Avaliação

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

Avaliação — o processo de coletar e interpretar evidências sobre o que os estudantes sabem e podem fazer, e os métodos usados para avaliar a aprendizagem. A IA na educação remodelou fundamentalmente a avaliação: ela alimenta a correção e a pontuação automatizadas, gera e adapta itens de avaliação, e levanta questões profundas sobre o que as avaliações realmente medem quando os estudantes podem usar a IA. A avaliação é o conceito guarda-chuva que organiza a cobertura da base de conhecimento sobre avaliação formativa, correção automatizada, validade e mensuração educacional.

Perguntas para refletir

• A avaliação é definida aqui como coletar e interpretar evidências sobre o que os estudantes sabem e podem fazer. Antes de ler, como você completaria a frase "uma avaliação é válida se…" — e o que mudaria nessa resposta se cada estudante pudesse secretamente usar a IA para produzir seu trabalho?
• A página afirma que como um estudante usa a IA generativa (integração avaliativa versus adoção acrítica de atalhos) previu o desempenho, enquanto com que frequência ele a usou não previu nada. O que isso sugere sobre o instinto comum de regular a IA limitando seu uso?
• Um estudante pode entregar um trabalho de padrão profissional que não consegue reproduzir sem a ferramenta — rompendo a inferência entre desempenho e habilidade subjacente. Você já encontrou uma "competência" sendo concedida por um trabalho que o estudante não conseguia realmente fazer sem ajuda? O que isso revelou?
• A pergunta construtiva que a página oferece não é "como impedimos os estudantes de usar a IA?", mas "como os capacitamos a usá-la com reflexão em contextos que espelham seu trabalho futuro?". Como seria a avaliação no seu campo se esse fosse o objetivo?
• O framework DRIVE sugere avaliar a qualidade do engajamento do estudante com a IA generativa — e não apenas o artefato — observando se ele conduz os prompts de forma estratégica e integra suas próprias ideias. Em que você olharia para distinguir uma interação profunda e reflexiva com a IA de um consumo superficial?
• A avaliação mediada por IA está se diversificando em provas orais, portfólios e formatos conversacionais que reduzem a ansiedade e parecem profissionalmente relevantes. Qual formato de avaliação da sua própria experiência você acha mais "resistente à IA" — e resistência é a mesma coisa que valor educacional?

Introdução

A avaliação é central na IA na educação por duas razões. Primeiro, a própria IA é usada para avaliar os estudantes — corrigindo redações, código, respostas curtas e provas em escala. Segundo, a IA na sala de aula muda o que as avaliações podem medir validamente, já que os estudantes podem usar IA generativa para produzir trabalho. O campo abrange portanto tanto as ferramentas que automatizam a avaliação quanto as questões de validade e integridade que a IA levanta.

Como a IA é usada na avaliação

• Avaliação automatizada: a avaliação baseada em IA abrange múltiplas modalidades — múltipla escolha, resposta curta, redação, código e avaliação baseada em desempenho — por meio de correção automatizada, correção automatizada de redações e geração automatizada de questões.
• Avaliação formativa: os sistemas de IA geram, validam e adaptam itens de avaliação formativa em escala, informando a instrução em curso em vez de apenas a avaliação somativa.
• Analítica de aprendizagem e mensuração: a analítica de aprendizagem e a mensuração educacional conectam os dados de avaliação aos processos de aprendizagem, usando teoria de resposta ao item, rastreamento de conhecimento e modelagem do estudante para interpretar o desempenho. Razavi e Powers (2026) demonstram a estimação de dificuldade de itens baseada em LLM como uma entrada de mensuração: ao longo de 5.170 itens de matemática e leitura do K-5 calibrados sob o modelo Rasch de IRT, as pontuações zero-shot do GPT-4o correlacionaram-se de moderada a fortemente com as dificuldades reais (r = 0,83 em matemática, r = 0,81 em leitura), mas variaram por série, enquanto uma abordagem baseada em atributos (atributos extraídos por LLM em modelos baseados em árvores) alcançou correlações de até r = 0,87. O estudo oferece um fluxo de trabalho prático de sete passos para profissionais de testes, advertindo que a generalização além da matemática e da leitura do K-5 é incerta.
• Ciclos de feedback: a avaliação por IA alimenta cada vez mais ciclos de feedback que fecham o ciclo da avaliação para a aprendizagem.
• Avaliação por e-portfólio: os e-portfólios reúnem trabalhos e reflexões do estudante ao longo do tempo como uma forma de avaliação baseada em processo e robusta à IA. A IA generativa pode auxiliar no processo do portfólio — gerando feedback, andaimentando a reflexão e (com desenho de rubrica adequado) apoiando a avaliação — enquanto a ênfase do portfólio em rastros de raciocínio e rascunhos resiste à fabricação por IA. A avaliação de portfólio assistida por IA e o ChatGPT + e-portfólio para fala em EFL mostram que a IA pode realçar tanto a experiência do portfólio quanto o letramento em feedback do estudante.
• A confiabilidade da correção de itens abertos depende do modelo: Pecuchova, Benko e Drlik (2025) submeteram a benchmark onze modelos de IA generativa e de embeddings de frases contra dois corretores especialistas em 1.885 respostas abertas de engenharia de software: apenas o GPTo1 alcançou concordância quase perfeita (Kappa de Fleiss 0,82), enquanto os modelos baseados em referência penalizaram respostas corretas, mas formuladas de modo divergente. Como o GPTo1 foi o único modelo considerado implantável sem supervisão, mas acarreta custos proprietários de API, os autores recomendam estratégias híbridas que pareiem modelos avançados com opções acessíveis ou supervisão humana em contextos com recursos escassos. Uma revisão sistemática guiada pela PRISMA de 42 estudos empíricos (2023–2025) corrobora esse quadro de confiabilidade condicional em todo o campo da correção: os LLMs se equiparam aos avaliadores humanos em tarefas fechadas e de resposta curta, mas não conseguem substituir plenamente o juízo humano em trabalhos complexos, abertos ou subjetivos, e nenhum viés de correção uniforme emergiu — os modelos foram às vezes mais indulgentes, às vezes mais severos, e muitas vezes evitaram pontuações extremas (Can ChatGPT Replace the Teacher in Assessment? A Review of Research on the Use of Large Language Models in Grading and Providing Feedback). O refinamento iterativo de rubricas pode empurrar a pontuação de itens abertos por LLM para uma confiabilidade quase humana em contextos médicos de alto risco: Olvet et al. (2026) concluíram que, uma vez que os docentes revisaram repetidamente as rubricas analíticas e holísticas com base na análise de padrões de erro, o GPT-4 alcançou concordância substancial a quase perfeita com os docentes corretores em três de quatro questões pré-clerkship (kappa ponderado de até 0,94), enquanto o item residual de rubrica holística ficou em apenas concordância moderada (κw = 0,54) — mostrando tanto o ganho da engenharia de rubricas com humano no circuito quanto seus limites em tarefas sintéticas e holísticas.
• Avaliação oral e de desempenho apoiada por IA. Um estudo de desenho em EFPT afasta a avaliação dos formatos pesados em texto rumo a uma avaliação oral interativa apoiada por um LLM: ao longo de quatro turmas, 21 de 33 estudantes avaliaram a tarefa de voz como realista, e ninguém discordou que falar em tempo real refletia a competência melhor do que um portfólio escrito, enquanto as contagens de palavras para questões idênticas variaram de cinco a oito vezes entre as turmas, e nove estudantes responderam em duas a treze palavras e todos acertaram. O sistema rodava off-line em um único laptop atendendo até 12 estudantes simultâneos com Mistral 7B e faster-whisper, apagava as gravações após 90 dias, e deixava os juízos de pontuação com os avaliadores — uma instância de desenho de avaliação com humano no circuito para qualificações voltadas ao local de trabalho. (Designing AI-Supported Oral Assessment in TVET)

Desafios de validade e mensuração

A IA levanta questões fundamentais de validade: avaliações corrigidas por IA medem a aprendizagem do estudante ou a habilidade de fazer prompts à IA? O uso de IA pelo estudante invalida as avaliações tradicionais? Os desafios centrais incluem:

• Validade de construto: a pesquisa sobre educação baseada em competências mostra que a IA generativa rompeu a inferência entre desempenho e habilidade subjacente — um estudante pode entregar um trabalho de padrão profissional que não consegue reproduzir sem a ferramenta. Isso motiva a reconceituação do que se avalia como competência.
• Coautoria e integridade: a integridade de coautoria propõe uma nova fonte de evidência de validade, violada quando os estudantes entregam conteúdo gerado por IA que não compreendem, e explora as "AI Vivas" conversacionais como resposta.
• Qualidade psicométrica: a IA psicometricamente consciente e a avaliação com consciência de confiança trabalham para manter a pontuação por IA confiável, sem viés e interpretável.
• Avaliação de avaliadores de IA: a avaliação de IA na educação oferece os métodos e os benchmarks para determinar se os avaliadores automatizados realmente funcionam — em confiabilidade, pedagogia e equidade —, e não apenas na precisão de manchete.
• Confiabilidade condicionada à qualidade na correção por IA e por pares (2026): ao comparar as correções por ChatGPT, por pares e pelo professor dos mesmos projetos em grupo de graduação, Usher e Faraon (2026) mostraram que o alinhamento da correção com o professor é condicionado pela qualidade do trabalho do estudante: o ChatGPT inflou mais os trabalhos de baixa qualidade e se alinhou melhor ao professor nos trabalhos de alta qualidade, enquanto os pares se alinharam melhor nos trabalhos mais fracos e subavaliaram os projetos fortes. O achado desafia o enquadramento binário "confiável versus não confiável", apontando para modelos de confiabilidade condicional nos quais avaliadores alternativos são pareados com a tarefa e o nível de desempenho.
• A correção humana é ela mesma carregada de valores (2026): Luo e Dawson (2026) mostram que mesmo a correção humana de trabalhos assistidos por IA generativa não é um ato neutro e baseado em critérios. Entrevistas baseadas em cenários com 33 professores universitários revelaram decisões de correção movidas por valores orientados à pessoa (honestidade, diligência), orientados à capacidade (independência, habilidade com IA generativa, domínio disciplinar), orientados à relação (confiança) e orientados à justiça (equidade, beneficência) — estendendo-se além da tarefa para a conjectura dos professores sobre o estudante. O estudo reenquadra a questão da avaliação de "o uso de IA generativa é cola?" para "como os juízos de valor dos professores moldam as notas, e esses valores são relevantes aos resultados avaliados?" — colocando em primeiro plano a validade e uma "transparência de mão dupla" sobre como o uso de IA generativa afetará as notas.

Integridade e o debate sobre a detecção

A IA na avaliação intensificou a conversa sobre integridade. Uma vertente se concentra na detecção de texto gerado por IA, enquanto um corpo crescente de pesquisa argumenta que a detecção é uma ferramenta limitada e situacional — não uma estratégia de primeira instância. Beyond Detection e Responsible Assessment argumentam que a autenticidade não pode ser policiada até existir; ela precisa ser redesenhada, posicionando a IA como colaboradora declarada e priorizando a avaliação autêntica e baseada em processo em vez da vigilância. Walton et al. (2025) fundamentam isso na evidência de como os estudantes realmente julgam seu caminho pela avaliação com IA generativa: entrevistas de retrocesso na tela com 26 estudantes revelaram um espectro de seis eventos de julgamento — desde avaliar criticamente o conhecimento da IA e aprender com suas limitações, até adotar ideias de forma acrítica e atribuir erroneamente a si mesmos contribuições da IA. Stamatoulis et al. (2026) acrescentam uma contrapartida quantitativa: ao longo de 157 estudantes, como a IA generativa é usada (integração avaliativa para apoiar a compreensão versus adoção de atalhos com baixa verificação) previu o desempenho, enquanto a simples frequência de uso não previu desempenho nem autoeficácia acadêmica. Juntos, esses estudos reenquadram a questão da avaliação de se os estudantes usam a IA para como eles julgam e estruturam esse uso. Bassett et al. (2026) vão mais longe, argumentando que a detecção não deveria ser usada de modo algum: seu resultado probabilístico não pode ser verificado independentemente porque a origem do texto no mundo real é desconhecida, e as pontuações dos detectores — sozinhas ou acompanhadas de marcadores linguísticos, comparações de estilo, a afirmação de um LLM ou o silêncio do estudante — não atingem o padrão de equilíbrio de probabilidades que as investigações de integridade exigem.

Uma revisão PRISMA de 25 estudos acrescenta um fator de risco que o debate da detecção deixa de fora: falantes não nativos de inglês mostraram alta tendência a violar a integridade ao ter dificuldade de escrever em inglês, de modo que as expectativas de integridade deveriam ser pareadas com apoio concreto à escrita acadêmica, e não apenas com fiscalização (Balalle e Pannilage (2025)).

O redesenho da avaliação na era da IA

A pergunta construtiva na literatura de avaliação da base de conhecimento não é "como impedimos os estudantes de usar a IA?", mas "como os capacitamos a usá-la com reflexão em contextos que espelham seu trabalho futuro?". Isso reenquadra a avaliação em torno de:

• Tarefas autênticas e baseadas em processo que tornam o uso da IA visível e avaliado. A avaliação autêntica — examinar o desempenho do estudante em tarefas dignas e realistas — é a resposta líder ao desafio da IA: qualquer tarefa que um LLM consiga simular com credibilidade perde sua validade, de modo que a autenticidade precisa ser redesenhada em torno da colaboração em tempo real, da contribuição digital e social e da construção individual de significado. Isso se conecta aos frameworks de desenho para avaliação autêntica, aos produtos autênticos e processos autenticados e à avaliação de processo invariante a ferramentas.
• Desenho de avaliação responsável fundamentado em evidência de validade (Responsible Assessment in the AI Era: Key Insights from a Future-Focused Conference)
• Permissões de IA no nível da tarefa, derivadas dos alvos de avaliação: McCorkle (2025) mostra o trabalho de desenho de avaliação que precede uma política de IA — inventariar cada tarefa de um projeto, especificar o que está sendo avaliado e contra qual objetivo, e permitir ou proibir a IA por tarefa com base nisso (brainstorming e curadoria de imagens permitidos; redigir objetivos de aprendizagem e desenho de slides, não). O mesmo exercício de alinhamento serve duplamente como verificação da inferência que a avaliação sustenta, porque força o professor a nomear o desempenho que uma nota se destina a garantir (validade da avaliação).
• Avaliação que vai além do modo linguístico: Jiang et al. (2026) definem o letramento em avaliação multimodal para professores de segunda língua como conhecimento, valor e competência para tarefas que elicitam respostas através dos modos linguístico, visual, auditivo, gestual e espacial. Um programa de um ano com 30 professores de inglês de Hong Kong elevou o conhecimento das estratégias de avaliação de 3,13 para 4,15 em 5 (η² parcial = 0,571) e a competência em apoiar os estudantes de 3,05 para 3,98 (0,482), enquanto os três subdomínios de valor permaneceram estáveis. A experiência dos próprios professores acrescentou duas dimensões ao framework: sustentar a prática contra prioridades curriculares concorrentes e mobilizar a IA generativa de forma crítica (Jiang et al. (2026)).
• Coautoria e declaração como parte do contrato de avaliação
• A produção como competência — avaliar a capacidade dos estudantes de dirigir ferramentas e produzir trabalho de padrão profissional (Knowledge, Skills, Attitudes, Production: Competency-Based Education After Generative AI)
• Avaliar o processo de interação, e não apenas o artefato — o framework DRIVE (Directive Reasoning Interaction + Visible Expertise) trata a qualidade do engajamento do estudante com a IA generativa como o construto avaliado. Ele distingue o consumo superficial da interação profunda e reflexiva observando se os estudantes conduzem os prompts de forma estratégica (DRI) e integram e desenvolvem suas próprias ideias disciplinares por meio da troca (VE), fundamentando critérios focados no processo em teorias da aprendizagem autodirigida e do engajamento cognitivo na linha da hierarquia do ICAP. Isso faz do DRIVE um exemplo de avaliação autêntica mediada por IA — uma rubrica para avaliar como os estudantes fazem parceria com a IA generativa, e não uma ferramenta de detecção.

Uma proposta desta literatura empurra para além do redesenho dentro do enquadramento atual. El Khoury e Ma (2026) argumentam que a reforma organizada em torno de prevenir a má conduta ou detectar o uso de IA estreita a imaginação educacional para o controle e a conformidade, e propõem em vez disso a avaliação prazerosa: uma avaliação que é segura, emocionalmente responsiva, capacitadora e apoiadora da autonomia do estudante, com a segurança como condição de sustentação porque, sem ela, a sintonia emocional se torna performance, o empoderamento se torna pressão e a autonomia se torna risco. Seu enquadramento inverte a agenda da detecção — a integridade passa a ser consequência de desenhar avaliações que os estudantes querem encarar, em vez de seu ponto de partida — e eles posicionam agentes de IA construídos por professores (GPTs personalizados, Gems, agentes do Copilot Studio) como um espaço de ensaio de baixo risco onde os estudantes praticam antes do julgamento, com a afirmação de que a IA organiza a evidência enquanto o professor a interpreta.

Implicações para a IA na educação

• Avaliação e aprendizagem são inseparáveis: uma boa avaliação por IA deveria apoiar a aprendizagem (feedback formativo) tanto quanto avaliá-la.
• A validade precisa ser reconceituada: quando a IA pode produzir o trabalho do estudante, as avaliações precisam medir processos, julgamento e produção autêntica, e não apenas resultados.
• A automação precisa ser avaliada com rigor: os avaliadores automatizados precisam de avaliação psicométrica e de equidade, e não apenas de afirmações de precisão.
• A integridade se desloca da detecção para o desenho: a resposta mais robusta à IA na avaliação é desenhar tarefas em que o uso da IA é esperado, declarado e escrutinado.
• Práticas inovadoras podem enfrentar vários problemas de uma vez. Mesny, Roberge-Maltais e Galy (2026) argumentam que um conjunto de cinco práticas mutuamente reforçadoras — avaliação autêntica, auto- e avaliação entre pares, reavaliação, notas baseadas em padrões e desnotar —, alinhado ao paradigma da "avaliação para a aprendizagem", pode neutralizar os danos da correção tradicional, pesada em somatória e referenciada a normas (aprendizagem superficial, motivação intrínseca corroída, estresse e ansiedade, iniquidade e integridade comprometida) na era da IA generativa. Eles concluem que a adoção é desigual entre os campos — a autoavaliação e a avaliação entre pares dominam, enquanto as inovações focadas em correção permanecem marginais — e instam os educadores a se engajar mais ativa e reciprocamente com a inovação em avaliação e correção, respaldados por experimentação incremental e apoio institucional.
• A avaliação mediada por IA está se diversificando. O AIvaluate mostra que um agente conversacional aumentado por LLM reduziu a ansiedade dos estudantes durante avaliações baseadas em desempenho; Pentland (2026) conclui que as avaliações orais assíncronas ofereceram maior engajamento e foram percebidas como profissionalmente relevantes; os ITS baseados em grafos usam rastreamento adaptativo do estado de conhecimento para informar a avaliação.

Conceitos conectados

• Quem aprende — Estudantes: o guarda-chuva dos conceitos do lado do estudante
• Parcerias pedagógicas — Parcerias pedagógicas
• Avaliação formativa — Avaliação formativa: itens gerados, validados e adaptados por IA em escala
• Avaliação automatizada — Correção e pontuação automatizadas através das modalidades de avaliação
• Avaliação autêntica — Tarefas autênticas baseadas em processo e robustas à IA
• Validade da avaliação — Validade das avaliações sob a IA generativa
• Medição educacional — Teoria da mensuração que sustenta a avaliação por IA
• Correção automatizada de redações — Correção automatizada de redações
• Geração Automatizada de Questões — Geração automatizada de questões
• Avaliação Oral — Avaliação oral: formatos ao vivo e gravados que resistem à substituição por IA
• Avaliação somativa — Avaliação somativa: formatos resistentes à IA (oral, com supervisão, livros fechados)
• Teoria de resposta ao item — IRT para interpretar as respostas de avaliação na era da IA
• IA psicometricamente consciente — Pontuação por IA psicometricamente consciente
• Analítica de aprendizagem — Analítica conectando os dados de avaliação à aprendizagem
• Retroalimentação (Feedback) — Ciclos de feedback fechando o ciclo da avaliação para a aprendizagem
• Letramento em feedback — Letramento em feedback do estudante
• Integridade acadêmica — Integridade e o debate sobre a detecção de IA
• Detecção de IA — Detecção de texto gerado por IA
• Avaliação de IA na educação — Métodos e benchmarks para avaliar avaliadores automatizados
• E-portfólio — Avaliação por e-portfólio baseada em processo
• Tecnologias de fala e voz
• Avaliação entre pares

Artigos conectados

• Conceptualizing and developing second language teachers' multimodal assessment literacy in the GenAI era — Um programa de um ano que define o letramento em avaliação multimodal e mede o que se moveu, e o que não
• AI Agents, Joyful Assessment, and Third Space: Rethinking Assessment in the GenAI Era — Agentes de IA, avaliação prazerosa e terceiro espaço
• Designing an Aligned Generative AI Course Policy: An Equitable and Transparent Learner-Centered Approach — Permissões de IA no nível da tarefa derivadas do que é avaliado (McCorkle 2025)
• Who grades best? Comparing ChatGPT, peer, and instructor evaluations across varying levels of student project quality — Comparando as correções por ChatGPT, por pares e pelo professor através dos níveis de qualidade do projeto (Usher & Faraon 2026)
• Responsible Assessment in the AI Era: Key Insights from a Future-Focused Conference — Avaliação responsável na era da IA
• Beyond Detection: Redesigning Authentic Assessment in an AI-Mediated World — Além da detecção: avaliação autêntica
• Coauthorship integrity: Reconceptualising assessment validity for the age of generative artificial intelligence — Integridade de coautoria e validade da avaliação
• Knowledge, Skills, Attitudes, Production: Competency-Based Education After Generative AI — Educação baseada em competências depois da IA generativa
• Generative AI as a Design Variable: An Evidence-Centered Framework for Principled Governance in STEM Assessment — Governança centrada em evidência da IA generativa na avaliação
• Reassessing Academic Integrity in the Age of AI: A Systematic Literature Review on AI and Academic Integrity — Revisão de integridade em IA: a detecção precisa parear com o redesenho da avaliação
• Heads We Win, Tails You Lose: AI Detectors in Education — Heads we win, tails you lose: AI detectors in education (Bassett et al. 2026)
• Exploring student anxiety and experience in performance-based assessments using AIvaluate: an LLM-augmented emotionally — AIvaluate: avaliação da ansiedade do estudante aumentada por LLM (2026)
• Intelligent tutoring in dynamic domains: a graph-based system for comparative analysis of adaptive algorithms — Tutoria inteligente baseada em grafos para domínios dinâmicos (2026)
• Asynchronous Oral Assessments: Enhancing Integrity, Engagement, and Communication in the AI Era — Avaliações orais assíncronas na era da IA (Pentland 2026)
• Assessing students' DRIVE: A framework to evaluate learning through interactions with generative AI — DRIVE: avaliando a aprendizagem através da interação com IA generativa (DRI + Visible Expertise)
• How university students work on assessment tasks with generative AI: matters of judgement — O julgamento no trabalho dos estudantes com IA generativa em tarefas de avaliação (26 estudantes, retrocesso na tela)
• Same tool, different work: patterns of generative AI use and academic outcomes — Padrões de uso de IA generativa (integração avaliativa versus adoção com baixa verificação) e resultados
• Exploring value judgements in grading: will teachers mark down student work assisted by GenAI, and should they? — Juízos de valor na correção de trabalhos assistidos por IA generativa: honestidade, confiança, validade e transparência de mão dupla (Luo & Dawson 2026)
• Estimating Item Difficulty Using Large Language Models and Tree-Based Machine Learning Algorithms — Estimando a dificuldade de itens com LLMs e ML baseado em árvores
• Automated Grading of Open-Ended Questions in Higher Education Using GenAI Models
• Innovative assessment and grading practices in higher education: A critical exploration for management educators
• Can Generative Artificial Intelligence Reliably Score Open-Ended Question Assessments in Undergraduate Medical Education?
• Can ChatGPT Replace the Teacher in Assessment? A Review of Research on the Use of Large Language Models in Grading and Providing Feedback
• AI Can Do Your Homework. Now What? Report from an online workshop on computing assessment in the age of generative AI — AI Can Do Your Homework. Now What? Relato de um workshop on-line sobre avaliação em computação na era da IA generativa