Como devemos desenhar e mediar cursos online assíncronos quando a IA pode fazer o trabalho?

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

Você já fez a descoberta que força esta pergunta. Em algum lugar do seu curso assíncrono há uma tarefa cujo primeiro rascunho agora é gratuito — uma postagem de discussão, uma reflexão, uma análise de caso, uma lista de exercícios —, e o trabalho que chega é fluente, dentro do tema e não lhe diz nada sobre o que o estudante sabe fazer. Você não está na sala para ver o pensamento acontecer, e o artefato que costumava substituí-lo já não substitui mais.

Essa era a versão do problema em que um estudante decide, às duas da manhã, deixar um modelo escrever a postagem. A versão mais difícil já chegou. Em três demonstrações em um curso ao vivo de psicologia da graduação, agentes autônomos entraram no sistema de gestão da aprendizagem, leram os materiais do curso e completaram trabalho avaliado sem supervisão, sem envolvimento de nenhum estudante: dois questionários terminados em cerca de 12 minutos e em menos de 5 minutos, ambos com nota 10/10, e uma postagem de discussão em que o agente minerou as postagens de seus pares e então fabricou uma história de vida verossímil em primeira pessoa para respondê-las. O registro mais amplo que os autores reúnem cobre pelo menos 15 execuções documentadas de agentes no Canvas, no Moodle e no Brightspace usando sete ferramentas de agente. O argumento deles é o de que este é um problema de validade da avaliação e não apenas de integridade: a conclusão por agente remove a suposição de que o trabalho entregue foi produzido pela pessoa cuja aprendizagem está sendo avaliada (Hadjisolomou e El-Haddad, 2026).

A conclusão principal: um curso assíncrono não tem presença nem visibilidade de processo em que se apoiar, então o desenho precisa fabricá-los. Mova a evidência da aprendizagem para longe do produto acabado, mantenha uma medição que o estudante precise produzir sem assistência, imponha salvaguardas a toda IA que você fornecer, e ritme o semestre de forma deliberada — a autorregulação é aquilo que os formatos autodirigidos pressupõem silenciosamente e raramente ensinam. Dito de forma direta: pare de desenhar em torno da suposição de que produzir o artefato demonstra aprendizagem. Isso não é um argumento para proibir a IA nem para tornar as tarefas à prova de IA, mas para desenhar o curso de modo que ter a IA produzindo o artefato seja insuficiente para realizar a aprendizagem.

A versão curta

• Faça do pensamento o entregável. Rascunhos escalonados, registros de decisão e autoexplicação são mais difíceis de terceirizar do que um artefato final, e mostram a você o raciocínio que você não conseguiria ver de outra forma.
• Mantenha uma medição sem assistência nas avaliações que certificam competência. Os dados populacionais mostram que o efeito do acesso à IA sobre a retenção desaparece sob supervisão, o que lhe diz que o atalho está fora da plataforma e é condicional às condições que você impõe.
• Use avaliações orais assíncronas onde as apostas justificarem — prompts no momento oportuno, gravações sem revisão com tempo limitado, rubricas incorporadas, transcrições automáticas.
• Imponha salvaguardas à IA que você fornecer. A tutoria que dá pistas em vez de respostas eliminou a penalidade no exame que o acesso desprotegido produziu em um ensaio randomizado; fornecer um modelo sem restrições é a versão que prejudica a aprendizagem.
• Incorpore o apoio dentro do curso em vez de remeter a um chatbot genérico. O assistente incorporado da Open University dobrou o tempo na tarefa em seu teste piloto; a experiência da mesma instituição com um chatbot externo e desconectado foi na direção oposta.
• Ritme o semestre com propósito. Existem sinais de alerta precoce até 7–8 dias antes dos prazos dos módulos, e a autorregulação e o bem-estar declinam ao longo de um semestre em passo com o agrupamento das avaliações — então espaçar prazos é uma decisão de desenho com consequências mensuráveis, não um detalhe de cronograma.
• Medie as discussões com parcimônia e as sequencie de forma deliberada. Os facilitadores de LLM são marcadamente mais ávidos para intervir do que os facilitadores humanos, e as ferramentas de resumo que genuinamente ajudam os estudantes a navegar um fórum grande não impedem, por si sós, que a participação decline. Peça uma posição assumida, um desafio e uma reconsideração documentada, em vez de uma contagem de postagens.
• Comprometa-se antes de consultar. Faça os estudantes produzirem sua própria posição, previsão, esboço ou decisão primeiro, e só então trazer o modelo para a crítica; o pensamento que precisa ser aprendido deve acontecer antes de a ferramenta ser aberta.
• Emparelhe uma tarefa vulnerável com uma gêmea. Mantenha a análise para casa e acrescente uma segunda tarefa estreitamente agendada que avalie o mesmo desfecho de um modo que a primeira não possa ser delegada.
• Dê à IA um papel declarado, e seja capaz de completar a frase: o trabalho da IA aqui é X, o trabalho do estudante é Y. Se Y é magro, a atividade não está pronta.

Decida o que a avaliação está realmente medindo

A razão pela qual um curso assíncrono está mais exposto do que um presencial não é que os estudantes ali são menos honestos. É que a evidência de aprendizagem do curso é a entrega, e a entrega agora é barata de produzir. Duas peças de evidência causal mostram o que isso custa.

Em um ensaio randomizado com cerca de 1.000 estudantes de matemática do ensino médio, a assistência de IA desprotegida elevou o desempenho na prática em 48% ao mesmo tempo que reduziu as notas em exame fechado e sem assistência em 17% — os estudantes que nunca tiveram acesso superaram aqueles que tiveram. O detalhe crítico é a correção: um tutor com salvaguardas que dava pistas em vez de respostas eliminou o dano. O problema nunca foi a presença do modelo; foi a ausência de uma restrição sobre o que ele faria.

A evidência comportamental em escala populacional aponta na mesma direção. Ao longo de 3,2 milhões de interações no ALEKS, o tempo de estudo em problemas suscetíveis à IA caiu 26,9% após o lançamento público do ChatGPT, com um declínio de 25% na chance de responder corretamente a itens de retenção supervisionados — um efeito que desapareceu tão logo a supervisão foi instituída. Esse desaparecimento é a parte importante para o desenho de cursos: ele localiza o atalho fora da plataforma e mostra que o dano é uma propriedade das condições que você impõe, e não do caráter de quem aprende.

Há também uma falha mais sutil contra a qual desenhar. A conclusão metacognitivamente discordante nomeia o estado de entregar um trabalho correto e completo enquanto, em particular, se sabe que a compreensão nunca chegou. Em uma sala de aula, você poderia capturar isso na hesitação de um estudante; em um curso assíncrono, a entrega é seu único canal, e uma entrega correta se lê como sucesso. O desenho de avaliação é, portanto, a primeira alavanca, não o último recurso.

Decida o que conta como evidência quando não há uma sala em que entrar

Se o produto acabado já não prova o pensamento, a evidência precisa vir do processo ou de uma condição que o estudante não pode delegar.

Artefatos que revelam o processo são a mudança mais barata e funcionam em escala: entregas escalonadas com um registro de decisão intermediário obrigatório, uma autoexplicação de um parágrafo anexada a cada resposta, uma anotação de uma fonte, um plano revisado após o feedback. Eles capturam o raciocínio em vez de seu resíduo, e custam ao professor comparativamente pouco para examinar.

A avaliação oral assíncrona é a opção mais forte quando a competência precisa ser certificada. Pentland, Lowenthal e Krier (2026) avaliaram avaliações baseadas na web em que os prompts são entregues no momento oportuno, os estudantes gravam respostas breves e com tempo limitado pela webcam, que não podem revisitar, e os professores avaliam contra rubricas incorporadas enquanto as transcrições são geradas automaticamente. Ao longo de dois estudos — um piloto de contabilidade intermediária e um curso de análise de dados —, os estudantes tiraram notas mais altas nessas avaliações do que em exames de múltipla escolha presenciais (significativo no segundo estudo, uma tendência positiva, mas não significativa, no primeiro), com correlações moderadas entre formatos apoiando a validade convergente. Os estudantes relataram se preparar de forma diferente, usando estratégias de estudo mais ativas e tratando o formato como profissionalmente relevante. Ela responde diretamente ao problema assíncrono: o pensamento é realizado ao vivo, em um horário e local de escolha do estudante, a um custo administrativo que não escala com o tamanho da turma.

Uma medição sem assistência pertence a qualquer curso cuja nota certifique conhecimento. O resultado do ALEKS acima é o argumento: quando a supervisão estava em vigor, a lacuna de retenção desapareceu. Feche o laço contando aos estudantes por que a condição existe — o raciocínio pertence à sua redação de uma política de IA para o curso.

Decida a sequência, não apenas o artefato

Uma vez que o produto acabado é uma evidência não confiável, a ordem em que o trabalho acontece passa a fazer parte do desenho da avaliação.

Brcic e Frljic (2026) fazem do posicionamento o centro do argumento: permitir-ou-proibir é uma falsa dicotomia, e a questão de desenho que importa é onde a ferramenta se situa. A evidência causal que eles reúnem mostra o resultado virando apenas pelo posicionamento — o mesmo auxiliar desprotegido que deixou estudantes do ensino médio cerca de 17% piores em um exame sem ajuda não fez mal algum depois de ser reconfigurado para reter as respostas, enquanto um tutor bem projetado aproximadamente dobrou a aprendizagem. O arcabouço de seis movimentos deles para posicionar a ferramenta (prime, probe, point, attach, strengthen, test) é um menu utilizável, e seu diagnóstico de uma linha é o que vale guardar: se deixar a IA entrar faz a tarefa parecer sem esforço, ela está no lugar errado. A assistência mal posicionada não apenas deixa de ajudar; ela deixa uma ilusão de aprendizagem que desmorona na tarefa sem ajuda — o estado que a conclusão metacognitivamente discordante nomeia para uma entrega que é correta e não compreendida.

Para um curso assíncrono, isso se traduz em uma sequência que você pode escrever dentro da própria tarefa:

Pense → Comprometa-se → Use a IA → Critique → Revise → Explique.

Os estudantes tentam o trabalho intelectual e se comprometem com uma interpretação, previsão, esboço ou decisão inicial. Só então o modelo entra, para feedback, alternativas, contra-argumentos ou crítica. Então os estudantes avaliam o que ele produziu, revisam e explicam o que mudou e por quê. O passo do compromisso é o que torna o resto avaliável: um estudante não comprometido não tem nada a revisar, e um artefato escrito do zero por um modelo não tem histórico de revisão algum.

Um cuidado quanto à sobrecorreção: coletar cada prompt e forçar a documentação de cada toque de tecla produz carga de trabalho sem evidência. Peça pontos de decisão significativos em vez disso — qual evidência foi selecionada, qual alternativa foi rejeitada, o que mudou após a crítica — e o raciocínio que você de fato leria.

Emparelhe uma tarefa vulnerável com uma gêmea

A outra opção estrutural é parar de escolher entre uma tarefa pedagogicamente valiosa e uma defensável. Roe, Perkins e Giray (2026) propõem gêmeas de avaliação: emparelhe a tarefa vulnerável à IA — uma redação ou análise para casa — com uma segunda tarefa menos vulnerável que avalie os mesmos desfechos, agendada com proximidade suficiente para permitir verificação cruzada, e corrigida de forma interdependente. O mapeamento deles percorre as seis vertentes de evidência de validade de Messick, e o processo de desenho tem três passos: identificar as vulnerabilidades, alinhar os desfechos e escolher a gêmea, depois desenvolver a correção que conecta as duas. A análise para casa mantém seu valor para a investigação prolongada; sua gêmea pode ser uma variação curta de caso, uma explicação de uma decisão-chave, ou uma defesa oral ou multimídia breve.

A questão companheira é a propriedade, e não a autoria. Ebrahimzadeh, Shibani e Buckingham Shum argumentam que a coautoria com IA generativa mina várias formas de evidência de validade, e propõem a integridade de coautoria como uma fonte de evidência de validade por direito próprio — violada quando um estudante entrega conteúdo gerado por IA que não compreende. Para verificar a propriedade em escala, em vez de por inspeção, eles relatam o trabalho sobre uma AI Viva: um agente conversacional que conduz uma viva voce híbrida, fazendo perguntas de compreensão de tipo e complexidade controláveis, validada em profundidade por educadores e especialistas em avaliação. Isso vale a pesagem contra supervisionar tudo: uma defesa falada do próprio raciocínio escala de um modo que o monitoramento de sala não escala, e produz evidência sobre a compreensão, e não sobre quem estava na sala.

Decida o que a IA dentro do seu curso pode fazer

A comparação que importa não é IA versus nenhuma IA. É IA incorporada e restringida versus um chatbot desconectado, e as duas produzem resultados diferentes.

O assistente AIDA da Open University é o caso incorporado mais bem documentado: seis estudos iterativos baseados em desenho ao longo de 18 meses com 498 estudantes e 20 funcionários, em uma instituição que atende mais de 200.000 estudantes em mais de 50 países. Em um ensaio randomizado exploratório, os estudantes que usavam o AIDA passaram o dobro do tempo e visitaram mais páginas em seu curso do que o grupo de controle, e 96% queriam o assistente disponível em seus estudos formais. Feito sob medida e dentro do ambiente vence genérico e externo.

A revisão de Lock, Arteaga e Johnson (2025) — 63 citações em 32 países — acrescenta uma condição social à condição de desenho: os estudantes que usavam o ChatGPT junto com a tutoria do professor percebiam maiores ganhos de aprendizagem do que aqueles que o usavam sozinho. O assistente suplementa o instrutor ou substitui a relação, e apenas uma dessas duas coisas é um desenho de curso.

Dois cuidados merecem ser levados a sério. A falha do KhanMigo não foi técnica: os aprendizes simplesmente não se engajavam com o chatbot e a evidência de ganhos era limitada, o que aponta para prontidão organizacional e adequação instrucional, e não para qualidade do modelo. E o lado do instrutor não está automaticamente pronto: em uma comparação da formação de professores na África do Sul, o TPACK autorrelatado para o ensino de ciências com IA integrada era de 64,0% em uma universidade presencial contra 47,4% em uma universidade a distância, com o conhecimento pedagógico sendo o domínio mais fraco em ambas (Ensino e aprendizagem online). Implantar um assistente em um curso assíncrono não treina as pessoas que precisam julgar seu resultado.

Decida como a discussão assíncrona é de fato mediada

Os fóruns de discussão são o lugar onde os cursos assíncronos ou constroem comunidade ou silenciosamente se tornam caixas de entrega. Dois achados deveriam moldar o que você automatiza ali.

Primeiro, o momento é a parte difícil, não a detecção de tópico. Tsirmpas e colegas construíram o corpus PEFK para comparar conjuntos de dados de mediação, e então conduziram o primeiro levantamento sobre o momento da mediação com facilitadores humanos especialistas e juízes de LLM. Os humanos foram mais cautelosos quanto a intervir; os LLMs eram excessivamente ávidos. Ambos estavam mais certos ao julgar que a mediação não era necessária do que ao julgar que era. Modelos classificadores treinados superaram as configurações de LLM, e mesmo assim os conjuntos de dados existentes limitavam o desempenho. A leitura prática: não entregue a moderação autônoma a um agente, e se você usar IA em uma discussão, configure-a para ficar quieta por padrão.

Segundo, a IA ajuda os estudantes a navegar um fórum sem fazê-los participar. Com 128 estudantes universitários ao longo de três iterações, Hao e Cukurova (2026) descobriram que os resumos de discussão gerados por IA ampliavam a exposição às contribuições dos pares e fortaleciam a conectividade da rede — os laços fracos que a teoria do capital social chama de ponte — ao reduzir o esforço de encontrar postagens significativas. Eles não impediram que a atividade de visualização diminuísse ao longo do curso. O resumo é um apoio de navegação, não um substituto para gerar participação.

A estrutura que mitiga isso é uma sequência, e não um tópico: Posição → Desafio → Reconsideração. Os estudantes se comprometem com uma interpretação fundamentada no material do curso, depois encontram outra perspectiva, um contraexemplo ou uma crítica, e então explicam se e como seu raciocínio se moveu. O que você avalia é o movimento entre ideias, não o número de postagens — e uma postagem entregue mais duas respostas já não o demonstra, já que a terceira demonstração acima tem um agente minerando as postagens de um par e se passando pela história de vida de um colega de turma.

Como aquilo que um agente imita é o comportamento de superfície, as contribuições do próprio instrutor se tornam o recurso escasso. Responder mecanicamente a dezenas de postagens individuais é a forma menos valiosa de presença de ensino; sintetizar ao longo da discussão é a mais valiosa — três suposições continuam aparecendo nas suas análises; vários de vocês leem esta evidência de forma diferente; este argumento é convincente até introduzirmos este contraexemplo. Isso é orquestração em vez de produção de mensagens, e é a parte que nenhum agente nesta literatura desempenha.

A questão de framework subjacente a ambas é a responsabilização. Ba, Gašević, Lim e Anderson (2026) argumentam que a IA generativa abala a suposição da comunidade de inquérito de que os indicadores de presença podem ser atribuídos a humanos de forma alguma: eles tratam a IA generativa como uma condição epistêmica, e as presenças como realizações sociotécnicas cuja relação com a qualidade do inquérito depende de onde a responsabilização humana se situa. A implicação de desenho para um curso assíncrono é concreta — decida e declare quem é responsável pelo quê em cada troca, em vez de supor que a presença surge porque um fórum existe.

Decida como os estudantes mantêm o ritmo sem uma sala em que entrar

Os formatos autodirigidos pressupõem autorregulação e raramente a ensinam. A evidência sobre quais comportamentos de fato se correlacionam com permanecer na tarefa é excepcionalmente prática.

Pesquisando 530 estudantes universitários com mineração de regras de associação e agrupamento, Shi et al. (2026) descobriram que os comportamentos de aprendizagem autorregulada — definição de metas, estruturação do ambiente e gestão do tempo — coocorriam de forma mais consistente com baixa distração digital, junto com o engajamento aprendiz–instrutor e aprendiz–conteúdo e a competência técnica. Notavelmente, a dependência da busca de ajuda dos pares e o engajamento aprendiz–aprendiz apareciam menos frequentemente nos perfis de baixa distração. Estruture o ambiente e o cronograma antes de desenhar mais uma atividade em grupo.

A autorregulação também não é um traço fixo que se possa supor ou descartar. Ao longo de um semestre inteiro com 75 estudantes do primeiro ano, Song et al. (2026) descobriram que a ARL funcionava tanto como aptidão estável quanto como estado flutuante: as linhas de base individuais se mantinham firmes, enquanto o conhecimento metacognitivo e o bem-estar declinavam sistemicamente ao longo do semestre, impulsionados por demandas curriculares como os prazos das grandes avaliações. Agrupar prazos pode ser uma escolha administrativa eficiente, e é também um imposto mensurável sobre a regulação da qual o formato depende.

A janela de intervenção é conhecível. Zhang, Jeffries e Koprinska (2025) mostraram que o aprendizado de máquina interpretável sobre registros de interação com o conteúdo prevê o progresso no nível do módulo e sinaliza desfechos de evasão até 7–8 dias antes dos prazos dos módulos em cursos online de programação em grande escala. Isso é antecedência suficiente para enviar um estímulo específico a um estudante específico, e é melhor do que descobrir a falha na hora de corrigir. Para aprendizes adultos e a distância, as diretrizes de desenho do AI-ALOE acrescentam a restrição que mais importa: acesso móvel, capacidade offline e genuína disponibilidade assíncrona, já que esses aprendizes estudam em fragmentos de tempo entre outras obrigações.

O que a IA pode tirar do seu prato como desenhista

Dois usos têm evidência razoável por trás deles, e ambos miram na carga de trabalho do instrutor, e não no pensamento de quem aprende.

Custo de produção. O MAIC reformula a transmissão do MOOC de "um vídeo para N estudantes" como "N agentes para um estudante", usando agentes especializados de professor, assistente, colega de turma e analisador sobre uma fundação de modelo compartilhada. Seus autores relatam a queda da produção do curso de aproximadamente US$25.000 e 60 horas** por MOOC para **menos de US$ 2 e 30 minutos, pilotado na Tsinghua em dois cursos com mais de 100.000 registros de aprendizagem de mais de 500 estudantes, e lançado como OpenMAIC de código aberto. A mídia personalizada é a mesma ideia no nível do ativo: em um curso online grande, Tomlinson et al. (2026) descobriram que os estudantes preferiam vídeos personalizados gerados por IA em vez de vídeos gravados por humanos não personalizados, com o efeito da personalização superando o valor atribuído a um apresentador humano.

Navegação no fórum. O apoio de resumo acima reduziu o custo de localizar boas contribuições sem sobrecarregar os instrutores com o resumo.

O que não automatizar. Decidir se um texto é o pensamento próprio do estudante, julgar se uma discussão precisa de intervenção, e calibrar a dificuldade são as tarefas que a evidência diz serem ou não confiáveis ou portadoras de responsabilização. O material gerado também precisa de revisão pedagógica antes de receber crédito — produção barata não é o mesmo que desenho sólido.

Dê à IA um papel declarado, e depois verifique se o estudante ainda tem um

"Os estudantes podem usar IA" é uma especificação ampla demais para se desenhar contra. Nomear o papel é o que torna uma atividade desenhável, e os papéis carregam consequências para a presença: um estudo sobre IA generativa na educação em marketing distingue tutor, companheiro de equipe e ferramenta, mostra cada um influenciando a presença de ensino, social e cognitiva de forma diferente, e lista as exposições éticas familiares — privacidade de dados, plágio, dependência e justiça da avaliação (GenAI in Marketing Education). O mesmo modelo pode ser um questionador socrático antes de uma tarefa, um crítico depois de um primeiro rascunho, uma parte interessada simulada durante uma análise de caso, um oponente cujo argumento deve ser refutado, um tutor que dá pistas durante a prática, ou um editor trazido apenas depois que o raciocínio substantivo existe. Essas são atividades diferentes, e confundi-las é como "a IA é permitida" passa silenciosamente a significar "nada foi desenhado".

O apoio fornece o teste: o suporte deve ajudar os aprendizes a fazer o que ainda não conseguem fazer sozinhos, e deve se desvanecer à medida que a competência se desenvolve. Um modelo que continua fornecendo soluções completas não é um apoio — está fazendo a tarefa. Então, para cada atividade habilitada por IA, o desenhista deveria ser capaz de completar esta frase sem hesitação:

O trabalho da IA aqui é _______, enquanto o trabalho do estudante é ________.

Se o segundo espaço contém pouco pensamento significativo, a atividade precisa ser redesenhada, e não uma política mais rigorosa.

Ensine avaliação, não apenas operação

A alfabetização em IA não é a capacidade de operar um chatbot; ela inclui avaliação crítica, julgamento metacognitivo e saber quando não usar a ferramenta de forma alguma — e a base de conhecimento é consistente em que a confiança autorrelatada é um fraco substituto para a competência demonstrada. Isso aponta para uma mudança que qualquer curso assíncrono pode adotar imediatamente: às vezes, entregue você mesmo o resultado da IA aos estudantes. Entregue duas respostas concorrentes e pergunte qual é mais forte e por quê. Peça a afirmação mais fraca, a suposição ausente, a fonte não verificável, a explicação plausível que é no entanto errada. Pergunte que evidência mudaria a opinião deles.

Enquadrada assim, a capacidade que está sendo avaliada não é mais apenas este estudante consegue produzir uma resposta?, mas este estudante consegue reconhecer se uma resposta merece confiança? — mais perto do que a disciplina realmente exige, e muito mais difícil de delegar. As práticas de verificação e o material de alfabetização em IA são onde a técnica vive; o que importa aqui é colocar a avaliação dentro da tarefa avaliada, em vez de deixá-la como conselho.

As objeções que você vai ouvir

"São adultos que escolheram um curso assíncrono. Se eles deixam a IA escrever, é a decisão deles." O argumento da escolha valeria se o curso não certificasse nada. Ele certifica. A evidência do ALEKS mostra que o atalho produz uma aparência de competência que não sobrevive a uma verificação supervisionada, e o custo recai sobre o estudante mais tarde — no próximo curso, no exame de licenciamento ou no emprego. Há também uma vantagem de equidade: os aprendizes mais propensos a terceirizar são frequentemente os que têm menos tempo, que é precisamente o grupo que um curso assíncrono existe para servir.

"A detecção é a resposta." A detecção é contestada, e o resultado da supervisão acima mostra por que o desenho vence a vigilância: o dano desapareceu quando as condições mudaram, não quando a vigilância se intensificou. A detecção também carrega custos de falso positivo e transforma a instrução em uma corrida armamentista. Redesenhe a tarefa e mantenha uma medição sem assistência em vez disso — veja Como posso reduzir a cola com IA no meu curso? e Como redesenho a avaliação para que uma nota ainda me diga algo defensável sobre o que o estudante sabe ou consegue fazer?.

"A presença de ensino é impossível a distância, então o assíncrono é inerentemente inferior." A presença em um curso assíncrono é desenhada, e não pressuposta, e a reconceitualização da CoI acima diz que seus indicadores são realizações sociotécnicas na era da IA generativa. O teste piloto do AIDA é um contraexemplo útil: o apoio generativo incorporado dobrou o tempo na tarefa em um curso sem nenhum encontro sincrônico.

"A supervisão é vigilância e eu não vou impô-la." Uma posição defensável, e ela não o deixa sem opções. Artefatos que revelam o processo, avaliação oral assíncrona, autoexplicação e a AI Viva descrita acima capturam todos o raciocínio sem monitorar a sala de ninguém. Se você usa uma condição supervisionada, diga isso no programa do curso, explique o raciocínio, e restrinja-a às avaliações que certificam competência.

"Então tornem tudo sincrônico e supervisionado." Muitos estudantes escolhem o estudo assíncrono precisamente porque têm emprego, responsabilidades de cuidado, deficiências ou restrições geográficas que tornam difícil a frequência sincrônica, e a detecção carrega seus próprios custos de equidade: ferramentas que sinalizam escritores não nativos produzem desproporcionalmente falsos positivos que penalizam o trabalho honesto (Detecção de IA). A alternativa proporcional é um pequeno número de momentos de verificação dentro de um curso de outra forma flexível: uma explicação gravada breve, uma aplicação personalizada, uma resposta a uma pergunta selecionada pelo instrutor, uma trilha de decisão anotada, uma verificação individual de baixo risco. A verificação deveria elevar a validade da sua evidência sem remover a flexibilidade que tornou o formato digno de ser oferecido.

O que a evidência não resolve

A revisão sistemática de IA na educação a distância (56 artigos, 2020–2025) cobre personalização (24 estudos), avaliação e feedback (19), interação humano–IA (17) e governança e equidade, e conclui que a base é de curto prazo e transversal, com pouco trabalho longitudinal. A revisão de IA e engajamento estudantil na aprendizagem online (24 estudos) está limitada a uma base de dados, trata apenas do engajamento, e confunde explicitamente contextos sincrônicos com assíncronos — então suas conclusões não deveriam ser lidas como específicas do assíncrono. A avaliação oral assíncrona repousa sobre dois estudos em dois cursos. O MAIC é um piloto. Os conjuntos de dados de momento de mediação limitam o desempenho mesmo com classificadores treinados. E nenhum estudo aqui acompanha uma coorte assíncrona por tempo suficiente para mostrar se a avaliação redesenhada produz aprendizagem durável em vez de melhor evidência dela. Trate tudo isso como forte o bastante para mudar seu próximo curso e fino demais para justificar uma afirmação de política.

Faça isso esta semana

Em dez minutos: pegue a sua avaliação de maior peso e acrescente uma condição que o estudante completa sem assistência. Diga a eles por que ela existe.

Antes que a próxima tarefa saia: pegue a tarefa que a IA agora completa de ponta a ponta e reescreva-a de modo que o processo seja o artefato — um registro de decisão, um rascunho escalonado, uma autoexplicação, uma comparação de duas tentativas. Se a tarefa pode ser terminada sem nenhum desses raciocínios, o raciocínio nunca foi exigido.

Neste semestre: converta uma avaliação principal em uma defesa oral assíncrona com rubricas incorporadas; defina a permissão de IA por tarefa no programa do curso e a coloque onde os estudantes vão de fato lê-la; espace os prazos principais em vez de agrupá-los; e abra uma janela de 7–8 dias antes do prazo em que você entra em contato com os estudantes cujos dados de interação silenciaram.

Passe três perguntas pela sua tarefa mais fraca. (1) Um sistema de IA poderia completar esta atividade sem que o estudante compreendesse o material? (2) Qual atividade cognitiva deveria produzir a aprendizagem aqui? (3) Que evidência mostrará que o estudante realmente realizou essa atividade? Se a primeira resposta é sim e as outras duas são difíceis de responder, o problema é o desenho da aprendizagem, e não a política de IA — e nenhuma redação da política vai consertá-lo.

O objetivo não é um curso em que a IA não possa participar. É um curso em que a IA possa participar sem deslocar a aprendizagem que o curso existe para produzir.

Para onde ir a seguir: as regras em nível de curso pertencem a Como escrevo uma política de IA para o curso e a comunico aos estudantes?; a reconstrução da avaliação é coberta em Como redesenho a avaliação para que uma nota ainda me diga algo defensável sobre o que o estudante sabe ou consegue fazer?; o problema da dependência sob ela em Como evito que os estudantes dependam excessivamente da IA?; as cargas de trabalho do instrutor e o que a IA realisticamente remove em Como a IA pode me poupar tempo como professor?; e a visão de desenho da incorporação da IA em uma experiência de aprendizagem em Como a IA deve ser incorporada ao desenho da experiência de aprendizagem?.