Integridade acadêmica

Esta é uma tradução automática da página em inglês; ainda não foi revisada por uma pessoa falante nativa.

Integridade acadêmica — a estrutura ética que governa o trabalho acadêmico honesto na era da IA. A base de conhecimento documenta como o conceito foi ressignificado pela IA generativa: de um problema de detectar saídas desonestas para um problema de projeto de tornar o trabalho honesto visível, verificável e digno de ser produzido. A pesquisa em integridade acadêmica nesse espaço evoluiu de abordagens centradas na detecção para uma reformulação fundamental da avaliação, governança conduzida pela pedagogia e ensinar os estudantes a usar bem a IA em vez de apenas policiar se eles a usam.

Perguntas para refletir

• Pense na última vez que você ouviu falar de "trapaça com IA". A conversa era sobre pegar os estudantes ou sobre desenhar tarefas que os estudantes quisessem fazer com honestidade? Qual ênfase parece mais familiar para você, e por quê?
• Um trabalho polido e plausível agora pode ser gerado em segundos. Se você não consegue mais julgar a capacidade de um estudante pelo produto entregue, o que você precisaria ver ou ouvir para se sentir confiante de que ele realmente aprendeu?
• A pesquisa conclui que os estudantes frequentemente racionalizam o uso da IA ("copiar texto de IA não faz mal a ninguém") em vez de usá-la indevidamente por maldade. Que suposições sobre as motivações dos estudantes uma política de integridade puramente punitiva faz — e o que essas suposições podem errar?
• Uma linha de pesquisa trata o uso da IA pelos estudantes como um problema de coordenação: o comportamento muda quando as expectativas dos pares e os incentivos da avaliação mudam, não quando as regras são repetidas. Que fatores de pares ou de projeto no seu próprio contexto podem estar silenciosamente moldando se o uso da IA é honesto?
• Estudos mostram que o medo da penalidade leva os estudantes a esconder o uso da IA, e que estudantes transparentes podem até atrair suspeita. Se você fosse desenhar um formulário de "divulgação do uso da IA", o que faria um estudante realmente querer preenchê-lo com sinceridade?
• A mesma política institucional de IA é interpretada de formas diferentes por estudantes de culturas distintas — a cultura, não o texto da política, dirige o que parece errado. Como uma política de integridade deve ser comunicada a uma turma culturalmente diversa para que as expectativas sejam realmente compreendidas?

Introdução

A chegada da IA generativa não criou a necessidade de integridade acadêmica — ela tornou as fraquezas das abordagens existentes mais difíceis de ignorar. Um produto polido e plausível agora pode ser gerado em segundos, então a semelhança com o produto é um sinal cada vez menos confiável de capacidade. Isso desloca a questão da integridade de "podemos pegar o uso da IA?" para "nossas avaliações ainda sustentam as inferências que fazemos sobre a aprendizagem dos estudantes?"

A evolução da detecção para o redesenho

• Ceticismo em relação à detecção: a pesquisa sobre Detecção de IA e as análises institucionais concluem cada vez mais que as ferramentas de detecção de IA são pouco confiáveis e processualmente injustas. A detecção de texto por LLM enfrenta limitações fundamentais. Trabalhos totalmente gerados por IA podem passar por sistemas de exame presencial quase sem serem detectados, e avaliadores experientes não identificam de forma confiável trabalhos escritos por GenAI. A detecção, na melhor das hipóteses, é uma ferramenta limitada e situacional — não uma estratégia de primeiro recurso. O volume que se pede que ela ainda assim trate está longe de ser marginal: uma análise de seis anos de um curso de CS2 com grande número de matriculados concluiu que 45,7% dos estudantes do semestre de primavera de 2026 foram sinalizados por padrões consistentes com codificação assistida por LLM (Racovan et al. (2026)).
• A margem estreita da detecção, e a trapaça como comportamento planejado: Leaton Gray, Edsall e Parapadakis (2025) reúnem a argumentação de que a IA amplia uma vulnerabilidade que o setor já tinha. Texto gerado por IA passou por autoria humana em até 80% dos casos, enquanto as evidências que citam situam a detecção por máquina em torno de 80% contra 78,4% de avaliadores humanos, margem estreita demais para sustentar uma conclusão de má conduta. A análise motivacional deles é a contribuição mais distintiva: partindo da Teoria do Comportamento Planejado de Ajzen e da teoria da autoeficácia de Bandura, eles relatam a metanálise de Krou et al. (2021) concluindo que a Autoeficácia correlaciona-se negativamente com a trapaça, enquanto a capacidade real não se correlaciona inversamente com ela de forma alguma. Um estudante capaz e confiante que lê uma avaliação como injusta pode, portanto, trapacear para recuperar o controle. A conclusão segue a mesma inversão que esta página documenta em outro lugar — uma avaliação que um modelo consegue responder de forma convincente é uma avaliação intelectualmente trivial, e a falha pertence à avaliação, não ao estudante.
• Redesenho da avaliação: Avaliação autêntica, abordagens além da detecção e a AI Assessment Scale deslocam o foco de pegar o uso da IA para desenhar avaliações em que o uso da IA seja irrelevante, transparente ou necessário para demonstrar uma capacidade específica.
• Vulnerabilidade estrutural da nota: Chan et al. oferecem um estudo de caso concreto de como a atribuição de notas atual está estruturalmente exposta à desonestidade mediada pela IA. Em um departamento de biologia, os docentes percebiam apenas os exames presenciais supervisionados como minimamente vulneráveis; as tarefas fora da sala eram vistas como altamente vulneráveis, deixando cerca de um terço da nota de um estudante altamente vulnerável e 80% ao menos algo vulneráveis. Isso enquadra o problema da integridade como parcialmente um problema de projeto de notas, motivando um reequilíbrio rumo a avaliações supervisionadas ou em sala e a desenhos de avaliação autêntica mais difíceis de terceirizar. Ivory et al. (2026) oferecem a contraparte no nível da disciplina com todo um programa de psicologia de três anos: 36 de 40 avaliações, distribuídas por 16 tipos, produziam conteúdo aprovável com esforço mínimo, e as quatro que falhavam eram as que exigiam presença, mídia visual ou a base de dados do próprio estudante. A leitura deles de por que isso passa é a parte que se generaliza — a marcação que premia estrutura fluente e o uso de boa-fé da análise correta tolera valores fabricados e referências alucinadas, então é o limite de aprovação, e não a detecção, que decide se a saída da IA é nota como desempenho, e a vulnerabilidade da avaliação "não pode ser atribuída apenas ao uso pelos estudantes".
• A entrega como superfície de ataque: injeção de prompt contra avaliação por IA. Humble (2026) faz red team de um fluxo cotidiano de correção e mostra que a entrega de um estudante pode carregar instruções ocultas que mudam a nota que uma ferramenta de IA produz: duas de cinco estratégias de injeção indireta embutidas no arquivo da entrega elevaram uma redação de reprovada para aprovada sem aviso visível ao usuário, com taxas de sucesso de ataque relatadas de 100% (9/9) e 94% (17/18), ambas combinando manipulação de instrução, dramatização e ofuscação nos formatos docx, pdf e htm. O ataque mais básico falhou completamente, e sua recusa foi silenciosa — a ferramenta desativou o chat sem relatar a tentativa — enquanto uma única injeção detectada produziu uma garantia de que a ferramenta corrigiria "apenas de acordo com as instruções oficiais da tarefa" antes de seis execuções adicionais do mesmo arquivo elevarem a nota de todo modo. A consequência para a integridade corre nos dois sentidos: uma nota elevada por uma instrução oculta não carrega nenhuma reivindicação de validade, a mesma técnica poderia ser usada para degradar uma entrega sem deixar rastro duradouro na saída, e o avaliador humano resta como o único controle real sobre uma manipulação desenhada para não ser visível.
• A validade como moldura organizadora: a Validade da avaliação reenquadra a integridade como um problema de evidência. A pesquisa sobre avaliação autêntica introduz a substituição de construto — um produto gerado por IA é atribuído ao estudante, então a avaliação infere a capacidade da ferramenta em vez da do estudante. A questão de evidência sobrevive a qualquer política de IA: proibido, permitido ou exigido o uso, a avaliação ainda precisa gerar evidência que sustente a inferência que está sendo feita.
• Variação em escala como mecanismo de integridade sem vigilância: VARIA (Lee 2026) avalia com benchmarks a premissa por trás da Avaliação Autêntica Integrada à IA (AIAA) — substituir a supervisão por vigilância por variação de tarefa por estudante, de modo que copiar seja estruturalmente inútil. A garantia de integridade é condicionada a LLMs gerarem variantes que sejam superficialmente distintas e equivalentes em construto; o piloto de 600 variantes da VARIA conclui que os modelos de fronteira satisfazem isso apenas na margem (pontuação conjunta 0,81–0,88), enquanto os modelos fora da fronteira desabam (0,50–0,55), então "a variação em escala não pode ser resolvida apenas com prompting". Isso dá ao debate detecção-contra-redesenho uma verificação empírica e falseável: a promessa sem vigilância da avaliação autêntica com variação de tarefas agora depende de uma capacidade de geração medida (e ainda estreita) em vez de pressuposta.
• Autenticar a reflexão do estudante contra a GenAI: Kadel et al. (2026) argumentam que os modelos de reflexão tradicionais não conseguem mais autenticar a reflexão do estudante quando a GenAI pode escrever prosa reflexiva, e embutem a integridade diretamente dentro de um modelo de reflexão — a etapa de Armadilhas do framework 5P trata explicitamente plágio, alucinação e dependência excessiva, enquanto suas etapas de Processo e Produto exigem documentar os prompts e validar as saídas para que o raciocínio dos próprios aprendentes seja distinguível das contribuições geradas pela IA.
• Desenvolvimento de políticas: As políticas institucionais de IA e a pesquisa em Política educacional de IA examinam como as universidades desenvolvem e comunicam as expectativas de integridade — e por que afirmações abstratas de política tão frequentemente falham.
• A integridade como problema de governança, não de detecção. Coates, Croucher e Calderon (2025) realocam a restrição vinculante do comportamento do estudante para a governança acadêmica, que descrevem como resiliente, mas "sem posição ou preparo" para enfrentar as ameaças da GenAI à autenticação da avaliação estudantil. A resposta deles é um framework de indicadores de integridade com 130 itens distribuídos por oito dimensões, indo de Desenhar (19 itens) a Melhorar (6), e composto de questões de governança, e não de escalas psicométricas — se a diretoria máxima da instituição recebe atualizações sobre a qualidade da avaliação, qual porcentagem da avaliação se assemelha a problemas relevantes e significativos, qual porcentagem de estudantes é conhecida individualmente pelos professores que os avaliam. Ele foi desenvolvido por meio de uma revisão de pesquisa multianual, cinco estudos de caso de universidades australianas, prototipagem, confirmação por especialistas com 60 especialistas convidados de seis regiões do mundo e piloto quantitativo, e está pareado com reformas nas arquiteturas de governança, nas pessoas e nas tecnologias e recursos que os autores esperam que só rendam sob pressão externa da Regulação da IA na educação, de benchmarking e da competição interinstitucional; eles apresentam o framework como formativo e pedem validação psicométrica antes que seja usado para comparação ou mensuração.
• O que os documentos realmente dizem: a integridade domina a política institucional de IA. Eldredge et al. (2026) analisaram os documentos de política e orientação sobre IA de todos os 48 programas de mestrado em informática em saúde e gestão da informação em saúde credenciados pela CAHIIM nos EUA: 40 (83%) tinham pelo menos um documento qualificado, e esses documentos enquadravam a IA esmagadoramente como uma questão de prevenir o uso indevido pelos estudantes nas disciplinas, centrando a integridade acadêmica e o uso aceitável. Integridade acadêmica foi de longe a palavra-chave mais frequente (n = 139, à frente de citação com 59, avaliação com 50 e plágio com 38), enquanto privacidade, propriedade intelectual e temas regulatórios estavam presentes, mas menos comuns (HIPAA n = 5, FERPA n = 11, orientação de IRB n = 8). A modelagem de tópicos sobre o mesmo corpus retornou quatro temas, sendo o primeiro integridade acadêmica e uso apropriado da IA, ao lado de IA generativa no ensino, IA e uso de ferramentas de dados na pesquisa, e engajamento dos estudantes com sistemas de IA conversacional. O valor de evidência para esta página é a quantificação: o enquadramento centrado na integridade não é apenas o padrão retórico da política institucional de IA, é empiricamente o conteúdo dominante dela. A observação mais afiada dos autores é sobre onde essa atenção para, notando que comparativamente pouca orientação cobre o uso da IA na aprendizagem aplicada, na pesquisa e em ambientes simulados, onde preocupações curriculares e de governança de dados se cruzam, então os documentos governam as disciplinas enquanto os cenários para os quais o diploma prepara os estudantes ficam em grande parte sem ser tratados.
• O enquadramento da integridade está cedendo à regulação por tarefa: o estudo longitudinal de Chirikov (2026) de mais de 31.000 planos de aula mostra as políticas de IA dos docentes se afastando de um enquadramento puramente baseado na integridade: as menções à integridade acadêmica nos planos de aula caíram de 63% (primavera de 2023) para 49% (outono de 2025), enquanto as referências ao impacto da IA sobre a aprendizagem subiram de 1% para 29%. Os docentes regulam a IA cada vez mais por tipo de tarefa — restringindo-a para redação/raciocínio (onde a IA deslocaria a aprendizagem) e permitindo-a para edição/revisão e apoio aos estudos — em vez de aplicar uma proibição de integridade geral. Isso reenquadra a política de integridade como uma decisão de projeto no nível da tarefa, e não como uma regra binária.
• A resistência da máquina como prevenção, não como detecção. Perturbar o próprio documento — espaçamento de caracteres, palavras e linhas, variação de opacidade, sobreposições de listras e ruído de imagem, além de ataques adversariais baseados em decisão — aumenta o esforço necessário para o uso indevido de baixo esforço de LLMs já na origem, ao mesmo tempo que continua medindo o mesmo conhecimento (Salaun et al. (2026)). A transcrição manual continua possível, e os ataques adversariais protegem apenas linhas selecionadas, deixando o erro de caracteres do documento inteiro abaixo de 8,44%.

O procedimento de má conduta e seu colapso de evidência

A máquina de fiscalização que se assenta sobre a política de integridade é, ela mesma, uma decisão de projeto, e a IA generativa desmontou seu fundamento de evidência. Teichmann (2026) argumenta que o procedimento de má conduta que as universidades importaram do plágio pressupõe que o uso proibido pode ser detectado e provado — uma premissa que a tecnologia dissolve. Diferentemente do software de comparação de texto, que aponta para uma fonte copiada, um classificador de texto por IA não identifica fonte alguma (nenhuma existe); ele produz um julgamento probabilístico sobre estilo que degrada sob paráfrase, rotula sistemática e erroneamente a escrita em inglês de não nativos, e não pode ser explicado ou contra-argumentado, enquanto o uso hábil ou levemente editado não deixa rastro algum. Persistir de todo modo inverte o ônus da prova (pede-se ao estudante que prove uma negativa), tensiona todos os elementos da justiça processual e faz o dano da acusação falsa recair mais pesadamente sobre os já desfavorecidos. O remédio proposto é duplo: um padrão de evidência sob o qual a pontuação de um detector por si só nunca fundamenta uma conclusão, com respostas graduadas e educativas em primeiro lugar, e um deslocamento do esforço institucional para o desenho de avaliação autêntica e centrada na validade — a resposta ao uso indetectável de IA sendo uma avaliação melhor, não uma vigilância melhor. O caso-limite não tem maquinário algum: Isley, Gaebler e Goel (2026) documentam um programa de mestrado em políticas públicas de uma universidade pública dos EUA que proibia assistência de IA generativa em uma atestado assinado e não rastreava submissão alguma, onde 56,1% dos candidatos de 2025 submeteram pelo menos uma redação que um detector comercial classificou como primariamente escrita por IA, e cada redação sinalizada foi associada a uma probabilidade de admissão 1,5 ponto percentual menor (p < .01), subindo para 2,6 pontos (p < .001) uma vez controlada a qualidade da redação. Sem detecção, adjudicação ou etapa de fiscalização entre a regra e o resultado, a penalidade era aplicada inteiramente por meio da própria regra, sem nenhuma etapa em que um humano revisasse o caso.

Munoz et al. (2026) fornecem a contraparte empírica ao codificar todos os casos de má conduta com GenAI de uma universidade regional australiana ao longo de três anos: 1.162 casos carregando 1.855 itens de evidência, cada um avaliado por relevância, credibilidade e força inferencial. A saída de detector foi a evidência mais procurada e a menos capaz de sustentar peso — relatórios da Turnitin ou de similaridade carregavam 100% de força inferencial Fraca e saída isolada de detector 100% de credibilidade Baixa, e a evidência de detector caiu para 0,5% dos itens até 2025, à medida que as instituições absorviam o que ela não podia provar — enquanto os tipos de evidência mais fortes eram os que não repousam sobre classificação probabilística de texto: admissões dos estudantes, comportamento proibido observado em exame e referências fabricadas verificadas de forma independente, que foram a maior mudança estrutural, com 22,3% dos itens. A crítica mais afiada deles é estrutural, e não de evidência, já que "não há exigência de que investigadores avaliem a qualidade probatória da evidência antes de dar andamento a uma alegação, não há um limiar mínimo de evidência em nenhuma etapa do processo", então a qualidade da evidência não guardava relação confiável com os desfechos dos casos. Eles também registram como a política alcançou a prática: a política de avaliação em vigor até 2024 não dizia nada sobre IA, e a partir de janeiro de 2025 uma política revisada permitia software de autenticidade aprovado, ao mesmo tempo que proibia o envio de trabalho dos estudantes para ferramentas de detecção de IA de terceiros.

Uma segunda falha é de escopo, e não de prova. Wright (2026) mostra que proibições escritas no nível da identidade da plataforma em vez da função capturam a conversão de formato não generativa — transcrição de fala para texto, OCR, texto puro para LATEX — junto da redação generativa que pretendem barrar, embora a literatura revisada por pares em ciência da computação trate reconhecimento e geração como operações distintas. O custo recai de forma desigual: estudantes com condições que afetam o controle motor fino, a legibilidade da caligrafia ou a precisão de digitação dependeram justamente dessas ferramentas e, à medida que produtos autônomos de voz para texto são descontinuados ou degradados, a transcrição com IA está preenchendo a lacuna funcional, então uma regra excessivamente abrangente remove um meio principal de produzir trabalho legível, tornando a disputa uma questão de Acessibilidade e equidade antes de ser uma questão de integridade. O remédio de Wright é uma definição de IA generativa baseada em função, mais quatro critérios operacionais — fidelidade, não aumentação, rastreabilidade e atestado — que dão ao estudante uma rota estruturada para refutar uma alegação de apenas transcrição, deixando o ônus da prova com a instituição.

O problema de evidência da detecção é também um problema de validade. Como a assistência da IA é iterativa e entrelaçada com a redação, e não terceirizada em bloco, autoria e propriedade do significado se separam, e um produto entregue e bem-sucedido pode não estabelecer que o estudante exerceu o julgamento que a tarefa visava. O desempenho dos detectores varia entre tarefas, disciplinas e versões de modelos, e o uso divulgado ou suspeito de IA pode agir como uma pista de enviesamento para os avaliadores, então uma resposta de detecção adiciona variância irrelevante ao construto em vez de removê-la. Onde os debates de integridade perguntam quem produziu as palavras, uma explicação em termos de validade pergunta que reivindicação sobre o estudante o desempenho sustenta.

O problema da racionalização

Os estudantes geralmente não usam indevidamente a IA por maldade; eles a racionalizam. A pesquisa com entrevistas identifica pelo menos cinco locais de desconexão em que a interpretação que os estudantes fazem da política de IA diverge da intenção do corpo docente, e uma taxonomia de mais de 20 racionalizações distintas — de "copiar texto de IA não faz mal a ninguém" a "texto que reflete minhas crenças é minha própria escrita". Essas racionalizações são ad hoc, post hoc e internamente inconsistentes, e descrevem uma "íngreme ladeira escorregadia ética" na qual os estudantes deslizam para muito além das metas pedagógicas. É por isso que os equívocos dos estudantes sobre IA são a causa a montante das violações de integridade, e por que a educação em integridade precisa tratar do raciocínio ético, não apenas da habilidade técnica.

A revisão de escopo de Ji (2026) de 38 estudos empíricos das vozes dos estudantes fornece a síntese em que esta seção se apoia. Seus quatro temas são ambiguidade (gerar uma tarefa inteira é lido como trapaça, correção gramatical e brainstorming são amplamente aceitáveis, e parafrasear, delinear e traduzir ficam em uma zona cinzenta), agência ética na qual os estudantes constroem regras pessoais em um vazio de orientação que leem como aprovação silenciosa de suas ações, a lacuna entre consciência ética e prática, e a diversidade por gênero, nível, disciplina e cultura. A lacuna entre consciência e prática é o problema da racionalização medido em escala: o Ethical Dissonance Index de Huang et al. classificou 522 estudantes chineses em quatro clusters, um dos quais frequentemente fazia o que considerava ilegítimo, e a modelagem por equações estruturais de Ofem et al. com 4.679 estudantes nigerianos concluiu que percepções positivas do ChatGPT prediziam uso desonesto, enquanto atitudes positivas de integridade agiam como mediador negativo significativo. Ji lê os estudantes nem como recipientes passivos da GenAI nem como culpados sem constrangimento moral, mas como agentes ativos navegando uma zona cinzenta ética, razão pela qual os estudos revisados convergem para respostas cocriadas, educativas e sensíveis ao contexto, e não para respostas punitivas.

Por que a política por si só falha: o problema de coordenação

O framework do jogo de coordenação fornece uma explicação no nível do mecanismo de por que pronunciamentos de política raramente mudam o comportamento: o uso da IA pelos estudantes é um problema de coordenação, em que as escolhas individuais dependem das expectativas dos pares e do desenho da avaliação. A conclusão-chave do modelo é a de dinâmicas de limiar não lineares — mudanças pequenas e bem calibradas nos incentivos de avaliação reflexiva podem desencadear deslocamentos rápidos de toda a turma rumo ao uso responsável, enquanto incentivos fracos ou desalinhados deixam a prática oportunista persistir. Em termos práticos, um redesenho modesto (por exemplo, exigir que os estudantes reflitam sobre suas interações com a IA) pode ter efeitos desproporcionais onde regras abstratas não têm nenhum.

A responsabilização dos pares nem sempre aponta para a integridade, como Chen e Zou (2026) concluíram na avaliação em grupo com nota: sete de quinze grupos de estudantes deliberadamente reduziram seu uso de GenAI em parte para evitar pegar carona nos colegas, já que as consequências do grupo eram compartilhadas em vez de autônomas, mas em cinco grupos um clima coletivo permissivo — "todo mundo no meu grupo está usando GenAI" — reduziu o risco de uso indevido percebido e inverteu o próprio mecanismo de responsabilização que o trabalho em grupo deveria criar. O mesmo estudo concluiu que os estudantes reenquadravam a originalidade como fidelidade à compreensão que os colegas construíram juntos, e sua recomendação prática decorre diretamente disso: tornar a negociação do uso aceitável de IA um resultado explícito, documentado e avaliável, em vez de deixar a norma emergir da pressão dos pares ou do risco percebido.

A inconsistência da política pela instituição produziu exatamente a adivinhação que a explicação da coordenação prevê. Nove dos onze entrevistados em Zou et al. (2026) enquadravam a permissão explícita de seu próprio curso para usar IA generativa como uma possível "armadilha" — uma isca para identificar estudantes que não conseguiam resistir — embora a política fosse aberta e estivesse escrita nas diretrizes da avaliação; os estudantes generalizavam a partir de proibições e avisos encontrados em outros lugares em vez de ler as regras de seu próprio curso em seus próprios termos. A conclusão dos autores segue o mecanismo, e não o texto: a clareza por curso não bastava, e é necessária consistência no nível do programa ou da instituição para que os estudantes parem de inferir intenção da cultura ao redor.

Conduta idêntica, veredictos diferentes — e uma divulgação que não muda nada. Poudyal (2026) aplicou 15 vinhetas padronizadas aos ambientes de política de 20 universidades australianas e produziu 300 classificações: 120 (40,0%) claramente proibidas, 56 (18,7%) indeterminadas e nenhuma claramente permitida, enquanto instrumentos vinculantes ficavam em silêncio sobre IA generativa em 100 combinações que a orientação resolvia em 88. A divulgação não determinava os desfechos — o mesmo status de divulgação produzia classificações diferentes dependendo das regras de permissão e das instruções da tarefa, e o campo de divulgação registrou 117 requisitos satisfeitos e 80 declarações falsas.

Os procedimentos importam tanto quanto as políticas, e seu fundamento de evidência ruiu para a IA. Teichmann (2026) argumenta que o procedimento de má conduta que as universidades importaram do plágio repousa sobre uma premissa que a IA generativa desmontou: a de que o uso proibido pode ser detectado e provado. Diferentemente do software de comparação de texto, que pode apontar para uma fonte copiada, classificadores de texto por IA não identificam fonte alguma porque nenhuma existe — eles produzem um julgamento probabilístico sobre estilo que degrada sob paráfrase, classifica erroneamente falantes não nativos de forma sistemática e não pode ser explicado ou contra-argumentado, enquanto o uso hábil ou levemente editado não deixa rastro algum. Persistir de todo modo inverte o ônus da prova (pede-se ao estudante que prove uma negativa), tensiona todos os elementos da justiça processual e faz o dano da acusação falsa recair mais pesadamente sobre os já desfavorecidos. O remédio proposto é duplo: publicar um padrão de evidência sob o qual a saída do detector por si só nunca fundamenta uma conclusão, com respostas graduadas e educativas em primeiro lugar, e mover o esforço institucional para o desenho de avaliação autêntica e centrada na validade. Mohamed e Temimi (2026) fornecem a contraparte no nível do mecanismo, do lado do estudante: como cada ambiente de avaliação torna uma resposta mais atraente, a proibição deixa a ocultação atraente quando a verificação é fraca, o monitoramento torna o uso oculto mais custoso sem tornar a divulgação segura, e apenas o redesenho — baixando o retorno da terceirização enquanto eleva o valor do raciocínio visível — move os estudantes rumo ao uso responsável. O resultado mais afiado deles é que a dissuasão passa pela discriminação do detector entre uso oculto e trabalho legítimo, e não por sua taxa de captura, então quando os falsos positivos sobem mais rápido que os verdadeiros positivos, um monitoramento mais forte pode tornar a ocultação relativamente mais atraente.

• O dever de integridade pode ser reescrito como competência individual. Ao longo de 366 resumos do ensino superior sobre GenAI, a palavra integridade aparece 461 vezes, mas apenas 6 de 166 expressões de obrigação nomeiam estudantes, então verificação e divulgação surgem como habilidades que se espera que os estudantes tenham, em vez de obrigações que as instituições fazem cumprir (Poudyal, 2026).

• O quão prescritiva é uma política de integridade não revela o quão exposta está a avaliação. Auditando 15.587 registros de unidade, Villanueva (2026) concluiu que universidades com mandatos de reforma para toda a instituição e aquelas com frameworks amplos se distribuíam pela mesma faixa de exposição da avaliação — a contraparte empírica da explicação do jogo de coordenação de por que pronunciamentos raramente mudam o comportamento.

A dimensão socioemocional

A fiscalização da integridade tem um custo emocional negligenciado. A pesquisa sobre vergonha e culpa com estudantes mostra que essas emoções regulam quando e como o uso da IA se torna visível, produzindo comportamentos de ocultação e divulgação seletiva — e que coexistem com o uso contínuo, criando ciclos de redução de agência e tensão moral em vez de mudança de comportamento. É por isso que as normas em torno do uso da IA regulam a visibilidade de forma mais eficaz do que regulam o uso. Os estudantes chegam a descrever seu uso da IA em linguagem de dependência. A implicação: uma política centrada em detecção e orientada à vigilância corre o risco de empurrar o uso indevido para a clandestinidade em vez de tratá-lo, minando a negociação franca que o uso produtivo exige.

O inverso da ocultação é a recusa, e ela carrega seu próprio custo emocional. Entre os 85 professores em formação Zou et al. (2026) pesquisaram sob uma política de avaliação que permitia explicitamente IA generativa, 62,4% (53) escolheram não usá-la de forma alguma, e o uso dos adotantes era superficial e corretivo — revisão de texto (43,8%) e verificações de clareza (34,4%) superavam de longe a geração de texto (18,8%) e o brainstorming (12,5%). O medo de acusação indevida, e não a dificuldade técnica, fez muito do trabalho: 41,5% dos não adotantes a nomearam, contra 13,2% que citaram falta de conhecimento ou habilidades, enquanto 77,4% enquadravam a não utilização simplesmente como preferência por trabalhar sozinhos. Quando uma política permissiva é lida como uma armadilha, a resposta segura é recusar a oferta — o que custa à instituição o trabalho integrado à IA que ela estava tentando convidar.

Declarações de divulgação do uso de IA

As declarações de uso e divulgação da IA são o mecanismo concreto pelo qual as expectativas de integridade são operacionalizadas — e a pesquisa mostra que elas frequentemente falham quando tratadas como formulários neutros de conformidade. Gonsalves (2025) concluiu que 74% dos estudantes deixaram de declarar o uso da IA em uma folha de rosto obrigatória de trabalho, impulsionado pelo medo de penalidades, ambiguidade das diretrizes, fiscalização inconsistente e normas dos pares. Kirsanov et al. (2026) e Vetter et al. (2026) confirmam que o medo de retaliação e a política pouco clara inibem a divulgação — e que estudantes transparentes podem até atrair suspeita. Chang et al. (2026) reenquadram a divulgação como um comportamento de busca de ajuda/autorregulação que a ansiedade redireciona para os pares. A lição coletiva: as políticas de divulgação precisam tratar as barreiras afetivas e sociais, ser claras e consistentes, e tratar a divulgação como pedagogia formativa em vez de vigilância. Luo & Dawson (2026) acrescentam o lado do professor à equação: a correção que os professores fazem de trabalho assistido por GenAI é dirigida por julgamentos de valor sobre honestidade, diligência e confiança do estudante, e muitos professores penalizam (ou sentem tentação de penalizar) estudantes que divulgam uso de GenAI — mesmo quando a qualidade do trabalho é forte. Esse é o problema da "transparência de duas vias": espera-se que os estudantes declarem o uso, mas os professores raramente esclarecem como essa declaração afetará as notas, então a divulgação honesta pode carregar uma penalidade de nota não declarada. O estudo ancora o problema da divulgação na realidade carregada de valores da correção docente e argumenta que a transparência precisa correr nas duas direções.

Os próprios relatos dos estudantes quantificam o quão mal essa mensagem está chegando. Em uma pesquisa com 504 estudantes de graduação em sociologia, 81% disseram que seus professores ou monitores de ensino haviam dado orientação sobre o uso da IA, mas apenas 46% chamaram essas instruções de muito claras; 19% relataram não ter recebido orientação alguma e o resto a descreveu como no máximo algo clara (Kuznetsov, Sheely & Baker, 2026). O medo de cometer uma infração acadêmica foi a segunda preocupação mais comum que os estudantes levantaram (28%) — um custo imposto pela ambiguidade, e não pela fiscalização, já que apenas 3% relataram usar GenAI para gerar texto de tarefa e 2% para produzir um rascunho completo. A implicação prática é que a clareza da comunicação é, ela mesma, um mecanismo de integridade, e que um estudante que não consegue saber o que é permitido carrega um risco que a instituição nunca pretendeu impor.

A permissão no nível do curso também não resolve o dilema da divulgação. No estudo de Zou et al. (2026) com 85 professores em formação cujas avaliações permitiam explicitamente IA generativa, as autodeclarações totalizaram 28 usuários contra 32 na pesquisa anônima, e as duas fontes discordaram em direções opostas por curso — o Curso A registrou 14 usuários na pesquisa, mas apenas 8 declarações, enquanto o Curso C inverteu o padrão (8 na pesquisa, 12 declarações). Os autores leem a divergência como consequências com nota moldando o que os estudantes estavam dispostos a tornar visível, acrescentando evidência de professores em formação de que um sistema de declaração mede o comportamento de divulgação tanto quanto mede o uso.

Variação cultural e contextual

O texto da política não é igual à percepção da política. A pesquisa transnacional concluiu que, apesar de políticas institucionais funcionalmente idênticas, estudantes de universidades diferentes avaliaram as mesmas práticas assistidas por IA de formas distintas — a cultura, não o texto da política, dirigia a percepção de errado. A harmonização de políticas não produz harmonização de percepções, então turmas culturalmente diversas interpretam as mesmas regras de formas diferentes, uma preocupação de equidade para fiscalização e correção que argumenta a favor de esclarecimento baseado em cenários em vez de afirmações abstratas de regras.

A origem linguística, mais do que a cultura, é um segundo eixo de variação. Li (2026) argumenta que, como a mesma interface realiza tanto a edição de linguagem permitida quanto a redação substantiva proibida, regras de integridade que tratam a GenAI como uma única categoria de assistência não autorizada convertem desvantagem linguística em risco de integridade: uma proibição absoluta remove uma forma escalável de apoio linguístico, um regime de permitir-mas-divulgar carrega o trabalho de conformidade sobre estudantes de inglês como língua adicional cujo uso é mais frequente e iterativo, e proibições de edição além de mudanças menores concentram a suspeita sobre escritores cuja fluência mudou mais. O limite que Li propõe é baseado no propósito, e não na ferramenta — apoio permitido não acrescenta novas ideias, novas fontes nem reordenação material da análise, enquanto substituição cria ou reformula materialmente o trabalho intelectual que está sendo avaliado — e está ancorado no construto da avaliação, porque rubricas que dão pontos por fluência e expressão idiomática introduzem variância irrelevante ao construto para escritores de inglês como língua adicional (Validade da avaliação). O framework rebaixa a saída de detector a um sinal de triagem que raramente constitui prova, preferindo triangulação por meio de entregas em etapas, históricos de rascunho, trilhas de fontes verificáveis e uma breve conversa alinhada ao construto, e calibra a divulgação para que o apoio rotineiro não carregue custos de conformidade superiores aos que recaem sobre pares monolíngues.

Da vigilância à pedagogia

A base de conhecimento documenta uma mudança de paradigma: da IA como ameaça à integridade a ser policiada, para a IA como ferramenta cujo uso apropriado precisa ser ensinado. Essa é a dimensão ética da Letramento em IA e ela está corporificada no desenho prático:

• Declarações de uso de IA específicas por tarefa: Os frameworks de declaração específicos por domínio substituem as caixas de seleção genéricas "usei IA" por declarações estruturadas que mapeiam o uso a estágios cognitivos (por exemplo, planejamento estrutural versus geração de conteúdo), forçando a reflexão e deslocando o foco da vigilância para a prática profissional.

• Avaliação transparente quanto ao processo: arquiteturas como a administração cognitiva, entregas em etapas, defesas orais e a AI Viva (um agente conversacional que sonda se os estudantes entendem suas entregas) tornam o julgamento humano, a verificação e a responsabilidade visíveis. Miles, Haber-Curran e Arar (2026) empurram a mesma lógica até o próprio prompt: sua rubrica de exemplo avalia o refinamento iterativo, a interpretação crítica da saída e a revisão reflexiva, de modo que o que é avaliado é o engajamento do estudante com a ferramenta, e não o artefato que ela produziu, e eles argumentam que ensinar os estudantes apenas a otimizar a saída deixa intocadas as dimensões éticas e epistemológicas do uso.

• Redução do uso indevido: a integridade caminha ao lado de Uso indevido de IA e dano à aprendizagem (o custo de aprendizagem do uso indevido) e Reduzir o uso indevido de IA (as intervenções que o previnem), atando a honestidade à aprendizagem genuína em vez de ao cumprimento de regras.

• Transparência como estratégia de integridade, não apenas como cortesia: o caso de desenho de McCorkle (2025) trata a justificativa de cada uso de GenAI permitido ou não permitido como o próprio mecanismo de integridade. Estudantes entrevistados depois de ignorar uma política de proibição explicaram que não se viam como agindo de forma desonesta, o que reenquadra a falha como ambiguidade, e não como descumprimento — então o redesenho respondeu a isso justificando cada restrição com a avaliação específica que ela protege, e desenhando para o "meio persuadível de 20-60-20" de McCabe, em vez de para os poucos determinados. O caso também nomeia o custo de equidade da política vaga: são as expectativas pouco claras e desiguais entre professores o que converte falha de política em ação disciplinar (Equidade na educação com IA).

• Desenho, não detecção: o caso de Bochum. O redesenho da Ruhr University Bochum do curso introdutório de física nuclear e de partículas (Mikhasenko et al., 2026) vinculou sua política de IA a uma falha prática de integridade, e não à detecção: como os problemas de tutoria eram divulgados com antecedência, alguns estudantes preparavam soluções geradas por IA e as copiavam na lousa sem se engajar no raciocínio pretendido. Os autores tratam isso como um problema de desenho — mudar os problemas de tutoria para discussão preparada em sala e tornar um exame escrito o determinante da nota — em vez de um problema de vigilância, ao mesmo tempo que permitem explicitamente a IA nos estudos, explicam que a verificação é responsabilidade do estudante e observam que o trabalho de casa aberto com permissão de IA também aumentou a dependência, o acesso desigual a modelos pagos e a carga de trabalho dos monitores de ensino.

A afirmação mais clara da inversão pedagógica vem de El Khoury e Ma (2026), que argumentam que uma reforma que parte da suspeita estreita a imaginação educacional para o controle, a conformidade e a vigilância, e que a integridade deveria ser uma consequência de uma avaliação desenhada para o engajamento, em vez de seu ponto de partida. A observação de apoio deles é um mecanismo já visível em outro lugar nesta base de conhecimento: o desengajamento é uma das condições sob as quais a desonestidade se torna mais provável, então agendas que colocam as avaliações sob estresse ou restringem o uso da IA sem tratar do engajamento deixam parte do problema intocada.

Estudantes fora do ensino superior anglófono descrevem a mesma tensão em seus próprios termos. Mulisa e Mezgebu (2026) entrevistaram 27 estudantes de graduação de uma universidade etíope e encontraram o corpo estudantil dividido contra si mesmo: quase todos usavam GenAI ou viam pares usá-la, a maioria creditava a ela uma melhora em seu desempenho acadêmico, uma pequena minoria chamava tal uso de má conduta declarada, e quase todos descreviam um campo de jogo desigual em que trabalho assistido por IA recebia notas melhores do que o esforço honesto, enquanto trabalhadores independentes perdiam o senso de diligência. A característica mais afiada do relato é a definição que os estudantes dão de plágio, tecnicamente defensável e incompleta — se plágio significa reproduzir as palavras de outra pessoa, um texto escrito por máquina que não copia nada não é plágio — razão pela qual os autores argumentam que a definição precisa se expandir além do copiar e colar, seguindo a "IA-plágio" de Ka e Chan (2025), e por que colocam as próprias crenças dos estudantes, e não apenas as regras institucionais, no centro do uso ético.

Sharma (2026) leva a inversão pedagógica um passo adiante ao estender o enquadramento pós-plágio de Eaton de uma orientação ética para o desenho da avaliação. A integridade, nessa explicação, é posta em prática por meio do julgamento avaliativo — a capacidade de quem aprende de ponderar opções, justificar escolhas acadêmicas e assumir responsabilidade sob incerteza epistêmica — e é tornada visível por meio de quatro práticas: trilhas de decisão anotadas, práticas de verificação e responsabilização, defesa oral e responsabilização dialógica, e diferenças entre rascunhos com histórico de versões. A detecção é mantida apenas como uma camada suplementar para deturpação clara ou terceirização deliberada do trabalho intelectual, nunca como a infraestrutura primária da integridade, porque ela pergunta se a GenAI foi usada, e não como as decisões por trás do trabalho foram tomadas; o argumento também nomeia o risco de equidade de que modelos centrados na detecção recaem mais pesadamente sobre aprendentes que dependem de ferramentas generativas para andaimento linguístico ou cognitivo.

Uma terceira rota fica entre a detecção e o redesenho. Akçapınar (2026) prevê o risco de trapaça assistida por IA a partir de rastros no LMS do início do semestre, com uma AUC de 0,763, e enquadra a saída como orientação acadêmica de baixo impacto — lembretes, acompanhamento de tarefas, breves conversas de acompanhamento — em vez de evidência de má conduta, insistindo que a pontuação fique separada da nota e dos registros disciplinares.

Conexões

A integridade acadêmica se conecta à Validade da avaliação, à Letramento em IA, à Detecção de IA, à Avaliação autêntica, à Avaliação, à Política educacional de IA, à Regulação da IA na educação, à Ética e à Equidade na educação com IA. Ela é a dimensão ética da IA na educação, inseparável da dependência excessiva e da questão mais ampla de como a IA generativa ressignifica a aprendizagem no ensino superior e no K-12 (educação básica e média).

• Síntese de revisão sistemática. Uma revisão PRISMA de 25 estudos (Balalle & Pannilage 2025) conclui que a IA age tanto como ameaça (escrita gerada por IA, ferramentas de parafrasear) quanto como ferramenta de detecção (pontuações de IA da Turnitin), que o software de detecção é pouco confiável para trabalho gerado por IA, e que as instituições precisam construir uma cultura de integridade acadêmica por meio de política clara, redesenho da avaliação e treinamento em ética, em vez de apenas vigilância.(Reassessing Academic Integrity in the Age of AI: A Systematic Literature Review on AI and Academic Integrity)
• Da vigilância ao diálogo: verificação da aprendizagem. Um relato de praticante do framework de toda a instituição da Grand Canyon University (Mandernach 2026) argumenta que a detecção é pouco confiável e que os processos formais de integridade raramente chegam a uma resolução, deixando os professores com "suspeita sem recurso". A GCU adotou em seu lugar a verificação da aprendizagem — pedir aos estudantes que demonstrem compreensão de seu trabalho entregue em uma breve conversa — reenquadrando a integridade de um problema de conformidade para um problema de avaliação. Ela restaura a autoridade docente, desloca os estudantes de "como não ser pego" para o genuíno engajamento, e trata o uso da IA como aceitável quando o estudante consegue demonstrar aprendizagem; a ansiedade inicial dos estudantes com a verificação ressalta que a política centrada na vigilância pode corroer a confiança.
• A GenAI derrota o trabalho de casa autocorrigível (2026): o ChatGPT passou em cada uma das 150 sessões de teste de desenhos deliberadamente endurecidos de trabalho de casa autocorrigível de Qiskit (computação quântica) — personalização, referências ocultas, reflexões, execução de simulador — mostrando que corretores baseados em rubrica não conseguem distinguir de forma confiável trabalho feito por IA de trabalho feito pelo estudante, e argumentando a favor da avaliação direta da compreensão (ChatGPT Solves All Tested Qiskit Homework Assignments).
• Avaliação na era da IA — a saída como evidência (2026): uma análise de nível universitário argumenta que a crise de avaliação com IA é um desalinhamento entre o desenho da avaliação e os resultados de aprendizagem, e não apenas desonestidade; ela documenta danos da vigilância (navegadores travados, rastreamento ocular), uma "Armadilha da Divulgação" (estudantes temem que declarar o uso da IA baixe suas notas), uma lacuna de desempenho que nota o status socioeconômico (níveis pagos versus gratuitos de Grandes modelos de linguagem (LLMs)), e "esgotamento pedagógico" entre professores que policiam a IA — recomendando avaliação baseada no processo em vez de detecção (Evaluation in the Age of AI: Output as Evidence of Learning).

Evidências mais recentes: raciocínio ético, limites da detecção, marketing de IA e estudantes fantasmas

Uma onda de pesquisas recentes afia o quadro da integridade acadêmica na era da IA generativa:

• Estudantes do ensino médio raciocinam sobre a "IA-girismo" de forma situacional, não como regra fixa. Chan (2026) mostra que o raciocínio ético de estudantes do ensino médio sobre o "IA-girismo" é matizado e dependente do contexto — muitos veem trabalho assistido por IA como aceitável quando apoia a compreensão, mas problemático quando substitui o esforço deles próprios — desafiando a suposição de que os estudantes simplesmente não têm integridade ou de que uma única política consegue capturar sua ética.
• Avaliações autênticas por si só não conseguem salvaguardar a integridade. Kofinas et al. (2025) concluem que avaliadores geralmente não conseguem distinguir avaliações com entrada de GenAI das sem ela, e que o nível de autenticidade da avaliação não tem impacto na capacidade de salvaguardar ou detectar o uso de GenAI. O setor do ensino superior "não pode contar apenas com as avaliações autênticas para controlar o impacto da GenAI" — um desafio direto à estratégia de redesenho da avaliação, que precisa ser pareada com outras medidas.
• A orientação sobre integridade precisa se estender ao processo de pesquisa, não apenas ao ensino. Dai & Chan (2026) concluem que pesquisadores de pós-graduação colocam em prática Letramento em IA ao longo das tarefas de pesquisa e argumentam que as políticas de uso responsável, atualmente centradas no ensino e na avaliação, precisam andar as dimensões éticas do uso de GenAI na pesquisa — onde as preocupações giram em torno de originalidade, autoria, privacidade de dados e degradação de habilidades, e não apenas de plágio.
• O propósito precisa preceder a política. Taylor & LaCroix (2026) argumentam que se o uso da GenAI constitui má conduta depende do propósito da universidade. O aumento dos casos de má conduta reflete incoerência estrutural na universidade neoliberal, onde entusiasmo tecnológico, influência corporativa e fiscalização de políticas entram em conflito — deixando os estudantes responsáveis por comportamentos implicitamente moldados pela instituição. As universidades não podem fazer cumprir a integridade de forma crível sem coerência entre missão declarada, pedagogia e prática tecnológica.
• Determinantes psicológicos e comportamentais. A pesquisa na Frontiers mapeia os mecanismos psicológicos e determinantes comportamentais da integridade acadêmica sob a IA — como atitudes, autoeficácia, normas e consequências percebidas moldam o uso honesto — conectando a integridade à Motivação, à Autoeficácia e à Letramento em IA como construtos comportamentais, e não como mero cumprimento de regras. Tabares-Cruz et al. (2026) os quantificam em um SEM com 980 estudantes universitários equatorianos, ordenando as disposições de integridade acadêmica e transparência em primeiro lugar, seguidas de letramento em IA, verificação crítica, orientação institucional, autorregulação e proteção de dados — com as disposições de integridade e a Letramento em IA juntas explicando uma parcela substancial do uso ético da GenAI e superando as regras institucionais isoladamente.
• O marketing de IA normaliza o uso e enquadra "trapacear versus competir". Sobo et al. (2025) mostram que a IA é vendida aos estudantes como necessidade prática ("Faça sua escrita soar mais natural para evitar ser sinalizado por engano"), e que os estudantes se sentem compelidos a adotá-la para se manter competitivos, mesmo enquanto se preocupam com dependência e perda de aprendizagem — um imperativo empreendedor internalizado. Isso aponta para a necessidade de letramento sobre marketing como parte da educação em integridade com IA.
• Os humanizadores de IA expõem o ciclo performativo da detecção. Roe et al. (2026) catalogam 55 sites de humanização de IA que alteram texto gerado por IA para escapar da detecção, enquadrados pela dramaturgia de Goffman. Os humanizadores tornam a má conduta discursivamente ausente e performam legitimidade, demonstrando que a corrida armamentista detecção-contra-contorno é estruturalmente interminável — reforçando a mudança da vigilância para o desenho da avaliação e a Letramento em IA.
• A fiscalização, e não a detecção, é onde vive a conversa. Ao longo de 270.929 registros relacionados à IA de 26 subreddits de educação cobrindo três anos e meio, o agrupamento de integridade acadêmica detinha 37,1% da discussão, e Fiscalização da Má Conduta era o maior tema isolado, com 12,1%, enquanto 32,3% das threads entre professores e estudantes ficavam dentro de disputas de detecção e fiscalização (Yüce et al. (2026)).
• Estudantes fantasmas e a lacuna de verificação da IA agêntica. Bozkurt, Crompton e Fell Kurban (2026) introduzem o "estudante fantasma": um substituto digital criado ao acoplar LLMs (a "mente") a navegadores de IA agêntica (o "corpo") que pode navegar o LMS, engajar conteúdo e completar avaliações com mimetismo de aparência humana, tornando opcional a presença do estudante real. Isso cria uma lacuna de verificação que a supervisão presencial tradicional e a detecção são estruturalmente incapazes de fechar — uma ameaça à integridade que cresce à medida que a IA se torna agêntica em vez de meramente generativa.

O caso disciplinar mais claro a favor do redesenho em vez da detecção vem da educação em computação. Uma revisão sistemática de 72 estudos de IA generativa na computação e na educação em programação (Kumar, Wongsirichot e Nanthaamornphong 2026) concluiu que apenas três estudos examinavam mecanismos de detecção de IA — a base de evidência mais fina dos 14 temas que consolidou — enquanto o redesenho de curso e avaliação era apoiado por 25. A revisão trata o desequilíbrio como diagnóstico, e não como incidental: as instituições amplamente atualizaram documentos de política sem redesenhar avaliações, e a maioria dos instrutores está em um nível de tolerância, e não de transformação, de integração, com 70% de uma amostra nacional de corpo docente pedindo explicitamente treinamento em desenho de avaliação resistente à IA. A resposta recomendada dela é concreta: acrescentar um componente oral ou outro elemento que torne o processo visível a pelo menos uma avaliação de alto impacto por curso, e tornar o engajamento crítico com a saída da IA (ler, testar, modificar, explicar, criticar) um componente nota e observável do trabalho dos estudantes, e não uma aspiração deixada à discrição deles (Validade da avaliação).

• Referências fabricadas chegaram ao registro publicado da educação em computação. Denny et al. (2026) rastrearam 113.588 referências de 5.225 artigos de educação em computação na ACM Digital Library contra o corpus completo de 723.930 publicações e 15.872.533 referências, verificaram manualmente 828 registros suspeitos e confirmaram 30 referências contendo informação bibliográfica verificavelmente fabricada em 14 artigos, todos publicados em 2025 ou 2026. No SIGCSE Technical Symposium, a contagem verificada subiu de 3 em 2025 para 17 em 2026, presentes em 2,3% dos artigos dos anais de 2026, e referências alucinadas apareceram em cinco eventos patrocinados ou em cooperação com a SIGCSE em 2025. O número permanece intacto apenas com seu contrapeso: a maioria das referências sinalizadas era benigna — 229 eram incompatibilidades de metadados da ACM em que o PDF estava correto e 188 eram variantes bibliográficas válidas — então a cifra do evento é um limite inferior deliberado. Ela recai sobre os autores, e não apenas sobre a avaliação por pares, porque revisores que verificam listas de referências não conseguem verificar cada entrada, e a redação assistida por Grandes modelos de linguagem (LLMs) torna barato produzir uma citação inventada, mas plausível.

• Clareza sem redesenho move o uso indevido para o lado em vez de removê-lo. Petricini & Zipf (2026) posicionam o uso da IA em dois eixos — a intenção e o esforço dos estudantes contra a clareza e o apoio que o ambiente oferece — e relatam que o quadrante mais povoado em seus dados de entrevista era o de conformidade ansiosa, em que os estudantes escondem ajuda legítima (apoio gramatical, explicações de conceitos, organização de suas próprias ideias) para evitar acusação falsa. O aviso deles é direcional: onde as regras ficam claras, mas a avaliação ainda premia velocidade e produto, estudantes cientes da política migram para o contorno eficiente em vez de para o uso virtuoso da ferramenta. Austin (2026) chega ao mesmo lugar pelo lado da tarefa — quando agentes satisfazem todos os critérios da rubrica sem raciocínio visível, dar nota à trilha de decisões (calibração de confiança, sugestões de IA rejeitadas, restrições específicas do curso) substitui a detecção, que, como ela observa, erra nas duas direções.

• Empregadores descontam notas que acreditam ter sido produzidas por IA — e convergem para a verificação presencial. Em um experimento de survey com cerca de 1.750 profissionais de contratação dos EUA, Boyd-Swan & Reynolds (2026) mostram que enquadrar o uso de IA pelos estudantes como uma ferramenta de apoio deixou os candidatos sem penalização, enquanto enquadrá-lo como um substituto do esforço e da capacidade do estudante reduziu a probabilidade de entrevista e — de forma mais acentuada — a disposição de negociar salário, concentrada entre candidatos com GPA alto, independentemente de raça ou sexo. Perguntados sobre o que aliviaria as preocupações, os dois grupos de enquadramento escolheram apenas um remédio em comum: testes presenciais. O experimento isola a crença (não o uso real de IA), então mostra como apenas o canal de sinalização move os resultados de contratação — evidência inicial de que os mercados de trabalho podem empurrar a avaliação de volta para formatos verificáveis por presença, a mesma direção de desenho que a literatura sobre estudantes fantasmas insta as instituições a adotar.

O primeiro estudo de Teoria do Comportamento Planejado sobre intenção de má conduta baseada em GAIT estende esse quadro: entre 186 estudantes de graduação, Baig e Paparo (2026) concluíram que atitudes em relação à má conduta, normas subjetivas sobre ela e atitudes positivas em relação à IA prediziam a intenção, enquanto atitudes negativas em relação à IA não, e que a maior probabilidade percebida de detecção predizia menor intenção — uma dissuasão minada pela documentada falta de confiabilidade das ferramentas de detecção de IA.

As políticas de integridade estão migrando de quem escreveu as palavras para quem teve as ideias, e os detectores estão sendo reconstruídos para acompanhar. O IdeaLens prevê a proveniência das ideias a partir de um outline, e não a partir da prosa: em 50 histórias que pessoas escreveram do zero seguindo planos gerados por IA, ele sinalizou 68% como IA, contra 8% para o Pangram 4 e 0% para seu controle treinado em prosa, e rotulou 94,7% de texto humano polido por IA como humano (Rajendhran et al. (2026)). Sua própria declaração de ética chama a saída de estimativa estatística que não deve ser usada isoladamente como evidência conclusiva de uso de IA.

Conceitos conectados

• Padrões pedagógicos — Sequências de verificação adotadas em resposta à IA generativa
• Uso de IA e declarações de divulgação — Declarações de uso e divulgação da IA
• Validade da avaliação
• Letramento em IA
• Detecção de IA
• Avaliação autêntica
• Avaliação
• Política educacional de IA
• Regulação da IA na educação
• Ética
• Equidade na educação com IA
• Descarregamento cognitivo
• Uso indevido de IA e dano à aprendizagem
• Reduzir o uso indevido de IA
• Concepções errôneas sobre IA
• IA generativa
• Ensino superior
• K-12 (educação básica e média)
• IA na educação
• Questões e riscos legais
• Normas sociais de uso de IA — as regras informais que ficam sob a política formal

Artigos conectados

• The Integrity of Psychology Assessments in the AI Age: A Critical Examination — Todo um programa de psicologia aprovável com esforço mínimo, e os critérios de marcação que deixaram isso passar (Ivory et al. 2026)
• "Is this a trap?": Student teachers' perceptions and adoption of GenAI in assessments in three teacher education courses — Professores em formação recusaram a GenAI sob uma política permissiva; o enquadramento de "armadilha" e a lacuna entre pesquisa e declaração
• AI Agents, Joyful Assessment, and Third Space: Rethinking Assessment in the GenAI Era — Agentes de IA, avaliação alegre e terceiro espaço
• Generative AI in computing education: A systematic review and a framework for responsible integration — A evidência sobre detecção é fina (3 estudos de 72); o redesenho carrega o peso
• Designing an Aligned Generative AI Course Policy: An Equitable and Transparent Learner-Centered Approach — Política de curso alinhada à GenAI: permissões derivadas da avaliação, justificativa transparente (McCorkle 2025)
• VARIA: Benchmarking Frontier LLMs on Construct-Equivalent Assessment Variant Generation — Geração de variantes de avaliação equivalentes em construto (Lee 2026)
• How Instructors Regulate AI in College: Evidence from 31,000 Course Syllabi — Como os instrutores regulam a IA em 31.000 planos de curso; o enquadramento da integridade está em declínio (Chirikov 2026)
• Can students cheat their way to a biology degree? A case study of the vulnerability of biology course grades to academic dishonesty in the era of generative AI — Os estudantes conseguem obter um diploma de biologia trapaceando? Um estudo de caso da vulnerabilidade das notas dos cursos de biologia à desonestidade acadêmica na era da IA generativa
• Addressing student non-compliance in AI use declarations: implications for academic integrity and assessment in higher — Não conformidade dos estudantes com as declarações de uso de IA
• Once a Response, Always a Response: Detecting LLM-generated Text via Latent Prompt Restoration — Detecção de Texto Gerado por LLM
• Beyond Detection: Redesigning Authentic Assessment in an AI-Mediated World — Além da Detecção: Avaliação Autêntica em um Mundo Mediado pela IA
• A bit of chaos and madness: The AI Assessment Scale and the work of assessment reform — A AI Assessment Scale e a Reforma da Avaliação
• From authentic products to authenticated processes: a systematic conceptual review of authentic assessment in AI-rich — De Produtos Autênticos a Processos Autenticados
• It's OK Because...": The Wild West of Student Rationalization of AI Use in Academic Writing — Está Tudo Bem Porque… A Racionalização do Uso de IA pelos Estudantes
• Mathematical Modelling of Ethical AI Use in Higher Education: A Coordination Game Framework for Future-Facing Learning — Framework do Jogo de Coordenação para o Uso Ético da IA
• Stuck in a Spiral": Shame and Guilt as Social Regulators of AI Use in Computing Education — Vergonha e Culpa como Reguladores Sociais do Uso da IA
• Did Alice Do Wrong? Cross-Cultural Differences in Student Perceptions of Generative AI Use in University Computing Education — Será que Alice Fez Algo Errado? Percepções Trans culturais do Uso da IA
• Exploring value judgements in grading: will teachers mark down student work assisted by GenAI, and should they? — Julgamentos de valor na correção de trabalho assistido por GenAI: honestidade, confiança, validade e transparência de duas vias (Luo & Dawson 2026)
• Students' Agency in GenAI-Mediated Group Assessment: An Ecological-Emergent Perspective — Responsabilização dos pares e originalidade na avaliação em grupo mediada por GenAI
• Detecting the Undetectable? Reassessing Academic Misconduct Procedures in the Era of Generative AI — O colapso de evidência da detecção e o argumento em favor da justiça processual, da proporcionalidade e do desenho
• Assessment Design Under Imperfect Information: Generative AI, Disclosure, and Student Response in Higher Education — Dissuasão, divulgação e redesenho como um problema de desenho da avaliação sob informação imperfeita
• How strong is the evidence in generative AI-related academic misconduct allegations? A mixed-methods analysis — Em que evidência 1.162 arquivos de má conduta com GenAI realmente se apoiaram, e o limiar de evidência ausente
• Transcription is not generation: Distinguishing non-generative AI tool use from academic misconduct in higher education assessment — Regras de IA excessivamente abrangentes e a distinção entre transcrição e geração
• AI-based digital cheating at university, and the case for new ethical pedagogies — Trapaça digital baseada em IA e pedagogias éticas baseadas em prevenção: o caso de má conduta de 183 para 27 e cinco redesenhos específicos por disciplina (Leaton Gray, Edsall & Parapadakis 2025)
• Governing academic integrity: Ensuring the authenticity of higher thinking in the era of generative artificial intelligence — A integridade como problema de governança: um framework de indicadores de 130 itens para gestores acadêmicos (Coates, Croucher & Calderon 2025)
• Academic integrity in the age of generative AI: A scoping review of research on higher education student voices — Revisão de escopo de 38 estudos das vozes de estudantes do ensino superior sobre integridade acadêmica e GenAI (Ji 2026)
• GenAI assessment and language equity: Drawing the line between support and substitution — Traçando a linha entre apoio e substituição para escritores de inglês como língua adicional, e a iniquidade de regras que ignoram a origem linguística (Li 2026)
• Ethical implications of prompt injection in AI-mediated grading: An adversarial red-team evaluation — Injeção de prompt contra a correção mediada por IA: instruções ocultas que mudam a nota sem serem detectadas (Humble 2026)
• Designing for Virtuous AI Use: The AI-Use Ethics Matrix in AI-Mediated Classrooms — A Matriz de Ética do Uso da IA: conformidade ansiosa, e por que a clareza por si só pode empurrar os estudantes para o contorno eficiente (Petricini & Zipf 2026)
• When AI Agents Can Complete the Assignment: Practical Strategies for Designing Tasks That Still Require Human Thinking — Dar nota à trilha de raciocínio quando agentes de IA conseguem completar a tarefa (Austin 2026)
• AI-written admissions essays are widespread but penalized — Redações de admissão escritas por IA são disseminadas, mas penalizadas
• Who Acts, Who Knows, Who Answers? A Corpus-Assisted Discourse Analysis of Agency, Epistemic Responsibility, and Accountability in Generative AI Higher Education Research — Quem Age, Quem Sabe, Quem Responde? Uma Análise de Discurso Assistida por Corpus de Agência, Responsabilidade Epistêmica e Accountability na Pesquisa sobre GenAI no Ensino Superior
• Mapping the Authorized Boundary: A Comparative Policy-Vignette Study of Generative AI Governance in Australian Higher Education — Mapeando a Fronteira Autorizada: Um Estudo Comparativo de Vinhetas de Política sobre Governança da IA Generativa no Ensino Superior Australiano
• Argus: Academic Integrity in the Era of Generative AI — Argus: Integridade Acadêmica na Era da IA Generativa
• How AI-vulnerable is Australian higher education assessment? A computational audit of Group of Eight Arts and Humanities units, 2022–2026 — Conclusão de auditoria setorial: universidades de mandato e de framework não mostram diferença na exposição da avaliação, a contraparte empírica do problema de coordenação
• Early Prediction of AI-Assisted Cheating Risk in Online Exams Through Learning Analytics — Akçapınar (2026) — Previsão precoce do risco de trapaça assistida por IA a partir de rastros no LMS, enquadrada como orientação acadêmica em vez de evidência de má conduta
• ChatGPT vs Teachers vs Students: Large-Scale Analysis of Generative AI Discourse in Education Communities on Reddit — Três anos e meio de Reddit de educação: a fiscalização domina, e as disputas de integridade são o principal espaço entre professores e estudantes (Yüce et al. 2026)
• Early Evidence on Employer Responses to College Student Use of Generative AI — Experimento de survey: o enquadramento de substituição do uso de IA pelos estudantes penaliza candidatos com GPA alto em contratação e salário; o teste presencial é o único remédio escolhido por ambos os grupos
• AIRRI: Towards a Human-Readable, Machine-Resistant Reading Interface — AIRRI: Rumo a uma Interface de Leitura Legível por Humanos e Resistente a Máquinas