Um estudo com 397 estudantes de graduação validou empiricamente um modelo ético para avaliações educacionais com IA, conectando cinco etapas do processo avaliativo a preocupações como justiça, privacidade, explicabilidade, inclusão e integridade acadêmica. A principal contribuição é mostrar que a governança da IA na educação não deve tratar ética como uma lista genérica de princípios, mas como um conjunto de salvaguardas que muda conforme o uso: desenho do sistema, gestão de dados, construção da avaliação, aplicação da prova e correção.

O QUE HÁ DE NOVO: A pesquisa testou, com dados de estudantes, um framework triádico já existente para avaliar a ética da IA em sistemas de avaliação educacional. O trabalho foi realizado no contexto do ensino superior, com 397 participantes de 18 a 24 anos, e buscou verificar se a estrutura teórica correspondia ao modo como os alunos percebem riscos e benefícios da IA em provas, tarefas, feedbacks e processos de correção automatizada.

COMO FUNCIONA: O modelo organiza a avaliação com IA em três domínios, físico, cognitivo e informacional, e os cruza com cinco fases do ciclo avaliativo: desenho e checagem do sistema, governança e monitoramento de dados, construção e implantação da avaliação, administração da prova e correção ou avaliação dos resultados. Em cada fase, o estudo analisou princípios como inclusão, justiça, responsabilidade, precisão, auditabilidade, explicabilidade, privacidade, confiança, centralidade humana e integridade acadêmica.

Para validar a proposta, os pesquisadores aplicaram um questionário de 58 itens em escala de 1 a 10, complementado por respostas abertas. A análise combinou validação por especialistas, testes de confiabilidade e modelagem de equações estruturais, além de análise temática dos comentários dos estudantes. O objetivo era medir não apenas se os princípios éticos apareciam nas respostas, mas também como se relacionavam a satisfação, percepção de eficácia da aprendizagem, sensação de apoio acadêmico e presença percebida do professor.

PRINCIPAIS RESULTADOS: Os dados deram sustentação ao modelo e indicaram que diferentes etapas da avaliação ativam preocupações éticas distintas. O desenho do sistema teve forte relação com a sensação de apoio acadêmico e com a eficácia percebida da aprendizagem; a gestão de dados apareceu fortemente ligada à confiança dos alunos na eficácia da IA; a construção da avaliação e sua aplicação se conectaram à percepção de apoio; e a correção automatizada foi a etapa mais associada à satisfação dos estudantes.

O modelo explicou 74% da variação na satisfação dos alunos, 68% na sensação de apoio acadêmico, 61% na eficácia percebida da aprendizagem e 41% na presença percebida do professor. Nas respostas abertas, estudantes defenderam supervisão humana, linguagem clara para explicar decisões da IA, possibilidade de contestar resultados, proteção contra vazamento de dados e cautela com ferramentas de detecção de cola ou plágio por IA, vistas como pouco transparentes e potencialmente sujeitas a falsos positivos.

POR QUE ISSO IMPORTA PARA A EDUCAÇÃO: A pesquisa reforça que a adoção de IA em avaliações não é apenas uma decisão técnica ou administrativa. Para estudantes, a confiança no sistema depende de saber como seus dados são usados, por que uma nota foi atribuída, quem responde por erros e se o modelo considera trajetórias, idiomas, repertórios e condições distintas de aprendizagem. Isso tem impacto direto na legitimidade da avaliação, especialmente quando resultados influenciam aprovação, progressão acadêmica ou certificação.

Para professores e gestores, o estudo sugere que a IA pode ajudar a ampliar feedback, padronizar parte da correção e reduzir trabalho operacional, mas não elimina a necessidade de julgamento pedagógico. Ao contrário, a presença humana aparece como elemento de confiança: alunos aceitam melhor a IA quando há possibilidade de revisão, supervisão docente e canais claros para questionar decisões. Em políticas públicas e governança institucional, o achado aponta para regras diferenciadas por risco: uma ferramenta usada para gerar quizzes formativos exige salvaguardas diferentes de um sistema que atribui notas finais.

LIMITES E RISCOS: O estudo se baseia principalmente na percepção de estudantes universitários, o que ajuda a colocar o aluno no centro do debate, mas não captura toda a complexidade vivida por professores, gestores, desenvolvedores e órgãos reguladores. A amostra também tem limites de diversidade cultural e institucional, e a pesquisa não mediu formalmente o nível prévio de letramento em IA dos participantes, fator que pode influenciar a forma como eles interpretam conceitos como viés, explicabilidade e privacidade.

O QUE VEM A SEGUIR: As conclusões apontam para a necessidade de validações em outros contextos, como educação básica, ensino técnico, redes públicas e ambientes com maior diversidade linguística e socioeconômica. O estudo também recomenda pesquisas longitudinais para acompanhar como a percepção dos alunos muda com o uso continuado de IA e defende modelos de governança por estágio, com documentação de dados, auditorias, explicações compreensíveis, avaliações de impacto algorítmico e formação docente para uso crítico dessas ferramentas.

Fonte: What students really think: unpacking AI ethics in educational assessments through a triadic framework