Avaliar na era da inteligência artificial: entre a autoria, a autorregulação e a responsabilidade

A inteligência artificial generativa entrou no ensino superior sem pedir licença, sem bater à porta e sem esperar que docentes, estudantes ou instituições tivessem resolvido todas as suas dúvidas. Num intervalo muito curto, ferramentas capazes de redigir textos, resumir artigos, explicar conceitos, sugerir estruturas, traduzir, rever linguagem e simular feedback académico passaram a fazer parte do quotidiano de muitos estudantes. A avaliação, que já era um território exigente, tornou-se então uma espécie de laboratório em ebulição: o que é que continua a ser evidência de aprendizagem quando uma parte do processo pode ser mediada por sistemas de IA?

Foi a partir desta questão que desenvolvi a atividade do Tema 3 da unidade curricular Avaliação em Contextos de eLearning, no âmbito do Mestrado em Pedagogia do eLearning. O trabalho teve como foco a relação entre autoavaliação, autorregulação da aprendizagem, avaliação entre pares e inteligência artificial generativa. Mais do que discutir a IA como ameaça, procurei analisá-la como um elemento que obriga a repensar o próprio desenho da avaliação no ensino superior, especialmente em ambientes digitais e a distância.

A atividade partiu de uma exigência particularmente interessante: o ensaio deveria ser produzido em coautoria com inteligência artificial, mas essa coautoria teria de ser explicitada, analisada e criticamente enquadrada. Ou seja, a IA não surgia apenas como tema do trabalho; surgia também como parte do processo de construção do próprio trabalho. Esta duplicação tornou a atividade especialmente rica, porque me obrigou a pensar, ao mesmo tempo, sobre a IA como objeto de estudo e sobre a IA como ferramenta de apoio à aprendizagem.

A IA não inventou a crise da avaliação, mas tornou-a mais visível

Um dos pontos centrais do ensaio é a ideia de que a inteligência artificial generativa não criou, por si só, todos os problemas da avaliação académica. Na verdade, muitos desses problemas já existiam: tarefas demasiado centradas no produto final, pouca valorização do processo, critérios nem sempre apropriados pelos estudantes e formatos avaliativos que, por vezes, medem mais a capacidade de reproduzir informação do que a capacidade de pensar, decidir, rever e justificar.

A IA veio apenas iluminar estas fragilidades com uma luz mais intensa. Quando um estudante pode recorrer a uma ferramenta para gerar um texto coerente, a pergunta “quem escreveu isto?” torna-se inevitável. Mas talvez a pergunta mais importante seja outra: que aprendizagem é que este trabalho demonstra? A diferença parece subtil, mas muda tudo. A primeira pergunta centra-se na autoria do produto; a segunda centra-se na qualidade das evidências de aprendizagem.

Neste sentido, a resposta à IA não pode ser apenas policial, baseada na deteção, na suspeita ou na proibição. A avaliação precisa de se deslocar do produto isolado para o processo. Importa observar como o estudante define objetivos, seleciona fontes, interpreta critérios, revê versões, responde ao feedback, justifica decisões e reconhece limites. É aí que a avaliação começa a captar algo mais profundo do que um texto final bem escrito.

Autoavaliação e avaliação entre pares: práticas ainda mais necessárias

A autoavaliação e a avaliação entre pares ganharam, neste contexto, uma relevância acrescida. A autoavaliação não deve ser entendida como o simples ato de o estudante atribuir uma nota a si próprio. O seu valor está na capacidade de analisar o próprio trabalho à luz de critérios, identificar fragilidades, reconhecer progressos e decidir o que melhorar. É, portanto, uma prática ligada à autorregulação: planear, monitorizar, ajustar e refletir.

A avaliação entre pares acrescenta outra camada. Quando um estudante comenta o trabalho de um colega, é obrigado a mobilizar critérios, a formular argumentos e a reconhecer diferentes formas de responder a uma mesma tarefa. Ao avaliar o outro, aprende também a olhar melhor para o seu próprio trabalho. Esta dimensão é particularmente relevante em eLearning, onde a interação, a colaboração e a construção partilhada de conhecimento precisam de ser intencionalmente desenhadas.

Com a IA, estas práticas não se tornam obsoletas. Pelo contrário, tornam-se mais importantes. Se uma ferramenta consegue produzir feedback rápido, estruturar ideias ou rever um parágrafo, então o estudante precisa ainda mais de desenvolver a capacidade de julgar esse feedback, de o confrontar com os critérios da tarefa e de decidir o que faz sentido aceitar, rejeitar ou reformular. A literacia avaliativa passa, assim, a incluir também uma literacia crítica sobre a IA.

A coautoria com IA como exercício de autorregulação

Na secção prévia do trabalho, descrevi o modo como usei ferramentas de IA generativa durante o processo. Recorri a assistentes digitais para apoiar a pesquisa, organizar ideias, rever formulações e melhorar a clareza argumentativa. Contudo, procurei manter uma regra essencial: a IA podia funcionar como apoio, mas não como substituto do pensamento crítico.

Esta distinção foi importante. A IA ajudou-me a testar estruturas, a encontrar ligações entre conceitos e a rever a fluidez do texto. No entanto, as decisões centrais continuaram a exigir leitura, seleção, interpretação e responsabilidade autoral. Nem todas as sugestões eram adequadas. Algumas eram demasiado genéricas; outras pareciam academicamente plausíveis, mas precisavam de verificação. Esse é um dos grandes desafios da coautoria com IA: a facilidade da resposta pode criar a ilusão de rigor.

Por isso, o processo tornou-se, ele próprio, um exercício de autorregulação. Tive de definir objetivos, monitorizar a qualidade das respostas, comparar sugestões, rever escolhas e assumir a responsabilidade final pelo texto. A IA funcionou como um “amigo crítico” digital, útil em alguns momentos, limitado noutros, e sempre dependente da qualidade das perguntas e da capacidade de validação humana.

Do feedback automático ao juízo crítico

Uma das questões mais interessantes do trabalho foi a relação entre IA e feedback formativo. As ferramentas de IA podem oferecer comentários imediatos, sugerir melhorias, apontar inconsistências e ajudar a reorganizar ideias. Em contextos de ensino superior com muitos estudantes, esta possibilidade é sedutora, porque permite aumentar a frequência do feedback e apoiar processos de revisão que, de outro modo, poderiam ser mais difíceis de acompanhar.

Mas o feedback só é formativo quando provoca pensamento e ação. Se o estudante recebe uma sugestão da IA e a aplica automaticamente, sem compreender a razão da alteração, o ganho pedagógico é reduzido. Pelo contrário, se compara esse feedback com a rubrica, questiona a pertinência da sugestão, identifica convergências e divergências e justifica as suas opções, então a IA pode contribuir para uma aprendizagem mais consciente.

É por isso que o ensaio defende uma utilização da IA assente na comparação entre juízos. Primeiro, o estudante realiza a sua própria autoavaliação. Depois, solicita feedback à IA. Em seguida, confronta os dois resultados: onde coincidem? Onde divergem? Que sugestão faz sentido? Que sugestão deve ser rejeitada? Que revisão é pedagogicamente justificada? Este ciclo impede que a IA se transforme numa autoridade invisível e reposiciona o estudante como sujeito ativo do processo.

Transparência: tornar visível o processo

Outro princípio essencial é a transparência. Em vez de fingir que a IA não existe, a avaliação pode pedir aos estudantes que documentem como a utilizaram. Que ferramenta foi usada? Em que etapa? Com que finalidade? Que prompts foram introduzidos? Que respostas foram aceites, adaptadas ou rejeitadas? Que impacto teve esse uso no produto final?

Esta documentação não deve ser encarada apenas como mecanismo de controlo. Pode ser, sobretudo, uma oportunidade de aprendizagem. Quando o estudante explicita o seu processo, mostra não apenas o resultado, mas também o modo como pensou, decidiu e reviu. A IA deixa de ser uma presença clandestina e passa a ser analisada como parte do ecossistema de aprendizagem.

Num contexto de eLearning, esta transparência é ainda mais relevante. Como grande parte do trabalho acontece de forma autónoma, a avaliação precisa de criar evidências do percurso. Versões intermédias, diários reflexivos, comentários de revisão, autoavaliações, feedback entre pares e declarações de uso da IA podem ajudar a construir uma avaliação mais rica, menos dependente de um único produto final.

Avaliação autêntica e responsabilidade pedagógica

A discussão sobre IA conduz inevitavelmente à avaliação autêntica. Se os estudantes vão viver e trabalhar em contextos onde ferramentas digitais e sistemas de IA estarão presentes, então talvez faça pouco sentido desenhar todas as avaliações como se essas ferramentas não existissem. O desafio está em criar tarefas que avaliem competências relevantes: formular problemas, selecionar informação, analisar criticamente, comunicar com clareza, justificar decisões e agir com responsabilidade ética.

Neste quadro, a avaliação não deve perguntar apenas se o estudante usou IA, mas como a usou e o que aprendeu com esse uso. A utilização de uma ferramenta pode ser legítima, desde que esteja alinhada com os objetivos da tarefa, seja transparente e não substitua as competências que se pretende avaliar. O problema não está necessariamente na presença da IA, mas na ausência de critérios claros para a sua integração.

A responsabilidade pedagógica continua, por isso, a ser central. Cabe ao docente desenhar tarefas que valorizem o processo, clarificar usos permitidos, propor critérios explícitos e criar momentos de reflexão. Cabe ao estudante usar as ferramentas de forma ética, crítica e consciente. E cabe às instituições desenvolver orientações que não reduzam a IA a ameaça, moda ou solução mágica.

O que esta atividade me permitiu compreender

Esta atividade permitiu-me perceber que a questão da IA na avaliação é menos tecnológica do que pedagógica. A ferramenta é importante, claro, mas não resolve por si só nenhuma tensão fundamental. O que faz a diferença é o modo como a atividade é desenhada, os critérios que a orientam, o papel atribuído ao estudante e o tipo de evidências que são valorizadas.

Também me permitiu reconhecer que a coautoria com IA exige vigilância intelectual. Há ganhos reais: rapidez, apoio à estruturação, revisão linguística, geração de alternativas e estímulo à reflexão. Mas há igualmente riscos: dependência, uniformização do estilo, aceitação acrítica de respostas plausíveis e perda de autoria conceptual. Trabalhar com IA exige, paradoxalmente, mais consciência autoral, não menos.

No final, a principal conclusão do trabalho é esta: a inteligência artificial pode apoiar a avaliação formativa, a autoavaliação e a autorregulação, mas apenas se for enquadrada por práticas transparentes, critérios claros e reflexão crítica. O centro da avaliação deve continuar a ser a aprendizagem humana: aquilo que o estudante compreende, decide, justifica, revê e é capaz de transferir para novos contextos.

A IA pode ser bússola, espelho ou andaime. Mas não deve ser piloto automático.

Consultar o trabalho integral

No PDF abaixo, apresento o trabalho completo desenvolvido para o Tema 3 da unidade curricular Avaliação em Contextos de eLearning, incluindo a secção prévia sobre o processo de coautoria com IA, o ensaio crítico, as figuras e as referências bibliográficas.

---

Referências bibliográficas

Boud, D., & Soler, R. (2016). Sustainable assessment revisited. Assessment & Evaluation in Higher Education, 41(3), 400–413. doi:10.1080/02602938.2015.1018133

Casanova, D., Machado, Â. M., Mendes, A. Q., Ferreira, C. D., Aires, L., Martins, M., Serranho, P., & Rocio, V. (2026). Modelo Pedagógico da Universidade Aberta. Universidade Aberta. doi:10.34627/s45f-nn11

Comissão Europeia, Direção-Geral da Educação, Juventude, Desporto e Cultura. (2022). Ethical guidelines on the use of artificial intelligence and data in teaching and learning for educators. Publications Office of the European Union. doi:10.2766/153756

Liebenow, L. W., Schmidt, F. T. C., Meyer, J., & Fleckenstein, J. (2025). Self-assessment accuracy in the age of artificial intelligence: Differential effects of LLM-generated feedback. Computers & Education, 237, Article 105385. doi:10.1016/j.compedu.2025.105385

Miao, F., & Holmes, W. (2023). Guidance for generative AI in education and research. UNESCO.

Nicol, D. J., & Macfarlane-Dick, D. (2006). Formative assessment and self-regulated learning: A model and seven principles of good feedback practice. Studies in Higher Education, 31(2), 199–218. doi:10.1080/03075070600572090

Oliveira, I., & Pereira, A. (2021). Avaliação digital autêntica: Questões e desafios. RE@D – Revista de Educação a Distância e eLearning, 4(2), 22–40. doi: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. doi:10.1007/978-3-319-39211-0_18

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, Article 100075. doi:10.1016/j.caeai.2022.100075

Tertiary Education Quality and Standards Agency. (2026). Gen AI: Academic integrity and assessment reform. TEQSA.

Wu, X.-Y., Ng, D. T. K., & Chiu, T. K. F. (2026). Self-regulated learning with AI: A comparative analysis of general-purpose and task-specific platforms. International Journal of Technology in Education, 9(1), 279–302. doi:10.46328/ijte.5241