Ética e Integridade Acadêmica

Um estudo com 110 graduandos de uma universidade pública dos EUA investigou como estudantes entendem e priorizam dimensões de ética em IA ao usar o ChatGPT. Os resultados sugerem que eles não atribuem o mesmo peso a valores como justiça, privacidade e autonomia, e que atitudes de indiferença ou confiança excessiva na ferramenta podem dificultar políticas e práticas de integridade acadêmica no ensino superior.

Uma revisão compara softwares clássicos de gestão de referências—como EndNote, Zotero e Mendeley—com uma nova geração de ferramentas que incorporam validação automatizada para enfrentar um problema ampliado pelo uso de IA generativa: a inclusão de citações fabricadas em trabalhos acadêmicos. O texto destaca o CiteWell, que cruza metadados com o PubMed, e discute como esse tipo de checagem pode alterar rotinas de escrita, avaliação e integridade científica, ao mesmo tempo em que impõe limites relevantes fora das áreas cobertas por bases biomédicas.

Um estudo com 730 universitários da China continental e de Hong Kong propõe e valida a AI Ethical Reflection Scale (AIERS), instrumento de 12 itens que busca medir não apenas consciência ética sobre IA, mas também a capacidade de avaliar criticamente resultados de sistemas como ferramentas generativas e a disposição para usar IA em benefício social. A pesquisa oferece um caminho prático para universidades e formuladores de políticas acompanharem competências éticas que tendem a ficar fora das métricas tradicionais de “alfabetização em IA”.

Um artigo teórico publicado em 2026 propõe um modelo para analisar como sistemas de IA, ao entrarem em escolas e redes de ensino no Brasil, não “substituem” a disciplina escolar, mas a reconfiguram por meio de dados, métricas e previsões, criando tensões entre controle institucional e autonomia pedagógica. A proposta oferece uma lente para gestores e formuladores de políticas desenharem governança participativa e salvaguardas éticas antes de ampliar o uso de algoritmos em avaliação, monitoramento e tomada de decisão.

Uma revisão sistemática publicada em 2026 analisa riscos frequentemente subestimados no uso de IA na educação a partir da teoria social crítica, com foco no Sul Global. O trabalho argumenta que a adoção de IA pode aprofundar desigualdades, tensionar a integridade acadêmica e reforçar assimetrias culturais e de poder, e defende governança e design inclusivo que incorporem vozes, valores e necessidades locais, especialmente africanas, desde a concepção das tecnologias.

Um estudo teórico-reflexivo discute como vieses algorítmicos podem distorcer avaliações escolares mediadas por inteligência artificial, com impactos diretos sobre equidade e trajetórias estudantis. A análise reúne riscos, implicações pedagógicas e éticas e um conjunto de estratégias de mitigação, de auditorias e melhorias nos dados à formação docente e regulação, defendendo a integração entre automação e mediação humana.

Uma revisão sistemática de 71 estudos (2020–2024) propõe um arcabouço de governança para “IA agentiva” na educação, conectando o aumento da autonomia dos sistemas a riscos crescentes de desalinhamento de valores, difusão de responsabilidade e agravamento de desigualdades. Ao articular um gradiente de autonomia e um modelo de avaliação de equidade digital, o trabalho oferece um roteiro para instituições e formuladores de políticas avaliarem, antes da adoção, quando e como automatizar decisões pedagógicas e administrativas.

Uma revisão integrativa publicada na OWL Journal analisa como ferramentas de IA generativa, como o ChatGPT, estão pressionando os modelos tradicionais de avaliação no ensino superior, ao mesmo tempo em que abrem oportunidades para práticas mais formativas. A síntese identifica dilemas pedagógicos, desafios de integridade acadêmica e riscos de ampliar desigualdades entre estudantes, indicando a necessidade de políticas institucionais e formação docente para manter rigor e justiça.

Um estudo com 312 universitários em 25 instituições na Turquia analisou por que estudantes recorrem ao “AI-giarism”, o uso de conteúdo gerado por IA sem atribuição, e encontrou quatro motores principais: a capacidade das ferramentas, a normalização/justificativa do plágio, a falta de consciência sobre enganos da IA e a pressão acadêmica. Os achados ajudam gestores e docentes a calibrar políticas e práticas que vão além da simples detecção, combinando diretrizes claras, letramento em IA e desenho de avaliações.

Dois experimentos com participantes recrutados em painéis online indicam que a aceitação de IA em ambientes de aprendizagem não depende apenas de utilidade percebida ou facilidade de uso: ela também é mediada por visões normativas sobre o que a universidade deve ser. Quando a educação é entendida como orientada a competências e resultados, a adoção de plataformas com tutor de IA e monitoramento de objetivos tende a parecer mais “adequada”; já sob um ideal humanista, que privilegia autonomia, reflexão e diálogo, a mesma tecnologia é vista com mais ressalvas.

Um estudo quantitativo com 250 estudantes e professores do ensino superior analisou efeitos não intencionais do uso de ferramentas de IA no ensino e aprendizagem de inglês, encontrando associação entre maior dependência de sistemas como corretores e geradores de texto e queda percebida em autonomia cognitiva, pensamento crítico e criatividade linguística, além de preocupações com integridade acadêmica e mudanças no trabalho docente.

A publicação do primeiro volume de “Desafios éticos na organização do conhecimento”, ligado ao VII Congresso ISKO Espanha e Portugal, consolida um campo de debate que cruza ética, inteligência artificial, organização do conhecimento e políticas de informação, e oferece alertas diretos para quem projeta sistemas educacionais baseados em dados e IA: a forma como classificamos, indexamos e tornamos o conhecimento visível é sempre um ato político, com potenciais efeitos de inclusão, exclusão e injustiça epistêmica.

Pesquisadores apresentaram o MARBLE, um framework automatizado que usa modelos de linguagem para criar e avaliar cenários sintéticos de viés e uso responsável em chatbots educacionais, comparando o desempenho de diferentes LLMs em contextos de ensino superior e oferecendo uma rota prática para instituições que precisam escolher e monitorar ferramentas de IA com foco em ética, privacidade e equidade.