa da experiência de aprendizagem. A UNESCO recomenda que a incorporação da IA Generativa à educação permaneça orientada por uma abordagem centrada no ser humano, com atenção à agência humana, à ética e ao propósito pedagógico. (UNESCO)
Na Curadoria Docente, isso significa deslocar o professor de uma posição fiscal da origem das respostas para a função intelectualmente relevante de projetar situações nas quais seja possível tornar pensamento do estudante, se não visível, pelo menos possível de aferir a partir de respostas, ainda que produzidas via IA. E mais, uma resposta produzida com IA, por exemplo a mesma resposta que o estudante apresenta, pode ser (re)apresentada para que ele identifique erros, confronte fontes, reorganize argumentos, indique ausências, proponha alternativas ou formule uma pergunta mais profunda.
O exemplo acima, deixa claro que não é a tecnologia que define a avaliação. É a intencionalidade pedagógica do professor que está determinando o que será observado, por quê e para quê. Isso também impede uma falsa oposição entre proibir e liberar. Até por que, dependendo do objetivo, as duas decisões, liberar ou proibir, podem ser pedagogicamente legítimas. Ou seja, se queremos verificar se determinado estudante domina pessoalmente um procedimento indispensável; restringir a assistência da IA pode fazer sentido. Mas desejando avaliar a sua capacidade de selecionar, confrontar, criticar e aprimorar informações; permitir o uso da IA pode criar uma situação avaliativa mais rica, intensa e produtiva. Em suma, o critério deixa de ser tecnológico e volta a ser pedagógico.
Talvez precisemos avaliar outras coisas
A Inteligência Artificial não tornou a avaliação impossível, ela nos colocou em um desconfortável lugar que nos força, inclusive, a (re)ver algumas (muitas) de nossas práticas avaliativa. O ponto central da reflexão está no fato de que, se uma máquina consegue produzir aquilo que durante décadas consideramos evidência suficiente de aprendizagem, talvez o problema não esteja apenas na máquina ou no seu uso; talvez precisemos reconsiderar a própria evidência.
A TEQSA sintetiza essa mudança ao reafirmar, em 2025, uma dupla finalidade da avaliação: promover aprendizagem significativa e fornecer evidências de que os resultados de aprendizagem foram alcançados. (TEQSA) e isso nos devolve à questão essencial de não precisarmos abandonar respostas, provas, textos ou produtos. O que necessitamos, mesmo, é de ampliar o percurso, os critérios utilizados, as decisões tomadas, a capacidade de justificar, revisar, relacionar, questionar e continuar aprendendo.
Em um mundo de respostas abundantes, uma das evidências mais importantes de aprendizagem pode ser aquilo que o estudante consegue fazer depois de receber, ou apresentar, uma resposta. E, talvez, uma boa avaliação comece justamente aí.
O livro Curadoria Docente – A Inteligência Artificial na Sala de Aula não aprofunda especificamente a reflexão sobre como transformar a abundância de respostas em novas possibilidades de aprendizagem. Ele oferece indicativos, questões e reflexões que ajudam a compreender o reposicionamento do professor diante da IA Generativa e pode constituir um ponto de partida para professores, gestores e demais profissionais que estão iniciando seus estudos sobre esse novo cenário educacional.
Referências
- BEARMAN, Margaret; TAI, Joanna; DAWSON, Phillip; BOUD, David; AJJAWI, Rola. Developing evaluative judgement for a time of generative artificial intelligence. Assessment & Evaluation in Higher Education, v. 49, n. 6, p. 893–905, 2024. DOI: 10.1080/02602938.2024.2335321. (Tandfonline)
- BLACK, Paul; WILIAM, Dylan. Developing the theory of formative assessment. Educational Assessment, Evaluation and Accountability, v. 21, p. 5–31, 2009. DOI: 10.1007/s11092-008-9068-5. (Springer Nature)
- LODGE, Jason M.; HOWARD, Sarah; BEARMAN, Margaret; DAWSON, Phillip; ASSOCIATES. Assessment reform for the age of artificial intelligence. Melbourne: Tertiary Education Quality and Standards Agency – TEQSA, 2023. (TEQSA)
- MIAO, Fengchun; HOLMES, Wayne. Guidance for generative AI in education and research. Paris: UNESCO, 2023. (UNESCO)
- SADLER, D. Royce. Formative assessment and the design of instructional systems. Instructional Science, v. 18, n. 2, p. 119–144, 1989. DOI: 10.1007/BF00117714. (Springer Nature)
- TEQSA – TERTIARY EDUCATION QUALITY AND STANDARDS AGENCY. Enacting assessment reform in a time of artificial intelligence. Melbourne: TEQSA, 2025. (TEQSA)