Como escrevo uma política de IA para o curso e a comunico aos estudantes?

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

Você tem um programa de curso, uma folha de tarefas e uma sala cheia de estudantes que já escreveram suas próprias regras privadas sobre IA generativa. O que quer que você publique tem de ser justo com o estudante que joga pelas regras e com o que não joga, e tem de ser algo que você consiga de fato aplicar a quarenta entregas sem se tornar nem um mole nem um policial.

A conclusão principal: escreva menos regras do que a tentação manda, amarre cada uma à coisa específica que você está avaliando, nomeie um único lugar padrão onde os estudantes declaram o uso de IA, e faça da sua via de aplicação uma evidência que você possa ver com os próprios olhos, em vez de uma pontuação de detector. Uma política que se explica está fazendo, ao mesmo tempo, trabalho de desenho de avaliação e de comunicação — e é por isso que ela toma uma tarde e economiza um semestre de discussões.

Esta página cobre o documento em nível de curso para um módulo, curso ou eixo de programa. A suposição ao longo de toda ela é que você já decidiu o que está avaliando; a pergunta é como dizer isso e fazer isso pegar.

Como são de fato as políticas de curso hoje

Uma análise de conteúdo de 116 políticas institucionais sobre IA generativa de 131 universidades R1 dos EUA e 98 programas de curso de ciência da computação de 54 delas encontrou instituições amplamente favoráveis ao uso — 63% encorajam o uso de IA generativa, 41% oferecem orientação detalhada para a sala de aula, 27% o desencorajam —, enquanto metade dos programas de curso (50%) o proíbem liminarmente, 41% permitem uso parcial para atividades especificadas e 7% comunicam encorajamento. Ganguly et al. (2026) chamam isso de lacuna top-down versus bottom-up: 92% dos programas de curso dão orientações explícitas, mas os instrutores escrevem regras locais que podem não se alinhar com a orientação institucional, e apenas 47 instituições tinham ambos os níveis detectáveis. A citação é a única coisa em que ambos os níveis concordam, exigida por 83% dos programas de curso. A sua regra local é aquela que os estudantes encontram primeiro, e ser mais rigoroso do que a sua instituição é normal — mas é um compromisso que você assume sozinho.

Chirikov (2026) acompanhou mais de 31.000 programas de curso em uma grande universidade pública de pesquisa no Texas de 2021 a 2025: a regulação subiu de quase zero antes do ChatGPT para 55% dos cursos no outono de 2025, enquanto a parcela de políticas totalmente restritivas caía cerca de 5 pontos percentuais por ano. No outono de 2025, os instrutores restringiam mais comumente a redação e a revisão (79%) e o raciocínio e a resolução de problemas (65%), e permitiam mais comumente edição e revisão de texto (83%), apoio ao estudo e síntese (80%) e programação (75%); a ideação foi o uso mais contestado (46% permitem, 54% restringem). As menções a integridade acadêmica caíram de 63% para 49%, enquanto as referências ao impacto da IA na aprendizagem subiram de 1% para 29% e as exigências de atribuição de 16% para 43%. Os instrutores estão migrando de uma linguagem de "não trapaceie" para uma de "aqui está por que esta fronteira protege a sua aprendizagem".

Nash e Burriss (2026) analisaram 27 políticas de sala de aula sobre IA escritas por professores pré-serviço de língua inglesa e artes: 26 de 27 permitiam algum uso de IA, quase sempre em termos, horários e lugares especificados pelo professor, e uma a proibia inteiramente. A ideação foi o uso mais amplamente permitido (22 de 27) e o mais ambíguo; 22 desautorizavam ou deixavam incerta a composição de frases, parágrafos ou textos pela IA; 16 permitiam verificação gramatical e revisão de texto, enquanto 16 proibiam a produção de grandes textos gerados por IA; e 22 de 27 não abordavam a leitura de forma alguma. A falha recorrente era a operacionalização: uma política permitia a IA "para dar início ao seu pensamento" e declarava "é aqui que a linha deveria ser traçada" sem dizer onde. Essa ambiguidade é um defeito, não uma concessão — ela deixa os estudantes incapazes de cumprir e você incapaz de aplicar um padrão consistente.

O que escrever, e onde colocar

Comece pelas tarefas, não pela filosofia. O método trabalhado mais claro é o de McCorkle (2025), que substituiu uma proibição geral que os estudantes não acreditavam se aplicar a eles. O problema era o desalinhamento, não a desafio: os estudantes não se viam como se comportando desonestamente. O método foi inventariar cada tarefa do projeto de semestre, perguntar de cada uma "o que, especificamente, estou avaliando?", emparelhar cada tarefa com um uso profissional plausível de IA generativa, e decidir tarefa por tarefa, pesando a necessidade de avaliar uma capacidade contra o valor de construir uma competência para o mercado de trabalho. A política resultante é deliberadamente desigual: brainstorming permitido, mas compor objetivos de aprendizagem específicos e mensuráveis não; curadoria de imagens permitida, mas desenho da mensagem no nível do slide não; roteiros e narração permitidos, com avaliação exigida do resultado da IA.

No programa do curso: o resumo curto — as tarefas, o uso permitido para cada uma, como funciona a declaração, e a consequência de uma fronteira cruzada. Na folha de tarefas: o destaque, porque um resumo só é grosseiro demais para um projeto complexo — a redação de McCorkle funcionou porque dava uma razão endereçada aos estudantes na segunda pessoa, nomeando a avaliação que justifica cada restrição. Em sala de aula: diga a regra em voz alta uma vez, no momento em que ela se aplica pela primeira vez, e amarre-a ao trabalho que está diante deles — uma regra que o estudante encontra primeiro sozinho é uma que ele interpreta sozinho.

A mecânica da declaração merece seu próprio parágrafo no programa: os estudantes que codesenharam uma política de curso por meio de inquérito guiado priorizaram treinamento para estudantes e instrutores, procedimentos padronizados de declaração, apoio institucional mais forte e maior envolvimento nas decisões sobre IA (Hingle e Johri (2026)). Diga como, onde e em que forma um estudante declara o uso de IA, e diga isso uma vez. O movimento equivalente de Pisan (2026) foi tornar o registro de prompts o artefato avaliado: quando um modelo faz a produção, o prompt e o registro de interação são a coisa que vale versionar.

Escreva apenas regras que você pode aplicar

Uma regra que exija monitoramento por tarefa, ou uma decisão de julgamento sobre quando uma avaliação "começa", será aplicada de forma inconsistente, e a inconsistência é ela própria um problema de equidade. Regimes baseados em detectores trazem um custo de vigilância que recai de forma desigual e levantam questões de supervisão remota e retenção de dados. O achado de Chirikov de variação disciplinar e por tarefa substancial argumenta por frameworks que concedam aos instrutores autonomia dentro de seu domínio, em vez de mandatos únicos para todos.

Há aqui uma dimensão de equidade: políticas opacas pressupõem conhecimento de fundo compartilhado sobre autoria, atribuição e as normas do trabalho acadêmico, então elas recaem com mais força sobre os estudantes que chegam sem esse conhecimento. O argumento de McCorkle é o de que a transparência desmonta parte desse currículo oculto e reduz a chance de que uma falha de política se torne uma questão disciplinar. A versão mais barata de tudo isso são regras menos numerosas e mais específicas — as tarefas que você avalia, os usos permitidos para cada uma, a mecânica da declaração e a consequência de uma fronteira cruzada —, com a razão de cada fronteira declarada.

Como dizer isso para que os estudantes cumpram

As regras de declaração não funcionam como mecanismos de cumprimento por si sós; supor que funcionem é o erro de desenho mais comum. Em um estudo de métodos mistos com 409 estudantes de graduação, Qu e Wang (2026) descobriram que a não declaração era uma adaptação estratégica às normas percebidas dos pares e à baixa confiança interpretativa nos instrutores, e não negligência moral: a declaração percebida dos pares e o conforto com os instrutores foram os preditores mais fortes da própria declaração dos estudantes, enquanto o desengajamento moral teve efeitos mais fracos. O clima relacional é uma variável desenhável, e mandatos por si só são insuficientes: o que os estudantes acreditam que seus pares estão fazendo, e se confiam em você para ler uma declaração com justiça, prediz a honestidade deles melhor do que a severidade da sua redação.

Kim et al. (2026) identificaram cinco locais distintos onde a política real de um curso vive — intenção do corpo docente, política formal, interpretação do estudante, autopolítica do estudante e prática do estudante —, com lacunas sistêmicas entre eles, além de 23 racionalizações em seis classes que os estudantes usavam para justificar o uso de IA na escrita acadêmica, de "nenhuma vítima humana" a "indiferença do instrutor". Essas racionalizações eram ad hoc e post hoc: os estudantes explicavam um comportamento que já havia acontecido, em vez de raciocinar de antemão, e é por isso que uma redação mais clara e uma detecção mais dura não fecham a lacuna por si sós. Um participante que queria obedecer a uma regra estrita de proibição de IA continuou usando IA e relatou que a proibição "está criando um conflito para mim, porque estou quebrando as regras" — a proibição intensificou o conflito moral em vez de prevenir o uso. Se uma regra produz culpa sem cumprimento, ela não está trabalhando; está erodindo a relação de que você precisa para a declaração.

Observe o que você modela: como a maioria das tarefas no curso de Pisan declarava o prompt usado para gerá-las, um estudante leu a transparência como permissão: "a dependência do professor em relação à IA para corrigir e criar tarefas também tornou difícil não usar a IA nas tarefas da mesma forma". Modelar uma norma faz parte da política tal como os estudantes a vivenciam, seja o que for que o programa do curso diga.

Uma declaração-modelo que você pode adaptar:

Uso de IA neste curso. Quero que vocês saiam deste curso capazes de fazer X sozinhos, por isso avalio X diretamente. Vocês podem usar IA para [usos permitidos] em [lista de tarefas]; vocês não podem usá-la para [usos restritos], porque esses são o que estou avaliando. Se vocês usarem IA em qualquer parte do trabalho, me digam no [único lugar nomeado — por exemplo, uma linha de declaração em cada entrega] para que a usaram e colem os prompts. Declarar nunca vai baixar a nota de vocês; não declarar vai. Se vocês não têm certeza se um uso é permitido, me perguntem antes de entregar, não depois.

Essa última frase move o ponto de decisão para antes do trabalho.

As quatro conversas que geram conflito

O estudante que usou IA e não disse. Trate isso como uma questão de processo, não de caráter. Mohamed e Temimi (2026) modelam a avaliação como um problema de informação imperfeita: o estudante sabe como o trabalho foi produzido e a instituição vê apenas o artefato e rastros parciais. O modelo de região de resposta deles compara três respostas — nenhum uso de IA, uso declarado e uso oculto — e pergunta qual cada mecanismo torna mais atraente. A proibição define a fronteira formal, mas deixa o uso oculto atraente quando os estudantes percebem a detecção como fraca; o monitoramento eleva o custo esperado do uso oculto sem aumentar a declaração; os estudantes se tornam cautelosos sem se tornar transparentes. A permissão com declaração torna o relato honesto viável apenas quando o custo da honestidade é baixo. Na prática: pergunte o que o trabalho deveria avaliar, peça ao estudante que dê conta do seu processo, e trate uma declaração tardia como informação, não como confissão.

O estudante que cita a IA para tudo. Isso costuma ser uma lacuna de habilidades vestida de traje de cumprimento. As exigências de atribuição nos programas de curso subiram de 16% para 43%, enquanto as menções a integridade acadêmica caíram de 63% para 49% — o campo está pedindo citação, não confissão. Especifique o formato uma vez, em um único lugar, na folha de tarefas, em vez de em uma nota de rodapé do programa. Declare o que conta como atribuição adequada para a sua disciplina, e dê um exemplo trabalhado. Onde o problema real é que o estudante ainda não consegue fazer o trabalho subjacente sem o modelo, a resposta é o desenho da tarefa, não a regra.

Trabalho em grupo. As tarefas em grupo são onde os cinco locais da política divergem mais rápido: cinco estudantes podem ter cinco interpretações diferentes de uma frase, e apenas uma entrega é avaliada. Decida e publique, para cada entregável de grupo, se o uso de IA é permitido, quem o declara e o que acontece quando um membro sai fora da regra — antes de o projeto começar, não durante a disputa. Se você não consegue declarar a contribuição individual de que um membro é responsável, avalie a tarefa apenas como trabalho de grupo, em vez de adjudicar a autoria depois do fato.

Declaração que você não pode verificar. Algumas declarações serão incompletas e algumas omissões serão infalsificáveis. Não construa a regra em torno de uma resolução que você não pode alcançar: Bassett et al. (2026) argumentam que a detecção de IA não deveria ser usada na educação de forma alguma, com base em três fundamentos que repercutem diretamente na redação de políticas. O resultado do detector é uma estimativa probabilística que não pode ser verificada de forma independente, porque a origem real do texto no mundo é desconhecida, então a validação corre sobre raciocínio circular. As pontuações do detector não atendem ao padrão de balanço de probabilidades que uma investigação de integridade exige. E a dicotomia humano versus IA é sem sentido para um trabalho criado com, e não por, a IA. A conclusão deles é a de que a detecção "não salvaguarda a integridade acadêmica; ela a mina". Eles também sinalizam um problema de redação: regras que restringem o uso de IA "em avaliação" deixam de especificar quando uma avaliação começa, então pesquisa, planejamento ou edição assistidos por IA podem ou não ser uma violação, dependendo de quem está lendo. Em vez disso, nomeie evidência de processo que você possa observar — um prompt entregue e um registro de interação, um exercício em sala produzido na sala, uma explicação oral — e trate um uso declarado de IA como contexto. Onde a sua instituição usa um detector de qualquer forma, as advertências dos mesmos autores sobre armazenamento de dados, retenção e uso comercial do trabalho dos estudantes se aplicam; a objeção de privacidade que dois professores pré-serviço levantaram é a objeção que os seus estudantes vão levantar.

"Mas..." — as três objeções que você vai ouvir

"Os estudantes vão simplesmente esconder." Alguns vão, e a questão de desenho é quais estudantes a sua regra tenta. A dissuasão passa pela discriminação de um detector entre uso oculto e trabalho legítimo, e não pela sua taxa bruta de captura, então, quando a sensibilidade extra produz mais novos falsos positivos do que novos verdadeiros positivos, um monitoramento mais forte pode tornar a ocultação relativamente mais atraente — os estudantes honestos são penalizados mais rápido do que os usuários ocultos são identificados. E permissão e declaração são alavancas diferentes: a permissão move a fronteira do uso aceitável, a declaração muda a visibilidade. Diagnostique onde a sua tarefa puxa mais fortemente o estudante mais tentado a ocultar, e desenhe para esse estudante, não para o mais consciencioso.

"Eu não quero proibir ferramentas que não consigo detectar." Você não precisa. A proibição é apenas uma de quatro respostas de desenho, ao lado do monitoramento, do uso permitido com declaração, e do redesenho. O redesenho muda o que a tarefa recompensa, e permanece cosmético se a rubrica ainda avalia principalmente o produto final. Pisan (2026) mostra as opções tornadas explícitas e graduadas por nível: o uso de IA é vedado no curso introdutório de programação, porque terceirizar os primeiros laços de repetição remove a coisa que está sendo ensinada; encorajado nos projetos de estruturas de dados (Copilot permitido), mas vedado nos exames em papel e caneta; um auxílio de estudo e revisão no curso de sistemas do ciclo avançado; e exigido no próprio curso de IA, onde uma fronteira carregava a maior parte do peso — o modelo pode escrever código, mas as reflexões precisam ser da voz do estudante. A avaliação passou para um trabalho que um modelo não consegue escrever por procuração em silêncio, com os exames removidos inteiramente.

"A política da minha instituição já cobre isso." Menos do que você pensa. Essa lacuna top-down versus bottom-up corre nos dois sentidos: 92% dos programas de curso dão orientações explícitas, enquanto as regras locais derivam da orientação institucional, e apenas 47 instituições tinham ambos os níveis detectáveis. Aquisição, dados e ciclos de revisão pertencem a Como escrevemos e implementamos uma política institucional de IA?, mas a tradução para a sala de aula é sua. Nash e Burriss concluem que as instituições devem equipar os professores tanto para resistir quanto para adotar, fornecendo a orientação e o desenvolvimento profissional que permitam a um instrutor recusar um uso específico de IA sem ser enquadrado como atrasado — o tecnodeterminismo de seus participantes contradizia seus próprios compromissos pedagógicos. Ter uma política institucional não é o mesmo que ter cobertura para a sua decisão de julgamento.

Sua primeira semana: uma lista de ações

• Inventarie as tarefas avaliadas e pergunte de cada uma: "o que, especificamente, estou avaliando?" antes de decidir qualquer coisa sobre IA.
• Decida tarefa por tarefa, e verifique qual resposta essa decisão torna mais atraente para o estudante mais tentado a ocultar.
• Não faça do detector o mecanismo de aplicação; nomeie em seu lugar evidência de processo que você possa observar — registros, trabalho em sala, uma verificação oral.
• Diga como e onde os estudantes declaram o uso de IA, em um único lugar padrão, e trate uma declaração como contexto, e não como confissão.
• Declare cada regra como uma razão, nomeando a avaliação que ela serve, com lembretes nos projetos complexos.
• Escreva apenas regras que você possa aplicar de forma consistente ao longo de um ciclo de correção, e corte as que você não pode.

Para onde ir a seguir

Governança, política de dados, aquisição e ciclos de revisão pertencem a Como escrevemos e implementamos uma política institucional de IA?; regras institucionais e distritais mandatadas ficam com Política educacional de IA e Governança de IA; reconstruir a própria tarefa para que uma nota ainda apoie uma inferência defensável fica com Como redesenho a avaliação para que uma nota ainda me diga algo defensável sobre o que o estudante sabe ou consegue fazer?.