Uso de IA e declarações de divulgação

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

Uso de IA e declarações de divulgação — as políticas, declarações e práticas pelas quais se pede aos estudantes (ou eles escolhem) divulgar seu uso de IA generativa em trabalhos acadêmicos. Também conhecidas como declarações de uso de IA, declarações de divulgação de IA ou declarações de transparência, esses mecanismos ficam na interseção da integridade acadêmica, da ética, da confiança e da avaliação na era da IA. A pesquisa da base de conhecimento mostra que a divulgação está longe de ser uma formalidade administrativa neutra: ela é moldada pelo medo de penalidades, por políticas ambíguas, por aplicação inconsistente, por normas dos pares, por estigma e pelos custos psicológicos da autoincriminação — e está profundamente entrelaçada com a aprendizagem autorregulada e a busca de ajuda.

Perguntas para refletir

• Se você fosse um estudante que usou IA generativa em uma tarefa, contaria ao seu professor? Esta página sugere que a resposta honesta é fortemente moldada pelo medo — a pesquisa constata que a divulgação é rara, impulsionada pela "ansiedade de penalidade" e pela preocupação com a autoincriminação. Que pressupostos sobre o seu próprio comportamento de divulgação talvez você precise questionar?
• A questão central de desenho aqui é se a divulgação funciona como vigilância ou como um andaimento para o engajamento ético. Antes de ler, qual das duas você supunha que um formulário de divulgação buscasse fazer — e você consegue pensar em uma forma pela qual o mesmo formulário pudesse servir ao propósito oposto?
• Um achado marcante é que estudantes que sempre divulgavam tinham mais de três vezes as chances de serem acusados de trapaça — a transparência convidava à suspeita. Se a honestidade pode aumentar a suspeita, o que isso diz sobre como deveríamos desenhar a confiança entre estudantes e professores?
• Esta página distingue mecanismos de conformidade obrigatória de práticas de divulgação formativa que constroem letramento em IA e autorregulação. Qual delas você acha que a abordagem da sua própria instituição mais se assemelha, e o que teria que mudar para que ela se tornasse a outra?
• A pesquisa conecta a ocultação à autorregulação desadaptativa, e a divulgação à busca de ajuda adaptativa — tornar visível seu uso de IA pode convidar uma calibração útil por parte do professor. Quando você (como estudante ou professor) achou benéfico tornar visível sua incerteza ou seu uso de ajuda, em vez de escondê-la?
• As normas de divulgação variam por disciplina, por formação linguística e por contexto — com implicações de equidade quando alguns estudantes têm mais probabilidade de serem penalizados por ocultar do que outros. Se você fosse desenhar uma política de divulgação, como evitaria que ela colocasse um fardo desigual sobre estudantes já marginalizados?

Introdução

Uso de IA e declarações de divulgação são as declarações pelas quais os estudantes relatam se e como usaram IA generativa em uma tarefa — de uma caixa de seleção na folha de rosto a formatos estruturados que registram o modelo, a entrada, o propósito e como a saída foi avaliada. Os sistemas diferem em tipo, e não apenas em detalhe: alguns operam como mecanismos de conformidade obrigatória, com penalidades para a não divulgação; outros como práticas formativas que tratam a divulgação como instrumento para desenvolver letramento em IA, transparência e juízo ético. A questão de desenho que decide em qual delas elas se tornam é se a divulgação é usada para pegar ou para ensinar, o que coloca o conceito de fato dentro da integridade acadêmica e da política educacional de IA.

O que são as declarações de uso de IA

As declarações de uso de IA exigem ou convidam os estudantes a declarar se e como usaram IA generativa em uma tarefa — tipicamente na folha de rosto de um trabalho, num formulário de envio ou num prompt de reflexão. Os frameworks variam amplamente, de declarações simples por caixa de seleção a formatos estruturados que documentam o modelo, a entrada, o propósito e como a saída foi avaliada (por exemplo, o framework Model-Input-Evaluation/MInE). Eles vão de mecanismos de conformidade obrigatória (com penalidades para a não divulgação) a práticas formativas que tratam a divulgação como um instrumento pedagógico para desenvolver letramento em IA, transparência e autorregulação. A questão central de desenho é se a divulgação funciona como vigilância ou como um andaimento para o engajamento ético.

Por que a divulgação importa para a IA na educação

A divulgação é o mecanismo que torna o trabalho assistido por IA visível e, portanto, governável — a contraparte da integridade acadêmica e a pré-condição para a confiança entre estudantes e professores. Sem transparência sobre o uso de IA, os educadores não conseguem distinguir apoio legítimo de má conduta, calibrar feedback nem detectar lacunas de equidade. Mas a pesquisa revela que a divulgação também é um processo afetivo e social, e não apenas uma questão de política.

O que a pesquisa mostra

• A divulgação é rara e movida pela ansiedade. Ao longo dos estudos, a maioria dos estudantes não divulga o uso de IA aos professores. Kirsanov et al. (2026) constataram que apenas ~34% dos estudantes de economia admitiram usar IA, e a divulgação era mais rara ainda, impulsionada pela "ansiedade de penalidade". Vetter et al. (2026) constataram que 66% dos estudantes nunca ou raramente divulgavam, com o medo de penalidade acadêmica como principal razão. Gonsalves (2025) documentou 74% de não conformidade com uma declaração obrigatória na Business School do King's.
• Políticas ambíguas e punitivas levam à ocultação. Quando as políticas de uso de IA são pouco claras, não aplicadas, ou proibitivas, os estudantes escondem o uso em vez de se engajar. Políticas de "uso limitado em certas situações" são o melhor preditor da divulgação; políticas de "não permitido" ou "não sabia" predizem a ocultação. Políticas claras, consistentes e colaborativas são repetidamente demandadas.
• A divulgação tem custos psicológicos — e custos ocultos. Os estudantes veem as declarações como autoincriminação, e alguns acreditam que o uso de IA é privado, como usar uma calculadora. Vetter et al. (2026) constataram que estudantes que "sempre" divulgavam tinham mais de 3× as chances de serem acusados — a transparência pode convidar à suspeita. Chang et al. (2026) constataram que a preocupação redireciona a divulgação para os pares em vez de suprimi-la, cortando os estudantes do feedback do professor.
• A divulgação está entrelaçada com a aprendizagem autorregulada. Chang et al. (2026) interpretam a divulgação dirigida pelo professor como busca de ajuda adaptativa — tornar a assistência visível e convidar à calibração externa — enquanto a ocultação (especialmente entre usuários intensos de IA) se assemelha a uma regulação desadaptativa. A divulgação formativa estruturada pode promover a reflexão metacognitiva e o raciocínio ético que caracterizam a autorregulação eficaz.
• As normas de divulgação variam por disciplina, idioma e contexto. Estudantes de Educação, de ciências sociais e de STEM/Saúde divulgam mais do que estudantes de Negócios; estudantes monolíngues podem divulgar menos do que estudantes multilíngues. Em um estudo, estudantes internacionais divulgavam menos, o que levanta preocupações de equidade. As normas de divulgação não se desenvolvem automaticamente com a progressão acadêmica.
• As normas de divulgação estão indefinidas nos cursos profissionalizantes. Gutowski e Hurley (2025) relatam que as escolas de direito dos EUA aprovadas pela ABA divergem sobre se qualquer uso de IA deve ser divulgado, descrevem formulários de declaração apresentados pelos estudantes aos professores e não encontram consenso sobre como a escrita acadêmica ou de sala de aula deve citar a IA — o próprio Bluebook permanece em silêncio. Eles também preveem que a divulgação acabará parecendo tão inútil quanto notar que um estudante usou um motor de busca, uma ressalva sobre a vida útil das regras que hoje se escrevem, e fundamentam a questão das normas na educação jurídica.

A divulgação não é um mecanismo de detecção

Um erro institucional recorrente é tratar as declarações como forma de capturar uso proibido. Elas não podem servir a essa função: dependem da candura, e aplicá-las esbarra na mesma indetectabilidade, já que uma instituição geralmente não consegue provar que um uso não declarado ocorreu. Teichmann (2026) localiza seu valor real em outro lugar — em compromissos visíveis de integridade embutidos numa cultura de confiança, e na transparência, nas expectativas compartilhadas e na reflexão dos estudantes, e não na aplicação. O mecanismo educativo é normativo, não forense.

A escala está documentada: ao longo de 7.462 candidaturas a um programa de mestrado em políticas públicas de uma universidade pública dos EUA, uma atestação assinada de não uso de IA não impediu que 56,1% dos candidatos de 2025 enviassem uma redação que um detector comercial classificou como majoritariamente escrita por IA, e cada redação sinalizada esteve associada a uma probabilidade de admissão de 1,5 a 2,6 pontos percentuais menor (Isley, Gaebler e Goel (2026)).

O trabalho de modelagem de Mohamed e Temimi (2026) fornece a condição sob a qual a divulgação funciona, expressa como um limiar de desenho em vez de uma esperança: o uso divulgado supera o uso oculto apenas quando o custo da honestidade permanece abaixo do impedimento que ela compra. Como esse limite cresce com a credibilidade da detecção, detecção e segurança da divulgação se reforçam mutuamente — mas apenas se o risco de falso positivo de ser sinalizado recair igualmente sobre respostas honestas e desonestas, caso em que a honestidade mantém sua proteção comparativa. Sua implicação de desenho é direta: trate um uso declarado de IA como contexto, e não como confissão, o que mantém baixo o custo da honestidade precisamente nos cenários em que o monitoramento é mais forte, e leia a divulgação como demonstração de julgamento avaliativo em vez de admissão. Permissão e divulgação são alavancas separadas — a permissão muda a fronteira formal do uso aceitável, a divulgação muda a visibilidade —, e ter sucesso em uma não diz nada sobre a outra.

AlGhamdi (2026) oferece um teste sugestivo do próprio efeito da divulgação. O mesmo curso realizou um estudo cego (AlGhamdi 2024) e um transparente, e apenas a coorte transparente delimitou explicitamente o papel da IA e questionou a autoridade avaliativa. Como as coortes e os anos diferem, o autor chama o contraste de sugestivo, e não causal, mas argumenta que a divulgação operou como um prompt instrucional em vez de um aviso — transformando o feedback de um ato tomado como garantido em um objeto de reflexão, sem sinal de desengajamento ou resistência.

Ao mapear as orientações sobre GenAI das 50 universidades dos EUA mais bem rankeadas em inovação, Qian (2026) localiza a divulgação na fronteira entre assistência e deturpação: onde a IA é permitida, as instituições instruem os estudantes a reconhecer, citar ou documentar de outra forma a assistência da IA, em vez de apresentar as saídas como inteiramente suas, cabendo às bibliotecas — e não aos escritórios de integridade — a autoridade sobre os padrões de citação e proveniência. A formulação das Bibliotecas do MIT, de que a IA não é autora, deixando os autores responsáveis por documentar como as ferramentas contribuíram, exemplifica o padrão, e Qian lê a divulgação simultaneamente como uma norma de integridade, um princípio de desenho que reduz a ambiguidade antes do envio, e um de quatro pilares de integridade ao lado da responsabilização, da equidade e da privacidade. Esse é o mesmo uso não forense que a seção descreve, e é por isso que Qian recomenda institucionalizar as bibliotecas como autoridade de citação em vez de expandir a detecção.

• A divulgação carrega uma penalidade de confiança, e a legitimidade é o mecanismo argumentado. Em treze experimentos, em sua maioria com participantes de painéis on-line dos Estados Unidos e agregados em 4.093 observações (θ = 0,81, z = 10,52, IC 95% [0,66; 0,96]), um ator que divulgou o uso de IA foi menos confiável do que outro que permaneceu em silêncio (Schilke e Reimann (2025)). O efeito sobreviveu a seis enquadramentos de divulgação, a um avaliador que já sabia que a IA havia sido usada, e a regimes tanto obrigatórios quanto voluntários. É a contraparte experimental do achado de pesquisa de que estudantes que sempre divulgavam enfrentavam mais de três vezes as chances de uma acusação: a transparência em si pode custar caro a quem divulga. O único resultado voltado aos estudantes do artigo é que estudantes confiavam menos numa professora quando ela divulgava usar IA para corrigir.

Como desenhar uma divulgação eficaz

• Clareza e consistência superam a dissuasão. Desenvolva políticas de IA claras, consistentes e construídas colaborativamente, com exemplos concretos de uso aceitável e de como declará-lo; evite frameworks punitivos ou vagos, que motivam a ocultação.
• Enfrente a barreira afetiva. Políticas de divulgação que miram apenas o comportamento são insuficientes — normalize o uso de IA, reduza o julgamento percebido e o estigma, e tranquilize os estudantes de que a divulgação honesta não será penalizada.
• Torne a divulgação formativa, e não apenas conformidade. Use prompts de reflexão e declarações estruturadas (modelo/entrada/avaliação) para que a divulgação construa letramento em IA e autorregulação, em vez de funcionar como vigilância.
• Capacite o corpo docente a construir confiança, em vez de contar com a detecção. A divulgação nunca deve ser seguida de acusação; os professores deveriam aprender conversas de construção de confiança, em vez de se apoiar em detectores de IA não confiáveis.
• Desenhe pensando na equidade. Atente à divulgação diferencial entre disciplinas, situações linguísticas e trajetórias dos estudantes, e evite mecanismos que coloquem fardos desiguais sobre estudantes já marginalizados.

Conexões

O uso de IA e a divulgação ficam na interseção da integridade acadêmica (sua preocupação-mãe), da ética, da confiança e da calibração da confiança (a divulgação como ato de vulnerabilidade), da governança e da política educacional de IA (frameworks de política institucional), e da avaliação (onde a divulgação é operacionalizada). Ela se conecta ao letramento em IA (os estudantes precisam entender o que divulgar e como), à aprendizagem autorregulada e à busca de ajuda (a divulgação como busca de ajuda visível), e à equidade (a divulgação diferencial). Ela é distinta de, mas relacionada a, uso indevido de IA e dano à aprendizagem (o dano que a divulgação busca tornar visível) e à detecção de IA (as alternativas baseadas em detecção que os frameworks de divulgação progressivamente substituem).

Conceitos conectados

• Integridade acadêmica
• Ética
• Confiança
• Calibração da confiança
• Governança de IA
• Política educacional de IA
• Avaliação
• Avaliação autêntica
• Letramento em IA
• Aprendizagem autorregulada
• Busca de ajuda
• Equidade na educação com IA
• IA generativa
• Ensino superior
• Uso indevido de IA e dano à aprendizagem — o dano que a divulgação busca tornar visível
• Detecção de IA
• Pais e famílias
• Normas sociais de uso de IA — por que os estudantes escolhem ocultar em vez de divulgar

Artigos conectados

• Beyond Detection: How Students Use—and Hide—AI in Online Assessments and What Authentic Tasks Can Do About It — Além da detecção: como os estudantes usam e escondem a IA em avaliações on-line
• "Should I Tell My Teacher?" Student AI Disclosure Practices, Stigma, and Self-Regulated Learning in Higher Education — Divulgação de IA pelos estudantes, estigma e aprendizagem autorregulada
• The Hidden Cost of Disclosure: A Multi-institutional Study on Undergraduate Students' Generative AI Usage and Faculty Accusations — O custo oculto da divulgação: divulgação e acusações do corpo docente
• Addressing student non-compliance in AI use declarations: implications for academic integrity and assessment in higher — Não conformidade dos estudantes com declarações de uso de IA
• Detecting the Undetectable? Reassessing Academic Misconduct Procedures in the Era of Generative AI — Declarações como educação, e não como detecção
• Assessment Design Under Imperfect Information: Generative AI, Disclosure, and Student Response in Higher Education — O custo da honestidade como limiar de desenho na avaliação
• Who Should Grade My Work? Student Perspectives on Transparent AI-Assisted Writing Assessment in Higher Education — Quem deve corrigir meu trabalho? Perspectivas dos estudantes sobre avaliação transparente de escrita assistida por IA no ensino superior
• Governing generative AI in higher education: Emerging policy approaches and support ecosystems at innovative U.S. universities — A divulgação como fronteira entre assistência e deturpação em 50 universidades inovadoras dos EUA (Qian 2026)
• Forging ahead or proceeding with caution: Developing policy for generative artificial intelligence in legal education — Sem consenso sobre divulgação e citação de IA na política das escolas de direito (Gutowski & Hurley 2025)
• AI-written admissions essays are widespread but penalized — Redações de admissão escritas por IA são difundidas, mas penalizadas
• The transparency dilemma: How AI disclosure erodes trust — Treze experimentos: divulgar o uso de IA reduz a confiabilidade de quem divulga, via legitimidade