Um estudo com pós-graduandos em uma universidade holandesa investigou quando e por que estudantes recorrem à IA generativa para escrever feedback a colegas, e o que muda no conteúdo desse feedback. Os resultados apontam adesão parcial à ferramenta, ganhos específicos em sugestões de nível mais alto (como estrutura e argumentação) e tensões importantes entre apoio técnico, aprendizagem do próprio estudante e aspectos socioemocionais da interação.

O QUE HÁ DE NOVO: A pesquisa acompanhou 54 estudantes de mestrado em uma disciplina de ciência de alimentos, em um módulo de três semanas que combinou redação de ensaio argumentativo, feedback a dois colegas e reescrita do texto. Após receberem orientação sobre uso efetivo e ético de GenAI e sobre a política institucional de IA, os alunos decidiram livremente se usariam ou não essas ferramentas para apoiar a produção de feedback. Entre os 50 que responderam ao questionário final, 44% relataram ter usado GenAI em alguma etapa do feedback, enquanto 56% não utilizaram.

COMO FUNCIONA: O desenho do módulo foi estruturado em torno de uma atividade online de feedback por pares (via FeedbackFruits no ambiente Brightspace), com critérios disponíveis durante a correção e sem anonimato entre quem comenta e quem recebe comentários. Antes de iniciar, houve cerca de 20 minutos de instrução com exemplos de prompts e com ênfase em legalidade, ética e transparência, incluindo a orientação para não inserir dados pessoais de colegas em ferramentas externas. Para analisar impacto no conteúdo, os pesquisadores codificaram 100 conjuntos de feedback de 50 estudantes, segmentando-os em 832 comentários e classificando-os por características (como identificação, explicação e sugestões) e pelo tipo de problema abordado (questões de alto nível, como argumentos e organização, versus baixo nível, como linguagem e detalhes locais).

PRINCIPAIS RESULTADOS: A principal barreira para usar GenAI não foi falta de tempo ou desconhecimento de ferramentas, mas a crença de que a aprendizagem seria maior ao cumprir a tarefa de forma independente, além de uma parcela relevante relatar incerteza sobre como usar GenAI em conformidade com a política da universidade. Entre os usuários, as funções mais acionadas foram revisar gramática/ortografia e checar a clareza do próprio feedback; a explicação de critérios de avaliação foi o uso menos frequente. Em percepção de utilidade, os participantes que usaram GenAI tenderam a considerá-la de moderadamente a muito útil para revisar linguagem e “ajustar o tom” do feedback.

PRINCIPAIS RESULTADOS: Ao comparar o conteúdo do feedback, estudantes que recorreram à GenAI produziram significativamente mais sugestões sobre questões de alto nível e, ao mesmo tempo, usaram menos “elogios mitigadores” ao tratar de questões de baixo nível (ou seja, menos amortecimento social em críticas pontuais). Em outras dimensões, como identificar problemas e explicar pontos, os usuários de GenAI apresentaram médias maiores, mas sem diferenças estatisticamente significativas. Quando a análise se concentrou em funções específicas, apenas um efeito se destacou: usar GenAI para “gerar sugestões” foi associado a mais sugestões em comentários de alto nível.

POR QUE ISSO IMPORTA PARA A EDUCAÇÃO: Para o ensino superior, o estudo ajuda a separar dois debates frequentemente misturados: GenAI como corretora de superfície (linguagem e forma) e GenAI como apoio a competências mais complexas (argumentação, estrutura e qualidade de justificativas). O achado de aumento em sugestões de alto nível sugere que, quando bem direcionada, a GenAI pode atuar como andaime cognitivo para que estudantes formulem recomendações mais acionáveis, algo valioso em contextos com turmas grandes, pouco tempo docente e necessidade de prática deliberada de escrita acadêmica.

POR QUE ISSO IMPORTA PARA A EDUCAÇÃO: Ao mesmo tempo, a redução de elogios mitigadores em comentários de baixo nível sinaliza um possível custo socioemocional: feedback mais direto pode ser mais eficiente, mas também pode afetar receptividade, relações entre pares e clima de colaboração, dimensões críticas para que o feedback seja aceito e usado. Para gestores acadêmicos e coordenadores de curso, isso reforça que “qualidade do feedback” não é só precisão técnica; inclui tom, confiança e dinâmica social, especialmente quando a atividade não é anônima.

SIM, MAS…: Os autores tratam o trabalho como exploratório: a relação entre uso de GenAI e características do feedback é essencialmente correlacional, e o estudo ocorreu em um único curso e uma única atividade, o que limita generalizações. Há também um ponto de governança: quase metade dos que não usaram GenAI relatou insegurança sobre conformidade com a política institucional, sugerindo que diretrizes existentes podem não estar traduzidas em “regras operacionais” fáceis de aplicar na prática, particularmente em tarefas entre estudantes, com risco de exposição indevida de informações de colegas.

O QUE VEM DEPOIS: A agenda indicada pela própria pesquisa aponta para testes experimentais (para estimar causalidade), estudos longitudinais (para ver efeitos ao longo do tempo) e investigações sobre letramento em feedback e letramento em GenAI como condicionantes do uso efetivo. Também ganha peso o desenho de modelos de “inteligência híbrida”, em que a ferramenta não substitui a tarefa formativa de comentar, mas orienta o estudante a produzir justificativas, sugestões e linguagem socialmente adequada, com salvaguardas contra informação desatualizada, citações imprecisas e outros riscos já percebidos por parte dos participantes.

Fonte: The value of GenAI for peer feedback provision: student perceptions and impacts