Como a IA pode me ajudar a dar um feedback melhor em escala?

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

Estamos na sexta semana. Você tem uma pilha de rascunhos, uma rubrica em que acredita, e uma suspeita crescente de que um terço dos seus comentários será lido por cima e esquecido. Um colega menciona que uma ferramenta agora comenta cada rascunho em menos de uma hora. Você quer saber se isso é uma melhora real ou uma forma mais rápida de produzir um texto que ninguém lê.

A conclusão principal: o feedback com IA vale a pena ser adotado pela cobertura, pela pontualidade e pela consistência dentro de uma faixa estreita — o trabalho linguístico em escala de revisão de texto e os comentários de primeira passada guiados por rubrica — e só vale a pena ser adotado se você desenhar o que acontece ao redor dos comentários. O alcance é a parte fácil. Em um experimento randomizado por conglomerado com 1.176 estudantes do primeiro ano, os desenhos reflexivos e híbridos superaram a crítica direta da IA na transferência tardia e sem IA; em um experimento randomizado de redações com 70 estudantes, um feedback de IA de maior qualidade não produziu revisões melhores que as de um professor experiente. Ao longo de toda a evidência, o que os estudantes fazem com um comentário importa mais do que a rapidez com que ele chega, e a alfabetização em feedback — e não o acesso à IA — separa os estudantes que ganham daqueles que copiam.

A distinção que decide tudo: volume não é qualidade, e entregue não é lido

Duas separações fazem a maior parte do trabalho nesta página.

Mais feedback não é feedback melhor. A IA pode produzir comentários sobre cada rascunho a cada semana; a quantidade é quase gratuita. A qualidade não é. Zhan, Boud, Dawson e Yan (2025) fazem da qualidade do prompt o eixo do processo: prompts vagos geram resultados genéricos e inúteis, e os comentários gerados podem ser alucinados, enviesados ou sobrepostos, o que devolve o julgamento avaliativo a quem lê. A calibração é ainda mais delicada: em Farrokhnia et al. (2026), a qualidade do feedback da IA generativa se associou significativamente à solidez do rascunho inicial do estudante, enquanto a qualidade do feedback do professor não se associou — o professor calibrou de forma mais consistente. O volume escala. A calibração não.

O feedback entregue não é o feedback posto em prática. Essa é a confusão mais cara. Farrokhnia et al. randomizaram 70 estudantes que escreviam redações argumentativas em persa em três grupos. O prompt de cadeia de pensamento produziu um feedback avaliado como significativamente melhor (M = 12,90) tanto em relação ao prompt zero-shot (M = 11,25, p = .01) quanto a um professor humano experiente (M = 11,20, p = .008). O grupo da cadeia de pensamento, no entanto, não revisou suas redações significativamente mais do que o grupo com feedback do professor, que obteve ganhos comparáveis. Comentários mais bem avaliados, a mesma revisão. Se a sua métrica é a qualidade do que o modelo escreve, isso se lê como uma vitória; se a sua métrica é o que mudou na redação, não.

Quem coloca o feedback em prática depende de quem aprende. Em Hawkins, Taylor-Griffiths e Lodge (2026), 32 estudantes de psicologia fizeram uma tarefa de redação de 25 minutos gravada em tela com acesso irrestrito ao ChatGPT, e depois assistiram à gravação em uma entrevista estimulada por vídeo. A alfabetização em feedback foi o único preditor positivo significativo da nota da redação (β = 0,46, p = .017); o editorial do número especial de Zhan, Wood, Carless e Yan (2026) observa que a frequência de uso da IA generativa, a confiabilidade da fonte e o conhecimento prévio não predisseram o desempenho. Menos de um terço dos estudantes comparou o resultado da IA com outra fonte na internet; metade expressou uma evitação deliberada da IA por integridade acadêmica ou por querer a redação com as próprias palavras; e a maioria pediu feedback no nível da tarefa, que transfere mal para outras tarefas.

A adoção também é distribuída de forma desigual. No piloto de toda a universidade de Deakin relatado por Tubino e Adachi (2022), a ferramenta de IA era opcional, e o uso ficou em torno de 13% dos estudantes de graduação e 12% dos de pós-graduação, apesar de quase 4.000 estudantes terem acesso. Os estudantes proativos e de alto desempenho a usaram mais. Isso é o que "deixar a ferramenta disponível" compra para você, e é a razão pela qual o resto desta página trata de desenho e não de acesso.

Aquilo em que a IA é genuinamente boa, e onde ela para

Bom: cobertura e consistência dentro de uma faixa estreita. Tubino e Adachi relatam aquele piloto em Deakin em 2021 usando a ferramenta de feedback automatizado com IA da FeedbackFruits em 29 unidades e quase 4.000 estudantes. Ela trabalha sobre características textuais de nível micro — comprimento das frases, pontuação, gramática, estrutura do texto — apoiando a etapa de revisão de texto: o professor define os parâmetros, o estudante usa a ferramenta de forma independente e recebe um feedback pontual e acionável. O que escala é a divisão do trabalho, não o modelo.

Ruim: generalidade, correção e calibração. É aí que ela falha (Zhan et al., 2025), e o remédio é um prompt, uma rubrica ou uma pessoa — não um modelo maior. Aldino et al. (2026) acrescentam modos de falha do lado do professor a partir de 21 docentes do ensino superior: tom inconsistente (n = 7), possível desinformação (n = 5) e problemas de confiança (n = 5), com o esforço de revisão gasto em apagar elogios exagerados e sugestões genéricas em vez de acrescentar conteúdo.

Um padrão de implantação que se sustenta

A evidência sustenta uma forma mais do que qualquer outra: a IA redige, o estudante avalia primeiro, e uma pessoa decide.

O que automatizar. O trabalho linguístico de nível micro e os diagnósticos de primeira passada guiados por rubrica. Dê ao modelo uma rubrica e faça-o raciocinar passo a passo — o ganho de qualidade de Farrokhnia et al. veio de um prompt de cadeia de pensamento que conduzia o modelo por uma avaliação passo a passo contra uma rubrica de argumentação, não de uma instrução nua. Gu, Chen e Yan (2026) igualmente deram ao seu grupo de IA generativa o ChatGPT-4o com rubricas pré-treinadas e diretrizes de prompt, que foi o que tornou o resultado verificável contra critérios declarados. A geração referenciada a uma rubrica é automatizável; o julgamento não é.

O que manter humano. A mensagem final, o tom e tudo aquilo que se torna um registro. Becerra, Palma e Cobos (2026) descrevem o AICoFE, que executa três modelos ajustados de forma independente (GPT-4.1-mini, Gemini 2.5 Flash, Llama 3.1) sobre notas de rubrica e observações qualitativas para produzir comentários-rascunho independentes, e depois faz o professor compor a mensagem final selecionando frases ou parágrafos, com uma legenda mostrando qual modelo contribuiu com o quê. A IA é um gerador de rascunhos, não um emissor final. Aldino et al. encontram o mesmo padrão de "assistir, mas verificar": o componente de aprendizado de máquina sinalizava com mais frequência Meeting Learning Objective como ausente (20 de 21 docentes o haviam omitido; 16 aceitaram) e Student–Teacher Relationship (14 omitido; 12 aceitaram), com os docentes decidindo cada sugestão pelo julgamento profissional.

Como encadeá-la. Não empilhe as fontes lado a lado; escalone-as. No experimento de Ateş (2026), a condição reflexiva exigia autoavaliação antes da crítica da IA, e a híbrida executava autoavaliação → feedback dos pares → crítica da IA generativa. Tubino e Adachi propõem modelos para três etapas de redação pela mesma razão. Combine a IA com o feedback dos pares em vez de substituir um pelo outro: Gu et al. conduziram duas turmas de inglês paralelas (N = 118 estudantes do primeiro ano na China; IA generativa n = 56, pares n = 62) por três ciclos de autoavaliação ao longo de um semestre, e o apoio (scaffolding) da IA generativa melhorou a alfabetização em feedback de forma leve, mas significativa, em relação à revisão entre pares humanos (ANCOVA p = 0,049, ηp² = 0,03). Os estudantes de IA generativa refinaram os prompts de forma iterativa e verificaram ou contestaram resultados imprecisos, enquanto os estudantes do grupo de pares escolheram fontes por conveniência social e tiveram seu julgamento avaliativo distorcido pelo viés de amizade. A revisão entre pares manteve um valor próprio para a consciência do público, então os autores propõem desenhos de múltiplas etapas com feedback anônimo entre pares.

Como enquadrar isso para os estudantes. Como uma opinião em rascunho a ser julgada, não uma resposta a ser copiada. Diga com clareza que os comentários do modelo podem ser alucinados, enviesados ou sobrepostos e que a revisão é do estudante. O par de redatores de IELTS em Zhan et al. mostra os extremos: um estudante com baixa alfabetização e com um prompt vago obteve um feedback genérico, confiou nele ou o copiou em excesso e se envolveu de forma superficial; um estudante com alta alfabetização escreveu um prompt referenciado a critérios, deu seguimento, cotejou fontes e monitorou as revisões. A diferença foi a instrução e o hábito, não o acesso à ferramenta.

Como verificar o resultado. Amostre os comentários gerados contra a sua própria leitura dos mesmos rascunhos, procurando os modos de falha citados acima — tom, desinformação, elogio exagerado, sobreposição. No piloto de Deakin, avaliações médias positivas coexistiram com erros sinalizados pelos estudantes, então a satisfação é um sinal fraco de qualidade; uma pesquisa de carinhas sorridentes não é evidência de precisão.

Modos de falha, com os números

O desenho, não a disponibilidade, dirige o efeito. A evidência de desenho mais forte é um experimento de campo multi-sítio, randomizado por conglomerado e longitudinal: 1.176 estudantes do primeiro ano em 48 turmas de 4 universidades e 3 domínios científicos, randomizados no nível da turma em condições de apenas pares, IA generativa direta, IA generativa reflexiva e híbrida. A condição híbrida produziu os maiores ganhos de qualidade argumentativa e a vantagem mais clara na aprendizagem conceitual. As condições reflexiva e híbrida produziram ambas uma maior adoção do feedback e um maior aprendizado autorregulado do que a IA generativa direta, e ambas a superaram na transferência tardia sem IA. A IA generativa direta de fato melhorou a qualidade argumentativa imediata em relação ao feedback dos pares — a vantagem que ela tem —, mas com uma transferência mais fraca. O valor educativo depende, portanto, menos do acesso à IA do que de o ambiente de feedback preservar a agência do estudante, o julgamento avaliativo e a propried durante a revisão: a crítica direta convida à adoção passiva, enquanto os desenhos reflexivos e híbridos forçam o estudante a interpretá-la, compará-la contra os critérios, julgar sua relevância e depois revisar. Outros tamanhos de efeito amenizam isso. A vantagem de Gu et al. sobre a revisão entre pares foi pequena, e eles a leem como real, mas não transformadora por si só — o apoio do professor, as diretrizes de prompt e as planilhas fizeram o trabalho de suporte. O enquadramento do editorial é o de que a IA generativa e o feedback humano são complementares apenas se a complementaridade for especificada, por meio de encadeamento, comparação, edição e governança, em vez de deixar duas fontes lado a lado.

Excesso de confiança nas duas pontas do processo. Os estudantes podem depender em excesso e de forma acrítica ao colocar o feedback em prática, e os professores podem deferir em excesso às sugestões. O feedback do professor também é muitas vezes percebido pelos estudantes como mais negativo ou mais arriscado do que o feedback da IA generativa, o que inverte a suposição habitual de qualidade. Trate a alfabetização em feedback como um pré-requisito e não como uma suposição: o preditor mais forte em Hawkins et al. foi a alfabetização em feedback de quem aprende, não a frequência com que usava a IA.

Carga de trabalho que se desloca em vez de diminuir. A questão da carga de trabalho é aquela que mais frequentemente se promete resolver. Perguntados sobre o que a ferramenta de feedback com IA lhes deu, 21 docentes citaram raramente a economia de tempo (n = 2), e citaram muito mais frequentemente a reflexão (n = 14), a melhora da linguagem e da estrutura (n = 11) e a identificação de componentes ausentes (n = 10). O ganho visível é um rascunho e uma diretriz diagnóstica, não um comentário pronto. O que aparece em seu lugar é trabalho de revisão, calibração e verificação. Doze dos 21 docentes fizeram revisões adicionais no nível da frase; a edição (f = 32) e a remoção (f = 27) dominaram, com a adição sendo rara (f = 8). O padrão dominante foi calibrar o tom — baixando o elogio (f = 11), removendo sugestões (f = 9), removendo incentivos (f = 8) — para proteger a autenticidade e a voz profissional, e as revisões se concentraram na dimensão relacional, especialmente em Student–Teacher Relationship (f = 24). Os docentes citaram a necessidade de edição humana (n = 9), o tom inconsistente (n = 7), a desinformação (n = 5) e os problemas de confiança (n = 5); os docentes com mais de cinco anos de experiência relataram mais deles, enquanto os menos experientes valorizaram o apoio — uma razão para observar se os novatos que deferem às sugestões da IA constroem um julgamento menos independente. A regra do editorial: a IA generativa redistribui, em vez de remover, o trabalho do professor, e ferramentas mal desenhadas podem aumentá-lo.

Três objeções, levadas a sério

"O feedback com IA não é pessoal." Muitas vezes é verdade, e é precisamente a razão para manter a última palavra humana. O AICoFE existe porque a prosa genérica de um modelo não é o que um estudante deveria receber — o professor seleciona, edita e assina a mensagem final. Os 21 docentes em Aldino et al. reescreveram o tom pela mesma razão, apagando elogios exagerados e cortando sugestões que não combinavam com sua relação com o estudante. A personalização não é tarefa do modelo neste desenho; é sua, e o modelo está fazendo o trabalho de preparação.

"Meus estudantes não vão ler o feedback de qualquer forma." Eles leem menos do que esperamos, e a evidência diz que a solução é o desenho, não o volume. A adoção no piloto de Deakin ficou em torno de 13% dos estudantes de graduação e 12% dos de pós-graduação. Os comentários de IA mais bem avaliados de Farrokhnia et al. não produziram mais revisões do que os comentários do professor. O que fez a diferença foi um encadeamento que força o envolvimento — autoavaliação primeiro, depois feedback dos pares, depois crítica da IA — somado a três ciclos de revisão ao longo de um semestre, que produziram diferenças mensuráveis de alfabetização em feedback. Reenvios múltiplos no mesmo dia são um rastro utilizável para saber se os estudantes se envolveram de alguma forma.

"Isso não é o que os estudantes pagam." Então não deixe a IA ser a única voz que eles ouvem de você. A versão defensável da ferramenta é aquela em que os estudantes recebem mais momentos de feedback enquanto você gasta suas horas nas partes intensivas em julgamento: a última palavra, a calibração, os comentários que carregam a sua autoridade. O que os estudantes perdem sob uma implantação descuidada não é a sua presença, e sim a coerência entre critérios, comentários e resultado. Especifique a complementaridade — encadeamento, comparação, edição, governança — e a objeção se dissolve; deixe duas fontes lado a lado e ela não se dissolve.

Esta semana

1. Separe o seu último conjunto de comentários em correções de nível linguístico e decisões de nível de julgamento. Só a primeira categoria é candidata à automação.

2. Escreva o prompt passo a passo referenciado à rubrica que você entregaria a um modelo, e teste-o contra três rascunhos que você já avaliou.

3. Amostre o resultado contra os seus próprios comentários e registre onde o modelo foi genérico, errado ou lisonjeiro.

4. Escalone uma tarefa como autoavaliação → feedback dos pares → crítica da IA, e diga aos estudantes que a IA é uma opinião em rascunho que se espera que eles contestem.

5. Peça uma comparação com uma segunda fonte ou contra os critérios — menos de um terço dos estudantes faz isso sem ser solicitado.

6. Orce o tempo de revisão que você vai realmente gastar em tom e remoção, e compare com o que você liberou.

7. Observe a divisão entre expert e novato. Se colegas experientes relatam mais problemas com o resultado da ferramenta do que você, isso é uma informação sobre a sua própria calibração.

8. Decida qual resultado conta e meça isso: taxas de uso, rastros de revisão e desempenho tardio sem ajuda — e não avaliações de satisfação. Os aproximadamente 13% e 12% do piloto de Deakin são uma linha de base útil, e o rastreamento de curadoria do AICoFE modela o lado do professor: registre quanto do feedback final veio do modelo e quanto você mudou.

Onde esta página se situa. O Retroalimentação (Feedback) é o conceito guarda-chuva de todo o sistema — provisão, laço, adoção e contexto de avaliação —, e a qualidade do feedback com IA cobre o que faz os comentários gerados serem precisos, úteis, pontuais e pedagogicamente sólidos. Esta página é o meio prático: quais combinações dessas partes produzem um feedback melhor em escala. Perguntas sobre o que uma nota deveria significar quando a IA está envolvida — substituição de constructo, evidência de processo autenticada, regras de integridade — pertencem a redesenhar a avaliação na era da IA e a validade da avaliação, e não a esta página.

Para o caso especial do ensino de escrita, veja boas práticas para o ensino de escrita no contexto da IA.