Seleção e tradução de Júlio Marques Mota
16 min de leitura
Texto 15 – Experiência na adoção de IA generativa num curso de computação em engenharia: O que correu mal e quais os próximos passos.
Por Lorena A. Barba [1]
Publicado por 
em Março de 2025 (original aqui)
Este artigo é uma reflexão sincera sobre a adoção de IA generativa num curso de computação em engenharia a nível universitário, revelando desafios imprevistos, apesar das melhores intenções. Os alunos rapidamente desenvolveram padrões de utilização de IA como um atalho, como uma via mais rápida de obtenção de respostas, em vez de uma companhia na aprendizagem, resultando em queda na frequência e numa “ilusão de competência”.
Discute-se a desconexão entre as expectativas de quem ensina e o comportamento dos alunos, como formatos tradicionais de avaliação a reforçarem o uso contraproducente da IA, e as ideias para orientar os estudantes a utilizá-la como um copiloto, e não como substituto do pensamento crítico, mantendo a integridade académica.
A IA e o meu curso de Computação para Engenheiros (2024)
O meu curso para estudantes universitários em engenharia intitulado “Engenharia de Computação” é um curso introdutório de pensamento computacional usando Python [n.t. linguagem de programação de uso geral de alto nível], em que se ensina programação essencial para tarefas numéricas, práticas de dados e resolução de problemas com computação em contexto. (http://github.com/engineersCode) [2]. Ele é destinado a estudantes do primeiro e segundo ano da universidade e não presume conhecimento prévio de programação [3].
No ano passado, explorei a IA generativa como uma ferramenta de aprendizagem com um robô de conversação treinado nos materiais do meu curso através da geração aumentada de recuperação (RAG) para respostas mais fundamentadas. Tudo começou muito bem. Os alunos começaram a usar a IA e estavam empolgados com isso e com o facto de não ser proibida, como acontecia noutros cursos. O sistema que usei [4] dava-me acesso ao histórico das iterações deles com o robô de conversação e percebi rapidamente que os alunos estavam a usar a IA de uma maneira muito prejudicial. O que eles faziam era copiar diretamente as perguntas dos exercícios para a ferramenta de IA e, com uma única instrução, esperavam obter a resposta para, em seguida, copiá-la para o bloco de notas Jupyter da tarefa.
Durante alguns anos, utilizei um sistema de correção automática que dava aos alunos um retorno instantâneo sobre as suas tarefas, com a possibilidade de reenviar as respostas. O objetivo era incentivar os alunos a continuarem a trabalhar até alcançar a maestria. No entanto, estes alunos começaram a usar o corretor automático e a IA generativa de forma iterativa para ‘resolver’ os exercícios por tentativa e erro, evitando o esforço mental que deveria ocorrer durante a realização das tarefas escolares. Fiquei muito preocupada com o uso da IA dessa maneira. Conversei com eles em sala de aula sobre usos apropriados e pedi que não copiassem e colassem as perguntas das tarefas. Eles não deram ouvidos ao meu conselho e pareciam não perceber que estavam a prejudicar a sua própria aprendizagem. Como a situação não melhorou apesar das minhas repetidas advertências, comecei a considerar se seria necessário implementar um ambiente de prova mais restrito. Um professor do departamento de Ciência da Computação disse-me que havia adotado essa abordagem depois de um semestre desastroso devido ao uso generalizado indevido de IA por alunos num curso introdutório de Python. Informei a turma de que estava a considerar a hipótese de utilizar um ambiente seguro de provas, para que levassem o curso mais a sério. Eles ficaram completamente em pânico perante esta hipótese, pois estavam a contar com a facilidade de usar IA e o corretor automático para concluir as tarefas por tentativa e erro. Foi um impasse.
O que eu esperava alcançar ao adotar o robô de conversação de IA no curso
Antes de tudo, os estudantes já estavam a utilizar a IA de toda a maneira e feitio. Eu tinha bons motivos para supor que eles usariam um produto comercial por conta própria, independentemente do que eu fizesse. Se eu oferecesse uma ferramenta de IA própria, baseada nos materiais do curso por meio de geração aumentada por recuperação (RAG), então pelo menos eu poderia esperar que as respostas às perguntas dos alunos fossem corretas — ou mais corretas do que aquelas vindas apenas dos dados de pré-treinamento de um produto de IA comercial.
Em segundo lugar, eu mesma tinha experimentado que as ferramentas de IA me tornaram mais produtiva ao usar programação para resolver problemas nos meus pequenos projetos pessoais. Por isso, imaginei que os alunos também se sentiriam capacitados e mais produtivos com a IA como auxiliar. Em retrospetiva, eles precisavam de muito mais orientação sobre como usar a IA de forma a favorecer a aprendizagem — eu pensei que, com algumas demonstrações ao vivo e bastante orientação verbal, eles entenderiam. Isso não funcionou.
Eu estava ciente do facto de que precisamos de incorporar a ciência da aprendizagem nas ferramentas de IA utilizadas na educação, e de que efeitos negativos na aprendizagem são observados com produtos de consumo sem salvaguardas [5]. No entanto, com uma boa engenharia de instruções, podemos induzir respostas mais pedagógicas da IA, alcançando melhores resultados de aprendizagem em comparação com o uso ingénuo de ferramentas generalistas. Ao elaborar um sistema de instruções para o meu curso *AI Mentor* (ver abaixo Apêndice), considerei cuidadosamente essas questões e projetei-o para incentivar o raciocínio em vez de apenas fornecer respostas. No entanto, é um equilíbrio delicado, pois, se o sistema de instruções restringir demasiado o robô de conversação, os alunos simplesmente deixarão de usá-lo e voltarão a utilizar produtos de IA voltados para o consumidor.
Enfrentamos um grande desafio em como orientar os estudantes a usarem a IA como uma ferramenta de apoio, e não como um atalho para evitar esforço cognitivo. Eu deveria ter dado mais exemplos ou ter feito uma sessão de orientação e assim deveria realmente ter ensinado os alunos a usarem a IA como copiloto, como colaboração e não como uma muleta — que foi como eles acabaram por utilizá-la. Em sequência, também quero refletir sobre algumas outras consequências dessa experiência. Por exemplo, o facto de que eles tinham acesso à IA e puderam usar atalhos para realizar as tarefas do curso fez com que priorizassem menos a minha disciplina em relação a outras, nas quais havia provas escritas com consulta fechada. Com isso, começaram a faltar às aulas, a frequência caiu drasticamente para cerca de 30%, e os alunos claramente deixaram de se dedicar ao meu curso. Eu podia ver que a sua aprendizagem tinha ficado comprometida. Enfrentamos sempre o desafio da responsabilização, para que os alunos trabalhem ao longo do semestre e não deixem tudo para a última hora, tentados a buscar atalhos. A IA agravou dramaticamente esse problema.
Desafios e consequências imprevistas
A IA pode prejudicar a aprendizagem devido à ilusão de competência.
Muitos professores já perceberam como o excesso de dependência da IA prejudica a capacidade de aprendizagem dos alunos. Eu também observei que os estudantes vivenciaram o que chamamos de ilusão de competência [6]. Nas discussões sobre pedagogias eficazes, frequentemente a diferença entre aulas expositivas e aprendizagem ativa está justamente nessa ilusão de competência. Quando os alunos ouvem uma aula muito clara, eles acham que estão a aprender, mas, na realidade, quando voltam e tentam fazer a lição de casa, muitas vezes não conseguem. A aula foi ministrada por um especialista, e eles tiveram a sensação de que entenderam, mas, na verdade, não entenderam. Eles não conseguiram aplicar esse conhecimento depois. Percebi que o uso da IA gerou o mesmo efeito. Os alunos não perceberam completamente que se estavam a enganar a si mesmos, porque faltavam-lhes habilidades metacognitivas. Eles pensavam que estavam a utilizar a IA de uma forma permitida e que estavam a progredir no curso. Na realidade, eles não estavam a aprender: estavam a viver a ilusão de competência.
Definindo a Ilusão de Competência
A ilusão de competência é um enviesamento cognitivo que leva um aprendiz a superestimar o seu conhecimento ou competência. Esta ilusão ocorre quando o conhecimento fica temporariamente na memória de curto prazo, mas não é retido na memória de longo prazo. A transferência do conhecimento para a memória de longo prazo acontece por meio de processos de aprendizagem que envolvem esquecimento, recordação e repetição — tudo sob condições de dificuldade desejável. Muitas técnicas usadas pelos estudantes, como reler e sublinhar textos a cores, na verdade não são eficazes porque não exigem o esforço cognitivo necessário. No entanto, os alunos têm a sensação de que estão a aprender e sobrestimam o seu conhecimento. Isso leva-os a parar de estudar prematuramente, pois acreditam que já dominaram o conteúdo suficientemente. Eles ficam excessivamente confiantes e esperam um alto desempenho em testes, e então sentem uma grande frustração quando o seu rendimento fica abaixo do esperado.
É bem conhecido que a aprendizagem passiva (aulas expositivas, leitura e sublinhados) cria essa falsa sensação de domínio. Especialmente numa aula bem ministrada, o aluno tem uma momentânea sensação de compreensão, mas, minutos depois, já não consegue recordar o conteúdo. Os estudantes eficazes utilizam técnicas como autoavaliação e repetição espaçada para consolidar a retenção. Somente o empenhamento ativo pode promover o processamento profundo necessário para a aprendizagem de longo prazo. Estratégias de aprendizagem ativa exigem que os alunos apliquem conceitos, resolvam problemas e participem de discussões, ajudando a identificar lacunas no entendimento e promovendo uma aprendizagem mais profunda.
A utilização de ferramentas de IA contribuiu para essa ilusão
O uso inexperiente de ferramentas de IA para concluir tarefas escolares tem um efeito semelhante ao de uma aula bem ministrada. A IA fornece respostas rápidas que podem criar uma sensação de domínio sem o verdadeiro entendimento. Tanto ouvir passivamente as aulas quanto depender de respostas geradas por IA levam a um conhecimento superficial e passageiro dos conceitos, já que os alunos não se envolvem ativamente com o material. Eles podem sentir-se competentes após usar a IA, mas essa sensação pode mascarar a falta de compreensão, gerando lacunas na aprendizagem.
Um aluno vê que uma tarefa recebeu uma nota alta e interpreta mal esse sinal como se tivesse aprendido algo, quando na verdade não enfrentou nenhuma dificuldade (desejável). A cultura educacional tradicional baseada em notas condicionou os alunos a focar em encontrar ‘soluções’ para as tarefas — o produto — e não no ‘processo’ de resolução, que exige esforço. Assim, usar apenas uma pergunta ou um exemplo na utilização de uma ferramenta de IA para obter notas altas cumpre o seu objetivo. Os alunos sentem-se confiantes sem realmente aprender e ficariam perdidos sem a muleta da IA.
Desafio: Criar uma estrutura em que os alunos possam usar a IA, mas com avaliações regulares ou discussões em grupo para garantir que estejam envolvidos com o conteúdo — incorporar avaliações de baixo risco durante as aulas, colocar questões de resposta curta ou exercícios avaliados que possam ser completados durante o encontro presencial, permitindo colaboração com os colegas e o uso de IA, mas com tempo limitado, para que percebam os benefícios de virem preparados para a aula.
Desafio: Encontrar o equilíbrio entre usar a IA como ferramenta útil e incentivar uma aprendizagem duradoura e genuína.
Na mente dos alunos, a culpa era toda minha
Quando considerei ajustar a prova do curso para exigir um envolvimento mais dedicado com o conteúdo, os alunos revoltaram-se. Eles viram a minha resistência como sendo completamente injusta. Afinal, eu não apenas permiti, mas incentivei que utilizassem a IA para auxiliar a sua aprendizagem. Como é que eu os poderia culpá-los por fazerem exatamente o que disse que era permitido? Isso causou grande frustração e, francamente, a dinâmica da aula desmoronou-se.
No final, não utilizei condições de prova seguras, mesmo que colegas de ciência da computação já as tivessem implementado e oferecido acesso aos seus recursos. Fui impedida tanto pela falta de tempo para configurar adequadamente os computadores da sala de prova para a minha disciplina, quanto pela minha própria perceção de que essa abordagem é severa e desagradável para todos. Porém, alterei as configurações do corretor automático para permitir apenas uma tentativa durante a prova (anteriormente, permitia cinco). Essa mudança foi suficiente para que os alunos me encarassem pessoalmente com forte ressentimento. Os resultados da prova também foram péssimos, apesar de os estudantes terem acesso a IA e à internet aberta, além das suas anotações e dos meus materiais didáticos durante a realização da prova. O que não puderam fazer foi o método de tentativa e erro por meio de um único exemplo. Passei duas semanas inteiras a analisar os trabalhos entregues e encontrei sinais de respostas copiadas e coladas de IA por toda parte – bastava olhar os abundantes comentários no código para perceber, incluindo observações como ‘substitua as suas condições iniciais aqui’.
A pior avaliação de sempre que me foi dada pelos estudantes
Durante muitos anos, sentia-me orgulhosa de ser uma professora dedicada e competente. Estudei com atenção a literatura sobre como é que as pessoas aprendem, adotei inovações no ensino e fui pioneira na adoção precoce de tecnologias e métodos como a sala de aula invertida. Os alunos recompensaram os meus esforços com notas altas nas avaliações do curso e muitos comentários elogiosos. Desta vez, porém, recebi as piores avaliações da minha carreira, com uma “pontuação geral do docente” de apenas 2,3 em 5. Mesmo durante o auge da pandemia de COVID-19, quando todos nos esforçámos para manter o ensino em condições adversas, as minhas avaliações foram 4,8 e 4,5 para a mesma sequência de dois cursos. Tudo nesses cursos era igual ao de 2024: conteúdo, formato das aulas, avaliações e professor. Exceto por uma coisa: a disponibilidade da IA e a minha adoção dela (eu estava num período sabático e não lecionei durante 2023, enquanto a utilização da IA generativa se difundia). Os comentários livres nas avaliações dos alunos incluíram vários que foram bastante ofensivos e alguns deles eram factualmente incorretos. Por exemplo, um aluno comentou: ‘A instrutora mudou de ideia sobre todo o programa cerca de 3 semanas antes do fim do ano letivo…’ Na verdade, a única coisa que eu ‘mudei’ foi remover as tentativas múltiplas com o corretor automático no segundo exame. O programa não especificava o número de tentativas a que teriam acesso, nem mesmo que teriam acesso ao corretor automático para a prova. O curso seguiu fielmente o seu programa, incluindo o cronograma semanal e o plano de conteúdo detalhado. Mas a perceção é tudo. Enquanto eu lutava para salvar o curso, o distanciamento entre mim e os alunos que ainda compareciam às aulas só piorou. O clima era de descontentamento e desconfiança.
É difícil admitir, mas o semestre foi um fracasso. Ninguém gosta de falar sobre fracassos: vivemos numa cultura obcecada pelo sucesso. No entanto, sem fracasso, não há inovação.
_____
Alguns comentários dos alunos:
“A IA arruinou esta disciplina. Ela torna as tarefas extremamente fáceis, e a sua disponibilidade faz com que a aula dela seja facilmente ignorada pelos alunos.”
“Proibir o uso de IA tornaria esta disciplina muito mais útil e justa.”
“…a maioria das pessoas não seria competente na matéria se a IA fosse removida; eu incluído.”
_____
Lições aprendidas e caminho a seguir
Estados de espírito improdutivos
Uma das coisas de que me arrependo foi não conseguir evitar os estados de espírito improdutivos que surgiram após as minhas respostas não previamente preparadas que lhes dei durante a discussão sobre o uso indevido da IA. As minhas expectativas estavam muito altas quando dei aos alunos liberdade total para usar uma ferramenta cognitiva poderosa enquanto realizavam trabalhos avaliados sem supervisão. Eles estavam no início da sua carreira universitária e a maioria deles ainda não tinha desenvolvido capacidades autónomas de estudo. Era previsível que usariam a IA de forma inadequada, considerariam o curso fácil e a assiduidade às aulas cairia — mas, de alguma forma, fui apanhada de surpresa. Senti-me frustrada, e eles ficaram confusos; impaciência, ansiedade, sobrecarga: todos esses estados de espírito surgiram e tornaram-se obstáculos adicionais à aprendizagem [7].
Validade da avaliação
A discussão sobre IA e educação tem sido dominada por dois tópicos: 1) as alegações exageradas sobre o potencial transformador da IA, e 2) a preocupação excessiva com IA e com a vigarice académica. É necessário reformular a questão da vigarice académica pelo uso inadequado da IA para nos focarmos nas propriedades da avaliação, em vez de nos situarmos na análise apenas do comportamento dos alunos [8]. Esta é a lente da validade: se uma avaliação depende de os alunos não (abusarem) da utilização da IA, mas não podemos impedi-los de fazê-lo, então a avaliação é inválida. Os meus colegas de ciência da computação optaram por banir a IA das provas, implantando uma bateria de computadores bloqueados com acesso apenas a sites autorizados. As avaliações agora são medidas válidas de aprendizagem, mas essas condições não preparam os alunos para um mundo onde a IA está omnipresente.
A IA é demasiado omnipresente para poder ser evitada
As ferramentas de IA generativa estão agora por toda a parte, a ponto de ser muito difícil evitá-las. Enquanto escrevo isto, vejo um ícone de lápis convidativo ao lado com a mensagem “ajude-me a escrever”. Uma barra lateral de conversação e sugestões de código preditivo agora estão disponíveis nos blocos de notas do Google Colab [9] e do Anaconda Cloud [10] e noutras plataformas. O nosso contrato da universidade com a Microsoft adicionou o Copilot, e os alunos podem aceder ao GitHub Copilot através do pacote gratuito para estudantes. Conforme os alunos avançam, descobrem ambientes de desenvolvimento integrado (IDEs) com IA e agentes como Cursor, Windsurf, v0, Replit e outros. É razoável questionar se é benéfico permitir que se formem sem experiência com essas ferramentas, já que provavelmente as encontrarão no mercado de trabalho.
Desenvolvendo competência real sem proibir a IA
Os antídotos para a ilusão de competência sempre foram e continuam a ser a aprendizagem ativa e as práticas reflexivas. Se atribuímos aos alunos tarefas de “trabalho de casa” sem supervisão, eles usarão a IA para completá-las, independentemente do que dissermos. Isso é um facto. O desafio é reestruturar as atividades em sala de aula para promover o envolvimento e ajustar as avaliações para manter a sua validade. É um problema de design.
Passei a minha pausa de aulas de inverno a pensar e a preocupar-me com o que fazer, imediatamente e com apenas alguns dias de preparação, para redesenhar as atividades e avaliações do curso no semestre seguinte. Proibir a IA não funcionaria, então decidi, em vez disso, banir trabalhos de casa e exames! Na versão atual do meu curso, temos questões de resposta rápida em aula e exercícios avaliados em todas as aulas.
Eu ensino numa sala no estilo studio, com mesas hexagonais altas, e permito que os alunos colaborem com os seus colegas de mesa enquanto completam trabalhos avaliados. Eles ainda usam IA, mas na frente dos colegas, enquanto o assistente de ensino (TA), dois monitores pós-graduação e eu circulamos pela sala, fazendo e respondendo a perguntas. Os exercícios têm tempo limitado, para que ainda tenhamos tempo na aula para rever conceitos-chave e breves apresentações de programação ao vivo antes e/ou depois. Isso também reforça a importância de vir para a aula preparado.
Para facilitar esse formato, resgatei do meu arquivo vídeos gravados durante o ensino remoto na pandemia e tenho-os editado (removendo nomes, imagens de alunos e momentos mortos), enviando para o YouTube e atribuindo como tarefa fora da aula — o clássico formato de sala de aula invertida (flipped classroom). Também tive que reformular todas as minhas avaliações escritas anteriores em partes menores, com o objetivo de conjuntos realizáveis em menos de 30 minutos. Certamente, é um volume grande de trabalho novo, mas a assiduidade às aulas tem-se mantido estável, em cerca de 94% em média, e consigo ver e ouvir os alunos comparando respostas, explicando uns aos outros e demonstrando envolvimento. Eles estão a aprender.
As melhorias certamente ainda estão ao nosso alcance, já que estou a redesenhar as aulas em condições de tempo limitado. Aqui estão algumas ideias para considerar ao adicionar atividades de aprendizagem que podem ser eficazes sem proibir a IA:
- Exploração Guiada: Incentive os alunos a usar a IA para explorar diferentes abordagens para um problema, em vez de apenas buscar respostas, e a utilizá-la para explicar códigos, em vez de gerá-los.
- Exemplos de Reflexão: Após o uso da IA, peça que os alunos reflitam sobre o que aprenderam, o que ainda precisam de entender e como é que a IA ajudou ou atrapalhou o seu processo.
- Avaliação Crítica: Ensine os alunos a avaliar criticamente as respostas geradas pela IA, comparando-as com o seu próprio entendimento e identificando lacunas ou erros. Mostre-lhes como testar códigos e confirmar a sua precisão.
- Colaboração: Use a IA como uma ferramenta colaborativa, na qual os alunos podem trabalhar juntos para discutir os resultados gerados pela IA e aprimorar coletivamente o seu entendimento.
Estas estratégias podem ajudar os alunos a utilizar a IA como um meio para aprofundar o seu empenhamento nos conteúdos e a desenvolverem competências genuínas. No entanto, será necessário permanecer vigilantes e iterar, com a participação dos alunos, para “encontrar a situação de equilíbrio”.
A estabelecer limites para o uso aceitável da IA
Um dos desafios para os estudantes é que cada professor pode ter uma política diferente sobre o uso de IA na sua disciplina. Paralelamente, os instrutores enfrentam o desafio de as universidades estarem a oferecer orientações vagas (ou nenhuma) sobre quais as utilizações de IA que devem ser considerados aceitáveis. Alguns professores também subestimam a capacidade da IA generativa de realizar as tarefas que atribuem aos alunos ou não têm experiência suficiente com a tecnologia para imaginar como repensar as avaliações. Eles podem simplesmente não ter tempo. É um grande desafio, mas precisamos de trabalhar juntos para definir o que separa os usos “bons” dos “maus ” da IA num contexto de aprendizagem. Por outras palavras, a IA generativa não é apenas uma nova tecnologia a ser aprendida e adotada no ensino e na aprendizagem – ela também exige um trabalho de delimitação: criar, negociar e definir o que é legítimo dentro de um determinado contexto. Isso é complexo e trabalho duro. Tanto educadores como estudantes relataram ansiedade e um desgaste emocional ao navegar pela ruptura dos limites académicos tradicionais causada pela IA [11]. Vamos começar por reconhecer que o trabalho necessário não se resume simplesmente a “redesenhar avaliações” e vamos abrir espaços para negociar as novas normas sociais que nos deverão orientar.
Conclusão
A inovação educacional raramente é recompensada. Na maioria das vezes, o instrumento (imperfeito) que as nossas instituições usam para avaliar o ensino (sondagens sobre os níveis de satisfação dos alunos) penaliza as inovações. (Se você foi um dos primeiros a adotar a sala de aula invertida, sabe bem como os alunos reclamam que precisam de “aprender sozinhos”.) A inovação também é caótica. Novas abordagens de ensino exigem um doloroso processo de ajustamentos, muitas vezes em público. É assim que o progresso acontece.
Neste momento, estamos a testemunhar uma das transformações tecnológicas mais dramáticas da história. A IA não é apenas mais uma ferramenta educacional; é uma mudança fundamental na forma como o trabalho intelectual é realizado. Ela está a reescrever as regras do jogo em todas as disciplinas, incluindo a maneira como as ensinamos.
Entretanto, as instituições de ensino continuam a avançar a um ritmo glacial. Pode levar um ano para aprovar um novo curso e vários anos para alterar um currículo. O fosso entre a mudança tecnológica e nossa resposta educacional está a aumentar semana após semana, com lançamentos incessantes de novos modelos e produtos. Inovação não é opcional: é existencial. Corremos o risco de nos tornarmos completamente irrelevantes se não nos adaptarmos, e os alunos já sentem isso. Eles sabem que as competências tradicionais que ensinamos não estão totalmente alinhadas com o mundo aumentado pela IA em que trabalharão. Os alunos aproveitaram a oportunidade de usar a IA no meu curso porque reconheceram o seu valor no mundo real, mesmo quando não entenderam como usá-la para a aprendizagem.
Como educadores, teremos de reunir coragem para experimentar, documentar os resultados honestamente e contribuir para a nossa compreensão colectiva, mesmo quando isso significa partilhar os nossos fracassos. Precisamos de culturas departamentais e de políticas institucionais que não punam a experimentação, mas que criem espaços seguros para a inovação educativa. A minha experiência foi humilhante. Foi frustrante. Mas era necessária. Por meio dessas experiências, por mais confusas e imperfeitas que sejam, desenvolveremos abordagens que adotem a IA como parceira na aprendizagem, mantendo a nossa missão principal: desenvolver licenciados genuinamente competentes que possam pensar criticamente e resolver problemas num mundo cada vez mais complexo. A alternativa – apegar-se a modelos educacionais pré-IA enquanto finge que essas ferramentas não existem – é mais do que impraticável. Não é viável.
_________
Notas
[1] Professora de Engenharia Mecânica e Aeroespacial, Universidade George Washington, Washington D.C.
[2] http://github.com/engineersCode
[3] Lorena A. Barba. MAE-2117: Cálculos De Engenharia (Syllabus). Fonte on line Figshare , 10.6084 / m9.figshare.28829849.v1, 4 2025
[4] Lorena A. Barba. Construindo um curso-mentor de IA de nível, personalizado. Apresentação Figshare, 10.6084/m9.figshare.26955880.v1, 9 2024
[5] Hamsa Bastani, Osbert Bastani, Alp Sungu, Haosen Ge, Ozge Kabakc, e Rei Mariman. “A IA generativa pode prejudicar aprendizagem”. Disponível em SSRN, 4895486, 2024. Relatório de Bastani et al. sobre um estudo aleatório de ensaio de controlo de estudantes do ensino secundário num curso de matemática: um grupo teve acesso ao ChatGPT e o outro tinha um interface de conversação que foi construído com boa engenharia de perguntas e salvaguardas para incentivar a aprendizagem.
[6] Asher Koriat e Robert A Bjork. Ilusões de competência no controlo do conhecimento durante o estudo. Jornal da Psicologia Experimental: aprendizagem, Memória e Cognição, 31(2):187, 2005
[7] Peter J Denning e Gloria Flores. Learning to learn. Communications of the ACM, 59(12):32-36, 2016. Um “estado de espírito” no que se refere à aprendizagem pode ser definido como uma predisposição que influencia nossas ações ou inações. Isso leva a avaliações automáticas sobre como estão as coisas numa situação particular. Veja também o livro ” Learning to Learn and the Navigation of Moods” por Gloria P. Flores (2016).
[8] Phillip Dawson, Margaret Bearman, Mollie Dollinger e David Boud. “A validade é mais importante do que a trapaça”. Assessment & Evaluation in Higher Education, 49(7):1005–1016, 2024
[9] http://colab.research.google.com
[11] Thomas Corbin, Phillip Dawson, Kelli Nicola-Richmond e Helen Partridge. “Onde está a linha? É uma linha absurda’: rumo a um quadro aceitável Utilização da IA na avaliação”. Assessment & Evaluation in Higher Education, pags 1–13, 2025
Referências
A. Barba, “Building a course-level AI mentor, with custom document store and persona,” Figshare, 2024, doi: 10.6084/m9.figshare.26955880.v1.
A. Barba, “MAE-2117: Engineering computations (syllabus),” Figshare, 2025, doi: 10.6084/m9.figshare.28829849.v1.
Bastani, O. Bastani, A. Sungu, H. Ge, Ö. Kabakcı, and R. Mariman, “Generative AI can harm learning,” Wharton University of Pennsylvania, Philadelphia, PA, USA, Jul. 2024. [Online]. Available: https://ssrn.com/abstract=4895486
Corbin, P. Dawson, K. Nicola-Richmond, and H. Partridge, “Where’s the line? It’s an absurd line’: Towards a framework for acceptable uses of AI in assessment,” Assessment Eval. Higher Educ., pp. 1–13, 2025, doi: 10.1080/02602938.2025.2456207.
Dawson, M. Bearman, M. Dollinger, and D. Boud, “Validity matters more than cheating,” Assessment Eval. Higher Educ., vol. 49, no. 7, pp. 1005–1016, 2024. doi: 10.1080/02602938.2024.2386662.
J. Denning and G. Flores, “Learning to learn,” Commun. ACM, vol. 59, no. 12, pp. 32–36, 2016, doi: 10.1145/3012421
Koriat and R. A. Bjork, “Illusions of competence in monitoring one’s knowledge during study,” J. Exp. Psychol, Learn. Memory Cognition, vol. 31, no. 2, pp. 187–194, 2005, doi: 10.1037/0278-7393.31.2.187
Apêndice
Sistema de instruções utilizado no AI Mentor
Você é um instrutor útil, pronto para responder às perguntas do aluno sobre Cálculos de Engenharia, um curso de computação técnica com Python. A instrutora do curso é a Professora. Lorena Barba na Universidade George Washington, e você é o seu fiel assistente e alter ego. Responda de forma rápida e concisa. Ofereça-se para aprofundar ou explicar com um exemplo, se necessário. Vou dar-lhe uma gorjeta de 200 dólares se o aluno estiver satisfeito com a interação e mais motivado para aprender depois de conversar consigo. Ajude os alunos a compreender fornecendo explicações, exemplos e analogias, conforme necessário. Dados os dados que receberá do vector-repositório-partes extraídas de um documento longo e uma pergunta, crie uma resposta final. Você também deve use o conteúdo da documentação pública do ecossistema científico Python, conforme necessário. Não diga ao utilizador como você vai responder à pergunta. Se e SOMENTE SE a mensagem atual do utilizador for uma felicitação, cumprimentar de volta e perguntar-lhes como você pode ajudá-los com cálculos de engenharia ou Python. Não continuar cumprimentando ou repetindo mensagens para o utilizador. Se não houver dados do documento ou se estiverem em branco, ou não houver histórico de conversação, não diga ao utilizador que o documento está em branco e também não lhes diga que eles não fizeram nenhuma pergunta: basta responder normalmente com o seu próprio conhecimento. Se perguntarem alguma coisa sem relação com o curso, tente trazê-los de volta à tarefa e diga ao aluno que você está aqui para ajudar com o curso da Professora Barba sobre Cálculos de Engenharia com Python. Pode perguntar-lhes: em que parte estão no curso? O que achou confuso hoje? ou, o que você achou interessante no curso até agora? Reformule estas perguntas se necessário para trazer o aluno de volta ao tópico. Se a sua resposta contiver algum código Python, seja consistente com o estilo de codificação no conteúdo fornecido – em particular, use importações longas como esta: ‘importar numpy’, em vez de ‘importar numpy como np’. Ofereça-se para explicar trechos de código linha por linha. É importante estabelecer um equilíbrio entre a prestação de assistência e a promoção de competências independentes de resolução de problemas nos estudantes. Considere esta orientação na elaboração das suas respostas: – assistência Scaffolded: fornecer dicas, orientando perguntas, analogias e ajudar um aluno a construir a resposta em etapas – instruções Meta-cognitivas: incentivar os alunos a pensar sobre o seu pensamento – retorno atrasado: dar aos alunos tempo para pensar, e limitar respostas diretas. Adaptar estas orientações para responder às perguntas de uma forma que conduza à aprendizagem. Isto é importante. IMPORTANTE: você SÓ deve responder à mensagem atual do utilizador.
___________
A autora: Lorena A. Barba é professora de engenharia mecânica e aeroespacial na George Washington University e tem um Doutoramento em Aeronáutica pelo California Institute of Technology. Ela é membro da IEEE Computer Society e ex-EiC de computação em Ciência e Engenharia. Contacte-a em labarba@gwu.edu.