Na geração atual, as políticas e termos por si só não têm sido suficientes para proteger os alunos, a tecnologia é muito acessível e os incentivos para a sua utilização são muito fortes, hoje as abordagens que realmente funcionam combinam expectativas mais claras, um design de avaliação mais inteligente e uma conversa mais honesta com os alunos sobre o que a IA pode e não pode fazer por eles.
O principal problema na proibição
O pensamento de proibir ferramentas onlines em ambientes académicos é compreensível, até porque se a tarefa puder ser concluída por uma máquina, a máquina será utilizada. No entanto, a proibição como estratégia principal é que é quase impossível aplicá-la de forma consistente, e a aplicação inconsistente é muitas vezes pior do que a ausência de aplicação, cria uma desigualdade em que os alunos que seguem as regras são prejudicados em relação aos que não as seguem.
As ferramentas de detecção ajudam, mas não são definitivas, devolvem pontuações de probabilidade em vez de veredictos e produzem falsos positivos com frequência suficiente para que as ações disciplinares baseadas unicamente numa pontuação sejam difíceis de defender. As instituições que se apoiaram fortemente na proibição e na detecção viram-se a gerir um número crescente de casos de integridade contestados, sem um padrão probatório claro para os resolver.
Uma resposta mais duradoura parte de uma questão diferente: não “como impedimos os alunos de utilizar a IA”, mas “o que precisaríamos de ver para saber se houve uma aprendizagem genuína?”. Esta questão leva a diferentes modelos de avaliação, a diferentes conversas em sala de aula e a uma relação diferente entre os educadores e as ferramentas que os seus alunos utilizam. Para aqueles que monitorizam os resultados de trabalhos assistidos por robôs, plataformas como JustDone humanizador de ia e tornaram-se parte da forma como alguns departamentos analisam os trabalhos, como uma camada de um processo de integridade mais amplo, em vez de um mecanismo de aplicação independente.
Escreva políticas claras para quem vai usar IA?
Uma das constatações mais consistentes dos professores que lidam com casos de integridade relacionados com a IA é que os alunos frequentemente não compreendem o que é ou não é permitido. Uma política genérica de “proibido IA” não especifica se isto inclui corretores gramaticais de IA, ferramentas de pesquisa com IA, assistência de tradução por IA ou geração de texto por IA. Os alunos que preenchem eles próprios estas ambiguidades produzem resultados inconsistentes e quando sinalizados alegam frequentemente de forma plausível que não sabiam que o seu uso era proibido.
As políticas e termos eficazes descrevem os usos permitidos e proibidos em termos concretos, distinguem entre a IA utilizada na fase de geração de ideias, a IA utilizada para assistência estrutural ou linguística e por fim a IA utilizada para gerar o próprio texto submetido, especificam se a divulgação é necessária quando é utilizada qualquer ferramenta de IA e qual a forma que essa divulgação deve assumir. E são fornecidas ao nível da tarefa e não apenas no programa do curso, porque o nível apropriado de envolvimento da IA pode variar razoavelmente entre uma entrada de diário reflexivo e uma revisão de literatura de investigação, mesmo dentro do mesmo curso.
Alguns institutos estão a adoptar uma estrutura baseada na transparência em vez de uma baseada na proibição, os alunos têm permissão para utilizar ferramentas onlines e são obrigados a divulgar como e onde as utilizaram, de forma semelhante a citação de uma fonte de pesquisa. A entrega inclui uma breve nota metodológica: que ferramentas foram utilizadas, em que etapa e qual a contribuição independente do aluno. Esta abordagem não elimina o risco para a integridade, mas altera a forma como o risco se apresenta do uso oculto da IA para o uso declarado da IA, que pode ser avaliado em relação aos objetivos de aprendizagem declarados da tarefa.
Modelos de avaliação de IAs
A clareza dos termos aborda a questão normativa sobre o que os alunos podem fazer e o modelo de avaliação aborda a questão prática que os alunos precisam realmente de fazer para obter uma nota. Os dois funcionam em conjunto, mas um bom modelo de avaliação oferece uma camada de proteção da integridade que a política, por si só, não consegue proporcionar.
Tarefas que exigem conhecimentos do curso
As tarefas mais resistentes a IA são aquelas que não podem ser concluidas sem o envolvimento com conteúdos específicos do curso, algo como um texto discutido num seminário, um conjunto de dados recolhidos durante uma aula prática, feedback recebido de um colega/aluno durante um workshop em sala de aula ou um argumento apresentado pelo professor numa aula recente. As máquinas online não podem utilizar este conteúdo porque nunca fez parte dos seus dados de treino. As tarefas construídas em torno deste conteúdo exigem uma presença e um envolvimento genuínos, em vez da capacidade de produzir prosa fluente sobre um tema genérico.
Como as ferramentas de detecção se enquadram
As ferramentas de detecção funcionam melhor quando são tratadas como um sinal dentro de uma estrutura, em vez de um mecanismo de aplicação isolado. Utilizadas desta forma fornecem informações úteis sem atribuir mais peso a uma pontuação probabilística do que esta pode razoavelmente suportar.
As seguintes abordagens representam as formas mais eficazes de integrar a detecção num processo de integridade académica que já existe:
Utilize os resultados da detecção para identificar trabalhos que mereçam uma leitura mais atenta, e não para fazer determinações automáticas sobre a autoria ou a intenção.
Compare as pontuações da detecção com exemplos de trabalhos realizados em sala de aula e trabalhos anteriores para identificar discrepâncias significativas, em vez de tratar cada documento isoladamente.
Considere uma elevada probabilidade de detecção por IA como o início de uma conversa com o aluno, e não como evidência de uma violação e solicitando-lhe que explique o seu processo, descreva o seu argumento ou responda a perguntas de acompanhamento sobre o conteúdo.
Documente toda a base probatória para qualquer encaminhamento relacionado com a integridade, incluindo os resultados da detecção, a comparação com trabalhos de referência e o resultado de qualquer conversa de acompanhamento.
Esta estrutura não torna todos os casos claros e objetivos, alguns vão permanecer genuinamente ambíguos. Mas produz resultados mais defensáveis do que confiar apenas nas pontuações da detecção e trata os alunos de forma mais justa nos casos em que a tecnologia gerou um falso positivo.
Perguntas frequentes
As questões que se seguem abordam as dúvidas mais comuns dos educadores ao desenvolverem a sua abordagem em relação a IA e à integridade académica.
1° – Como deve uma instituição reagir quando uma ferramenta de detecção sinaliza o trabalho de um aluno?
A submissão sinalizada deve desencadear um processo de revisão, e não uma penalização automática. O professor deve examinar o documento juntamente com os trabalhos anteriores do aluno, rever qualquer histórico de rascunhos disponível e reunir com o aluno para discutir o seu processo e o conteúdo da submissão. As pontuações de detecção são probabilísticas e os falsos positivos são um problema documentado, particularmente para os alunos que escrevem formalmente, escrevem numa segunda língua ou produzem textos muito editados.
2° – É possível ensinar os alunos a utilizar a IA de forma responsável em vez de a proibir?
Sim, e um número crescente de educadores está a fazer exatamente isso, a utilização responsável da IA em contextos académicos significa compreender o que as ferramentas podem e não podem contribuir para a aprendizagem, utilizá-las de formas que apoiem, em vez de substituir, o envolvimento intelectual genuíno e divulgar o seu envolvimento de forma transparente.
3° – O que devem fazer os educadores quando suspeitam do uso de IA, mas não conseguem comprová-lo?
A resposta mais eficaz é pedir ao aluno que demonstre o seu envolvimento com a matéria diretamente, uma breve reunião em que o aluno é solicitado a explicar o seu argumento, a responder a uma questão de acompanhamento sobre o conteúdo ou a descrever o seu processo de investigação irá normalmente esclarecer se compreendeu o que apresentou.
4° Como é que as políticas de integridade da IA diferem entre o ensino primário e o ensino superior?
Os princípios subjacentes são semelhantes, mas a implementação difere de formas importantes. As escolas primárias e secundárias têm normalmente uma supervisão mais direta dos ambientes de trabalho dos alunos e avaliações de menor impacto mais frequentes, que proporcionam pontos de comparação regulares. O ensino superior envolve uma maior autonomia dos alunos, formatos de avaliação mais variados e uma gama mais ampla de expectativas disciplinares sobre o que constitui uma utilização apropriada da IA.
5º – Os alunos devem ser informados quando os seus trabalhos estão a ser verificados com um detetor de IA?
A transparência é geralmente aconselhável, tanto por uma questão de justiça como por razões práticas. Quando os alunos sabem que a detecção por IA faz parte do processo de revisão, é mais provável que abordem os seus trabalhos tendo isso em conta, o que faz parte do efeito pretendido. Divulgar a deteção também reduz a probabilidade de um aluno contestar com sucesso um processo de integridade por motivos processuais.
