Um estudo realizado em uma disciplina de ética em computação testou, no ano acadêmico de 2023/24, um modelo de escrita acadêmica em que estudantes podiam produzir relatórios sem IA, com apoio híbrido de grandes modelos de linguagem ou com uso predominante dessas ferramentas. A experiência é relevante porque desloca o debate sobre ChatGPT e educação de uma lógica de proibição para uma arquitetura de uso supervisionado, com exigência de perguntas de pesquisa, checagem de respostas, referências e defesa oral do trabalho.

O QUE HÁ DE NOVO: A novidade está na avaliação de um desenho pedagógico criado para incorporar grandes modelos de linguagem à escrita de white papers em ciência da computação sem tratar todo uso de IA como fraude. A experiência envolveu 218 estudantes matriculados em uma disciplina avançada de ética em computação, dos quais 148 concluíram as obrigações até os exames de junho de 2024. A atividade substituiu ensaios tradicionais por relatórios estruturados sobre temas como riscos e benefícios da inteligência artificial, privacidade, novas tecnologias e vigilância, alinhando a tarefa às recomendações curriculares internacionais que enfatizam comunicação, ética e competências profissionais na formação em computação.

COMO FUNCIONA: O curso organizou os estudantes em equipes e dividiu a produção em etapas: escolha do grupo, definição de subtemas, aprovação docente, redação individual, integração em um relatório coletivo, apresentação pública e discussão. Para registrar o processo de escrita, foram criados três questionários no Moodle. No primeiro, o aluno declarava ter escrito sem IA e apresentava perguntas de pesquisa, fontes e trechos usados como base. No segundo, voltado ao uso predominante de LLMs, o estudante informava o modelo utilizado, registrava os prompts e precisava buscar fontes que confirmassem as respostas geradas. No terceiro, chamado de híbrido, combinava perguntas acadêmicas e perguntas feitas ao modelo, com a mesma exigência de validação e referência.

PRINCIPAIS RESULTADOS: A adoção dos LLMs não alterou de forma relevante o desempenho global da disciplina em comparação com o ano anterior: a taxa de aprovação ficou em 67,27%, ante 67,83%, e a média final foi praticamente igual, 7,33 em 10 contra 7,35. No primeiro projeto, 78 estudantes escolheram escrever sem LLM, 68 usaram o modo híbrido e apenas 6 recorreram ao modo baseado sobretudo em IA; no segundo, foram 74 sem LLM, 47 híbridos e 13 com uso predominante de LLM. Os melhores resultados apareceram entre estudantes que escreveram sem IA, seguidos pelos que adotaram o modelo híbrido, o que sugere que a ferramenta ajudou mais como apoio do que como substituta de repertório, disciplina de estudo e experiência prévia de escrita.

O desempenho nos projetos melhorou de forma expressiva entre a primeira e a segunda rodada: 82,58% dos estudantes tiveram resultado igual ou superior no segundo trabalho. A interpretação do estudo é que o feedback, a reformulação das instruções e a familiaridade com o formato estruturado contribuíram para a melhora. Entre os estudantes que usaram IA, o ChatGPT foi dominante, especialmente em inglês, idioma escolhido por muitos alunos de computação por hábito acadêmico e pela percepção de melhor qualidade das respostas. Em uma pesquisa respondida por 112 estudantes, apenas 6 disseram não ter usado LLMs, enquanto 19 afirmaram utilizá-los diariamente na produção dos relatórios; 68,75% apoiaram a integração de IA generativa na educação, mas mais de três quartos rejeitaram seu uso em exames.

O PULO DO GATO: O ponto central da abordagem foi tornar visível o caminho entre pesquisa, uso da IA e texto final. Em vez de tentar detectar automaticamente se um relatório foi escrito por máquina, o desenho obrigou o estudante a explicitar perguntas, prompts, respostas geradas, fontes consultadas, trechos relevantes, referências e conclusões próprias. Essa mudança transforma a avaliação: o professor deixa de julgar apenas o produto final e passa a observar a qualidade do processo, a capacidade de validar informações e a autoria intelectual do estudante, inclusive quando ele usa IA para organizar ideias, revisar linguagem ou explorar perspectivas iniciais.

LIMITES E RISCOS: A experiência também expôs fragilidades importantes. Alguns estudantes confundiram perguntas de pesquisa com prompts, outros pediram ao modelo que escrevesse a introdução ou o relatório inteiro e receberam nota zero. Houve problemas de cópia literal, paráfrase indevida e plágio entre idiomas, além de respostas incorretas ou fora de contexto geradas por IA. Um exemplo citado no estudo mostra como ambiguidades linguísticas podem levar o modelo a interpretar um termo técnico de modo inadequado. Outro limite é que a intervenção ocorreu em uma disciplina específica, com estudantes avançados de computação e forte acompanhamento docente; portanto, seus resultados não podem ser automaticamente generalizados para outros cursos, níveis de ensino ou instituições com menos infraestrutura e tempo de supervisão.

POR QUE ISSO IMPORTA PARA A EDUCAÇÃO: Para a sala de aula, o estudo reforça que a IA generativa pode apoiar brainstorming, revisão de estilo, síntese inicial e organização de argumentos, mas não elimina a necessidade de leitura crítica, domínio conceitual e verificação de evidências. Para professores, o modelo aponta uma alternativa concreta ao dilema entre proibir e liberar: desenhar tarefas em que o uso da IA seja documentado, auditável e associado a fontes confiáveis. Para gestores e formuladores de política, a experiência sugere que diretrizes sobre IA acadêmica precisam combinar transparência, avaliação processual e momentos presenciais de defesa ou discussão, especialmente em atividades de escrita. O próximo passo previsto é simplificar instruções, demonstrar o preenchimento dos questionários em aula, criar um fluxo específico para líderes de equipe e aumentar o peso das discussões presenciais para pelo menos 30%, de modo a valorizar a compreensão real do tema e não apenas a entrega do texto.

Fonte: The impact of large language models on computer science student writing