Um experimento em cursos universitários de ciências comparou quatro formas de orientar a revisão de argumentos científicos e encontrou melhores resultados quando os estudantes precisavam avaliar o próprio texto antes de receber críticas de inteligência artificial (IA). O feedback direto da ferramenta também ajudou a melhorar os textos, mas as estratégias reflexivas se destacaram em uma tarefa posterior realizada sem IA, uma distinção relevante para quem busca aprendizagem além da entrega imediata.
O QUE HÁ DE NOVO: Pesquisadores conduziram um experimento de campo em disciplinas obrigatórias do primeiro ano de biologia, química e física de quatro universidades. A amostra analisada reuniu 1.176 estudantes de 48 turmas, distribuídas aleatoriamente entre quatro modelos de feedback: apenas de colegas, direto por IA generativa, por IA após autoavaliação e um modelo híbrido que reunia autoavaliação, colegas e IA.
COMO FUNCIONA: Ao longo de dez semanas, os estudantes passaram por três ciclos de elaboração e revisão de argumentos científicos. Todos trabalharam com tarefas e critérios comuns, que examinavam a qualidade da afirmação, a suficiência das evidências, o raciocínio e a consideração de limites ou explicações alternativas. Nos grupos com IA, uma interface institucional baseada no GPT-5 apontava problemas e possíveis caminhos de revisão, sem redigir uma resposta substituta. No modelo reflexivo, o aluno examinava o próprio texto antes de consultar a ferramenta; no híbrido, também recebia comentários de colegas e justificava suas escolhas de revisão. Os pesquisadores compararam rascunhos e versões finais, aplicaram avaliações conceituais e observaram o desempenho posterior em uma nova tarefa supervisionada, sem acesso à IA.
PRINCIPAIS RESULTADOS: O feedback direto por IA produziu melhora imediata dos argumentos superior à obtida com comentários apenas de colegas. As condições reflexiva e híbrida superaram a de IA direta nessa medida e também na tarefa posterior sem IA. Na avaliação de conhecimentos conceituais, o modelo híbrido teve resultado superior ao de IA direta; a diferença favorável ao modelo reflexivo não alcançou significância estatística. Embora o híbrido tenha apresentado a maior média ajustada de melhora dos argumentos, a diferença em relação ao reflexivo não foi estatisticamente significativa.
Os grupos reflexivo e híbrido também mostraram maior uso efetivo do feedback e mais planejamento e monitoramento da própria revisão do que o grupo de IA direta. Análises dos processos associaram essas práticas aos ganhos observados, sem comprovar que uma sequência causal específica ocorreu em cada ciclo. Nas entrevistas, participantes descreveram a crítica automática como rápida, mas por vezes excessivamente diretiva; a avaliação prévia do próprio trabalho ajudava a tratá-la como algo a conferir, não como resposta definitiva.
LIMITES E CUIDADOS: Os modelos não diferiam apenas pela ordem ou pela origem dos comentários: as condições reflexiva e híbrida exigiam trabalho adicional, e os grupos com IA receberam treinamento específico. Assim, não é possível atribuir as vantagens exclusivamente à autoavaliação ou à ferramenta. A qualidade dos comentários dos colegas não foi medida separadamente, e os resultados, obtidos em cursos introdutórios de ciências, podem não se repetir em outras áreas. O uso de uma interface institucional e a orientação para não inserir dados pessoais também ressaltam que proteção de informações e regras de uso precisam fazer parte da implementação.
POR QUE ISSO IMPORTA PARA A EDUCAÇÃO: Para o professor, a diferença entre melhorar um rascunho e conseguir argumentar depois sem ajuda muda a forma de planejar atividades com IA. Pedir que o estudante identifique fragilidades antes de receber sugestões pode preservar seu papel na avaliação das evidências e na decisão sobre o que alterar. Para instituições com turmas grandes ou poucos recursos, o modelo reflexivo merece atenção por exigir menos coordenação que o híbrido e ter apresentado resultados próximos em várias medidas, sem que isso prove equivalência entre eles.
PRÓXIMOS PASSOS: Estudos com tempo de atividade e treinamento equivalentes entre os grupos poderão esclarecer quanto do efeito decorre da sequência do feedback e quanto resulta do esforço adicional. Também será necessário testar a abordagem em outras disciplinas, acompanhar como o desempenho evolui a cada revisão e medir os custos para estudantes e docentes. Até lá, os dados favorecem uma decisão pedagógica cautelosa: usar a IA para ampliar as oportunidades de crítica, sem transferir à ferramenta o julgamento que se pretende desenvolver nos alunos.
