O uso de inteligência artificial generativa (IA generativa) como apoio ao feedback entre pares elevou o desempenho argumentativo de estudantes de licenciatura em uma experiência conduzida ao longo de um semestre. O melhor resultado foi observado quando os alunos receberam modelos de prompts para dialogar com a ferramenta: nesse cenário, eles avançaram especialmente na sustentação de refutações e na resposta a posições contrárias. A evidência também mostra uma mudança no teor dos comentários, de observações predominantemente descritivas para sugestões de revisão acompanhadas de explicações, embora feedbacks críticos e pouco específicos possam gerar incerteza e frustração.

O QUE HÁ DE NOVO: A pesquisa comparou três modalidades de feedback em uma disciplina de formação de professores de uma universidade do centro da China: avaliação feita apenas pelos pares; avaliação entre pares com apoio de IA generativa; e a mesma combinação acrescida de estruturas de prompts. Participaram 45 estudantes do terceiro ano de Tecnologia Educacional, distribuídos em 12 grupos de três a quatro integrantes, que realizaram quatro ciclos de discussão sobre temas como educação on-line, recursos digitais, cursos massivos abertos on-line (MOOCs) e sala de aula invertida.

COMO FUNCIONA: Em cada ciclo, os grupos construíam uma argumentação, avaliavam o trabalho de outra equipe com uma rubrica de cinco pontos e revisavam seu próprio texto a partir do retorno recebido. Os dois grupos com IA usaram o ERNIE Bot como interlocutor para examinar coerência, suficiência das evidências, lacunas de justificativa, possíveis contra-argumentos e sugestões de melhoria; a decisão final sobre o que incorporar permanecia com os estudantes. No grupo com prompts estruturados, as consultas traziam contexto, objetivo e papéis específicos, por exemplo, pedir uma análise sob a perspectiva de um formulador de políticas ou de um defensor de determinada posição. Foram analisadas 96 versões de artefatos argumentativos e 48 relatórios de feedback, além de entrevistas individuais.

PRINCIPAIS RESULTADOS: Os grupos apoiados por IA superaram os de feedback convencional no desempenho geral de argumentação, e a combinação de IA com prompts teve os ganhos mais consistentes. Esse grupo obteve resultado significativamente superior ao grupo sem IA na complexidade estrutural e na qualidade global das argumentações, com destaque para evidências e justificativas de refutação e para a capacidade de lidar com visões opostas. A IA sem estrutura de prompt apresentou vantagem específica na elaboração dos argumentos. Nos 756 trechos de feedback codificados, os grupos com IA emitiram proporcionalmente mais sugestões de aprimoramento; a análise das conexões entre os comentários indicou que os prompts favoreceram a articulação entre identificar um problema, explicar sua causa e recomendar uma revisão.

POR QUE ISSO IMPORTA PARA A EDUCAÇÃO: A atividade de avaliar colegas exige que o estudante aplique critérios, reconheça fragilidades de evidências e formule orientações úteis, competências centrais tanto para o pensamento crítico quanto para a futura prática docente. Nesse contexto, a IA pode ampliar repertórios e tornar visíveis pontos cegos que um grupo não detectaria sozinho, sem precisar substituir a interação humana. Para professores, o resultado sugere que liberar uma ferramenta de IA não basta: o desenho da tarefa, a rubrica e os comandos que solicitam justificativas e contrapontos determinam se a tecnologia será um atalho para respostas prontas ou um apoio à reflexão. Em redes e instituições, a abordagem também requer formação para uso crítico, regras claras sobre dados compartilhados e condições equitativas de acesso.

LIMITES E CUIDADOS: Os achados vêm de uma amostra homogênea e reduzida, de apenas uma universidade e quatro grupos por condição, o que limita sua generalização para outras áreas, etapas de ensino e redes públicas. Além disso, a estrutura de prompts elevou a presença de comentários neutros e negativos: críticas podem impulsionar a revisão, mas se forem vagas ou excessivas tendem a confundir os alunos e prejudicar a disposição para colaborar. Os próprios participantes relataram que algumas respostas da IA eram genéricas. O estudo, portanto, reforça a necessidade de pedir que estudantes expliquem por que aceitam, modificam ou rejeitam recomendações geradas pela ferramenta, reduzindo o risco de transferência indevida do esforço cognitivo para o sistema.

PRÓXIMOS PASSOS: A pesquisa aponta para testes com mais grupos, cursos e contextos institucionais, além de investigações sobre efeitos duradouros na autonomia para dar feedback. Uma frente relevante é desenvolver suportes adaptativos: em vez de oferecer o mesmo prompt a todos, os sistemas poderiam ajustar perguntas, critérios e graus de ajuda ao desenvolvimento de cada estudante e reduzir gradualmente a orientação externa. Antes disso, avaliações devem medir não só a qualidade dos textos finais, mas também a carga cognitiva, a motivação e a capacidade dos alunos de manter julgamento próprio diante das respostas da IA.

Fonte: Leveraging generative AI to facilitate peer feedback in collaborative argumentation learning