Normas sociais de uso de IA

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

Normas sociais de uso de IA — as regras informais, aplicadas localmente, que decidem quando estudantes e instrutores podem usar IA generativa, quão abertamente podem admiti-lo, e o que conta como trapaça na prática, e não na política. O corpus é rarefeito em normas como tópico e espesso nos mecanismos que as produzem. Os estudantes não conseguem inferir de forma confiável o uso de IA uns dos outros: a correlação mediana entre as estimativas de quem percebe e seu próprio perfil de uso autorreportado foi r = ,73 em ambas as ondas, e a acurácia de posto para o tipo de uso de IA foi r = ,34 na segunda onda. Vergonha e culpa regulam a visibilidade, não o uso, produzindo ocultação e revelação seletiva em vez de mudança de comportamento. As normas disciplinares divergem agudamente: tarefas com IA integrada apareceram em 27% dos planos de curso de negócios e 5% dos de humanidades, ao longo de 31.000 cursos. E a literatura formal de ética encaminha as normas menos numerosas e menos acionáveis aos usuários finais, o que significa que as pessoas sujeitas às normas de sala de aula estão amplamente ausentes dos documentos que as discutem.

Perguntas para refletir

• Se os estudantes não conseguem dizer quem está usando IA, em que se baseiam as regras informais?
• De onde vêm as normas de IA quando uma instituição não tem política, ou quando a política contradiz o que os instrutores dizem em sala?
• Por que um estudante que nunca usou IA reportaria mais culpa a respeito dela do que um estudante que a usa semanalmente?
• O que a vergonha realiza que uma política não consegue, e a que custo para o pedido de ajuda?
• A vigilância muda o comportamento, ou apenas o quão visível esse comportamento é?
• De quem são as normas que dominam numa tarefa em grupo, e quem absorve o custo dos hábitos compartilhados de IA do grupo?
• Os estudantes deveriam ter participação na escrita das normas a que estão sujeitos?

Introdução

A regulação formal da IA na educação chega como política: declarações de uso aceitável, cláusulas de plano de curso, procedimentos de detecção, sistemas de supervisão, códigos de honra. Tudo o que os estudantes de fato vivenciam, porém, está por baixo dessa camada. Um colega de turma que nunca menciona usar o ChatGPT, um instrutor que diz "não me importa como você escreve" e depois o proíbe no plano de curso, um grupo de estudo que silenciosamente assentiu no que é justo, um departamento onde todos presumem que a curva de notas já se deslocou. Essas são normas: expectativas compartilhadas sobre comportamento aceitável, aplicadas por aprovação, desaprovação e o risco de ser visto.

Esta página reúne o que a base de evidência diz sobre essa camada. Vale separar cuidadosamente, porque "currículo oculto" é frequentemente usado de forma frouxa para significar qualquer coisa não oficial. Aqui o assunto é mais estreito: as regras operativas sobre o uso de IA, como se formam, como são aplicadas e quão fraca é a conexão entre elas e as regras escritas. O corpus quase não tem estudo que meça normas diretamente, o que é ele mesmo um achado. O que ele tem é evidência repetida sobre os mecanismos: inferência, revelação, emoção e a variação disciplinar que molda o que qualquer norma local pode se tornar.

O que os estudantes acreditam uns sobre os outros

Normas exigem informação sobre o comportamento de outras pessoas, e essa informação é pior do que a maioria dos instrutores presume. O estudo de duplas de estudantes rastreou quão acuradamente os estudantes julgavam o uso de IA de um parceiro ao longo de sessões de programação em dupla. Contra o próprio perfil de uso autorreportado de cada parceiro, a correlação mediana foi r = ,73 em ambas as ondas, alta o bastante para parecer conhecimento e baixa o bastante para que muitas estimativas individuais estivessem erradas. A acurácia de posto para o tipo de uso de IA foi r = ,34 na segunda onda, e 25% das equipes ficaram piores em julgar seus colegas ao longo do tempo.

Dois detalhes importam para as normas. Primeiro, o desalinhamento não encolheu com o trabalho presencial repetido. A familiaridade não produziu acurácia, o que mina a presunção de que as normas se estabilizam à medida que os grupos se conhecem. Segundo, a correção proposta pelos autores foi estrutural, e não atitudinal: históricos de prompt compartilhados, anotações de uso de IA ou registros visíveis aos pares do trabalho apoiado por IA. Tornar o uso de IA visível é um projeto diferente de tornar os estudantes mais honestos ou mais perceptivos a respeito dele, e apenas o primeiro tem evidência por trás.

Visibilidade, vergonha e revelação seletiva

Se os pares não conseguem ver o uso de IA com acurácia, então as regras que se desenvolvem em torno dele são aplicadas em grande parte por meio do risco social. O estudo de entrevistas com 19 estudantes de computação examinou vergonha e culpa como reguladores sociais e descobriu que elas governam a revelação, não o uso. Os estudantes descreveram comportamentos de ocultação e revelação seletiva, e reportaram envergonhar-se a si mesmos, a seus pares e a seu corpo docente. O resultado negativo importante é que essas emoções coexistiram com o uso continuado de IA, gerando ciclos de agência reduzida e de tensão moral, em vez de levar alguém a parar.

Esse padrão realoca a norma de "use ou não use" para "admita ou não admita". Uma sala de aula pode ter uma forte norma anti-IA no papel, uso disseminado na prática e um equilíbrio de silêncio no meio, sem que ninguém esteja confuso sobre o que a regra diz. Isso também prevê onde o custo recai: sobre os estudantes menos capazes de gerir o risco social, e sobre os estudantes cujo uso visível carrega consequências diferentes.

O lado do instrutor da mesma emoção é mensurável. A pesquisa com corpo docente usando um Índice de Culpa com IA de quatro itens (alfa de Cronbach = 0,88) descobriu que a culpa antecipatória excedia o remorso experenciado: a nota média do índice foi 2,39 (DP = 1,01), com 22,9% dos participantes acima do ponto médio. Não usuários de IA reportaram culpa mais alta (M = 3,25, DP = 1,04, n = 8) que usuários (n = 101, M = 2,32, DP = 0,97), t(8,39) = 2,00, p = ,078, e o item de remorso separou os grupos de forma mais aguda, t(7,79) = 2,44, p = ,041. A análise de agrupamentos produziu quatro perfis: Adotantes Confortáveis (26,6%), Não Usuários Culpados (29,4%), Usuários Cautelosos (28,4%) e Evitadores Moralmente Angustiados (15,6%), com diferenças confirmadas em culpa, F(3, 105) = 22,13, p < ,001, eta-quadrado = 0,39.

Uma norma que faz as pessoas que não agiram se sentirem culpadas está realizando seu trabalho por meio da antecipação. Esse é um mecanismo regulatório real, e ele é invisível a qualquer auditoria de política que olhe apenas para o que docentes e estudantes fazem.

O livro de regras local: disciplinas e salas de aula

As normas são locais, e a evidência sobre quão locais é excepcionalmente concreta. A análise de 31.000 planos de curso descobriu que as tarefas com IA integrada variavam de 27% em negócios a 5% em humanidades. A faixa não é uma lacuna de conformidade com a política; ela reflete julgamentos disciplinares diferentes sobre o que o trabalho é, que prática vale a pena e quais habilidades uma credencial deveria certificar. A recomendação dos autores decorre disso: conceda aos instrutores autonomia dentro das normas disciplinares, em vez de emitir mandatos de tamanho único, porque o mandato teria de ser escrito para uma média que não existe.

A camada da sala de aula também pode contradizer a camada do documento dentro do mesmo curso. As entrevistas com estudantes de marketing descobriram que as normas dos pares e o "acompanhar o ritmo" impulsionavam a adoção, com o boca a boca descrito como a maior promoção que a IA já teve, sustentado pelo medo de ficar para trás. O mesmo estudo registrou uma contradição que os instrutores reconhecerão: algumas aulas exigiam IA enquanto o plano de curso a proibia, e o encorajamento em sala de um instrutor nem sempre sobrevivia na política escrita. Quando os dois discordam, os estudantes tratam a norma falada como a operativa, e o plano de curso como um passivo a ser gerido.

O trabalho em grupo é onde as normas informais fazem mais trabalho, porque a unidade sendo avaliada é coletiva. O estudo com 52 futuros professores ao longo de 15 grupos focais identificou padrões distintos, em vez de uma única linha de entusiasmo a evitação, com grupos negociando o que contava como assistência legítima na ausência de uma regra compartilhada. Qualquer estudante que viu um grupo silenciosamente assentir no uso de IA de um membro viu uma norma sendo escrita em tempo real, sem processo de política e normalmente sem registro.

A ética formal, as normas vividas

A literatura profissional sobre ética da IA e a norma de sala de aula que ela deveria alcançar estão se afastando, e a lacuna está documentada. A revisão sistemática de valores e normas éticos extraiu normas de 15 artigos e as mapeou sobre quatro conjuntos de partes interessadas de Smuha (2022). Os desenvolvedores receberam o maior número de normas, seguidos pelos institutos educacionais e pelos reguladores. Os usuários finais receberam as normas menos numerosas e menos acionáveis, sem nenhuma norma endereçando diretamente os estudantes em não discriminação, gestão de dados ou adequação educacional, e com as vozes dos estudantes essencialmente ausentes do material.

O resultado é uma literatura que especifica obrigações para as pessoas que constroem e adquirem IA, e deixa as pessoas que vivem com ela na sala de aula para elaborarem suas próprias regras. Essa é uma explicação plausível para por que as normas que os estudantes descrevem, como no estudo de vergonha e culpa, são tão frequentemente sobre visibilidade e reputação, e não sobre os valores que os documentos de ética nomeiam. Os dois sistemas estão regulando coisas diferentes.

Por que a vigilância não assenta as normas

Quando as instituições tentam substituir normas informais por monitoramento formal, a evidência é consistente e pouco lisonjeira. O estudo de quatro ondas com 1.760 estudantes em 105 cursos descobriu que a supervisão online aumentou significativamente a ansiedade em prova e não teve efeito sobre a tentação de trapacear. Ela também não mudou a dificuldade percebida nem o desempenho em exame. O custo de ansiedade se concentrou entre estudantes já vulneráveis, incluindo aqueles com ambientes domésticos mais fracos e tecnologia menos confiável.

Dois estudos mais explicam por que a vigilância é uma ferramenta ruim para estabelecer normas. A revisão de escopo da supervisão remota descobriu que o monitoramento era amplamente percebido como dissuasor de má conduta, mas docentes sul-africanos reportaram desonestidade continuada apesar do monitoramento ativo, uma situação que Khalil et al. (2022) chamam de "ética subterrânea", e alertas menores frequentes geravam falsos positivos e trabalho de revisão do corpo docente. A vigilância compra conformidade pelo medo de detecção, e não pelo compromisso com um padrão compartilhado. O modelo de avaliação sob informação imperfeita aguça o mecanismo: a dissuasão depende da capacidade de um detector de discriminar entre uso oculto e trabalho legítimo, e não de sua taxa de captura, e, quando os falsos positivos sobem mais rápido que os verdadeiros positivos, os estudantes se desengajam do sistema em vez de se conformarem a ele. Seu outro resultado é o que incide diretamente sobre as normas: o monitoramento reduz a atratividade do uso oculto, mas não aumenta a revelação. Os estudantes se movem em direção à abertura apenas quando reportar é mais seguro ou mais valioso que esconder, e uma proibição pode tornar o encobrimento mais atraente que a conformidade.

O argumento de justiça processual tira a conclusão: como o uso de IA habilidoso ou levemente editado é indetectável no caso geral, um procedimento de má conduta construído sobre a detecção produz injustiça sem eficácia, e a resposta é melhor avaliação, e não melhor vigilância.

O custo dessa substituição aparece em onde docentes e estudantes de fato conversam. Ao longo de 253.222 registros relacionados à IA de 26 subreddits de educação, um terço de todas as threads corpo docente–estudante eram disputas de detecção ou aplicação, os estudantes abriram 68,4% delas, e a negatividade previu o engajamento (ρ = −0,72) — conflito adversarial, e não deliberação, é a forma de contato entre papéis de maior volume sobre GenAI (Yüce et al. (2026)).

O que isso significa para a prática

• Torne o uso visível, em vez de inferi-lo. Os estudantes não conseguem julgar uns aos outros com acurácia, e a colaboração repetida não corrige isso. Registros compartilhados leves do trabalho apoiado por IA, anotações ou históricos de prompt dão ao grupo algo factual sobre o que raciocinar.
• Espere que a norma falada supere a escrita. Se o que é dito em sala contradiz o plano de curso, os estudantes seguirão a sala de aula. O alinhamento entre os dois vale mais que uma cláusula mais estrita.
• Trate a revelação como um problema de desenho, não como um problema de virtude. A revelação torna-se provável quando reportar é mais seguro ou mais valioso que esconder. Isso significa tornar o uso revelado legível na própria avaliação, em vez de pedir honestidade como traço de caráter.
• Respeite a variação disciplinar. Uma dispersão de 27% a 5% entre departamentos não é inconsistência a ser normalizada, são julgamentos diferentes sobre o que a credencial certifica. Mandatos para toda a instituição tendem a ser escritos para uma disciplina que não existe.
• Não recorra ao monitoramento para estabelecer normas. A supervisão elevou a ansiedade sem mudar a tentação de trapacear no estudo mais forte disponível, e concentra esse custo nos estudantes menos privilegiados.
• Pergunte quem falta na norma. A literatura de ética atribui aos estudantes quase nenhuma obrigação e pouco leva em conta seu julgamento, enquanto a sala de aula lhes atribui muito e o aplica socialmente. Fechar essa lacuna é uma questão de currículo, não uma questão de conformidade.

Conceitos conectados

• Integridade acadêmica — o livro de regras formal ao lado do qual essas normas crescem
• Uso de IA e declarações de divulgação — a prática que as normas regulam mais diretamente
• Enquadrando o uso de IA para estudantes — como uma sala de aula declara suas expectativas
• Reduzir o uso indevido de IA — a contraparte instrucional do estabelecimento de normas
• Identidade de quem aprende — quem um estudante é tido como sendo quando o uso de IA se torna visível
• Detecção de IA — a resposta técnica que em grande parte falha
• Supervisão Remota — a vigilância como substituto tentado das normas
• Confiança — aquilo de que tanto as normas quanto a revelação dependem
• Equidade na educação com IA — quem absorve o custo social
• Busca de ajuda — o comportamento que a vergonha suprime primeiro
• Trabalho em grupo — onde as normas de grupo são negociadas
• Experiência dos estudantes — o lado vivido de tudo isso
• Ansiedade e estresse — o resíduo afetivo
• Governança de IA — a camada formal sob a qual essas normas se situam
• Ética — a literatura que tem menos a dizer aos estudantes

Artigos conectados

• Students' Perception Accuracy of Partners' AI Use and its Relation to Collaboration Performance — Acurácia de percepção dos estudantes sobre o uso de IA dos parceiros e sua relação com o desempenho de colaboração
• Stuck in a Spiral": Shame and Guilt as Social Regulators of AI Use in Computing Education — Vergonha e culpa como reguladores sociais do uso de IA na educação em computação
• How Instructors Regulate AI in College: Evidence from 31,000 Course Syllabi — Como os instrutores regulam a IA na faculdade: evidência de 31.000 planos de curso
• The AI guilt complex: Moral emotions and ethical dilemmas in academic technology adoption — O complexo de culpa com IA: emoções morais e dilemas éticos na adoção de tecnologia acadêmica
• Identifying the ethical values and norms for artificial intelligence in education: A systematic literature review — Identificando os valores e normas éticos para a inteligência artificial na educação
• The fear of Big Brother: The potential negative side-effects of proctored exams — O medo do Grande Irmão: os potenciais efeitos colaterais negativos dos exames supervisionados
• Under surveillance: Mapping remote proctoring practices in the assessment of nursing students — a scoping review — Sob vigilância: mapeando práticas de supervisão remota na avaliação em enfermagem
• Assessment Design Under Imperfect Information: Generative AI, Disclosure, and Student Response in Higher Education — Desenho de avaliação sob informação imperfeita: IA generativa, revelação e resposta dos estudantes
• Detecting the Undetectable? Reassessing Academic Misconduct Procedures in the Era of Generative AI — Detectando o indetectável: procedimentos de má conduta depois da IA generativa
• Cheating or Competing? University Students' Experience of AI Marketing and What It Means for AI Literacy Programming — Trapaça ou competição? A IA na educação em marketing
• Students' Agency in GenAI-Mediated Group Assessment: An Ecological-Emergent Perspective — Agência na avaliação em grupo apoiada por GenAI
• ChatGPT vs Teachers vs Students: Large-Scale Analysis of Generative AI Discourse in Education Communities on Reddit — Análise de discurso no Reddit: o contato corpo docente–estudante se concentra em disputas de detecção e aplicação (Yüce et al. 2026)