Avaliação orientada ao processo

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

Avaliação orientada ao processo — o desenho da avaliação em torno de como quem aprene chega a uma conclusão, e não apenas em torno do artefato que entrega: entregas em etapas, justificativa reflexiva, troca dialógica e oral, histórico de rascunhos e versões, e critérios que os estudantes podem aplicar a si mesmos. Não é sinônimo de realismo da tarefa nem uma afirmação sobre quem corrige o trabalho: uma tarefa realista cuja única evidência é um produto não supervisionado está exposta ao mesmo problema de substituição que a redação que ela substituiu. A IA generativa é o que torna a distinção urgente, porque a saída fluente agora pode ser produzida sob demanda, e um arquivo finalizado já não carrega informação sobre de quem é o raciocínio que o produziu.

Perguntas para refletir

• Se um estudante entrega uma redação polida, o que esse artefato de fato lhe permite afirmar sobre o pensamento dele — e quais afirmações ele apenas parece apoiar?
• A evidência de processo pede rascunhos, justificativa e diálogo. Quem, no seu contexto, tem fluência nesse tipo de autoarticulação acadêmica, e quem poderia ser julgado pelo conforto com ela, e não pela compreensão?
• A detecção é pouco confiável, e o redesenho em torno do processo é caro. Onde você gastaria um orçamento institucional limitado, e que evidência mudaria sua resposta?

Introdução

A avaliação no ensino superior há muito tempo infere o pensamento a partir do produto. Uma redação, um relatório ou uma resposta de exame entregue servia de substituto para o raciocínio por trás dele, e a correção tratava um artefato bem argumentado como evidência de um processo bem argumentado. Thapa e Lewis (2026) nomeiam a suposição que a IA generativa quebra: uma resposta polida "pode não mais representar o processo de pensamento de ninguém", então a inferência do artefato para a compreensão deixa de ser segura. A resposta deles não é um detector melhor, mas uma base de evidência diferente. A avaliação orientada ao processo coleta evidência de interpretação, justificativa e construção de conhecimento à medida que se desenvolvem, de modo que o raciocínio permaneça visível quando a saída pode ser produzida sob demanda.

Ajuda dizer o que o conceito não é. Não é avaliação autêntica, que pergunta se uma tarefa espelha prática real digna; Thapa e Lewis mantêm os eixos separados e insistem que uma tarefa autêntica com um único produto não supervisionado continua exposta. Não é detecção de IA, que pergunta se a ferramenta foi usada, e não como uma decisão foi tomada. E não é avaliação automatizada, que diz respeito a quem ou o que corrige: um portfólio em etapas corrigido por máquina pode ser orientado ao processo, e uma redação final corrigida por humano não precisa ser. O conceito diz respeito a qual evidência é coletada, ao longo de que período e sob que condições ela é produzida.

A ideia passou de uma proposição para uma recomendação recorrente na base de conhecimento. Ela aparece como prioridade nomeada na agenda da IAED para a agência e a motivação de quem aprene, como a agenda de pesquisa organizadora para o problema de retenção e transferência na pesquisa de desempenho versus aprendizagem, como "Avaliação de Caixa Preta" na exposição de Brunnström e Palmqvist sobre aprendizagem autorregulada com IA, e como um pedido de formadores de professores em exercício que concluíram que seu trabalho escrito para casa já não conseguia evidenciar aprendizagem alguma.

Como a evidência de processo se parece na prática

O vocabulário de desenho mais explícito vem de Thapa e Lewis, cujos quatro compromissos carregam o argumento para o desenho de tarefas: justificativa reflexiva, desenho de tarefa em etapas, engajamento dialógico e transparência avaliativa. Na prática, os estudantes explicam decisões interpretativas, em vez de apenas apresentar conclusões, entregam trabalho que se desenvolve por pontos de verificação, participam de trocas orais ou dialógicas sobre seu raciocínio, e trabalham contra critérios que podem aplicar a si mesmos — o terreno do letramento em feedback e da autoavaliação. A proposta de Boysen (2026) de práticas abertas de aprendizagem traduz a mesma lógica em uma trilha de auditoria: um plano de aprendizagem compartilhado definido antes de o projeto começar, um plano de análise da aprendizagem que nomeia fontes exigidas e proibidas, e rascunhos e históricos de versão documentados, preservados pelo Controle de Alterações e pelas versões salvas dos arquivos, que expõem o processo de trabalho e explicam o que informou cada revisão. Ele enquadra isso como autorregulação tornada visível.

O canal escolhido para a evidência de processo muda o que pode ser evidenciado: no mesmo estudo de 79 estudantes com IA generativa, o monitoramento e o planejamento de maior profundidade eram mais comuns nas unidades de pensamento em voz alta, enquanto a regulação de maior profundidade era mais comum nos registros de interação, então nenhum registro único captura todo o processo (Li e Liu (2026)). Os rastros também podem divergir das notas abertamente: ao longo de 150 conversas estudante–IA, 41% carregavam uma nota de tarefa de exatamente 1,00, enquanto a participação cognitiva observável variava, então notas iguais podem esconder processos diferentes (Fábrega, 2026)). O DraftTrace responde ao mesmo problema para a escrita integrada à IA ao alinhar medidas de processo no nível do toque do teclado com o produto final e com os rastros de interação com a IA, mostrando que a digitação por cópia só é identificável quando produto e processo são lidos juntos (Chandarana et al. (2026)), uma instância concreta da mensuração de rastros comportamentais que o campo ainda não tem.

Relatos de praticantes e de frameworks preenchem os artefatos. O framework LEARN de Uden e Hwang (2026), voltado à avaliação na aprendizagem baseada em problemas, pede rubricas focadas no processo, justificativas orais, entregas em etapas e rastros de raciocínio com divulgação do uso de IA, e trata a reflexão por diários de aprendizagem e protocolos de pensamento em voz alta como o motor metacognitivo da sequência. Moganadas e colegas (2026) tornam a avaliação transparente e orientada ao processo uma de cinco proposições pesquisáveis, exigindo documentação, verificação e justificativa reflexiva, em vez de proibição ou uso de detectores. Padhy (2026) recomenda capturar histórico de revisões, padrões de interação e tempo na tarefa, pareados com divulgação transparente. Goldstein, Marae-Haj e Zidan (2026) relatam os mesmos artefatos emergindo da prática depois de uma crise de confiança: registros de prompting, histórico de versão de documentos, contribuições de grupo monitoradas e "diários de jornada" reflexivos mantidos em cadernos físicos — junto à constatação simples de que o trabalho escrito para casa já não conseguia evidenciar aprendizagem.

Um eixo diferente do da autenticidade, e do da correção

Manter os eixos separados importa, porque confundi-los é como um redesenho parece feito enquanto a exposição permanece. Sharma (2026) faz a distinção complementar entre autenticidade e desenho orientado à integridade: a autenticidade pergunta se uma tarefa espelha prática digna, enquanto o desenho orientado à integridade pergunta se quem aprene consegue justificar suas decisões e assumir responsabilidade em relação aos padrões disciplinares, razão pela qual as práticas que ele oferece — trilhas de decisão anotadas, verificação de afirmações contribuídas pela GenAI, defesa oral, diferenças entre rascunhos com histórico de versão — são selecionadas pelo julgamento que tornam visível, e não por seu realismo. A revisão de dez anos de educação em negócios de Espino e Espino (2026) chega à mesma conclusão de desenho pelo lado da literatura, concluindo que o campo converge para tarefas autênticas e visíveis no processo, que exigem interpretação, aplicação contextual e refinamento iterativo, e tratando a adoção isolada de ferramentas dentro de estruturas de avaliação inalteradas como sua falha mais persistente.

O construto também é distinguível da questão de como a evidência é pontuada. O raciocínio de validade é onde os dois se encontram: Brunnström e Palmqvist (2026) argumentam que, quando um chatbot consegue produzir uma resposta de exame plausível, o produto entregue se torna um indicador mais fraco do que o estudante aprendeu — um problema de validade da avaliação, e não apenas um problema de integridade. Essa é a mesma inferência em risco no argumento de desempenho versus aprendizagem de Yan, Greiff, Lodge e Gašević, em que ganhos de desempenho que encolhem quando a assistência é retirada mostram um ganho que vive na ferramenta, e não em quem aprene, e em que o remédio proposto são medidas de processo, como testes de retenção e transferência, em vez do sucesso imediato na tarefa.

Por que a detecção não consegue carregar esse peso

A avaliação orientada ao processo é geralmente proposta como a alternativa à detecção, e a evidência sobre a detecção explica por quê. A literatura de detecção conclui que há taxas de erro, dependência da tarefa e viés padronizado contra escritores não nativos e com deficiência, e o trabalho mais recente chega a uma conclusão processual: a pontuação de um detector pode motivar uma revisão mais atenta, mas não é uma conclusão. Munoz e colegas (2026) mostram o que isso custa na prática. Ao codificar 1.162 alegações de má conduta com IA generativa, eles concluíram que os tipos de evidência mais fortes são gerados pela investigação ou pela supervisão, que a evidência de processo, como rascunhos, reuniões de supervisão e apresentações, aparece apenas onde essas práticas já existem — então, em uma avaliação não redesenhada, ela está simplesmente ausente — e que a saída do detector recebeu as classificações probatórias mais baixas de qualquer categoria. A consequência de desenho é a ordenação: a evidência de processo precisa existir antes que um caso precise dela, e o raciocínio de Weidlich (2026) sobre qual inferência está em risco faz o mesmo ponto pelo lado da validade, já que as tentativas de restaurar a segurança da avaliação por meio da detecção introduzem variância irrelevante ao construto, e não evidência sobre quem aprene.

Os custos de desenho e de carga de trabalho

As fontes são incomumente francas de que isso é caro. Thapa e Lewis declaram diretamente a ressalva de equidade: tarefas reflexivas e dialógicas podem privilegiar estudantes mais confiantes na autoarticulação acadêmica, a menos que sejam inclusivamente desenhadas e andadas, e o trabalho relacional e intensivo em feedback intensifica a carga emocional e profissional dos educadores em contextos grandes ou com recursos restritos — uma contradição com as expectativas institucionais de escalabilidade, padronização e desempenho mensurável. Sharma acrescenta a versão interpretativa: exigir raciocínio documentado privilegia aprendentes mais fluentes no discurso reflexivo, e o julgamento como evidência "permanece relacional e situado, e não mecanicamente verificável".

Os custos operacionais são itemizados em outro lugar. Boysen lista nova tecnologia, tarefas e planos de aula revisados, ensinar aos estudantes habilidades desconhecidas, e material extra para coletar e corrigir, alerta que crédito de baixo impacto pelo processo pode inflar as notas, e reconhece que o modelo serve muito melhor a grandes projetos de desenvolvimento de habilidades do que ao trabalho cotidiano de aquisição de conhecimento; ele também observa que o rastreamento de processo é o que alguns críticos chamam de vigilância por IA. Os participantes de Goldstein, Marae-Haj e Zidan relataram que estabelecer a documentação de processo exigiu trabalho real, que nove de treze pagaram do próprio bolso ferramentas avançadas financiadas, de uma forma que poderia aprofundar a divisão digital, e que vários voltaram a exames supervisionados e anteciparam defesas orais de tese. A preocupação de equidade tem uma aresta específica da IA na conclusão de Brunnström e Palmqvist de que o uso não guiado de ferramentas exige uma habilidade de gestão da interação que está distribuída de forma desigual, então a IA "pode ser mais benéfica para estudantes já favorecidos" — o mesmo risco distribucional que acompanha pedir aos estudantes que gerenciem um processo documentado. Lopez-López, Bru-Cordero e Correa-Álvarez (2026) concluíram que estudantes que investiram mais tempo de estudo independente julgaram o uso da IA mais estritamente, e recomendam testar se modelos de divulgação, defesas orais e avaliação baseada no processo reduzem a incerteza ética — um estudo que o campo ainda precisa. O risco se liga ao mecanismo que faz a evidência de processo funcionar: onde colaboração, revisão e reflexão são pontuadas, os estudantes têm motivo para produzir evidência que corresponda ao que esperam que quem corrige queira, então os registros de processo podem se tornar performáticos, e não evidentiais (Alam & Jackson, 2026)).

O que permanece sem solução

A exposição de Thapa e Lewis é conceitual: sem participantes, sem coleta de dados e sem ensaio de implementação, então os quatro princípios são argumentados, e não testados, e o próprio artigo pede trabalho empírico sobre experiência do estudante, carga de trabalho do educador e viabilidade de longo prazo. A viabilidade é deixada sem diferenciação entre contextos — a transferência para aulas grandes, laboratórios, estúdios ou estágios clínicos não é tratada. O position paper de Lane (2026) observa o teto institucional: a avaliação baseada no processo é prejudicada por estruturas de notas e de histórico escolar que premiam artefatos finais polidos, então o redesenho em sala de aula isoladamente não muda o incentivo. A mensuração também é fina: a revisão de Jin e colegas (2026) dos instrumentos de letramento em IA pede avaliação baseada em desempenho e orientada ao processo e mensuração de rastros comportamentais de prompting e verificação, mas relata que os instrumentos existentes se apoiam em autorrelato. Nenhuma fonte aqui relata um ensaio controlado de um redesenho orientado ao processo contra um orientado ao produto, o que deixa a afirmação central — a de que a evidência de processo é ao mesmo tempo mais difícil de falsificar e mais justa de julgar — argumentada a partir de princípio, relato de praticantes e evidência de arquivo de caso, e não demonstrada em escala.

Conceitos conectados

• Padrões pedagógicos — Pontos de verificação em etapas e evidência de processo como desenhos sequenciados
• Avaliação
• Avaliação autêntica
• Detecção de IA
• Validade da avaliação
• Juízo avaliativo
• Avaliação formativa
• Avaliação somativa
• Retroalimentação (Feedback)
• Autoavaliação
• Avaliação Oral
• E-portfólio
• Uso de IA e declarações de divulgação
• Aprendizagem autorregulada
• Integridade acadêmica
• Equidade na educação com IA

Artigos conectados

• Process-Oriented Collaborative Essays: Empowering Undergraduate Students Through Assessment Redesign in the Age of Generative AI — Uma redação de processo colaborativa e pontuada em uma aprendizagem de graduação de primeiro ano: iteração e colaboração na rubrica, GenAI permitida dentro de limites declarados (Alam & Jackson 2026)

• Distinguishing performance gains from learning when using generative AI — o desempenho não é aprendizagem: uma agenda de pesquisa construída sobre medidas de processo (Yan et al. 2026)

• Human-centered AI for teacher educators: Designing professional learning for critical AI literacy — formadores de professores pedindo tarefas baseadas no processo e resistentes à IA, construídas sobre justificativa e reflexão (Baran et al. 2026)

• Educational integrity in GenAI-augmented assessment: making judgment visible — trilhas de decisão anotadas, defesa oral e diferenças entre rascunhos selecionadas pelo julgamento visível

• How strong is the evidence in generative AI-related academic misconduct allegations? A mixed-methods analysis — o que os arquivos de caso de má conduta contêm, e a evidência de processo que lhes falta

• Which inference is at risk? Assessment validity reasoning and generative AI — qual inferência está em risco quando a evidência da avaliação é substituída

• Beyond Detection: Redesigning Authentic Assessment in an AI-Mediated World — a autenticidade precisa ser redesenhada, não policiada

• From authentic products to authenticated processes: a systematic conceptual review of authentic assessment in AI-rich — produtos autênticos e os processos que os produziram

• Reconsidering the Use of Oral Exams and Assessments: An Old Way to Move Into a New Future — o exame oral como um formato resistente à IA que torna o raciocínio vivo

• Preserving epistemic authenticity: process-oriented assessment in the age of generative AI — autenticidade epistêmica e os quatro compromissos de desenho por trás da avaliação orientada ao processo (Thapa & Lewis 2026)

• Mapping the Distribution and Depth of Metacognitive Processes in Generative AI-Assisted Learning: Evidence from Interaction Logs and Concurrent Think-Aloud Protocols — Evidência de processo condicional ao canal: registros e pensamento em voz alta revelam processos diferentes

• DraftTrace: A Multi-View Analytics Environment for AI-Integrated Writing — DraftTrace: Um Ambiente de Analytics de Múltiplas Visualizações para Escrita Integrada à IA

• Same Performance, Different Process: Epistemic Ownership in AI-Mediated Education — Mesmo Desempenho, Processo Diferente: Propriedade Epistêmica na Educação Mediado por IA

Concrete tooling is emerging: Kim et al. (2026) operationalize problem solving as four stages and eight diagnostic sub-skills so an LLM can generate stage-specific questions and rubrics; five teachers and 64 students used the system on 90 problems and 720 sub-questions, with a mean System Usability Scale score of 83.5.

• STEPwise: Supporting Teachers in Diagnosing Students' Mathematical Problem-Solving Skills through LLM-Generated Questions — STEPwise: Supporting Teachers in Diagnosing Students' Mathematical Problem-Solving Skills through LLM-Generated Questions