Para leigos: Do Triângulo ao Tetraedro: como a IA Generativa muda a avaliação educacional

O cenário atual

A avaliação educacional costuma funcionar como um "triângulo". Tradicionalmente, ela se baseia em três pontos principais: a cognição (como a mente funciona), a observação (como vemos o desempenho) e a interpretação (como tiramos conclusões desses dados). Além disso, há uma classificação sobre o propósito da avaliação: se é para medir o aprendizado, para melhorar o processo de aprendizagem ou se a própria avaliação é um momento de aprender.

Essa estrutura estável, porém, está sendo abalada pelo surgimento da inteligência artificial generativa.

O que os pesquisadores fizeram

O pesquisador Thomaz Edson Veloso da Silva, da UFC, propôs uma nova forma de entender esse sistema. Ele argumenta que a IA generativa não é apenas uma nova ferramenta, mas uma força que transforma completamente as regras do jogo. Ela muda o momento da avaliação, o tipo de prova que consideramos válida e quem tem o poder de avaliar.

Para lidar com isso, o estudo sugere sair do modelo de triângulo e adotar um "tetraedro". Isso significa adicionar um quarto vértice ao modelo tradicional: um componente que representa como sistemas inteligentes remodelam constantemente os outros três elementos durante o processo de avaliação.

Como funciona na prática

Com base nesse novo modelo, o trabalho propõe três novas formas de "epistemologias nativas de IA" para entender como aprendemos em ambientes mediados por essa tecnologia:

1. Avaliação Relacional Humano-IA: A evidência de aprendizado é criada através de um diálogo. A interação entre a pessoa e a máquina é o que gera a prova do conhecimento.
2. Avaliação Latente: Aqui, não dá para distinguir onde termina o aprendizado e começa a avaliação. O sistema avalia enquanto você aprende, de forma contínua e invisível.
3. Avaliação Preditiva: O foco muda do que foi aprendido para o que será necessário aprender. A avaliação aponta necessidades futuras.

Esses novos conceitos não eliminam os propósitos antigos (avaliar para, de e como aprendizagem), mas os recriam computacionalmente para funcionar nesse novo cenário.

Resultados e evidência

O principal resultado do paper é a proposta conceitual do "Tetraedro da Avaliação". O trabalho descreve as dimensões teóricas e indicadores aplicados para cada uma das três novas epistemologias propostas. Ele também analisa quatro dimensões fundamentais que foram transformadas pela IA e discute os deveres éticos envolvidos nesse processo.

A pesquisa demonstra teoricamente que os modelos antigos não são suficientes para abarcar a complexidade introduzida pelos sistemas inteligentes.

Implicações práticas

Para formuladores de política, gestores e educadores, a principal implicação é a necessidade de repensar como acreditamos e avaliamos o conhecimento. Não se trata apenas de proibir ou permitir o uso de IA em provas, mas de entender que a natureza da "evidência" de aprendizado mudou.

A avaliação torna-se um processo fluido, onde a agência de quem avalia pode ser compartilhada com a máquina. Isso exige novas diretrizes éticas e um novo entendimento sobre o que significa "saber" algo na era da inteligência artificial.

Limitações e próximos passos

O estudo é focado na conceituação teórica e na estruturação de um novo framework. Portanto, o paper não detalha resultados experimentais de aplicação prática em sala de aula em larga escala. Para avançar, o autor delineia uma agenda de pesquisa dividida em cinco correntes (cinco-stream research agenda) para construir essa estrutura conceptual, embora o texto não detalhe especificamente o conteúdo de cada uma dessas correntes.

O próximo passo lógico é o desenvolvimento das pesquisas sugeridas nessa agenda para solidificar a aplicação do modelo de tetraedro.

Quem são os pesquisadores

O estudo é de autoria de Thomaz Edson Veloso da Silva, vinculado à Universidade Federal do Ceará (UFC). O paper não detalha sua formação acadêmica específica, títulos obtidos ou outras afiliações profissionais prévias. Neste trabalho, ele atua como o responsável pela proposição do modelo conceitual "Assessment Tetrahedron" e pela formulação das três epistemologias de avaliação nativas de IA apresentadas.