Avaliação autêntica

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

Avaliação autêntica — o desenho de avaliações que examinam o desempenho do estudante em tarefas intelectuais dignas e realistas, em vez de itens isolados de teste padronizado. Originada com Wiggins (1990) como contrapeso aos testes padronizados, a avaliação autêntica evoluiu da replicação de tarefas do local de trabalho rumo a um framework multidimensional que abrange autenticidade profissional, digital, pessoal e social. A IA generativa tornou a avaliação autêntica recém-essencial: qualquer tarefa que um modelo de linguagem consiga simular com credibilidade em um contexto fora da sala de aula perde sua validade como evidência da competência original do estudante, de modo que as formas autênticas precisam ser redesenhadas em torno daquilo que a IA não consegue contrafazer com credibilidade.

Perguntas para refletir

• A avaliação autêntica examina o desempenho em tarefas intelectuais dignas e realistas, em vez de itens isolados de teste. Antes de ler, você assumia que uma tarefa "autêntica" simplesmente replicava um cenário do mundo real ou do local de trabalho? Esta página argumenta que a autenticidade evoluiu muito além da mera replicação — que outras formas ela pode assumir?
• Uma afirmação central é que qualquer tarefa que um modelo de linguagem consiga simular com credibilidade em um contexto fora da sala de aula perde sua validade como evidência da competência original do estudante. Qual avaliação no seu próprio ensino ou estudo você consideraria agora "contrafacionável" — e o que o leva a dizer isso?
• A página destaca uma lacuna marcante: apenas 3 de 37 estudos trataram da autenticidade social — se a avaliação ajuda os estudantes a contribuir para a transformação social. Por que você acha que a dimensão social da autenticidade é tão negligenciada, e como seria avaliá-la de fato?
• A base de conhecimento argumenta que a autenticidade precisa ser "redesenhada, não policiada". Quando os estudantes coescrevem as rubricas, escolhem o que e como entregar, e se engajam em interação em tempo real, o uso da IA passa a ser esperado e declarado, em vez de escondido. Como isso mudaria a relação entre estudante e avaliador?
• As provas orais e os portfólios baseados em processo são oferecidos como formas autênticas resistentes à IA. Mas a reflexão avaliada e a autoavaliação correm o risco de se tornarem performáticas — estudantes performando a reflexão que acham que se quer. Como você poderia desenhar para uma reflexão genuína, e não para a performance?
• Quando a IA fornece a rubrica, o feedback e o monitoramento, a página adverte que a prática metacognitiva do estudante pode ser deslocada. Se a ferramenta faz a avaliação, o que resta ao estudante para realmente praticar ou aprender?

Introdução

A avaliação autêntica está no coração de como a avaliação está sendo repensada na era da IA. Ela se conecta à validade da avaliação (a avaliação mede o que afirma medir?), à avaliação formativa (tarefas autênticas que informam a aprendizagem) e à integridade acadêmica (passar da detecção para desenhar tarefas em que o uso da IA é esperado e declarado). Ela é uma resposta central na literatura de redesenho da avaliação da base de conhecimento.

A evolução da autenticidade

• Origens nos anos 1990 — tarefas intelectuais dignas: Wiggins (1990) propôs a avaliação autêntica como exame direto do "desempenho do estudante em tarefas intelectuais dignas", um contrapeso aos testes padronizados.
• Adoção no fim dos anos 1990 — replicação do local de trabalho: Joughin (1998) enquadrou a autenticidade como a medida em que a avaliação replica a prática profissional ou a vida real — uma visão que dominou por duas décadas.
• Crítica dos anos 2020 — além da replicação: McArthur (2023) argumentou que a avaliação autêntica precisa capacitar os estudantes a "influenciar o futuro e transformar a sociedade" em vez de meramente replicar tarefas existentes; Ajjawi et al. (2024) ampliaram a autenticidade para formas contextuais, de tarefa e pessoais que refletem a experiência do estudante.
• A IA generativa como desafio existencial: Zhan, Boud e Du (2025) observam que a IA generativa torna a autenticidade da replicação do local de trabalho recém-vulnerável, impulsionando uma guinada rumo ao letramento digital, à colaboração em tempo real, à contribuição social e à construção individual de significado que a IA não consegue contrafazer com credibilidade.

Um modelo de desenho em seis dimensões

A revisão de escopo de Zhan, Boud e Du (2025) de 37 estudos empíricos (2000–2024) propõe seis dimensões de desenho: (1) autenticidade na avaliação (autenticidade de avaliação, profissional, digital, pessoal e social — com apenas 3/37 estudos tratando da autenticidade social, uma lacuna crítica), (2) desafios cognitivos, (3) critérios de avaliação (com os estudantes muitas vezes como recipientes passivos, e não coautores das rubricas), (4) feedback (dominado pelo formativo, mas com feedback sustentável raro), (5) autonomia do estudante (escolha sobre o que, como, quando e onde entregar era rara) e (6) colaboração social. Ela propõe também um modelo cíclico de codesenho — negociar objetivos, criar contexto, codesenhar critérios, planejar feedback — que ferramentas de IA poderiam operacionalizar.

Dollinger e Nieminen (2026) limitam esse otimismo com o paradoxo da avaliação inclusiva: tanto o modelo de acomodações quanto as críticas estruturais que reenquadram a avaliação como incapacitante deixam intacta a lógica de soma zero segundo a qual "para um estudante ter sucesso, alguém precisa falhar", de modo que as formas distribuídas e agênticas precisam mudar essa lógica, e não apenas ampliar o acesso.

A avaliação autêntica na era da IA

A literatura de redesenho da avaliação da base de conhecimento argumenta que a autenticidade precisa ser redesenhada, não policiada:

• O artigo Beyond Detection sustenta que a autenticidade não pode ser policiada até existir; ela precisa ser desenhada, posicionando a IA como colaboradora declarada, e não como aplicação de cola, e priorizando a avaliação autêntica e baseada em processo em vez da vigilância.
• O artigo Responsible Assessment reenquadra a avaliação em torno da evidência de validade e de tarefas autênticas que espelham o trabalho futuro dos estudantes.
• O artigo Authentic products, authenticated processes examina como o ensino superior rico em IA pode avaliar tanto os resultados genuínos quanto os processos que os produziram.
• Um parceiro de IA na redação ainda deixa o julgamento. Paula et al. (2026) pilotaram um desenhador de avaliações GPT-4.1 com oito coordenadores: ele produziu visões gerais, tarefas, critérios, cronogramas e rubricas utilizáveis, mas repetidamente perdeu o contexto disciplinar e o sequenciamento de tópicos, e todos os oito recusaram a automação de ponta a ponta, localizando o juízo acadêmico no professor, e não no modelo.
• O framework invariante a ferramentas argumenta por avaliar métodos computacionais e processos, e não resultados específicos de ferramentas, usando defesa oral e verificação.
• Infraestrutura institucional para a evidência de processo. Um framework de garantia de qualidade encomendado converte o argumento do processo em política, tratando os rastros do processo de aprendizagem — edições com marca de tempo, uso de recursos, prompts metacognitivos — como a evidência durável que um histórico escolar não consegue mostrar, e citando atributos de processo que explicam mais variância no desempenho do que os atributos de produto isoladamente (Lodge et al. (2026)).
• Avaliação oral escalável, com uma ressalva de pontuação. Pentland, Lowenthal e Krier (2026) entregaram respostas gravadas limitadas no tempo e não revisáveis, pontuadas contra rubricas embutidas, e concluíram que os estudantes superaram suas próprias provas de múltipla escolha presenciais; eles enfatizam que isso é um efeito de formato, e não um ganho de aprendizagem, com a repontuação por LLM concordando com o professor em ICC = 0,73 e 0,60.
• O artigo Reconsidering oral exams posiciona a prova oral como uma alternativa autêntica de baixa tecnologia que é inerentemente resistente à IA — seu diálogo interativo em tempo real testa compreensão, pensamento crítico e raciocínio (e não memorização), espelha a prática profissional e impede os estudantes de usar a IA para gerar e memorizar respostas. Ele oferece um conjunto concreto de recomendações práticas (rubricas claras, conteúdo padronizado, treinamento de avaliadores, diretrizes de prompts, mitigação de viés) para reintroduzir a avaliação oral no ensino médio e no ensino superior.
• A avaliação por e-portfólio é outra forma autêntica e baseada em processo que resiste à fabricação por IA: Zhan, Boud e Du (2025) identificam os portfólios de contribuição social entre as formas autênticas mais robustas à IA generativa, e o artigo Beyond Detection recomenda portfólios anotados e percursos gravados que sondam o raciocínio em tempo real. Ni e Lam (2026) e Laksana et al. (2026) mostram que a IA generativa pode auxiliar no processo do portfólio — feedback, rascunho, reflexão — enquanto os rastros de raciocínio e os rascunhos do portfólio preservam a autenticidade.
• Os critérios de autenticidade podem, eles mesmos, conter o uso da IA. Chen e Zou (2026) concluíram que uma rubrica exigindo que os estudantes fundamentassem uma apresentação em grupo em sua própria experiência docente de primeira mão, e refletissem sobre observações compartilhadas de sala de aula, levou sete de quinze grupos de estudantes a reduzir deliberadamente seu uso de IA generativa. Os estudantes argumentaram que a ferramenta não conseguia atender à demanda epistêmica — "a IA só sabe aquele momento em que você digita" — porque lhe faltava o conhecimento longitudinal e situado que seus colegas e professor tinham. Ambas as camadas importaram: a autenticidade da tarefa e a autenticidade relacional de contribuir com o próprio pensamento para um grupo, o que reenquadrou o uso pesado de IA como carona no trabalho dos pares. A implicação de desenho é que critérios autênticos e fundamentados na experiência fazem trabalho avaliativo mesmo sem fiscalização — eles fornecem uma razão para a contenção que as declarações de política não conseguem.
• Pareie uma tarefa vulnerável com uma menos vulnerável. Roe, Perkins e Giray (2026) pareiam uma tarefa vulnerável à IA generativa com uma segunda que avalia os mesmos resultados, agendam-nas próximas uma da outra para que cada uma possa cruzar a verificação da outra, e tornam a nota interdependente por meio de um limiar confirmatório ou de uma ponderação.

Sharma (2026) argumenta que o desenho orientado à integridade e o desenho autêntico não são a mesma coisa, e que a diferença é epistêmica, e não estilística. A autenticidade pergunta se uma tarefa espelha uma prática real do mundo que vale a pena; o desenho orientado à integridade pergunta se os estudantes conseguem justificar suas decisões e assumir responsabilidade em relação aos padrões disciplinares, o que torna a integridade um critério explícito e avaliável, embutido na arquitetura da tarefa, em vez de um subproduto incidental do realismo. As práticas que ele oferece — trilhas de decisão anotadas, verificação de afirmações contribuídas pela IA generativa, defesa oral e responsabilização dialógica, diferenças entre rascunhos com histórico de versões — são reconhecidamente formas de avaliação autêntica, mas são selecionadas pelo julgamento que tornam visível, e não pelo seu realismo, o que é uma correção útil para tarefas que parecem autênticas e permanecem contrafacionáveis na substância. Sua cautela vale também para esta página: exigir raciocínio documentado privilegia os estudantes mais fluentes no discurso reflexivo, e o julgamento como evidência "permanece relacional e situado, e não mecanicamente verificável", de modo que o desenho carrega sua própria carga de confiabilidade interpretativa.

A mesma questão é reenquadrada por Thapa e Lewis (2026), que nomeiam o que uma tarefa deve autenticar, em vez de se ela parece real: a autenticidade epistêmica, a medida em que a avaliação captura o engajamento genuíno com a interpretação, o juízo avaliativo, o raciocínio e a construção de conhecimento. O argumento deles é que a autenticidade por si só não sobrevive à IA generativa, porque uma tarefa autêntica cuja evidência é um único produto não supervisionado fica exposta ao mesmo problema de substituição que a redação que ela substituiu. Tornar o raciocínio visível exige, em vez disso, entregas em etapas, justificativa reflexiva, engajamento dialógico e transparência avaliativa. Eles levam a cautela acima para o desenho: as tarefas reflexivas e dialógicas podem privilegiar os estudantes confiantes na autoarticulação acadêmica, a menos que sejam inclusivamente desenhadas e andaimentadas, e o trabalho relacional intensifica o trabalho emocional do educador em contextos grandes ou com recursos escassos.

Quando os praticantes recuam para os formatos policiados

A base de conhecimento argumenta que a autenticidade precisa ser desenhada, e não policiada, e Goldstein, Marae-Haj e Zidan (2026) fornecem a contra-evidência da prática: depois de uma crise de confiança em que professores em formação entregaram trabalho bruto gerado por IA como se fosse seu, formadores de professores em sete faculdades israelenses redesenharam a avaliação em torno da evidência de processo (prompts, histórico de versões dos documentos, contribuições monitoradas em grupo) e do desempenho em sala — mas vários também descreveram ter recuado, como último recurso, para provas supervisionadas e defesas orais antecipadas de teses, com um participante chamando o retorno às provas de pessoalmente doloroso, mas inevitável. Lido contra a posição do desenho primeiro, o achado marca um modo de falha, e não uma solução: onde a autenticidade não é redesenhada com antecedência, a resposta prática ao trabalho entregue inavaliável é o controle reinstaurado — vigilância por outro nome —, o que reintroduz os próprios formatos que a literatura de avaliação autêntica tenta superar. Isso mostra também o custo sentido da alternativa: os participantes relataram que suas avaliações escritas para casa já não conseguiam evidenciar aprendizagem alguma, e que estabelecer a documentação de processo exigia trabalho real.

Um segundo modo de falha vive dentro do próprio redesenho: ao longo de cinco métodos de ensino de línguas on-line, as tensões relacionadas à autenticidade dominaram os relatos dos professores (11 de 20), incluindo a corrosão do realismo da tarefa — atividades redesenhadas para serem resistentes à IA em vez de autênticas (Baoyi e Khan (2026)).

O recuo carrega um custo probatório que a evidência dos arquivos de caso torna visível. Munoz et al. (2026) codificaram 1.162 alegações de má conduta com IA generativa e concluíram que os tipos de evidência mais fortes são gerados pela investigação ou pela supervisão, e não pela alegação, e que a evidência de processo, como rascunhos, reuniões de supervisão e apresentações, aparece apenas onde essas práticas já existem — de modo que, em uma avaliação não redesenhada, a evidência de processo que esta literatura recomenda simplesmente não está disponível, e os casos repousam sobre categorias mais fracas. O que a substitui é o material mais fraco de seu corpus: o resultado de detectores recebeu as avaliações probatórias mais baixas de todas as categorias, e Hadra et al. (2026) mostram por quê, com precisão macro de 0,69 (Originality) e 0,61 (Turnitin) ao longo de 192 textos, falha quase total na escrita híbrida humano–IA, e uma tendência limítrofe de ler mal o trabalho de estudantes de EFL como sendo de IA. Wright (2026) acrescenta a dimensão do desenho de regras: proibições escritas pela identidade da plataforma, e não pela função, são sobreinclusivas por acidente definicional, de modo que um formato policiado pode sancionar um estudante que não fez a coisa que a regra foi desenhada para impedir, caindo com mais força sobre os estudantes que dependiam de ferramentas de transcrição para acessibilidade. Lidos em conjunto, o recuo substitui a evidência menos probatória disponível pela evidência de processo que o desenho autêntico teria gerado em primeiro lugar.

• Aprendizagem autorregulada: a autonomia do estudante na avaliação autêntica (escolha, autorreflexão, codesenho) espelha o ciclo antecipação → desempenho → autorreflexão, embora a reflexão avaliada corra o risco de se tornar performática.
• Metacognição: a metacognição é necessária para que os estudantes avaliem seu trabalho contra rubricas codesenhadas; quando a IA fornece a rubrica, o feedback e o monitoramento, a prática metacognitiva do estudante pode ser deslocada.
• Feedback formativo e sustentável: a avaliação autêntica enfatiza o feedback formativo e orientado ao futuro, que se transfere para contextos posteriores.

Implicações para a IA na educação

• Tipos de avaliação à prova de IA: demonstrações in vivo, portfólios de contribuição social, artefatos cocriados com procedência auditável e interação corporificada em tempo real são mais resilientes à IA generativa do que redações para casa ou questões de múltipla escolha.
• A exposição é mensurável. Um curso de psicologia de três anos provou ser 90% aprovável: o ChatGPT produziu resultado adequado em 36 de 40 avaliações do curso, e apenas as quatro tarefas que exigiam presença, um artefato visual ou os dados do próprio estudante resistiram (Ivory et al. (2026)).
• Codesenho em escala: ferramentas de IA poderiam viabilizar o codesenho de rubricas e a cocriação estudantil de parâmetros de avaliação na escala da sala de aula ou de um MOOC — embora a autonomia mediada por máquina precise ser cuidadosamente desenhada.
• Enfrentar a lacuna da autenticidade social: apenas 3/37 estudos trataram de questões sociais; as ferramentas de avaliação por IA deveriam ajudar os estudantes a contribuir para a transformação social, e não apenas simulá-la.
• Feedback sustentável: o feedback de IA deveria ser desenhado para se transferir a contextos futuros, e não apenas para fornecer correções reativas e momentâneas.
• A mensuração focada em processo agora tem evidência de validade. Oliveira et al. (2025) pontuaram 70 redações avaliadas pelo modo como os estudantes conduziram um diálogo com IA generativa e tornaram o conhecimento do curso visível; essas pontuações de processo correlacionaram-se r = 0,54 com as pontuações tradicionais de redação, ao mesmo tempo que recompensaram o trabalho conceitual em vez da especificação estruturada de tarefas.
• A avaliação autêntica serve a campos orientados à prática. Mesny, Roberge-Maltais e Galy (2026) concluem que a avaliação autêntica é especialmente adequada à educação em administração: tarefas que espelham problemas profissionais reais (projetos de consultoria ao vivo, painéis com briefings executivos) se alinham ao foco do campo na prática e na empregabilidade e podem apoiar alternativas inclusivas e preservadoras de integridade à avaliação centrada em provas na era da IA generativa. Em sua revisão de 58 artigos de quatro periódicos de educação em administração, no entanto, a avaliação autêntica apareceu principalmente via simulações mediadas por tecnologia e foi muitas vezes confundida com a aprendizagem experiencial — uma lacuna terminológica que pode obscurecer seu valor e sua adoção mais amplos.
• Autenticidade não é segurança, e a lacuna é visível na escala do setor. Onde a auditoria de um único curso acima concluiu que 90% dos trabalhos eram aprováveis, Villanueva (2026) pontua apresentações gravadas, projetos remotos em grupo e artefatos digitais não supervisionados na faixa de alta exposição ao longo de 53.915 itens, porque o registro público não diz nada sobre como a produção foi supervisionada.

Conceitos conectados

• Identidade de quem aprende — identidades de estudante disciplinares, profissionais, criativas e acadêmicas em evolução
• E-portfólio
• Aprendizagem baseada em problemas
• Avaliação
• Validade da avaliação
• Avaliação formativa
• Avaliação automatizada
• Integridade acadêmica
• Detecção de IA
• Aprendizagem autorregulada
• Metacognição
• Avaliação de IA na educação
• Ensino superior
• IA generativa
• IA na educação
• Retroalimentação (Feedback)
• Avaliação somativa — Avaliação somativa: formatos resistentes à IA (oral, com supervisão, livros fechados)
• Ensino de artes, design e mídia

Artigos conectados

• Preserving epistemic authenticity: process-oriented assessment in the age of generative AI — avaliação orientada ao processo e autenticidade epistêmica como o que uma tarefa deve autenticar
• The Integrity of Psychology Assessments in the AI Age: A Critical Examination — O que a IA não conseguiu passar: presença, artefatos visuais e os dados do próprio estudante (Ivory et al. 2026)
• The Paternalistic Filter: Epistemic Injustice and Differential Refusal in LLM-Mediated History Education for Marginalized Romanian Students — Uso paternalista de IA e identidade do estudante na educação em história
• Coauthorship integrity: Reconceptualising assessment validity for the age of generative artificial intelligence
• Teaching with Generative Artificial Intelligence: Enhancing Critical Thinking and Ethical Awareness in Academic Writing
• From Classroom Design to Newsroom Practice: Assessment Intervention Designing GenAI
• Raising Ethical Awareness of GenAI Use Through Student Self-Assessment in the Transition to Higher Education
• Reimagining Success and Failure: Equitable Assessment Practices in an Age of Artificial Intelligence
• Aligning ChatGPT with E-Portfolio Assessment as EFL Learning Model: Its Effect on Students' Speaking Performance and Feedback Literacy
• Students' Perceptions of Multiliteracies Development Using AI-Assisted Portfolio Assessment
• Using Generative AI to Simulate Patient History-Taking in a Problem-Based Learning Tutorial: A Mixed-Methods Study
• Problem-Based Learning and the Structural Conditions for Productive AI Integration
• Designing for Authentic Assessment: A Scoping Review — Designing for Authentic Assessment: A Scoping Review
• Beyond Detection: Redesigning Authentic Assessment in an AI-Mediated World — Beyond Detection: Authentic Assessment
• Responsible Assessment in the AI Era: Key Insights from a Future-Focused Conference — Responsible Assessment in the AI Era
• From authentic products to authenticated processes: a systematic conceptual review of authentic assessment in AI-rich — Authentic Products, Authenticated Processes
• A Tool-Invariant Framework for Teaching and Assessing Computational Methods in the Age of Agentic AI — Tool-Invariant Framework for Teaching and Assessing Computational Methods
• Confidence Estimation in Automatic Short Answer Grading with LLMs — Correção automatizada de respostas curtas com consciência de confiança
• The LLM Fallacy: Misattribution in AI-Assisted Cognitive Workflows — A Falácia do LLM e a Atribuição Indevida de Competência
• The University AI Didn''t Replace: Rethinking Universities in the AI Era — Repensando as Universidades na Era da IA
• Reassessing Academic Integrity in the Age of AI: A Systematic Literature Review on AI and Academic Integrity — Múltiplos métodos de avaliação para combater a má conduta com IA
• Reconsidering the Use of Oral Exams and Assessments: An Old Way to Move Into a New Future — Reconsiderando as provas orais como avaliação autêntica e resistente à IA
• Assessment twins: An approach for strengthening assessment validity in the age of generative AI — Gêmeas de avaliação para fortalecer a validade da avaliação na era da IA generativa (Roe, Perkins & Giray 2026)
• Assuring quality learning in a gen AI-integrated future: The role of adaptive capabilities. TEQSA, June 2026 — Capacidades adaptativas para assegurar a qualidade da aprendizagem em um futuro integrado à IA generativa (Lodge et al. 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)
• Innovative assessment and grading practices in higher education: A critical exploration for management educators
• Students' Agency in GenAI-Mediated Group Assessment: An Ecological-Emergent Perspective — Critérios de autenticidade que levaram grupos de estudantes a reduzir o uso de IA generativa
• Pioneering Teacher Educators Navigating AI Integration in Pre-Service Teacher Preparation: Strategies and Challenges — A crise de confiança em IA que empurrou os formadores de professores de volta às provas supervisionadas e às defesas orais (Goldstein et al. 2026)
• Educational integrity in GenAI-augmented assessment: making judgment visible — O desenho orientado à integridade distinguido da avaliação autêntica: tornando o julgamento visível (Sharma 2026)
• How strong is the evidence in generative AI-related academic misconduct allegations? A mixed-methods analysis — O que os arquivos de alegação de má conduta realmente contêm como evidência, e a evidência de processo que lhes falta (Munoz et al. 2026)
• Evaluating the accuracy and reliability of AI content detectors in academic contexts — Precisão dos detectores e falha na escrita híbrida: por que a detecção é uma evidência fraca de recurso (Hadra et al. 2026)
• Transcription is not generation: Distinguishing non-generative AI tool use from academic misconduct in higher education assessment — Proibições de IA sobreinclusivas: transcrição não é geração (Wright 2026)
• Designing Authentic Assessments with Generative AI: A Pilot Study of Assessment Authentifire in Higher Education — Designing Authentic Assessments with Generative AI: A Pilot Study of Assessment Authentifire in Higher Education
• AI and higher education: teachers' perceptions of students' ethical tensions in online pedagogical methods — Corrosão do realismo da tarefa: o redesenho resistente à IA corroendo a autenticidade no ensino de línguas on-line
• How AI-vulnerable is Australian higher education assessment? A computational audit of Group of Eight Arts and Humanities units, 2022–2026 — Formatos de superfície autêntica (apresentações gravadas, projetos remotos em grupo, artefatos digitais) pontuam alto em 53.915 itens: a autenticidade não verifica a autoria