Como posso reduzir a cola com IA no meu curso?

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

A direção mais forte na base de conhecimento é confiar menos na detecção e mais no desenho de avaliação estrutural, em expectativas explícitas, na verificação da aprendizagem e no letramento em IA. A síntese Integridade Acadêmica relata limitações substanciais na detecção de texto gerado por IA e argumenta que a integridade acadêmica na era da IA generativa é cada vez mais um problema de desenho de avaliação, e não simplesmente um problema de detecção. As ferramentas de detecção são não confiáveis e processualmente injustas. Em um estudo controlado de 642 resumos publicados em inglês, dois detectores comerciais sinalizaram edição leve de IA em conformidade com as diretrizes em 38–80% dos casos, sinalizaram originais não modificados de 2023–25 em 9–15% (fora do STEM muito acima do STEM, p < 0,001) e — após a "humanização" por IA — capturaram menos de 4% das reescritas rotuladas como IA, uma aporia da integridade que pune a assistência honesta ao mesmo tempo que permite a evasão deliberada. (Why AI Detection Fails for Academic Integrity) Em um estudo de campo encoberto, 94% das submissões integralmente geradas por IA injetadas em exames online reais ao longo de cinco módulos de psicologia passaram não detectadas, e o trabalho de IA em média superou a nota dos estudantes reais; a Vanderbilt University desativou seu detector licenciado depois de não conseguir validar uma taxa de falso positivo anunciada de 1%, que implicaria cerca de 750 estudantes rotulados incorretamente entre 75.000 submissões anuais. (Detecting the Undetectable? Reassessing Academic Misconduct Procedures in the Era of Generative AI) A detecção isolada é, portanto, uma alavanca fraca — a alavanca mais forte é o argumento de desenho de avaliação exposto por completo em Como redesenho a avaliação para que uma nota ainda me diga algo defensável sobre o que o estudante sabe ou consegue fazer?. Abaixo estão abordagens concretas e acionáveis, ordenadas aproximadamente pela força da evidência.

1. Ferramentas de IA com proteções: "dê a dica, não a resposta"

Configure quaisquer estudantes de IA que os alunos usarem para que eles deem apoio em vez de revelar. O achado causal mais forte da base de conhecimento é um ensaio controlado randomizado de campo em que um tutor estilo ChatGPT sem proteções elevou o desempenho na prática assistida +48%, mas reduziu as notas em prova sem assistência −17%; um tutor com proteções (dicas em vez de respostas, mais informação de problemas autoria de professores) eliminou o dano por completo. (Generative AI without guardrails can harm learning: Evidence from high school mathematics) Um grande estudo com 26.811 estudantes descobriu que terceirizar as tarefas de casa elevou as notas de tarefas de casa em 18%, mas rebaixou as notas em provas sem consulta em 20% ao longo de seis meses — o dano exato que as proteções e as medidas sem assistência visam prevenir. (The Generative AI Learning Penalty: Evidence from Chinese Secondary Education)

Exemplos concretos:

• Ajuste o tutor para dar dicas incrementais e socráticas em vez do próximo passo da resposta.
• Alimente a IA com soluções corretas e concepções errôneas comuns para que ela possa mirar os erros.
• Exija uma tentativa do estudante antes de a IA revelar sua saída ("mostre sua tentativa primeiro").
• Trate qualquer ferramenta que faz a tarefa parecer sem esforço como fora de lugar — a regra da "se deixar a IA entrar faz a tarefa parecer sem esforço, ela está no lugar errado".

2. Redesenho da avaliação: faça a cola aparecer (e ser desestimulada) por desenho

Como o dano do mau uso depende da avaliação, mude o que conta como realização. A síntese Reduzindo o Mau Uso da IA classifica isso como Nível 1 porque funciona independentemente de o estudante escolher ou não o comportamento certo — ela restringe o ambiente, em vez de depender da motivação. A Escala de Avaliação de IA (AIAS) é um framework estruturado para isso: rotule cada tarefa por seu nível de uso de IA (por exemplo, "sem IA", "IA apenas para brainstorming", "assistência de IA com atribuição", "uso pleno de IA") para que as expectativas sejam explícitas e aplicáveis. (A bit of chaos and madness: The AI Assessment Scale and the work of assessment reform)

Uma revisão sistemática de 72 estudos sobre IA generativa na educação em computação chega à mesma conclusão a partir de uma base de evidência diferente: ela classifica o redesenho como simultaneamente viável e de maior alavancagem, destacando acrescentar um elemento oral ou de outra forma visível no processo a ao menos uma avaliação de alto impacto por curso como a intervenção única mais eficaz, e observa que a detecção é a área mais escassa de toda a revisão — apenas 3 estudos, apesar de dominar o debate institucional (Generative AI in computing education: A systematic review and a framework for responsible integration). A mesma revisão relata que 60–80% dos estudantes de computação usaram IA generativa nos trabalhos do curso, tipicamente sem autorização explícita do professor, e que 70% de uma amostra nacional de corpo docente solicitou explicitamente formação em desenho de avaliação resistente à IA.

Exemplos concretos:

• Avaliações sem assistência, em sala e sem consulta — provas supervisionadas, quizzes ou trabalhos escritos cronometrados em que os estudantes atuam sem ferramentas. Dê mais peso a eles, já que as tarefas de casa são o que a IA infla.
• Provas orais e defesas — peça aos estudantes que expliquem ou defendam o trabalho em voz alta; o diálogo em tempo real é inerentemente resistente à IA. (Reconsidering the Use of Oral Exams and Assessments: An Old Way to Move Into a New Future)
• Artefatos de processo — exija rascunhos, rastros de raciocínio, "mostre seu pensamento" anotado ou registros de reflexão para que o processo fique visível, e não apenas o produto. (From authentic products to authenticated processes: a systematic conceptual review of authentic assessment in AI-rich)
• Tarefas autênticas e contextuais — use provocações reais, ricas em dados ou pessoais, difíceis de delegar e significativas para o estudante (por exemplo, aplicar um conceito a um caso local, a um estágio ou aos próprios dados do estudante). (Beyond Detection: How Students Use—and Hide—AI in Online Assessments and What Authentic Tasks Can Do About It)
• Zonas livres de IA — designe partes do curso (ou tarefas específicas) em que a capacidade independente é genuinamente o construto sendo avaliado.
• Variação de tarefa por estudante — dê a cada estudante uma versão superficialmente distinta, mas equivalente em construto, da mesma tarefa, para que copiar seja estruturalmente inútil; trate isso como condicionado à capacidade, já que a VARIA descobriu que geradores de fronteira alcançam apenas 0,81–0,88 em uma nota conjunta de integridade, enquanto modelos não alinhados à fronteira colapsam para 0,50–0,55.

3. Verificação da aprendizagem: verifique a compreensão, não a proveniência

Em vez de tentar provar como uma submissão foi produzida, peça ocasionalmente aos estudantes que demonstrem o que aprenderam. "A Melhor Resposta ao Uso de IA pelos Estudantes Não É a Detecção, É o Diálogo" descreve conversas curtas de verificação, rascunhos iniciais, reflexões e vídeos de estudantes como mecanismos práticos.

Exemplos concretos:

• Uma explicação de 2 minutos, individual ou gravada, de uma peça entregue.
• Um quiz de acompanhamento sobre o mesmo material, feito sem ferramentas.
• Peça aos estudantes que revisem uma amostra do próprio trabalho e expliquem as mudanças.

Nota: essa fonte é um relato de praticante, então é melhor tratá-la como uma prática promissora do que como evidência causal definitiva.

A verificação também é o que torna defensível um processo de má conduta. Munoz e colegas (2026) analisaram arquivos reais de alegações de má conduta com IA generativa e descobriram que os princípios da justiça natural exigem que o estudante seja informado da alegação e receba uma oportunidade de responder antes de qualquer determinação; a oportunidade de resposta é tipicamente uma reunião investigativa ou uma entrevista de painel, e o que quer que o estudante diga passa a fazer parte do registro de evidências. As categorias de evidência deles também explicam por que a verificação tem de ser incorporada ao curso, em vez de improvisada durante a investigação: rastros comportamentais registrados pelo sistema existem apenas na avaliação supervisionada, e a evidência de processo mais fraca — rascunhos, reuniões de supervisão, apresentações — existe apenas onde essas práticas já estavam em vigor. Uma rotina de verificação é evidência de processo na qual você pode então confiar. A regra em si também precisa ser precisa: Wright (2026) mostra que proibições que tratam a transcrição de fala para texto e a redação generativa como o mesmo "uso de IA" são abrangentes demais e arriscam sancionar estudantes que não fizeram a coisa proibida, o que é um problema de justiça antes de ser um problema jurídico (Questões e riscos legais).

4. Sequências de uso com apoio: "pense primeiro, IA depois, reflita por último"

Em vez de proibir a IA, ensine aos estudantes um fluxo de trabalho estruturado que os mantenha no laço cognitivo. A síntese Reduzindo o Mau Uso da IA descreve oito princípios de desenho: preservar o atrito cognitivo, posicionar a IA como parceira de pensamento provisória (não uma autoridade), incorporar pontos de verificação de avaliação e exigir registro metacognitivo e registros de provocações.

Exemplo concreto de sequência:

1. Pense primeiro — os estudantes fazem brainstorming, esquematizam ou rascunham de forma independente antes de qualquer uso de IA.
2. IA depois — eles usam a IA para criticar, estender ou gerar alternativas contra o próprio pensamento.
3. Reflita por último — eles registram para que usaram a IA, o que aceitaram/rejeitaram e por quê (um registro de provocações + revisões).

5. Declarações de uso de IA específicas à tarefa

Substitua caixas de seleção genéricas de "usei IA ☐" por frameworks de declaração específicos do domínio que mapeiem o uso de IA para etapas cognitivas (por exemplo, planejamento estrutural versus geração de conteúdo). (Structuring Transparency: Developing Domain-Specific Generative AI Declaration Frameworks in Higher Education) Isso força os estudantes a refletir sobre como usaram a IA e esclarece a fronteira entre assistência aceitável e má conduta. Combine isso com expectativas explícitas e com a garantia de que a revelação honesta não será penalizada — políticas punitivas ou vagas ativamente impulsionam o ocultamento. (Addressing student non-compliance in AI use declarations: implications for academic integrity and assessment in higher)("Should I Tell My Teacher?" Student AI Disclosure Practices, Stigma, and Self-Regulated Learning in Higher Education)

A modelagem de desenho de avaliação de Mohamed e Temimi explica o mecanismo por trás desse conselho. A revelação só se torna a opção atraente quando o custo da honestidade permanece baixo; e, como os falsos positivos de um detector também caem sobre estudantes honestos, um monitoramento mais forte pode tornar o ocultamento relativamente mais atraente sempre que a sensibilidade extra produz mais falsos positivos novos do que verdadeiros positivos novos. Leia um uso declarado como contexto, e não como confissão, e desenhe para o estudante mais tentado a ocultar, e não para o mediano.

Exemplo concreto: uma folha de rosto que pede aos estudantes que declarem, por tarefa: Você usou IA? Em quais etapas (brainstorming / redação / revisão / verificação)? Que ferramenta e que provocações você usou? Como você avaliou a saída?

6. Construa letramento em IA e expectativas honestas

A síntese Reduzindo o Mau Uso da IA classifica o letramento em IA e a instrução em provocação como Nível 2: um módulo do K-12 (educação básica e média) que usa prática de provocação baseada em cenários com um autoavaliador de LLM melhorou as habilidades reais de provocação e elevou a confiança em usar a IA para aprender +10,4%, com 87% relatando que aprenderam a usar a IA de forma responsável. (Learning to Use AI for Learning: Teaching Responsible Use of AI Chatbot to K-12 Students Through an AI Literacy Module) Estabeleça expectativas claras sobre o que conta como cola, por que ela prejudica a aprendizagem (a lacuna entre desempenho e aprendizagem) e como os estudantes podem usar a IA de forma produtiva — isso responde aos problemas de norma de pares do "todo mundo está fazendo isso" e de racionalização documentados em Is using artificial intelligence tools for academic work cheating? Student perceptions, ethics, and the impact on academic performance and critical thinking e It's OK Because...": The Wild West of Student Rationalization of AI Use in Academic Writing.

Pesquisas com estudantes sustentam esse enquadramento. Entre 504 estudantes de sociologia, 65% haviam usado IA generativa nos trabalhos do curso, mas apenas 3% para gerar texto de tarefa e 2% para gerar um rascunho completo; ao mesmo tempo, 81% haviam recebido alguma orientação sobre IA, mas apenas 46% a acharam muito clara (Student Use of and Views on GenAI for Writing). A ambiguidade, e não a desafio, é o problema prático — e é por isso que o lado de capacidade instrucional desta FAQ se conecta a Quais são as evidências sobre intervenções de alfabetização em IA no ensino superior? e à ordenação das intervenções em Quais são os 10 principais achados da pesquisa em IA na educação que os professores deveriam conhecer?. Os estudantes não descrevem as ferramentas nos mesmos termos que a política: Mulisa e Mezgebu (2026) descobriram que a questão que os estudantes levantam é se a IA generativa é uma ferramenta que facilita a cola ou uma parceira que apoia a aprendizagem, e o relato deles sobre a tensão entre as regras institucionais de integridade e as próprias necessidades de aprendizagem dos estudantes é mais útil para enquadrar expectativas do que mais uma advertência sobre penalidades.

A conclusão principal

Combine um piso estrutural (proteções + redesenho da avaliação que tornam a cola difícil independentemente da motivação) com uma formação de capacidade educativa (letramento em IA, declarações, sequências "pensar–IA–refletir"). A detecção isolada é a alavanca mais fraca; o objetivo é fazer do uso honesto e produtivo da IA o caminho de menor resistência.