Um estudo em um curso avançado de pesquisa em arquitetura na Arábia Saudita propõe um “método de mentoria em IA” para transformar diretrizes institucionais de uso responsável de IA generativa em rotinas de sala de aula, com aplicação em dois semestres consecutivos e comparação de resultados entre diferentes estilos de docência. A experiência sugere que um roteiro estruturado pode apoiar letramento em IA e desempenho acadêmico, mas que o ganho depende fortemente de como o professor media ferramentas, tarefas e critérios de integridade.
O QUE HÁ DE NOVO: A pesquisa descreve e avalia um modelo de implementação para IA generativa em um curso de graduação avançada em arquitetura (ARC502) na Dar Al Uloom University, em Riad, alinhando o desenho pedagógico a um guia institucional de ética e uso educacional de IA elaborado pela King Abdulaziz University (KAU). O diferencial está em testar o mesmo método ao longo de dois semestres (outono de 2024 e primavera de 2025) com dois docentes diferentes e comparar tanto a percepção dos estudantes, via survey, quanto indicadores de desempenho por resultados de aprendizagem (ILOs) ao longo de três semestres (um antes da intervenção e dois depois), com turmas pequenas (9 estudantes no primeiro semestre e 15 no segundo) e taxas de resposta de 77,7% e 80%.
COMO FUNCIONA: O “AI Mentoring Method” é organizado em três estágios, Design, Application e Evaluation, e, no desenho, detalha sete fases que combinam preparação docente e estruturação do suporte ao estudante: consulta para ajustar o plano de curso; desenvolvimento do professor (certificações, oficinas e testes de prompts); troca de experiências com pares; apoio a assinaturas e acesso a plataformas avançadas; palestrantes convidados; orientação contínua com discussões e validação crítica de saídas; e, por fim, feedback e avaliação. Na aplicação, a IA é distribuída pelos cinco capítulos do curso (da proposta de projeto ao conceito de design), usando ferramentas como ChatGPT-4 (texto), Aithor.com (escrita e referências), Midjourney (imagens) e Autodesk Forma (análise de sítio), com tarefas guiadas por estratégias típicas do ensino em arquitetura e pesquisa, investigação orientada, feedback formativo, prática reflexiva, mentoria, construtivismo e pedagogia de estúdio.
PRINCIPAIS RESULTADOS: Na métrica de resultados de aprendizagem, a média de desempenho passou de 81,8% no semestre de referência (pré-método) para 82,1% no semestre com o Instrutor #1 e chegou a 87,4% com o Instrutor #2, indicando uma melhora mais forte quando a metodologia foi conduzida de outra forma, apesar de a estrutura do método ter permanecido. Por indicador, o padrão se repete: nos resultados de Conhecimento e Habilidades, a turma do Instrutor #2 superou mais consistentemente o baseline, enquanto o Instrutor #1 ficou próximo ou ligeiramente abaixo em parte dos itens; já no domínio de Valores e responsabilidades, os resultados melhoraram após a implementação, com destaque para ganhos em V1 e avanço relevante em V3 em ambos os semestres pós-intervenção, sugerindo que a abordagem pode fortalecer dimensões associadas a ética, responsabilidade e integridade quando bem mediada.
INSIGHT CENTRAL: O ponto-chave do trabalho não é a adoção de uma ferramenta específica, mas a tradução de princípios de política institucional, como transparência, integridade acadêmica, foco em resultados de aprendizagem, equidade de acesso e desenvolvimento de letramento em IA, em uma “rotina de mentoria” que mantém o professor no centro da mediação. Em vez de tratar a IA como atalho para entregar produtos finais, o método a posiciona como insumo para ciclos de ideação, checagem, reflexão e refinamento, com momentos explícitos de orientação e avaliação do uso, tentando reduzir riscos de dependência e de aceitação acrítica de conteúdos gerados.
POR QUE ISSO IMPORTA PARA A EDUCAÇÃO: Para a aprendizagem, o estudo aponta um caminho prático para cursos de natureza investigativa e projetual incorporarem IA sem desestruturar a lógica de estúdio e crítica iterativa, ao distribuir o uso por etapas (proposta, análise de casos, programa, sítio e conceito) e exigir validação e contextualização das saídas. Para o trabalho docente, a evidência mais relevante é que a variação entre instrutores mudou a profundidade do engajamento e o desempenho: a presença do professor como mentor, a escolha de ferramentas, a qualidade das atividades e a forma de orientar prompting e checagem parecem ser determinantes para que a IA amplie pensamento de ordem superior em vez de automatizar respostas. Para a gestão acadêmica, o modelo propõe uma ponte operacional entre “guias de IA” e práticas avaliáveis, incluindo alinhamento com resultados pretendidos (ILOs) e coleta sistemática de feedback para melhoria contínua.
SIM, MAS…: A própria pesquisa reconhece limitações que reduzem a generalização: trata-se de um único curso em uma universidade privada, com amostras pequenas e análise centrada em estatística descritiva (sem testes inferenciais), além de não incluir relatos diretos dos docentes sobre decisões de implementação, justamente o fator que parece explicar boa parte das diferenças. Também há dependência de infraestrutura e acesso a ferramentas pagas (como assinaturas de plataformas), o que pode afetar equidade em contextos com menos recursos, ainda que o método tenha previsto suporte ao acesso como uma de suas fases.
O QUE VEM DEPOIS: O estudo aponta como próximos passos a aplicação do método em outros formatos de ensino em arquitetura (incluindo estúdio e projetos colaborativos) e em outras áreas com forte componente de pesquisa e projeto, como engenharia e cursos interdisciplinares, mantendo o “núcleo” do modelo e adaptando ferramentas e tarefas. Em termos de evidência, os autores sugerem ampliar amostras para permitir análises estatísticas mais robustas (por exemplo, testes não paramétricos entre coortes e comparações pré e pós), além de incorporar dados qualitativos de sala de aula e a perspectiva dos instrutores para entender melhor quais práticas de mentoria explicam ganhos consistentes em conhecimento, habilidades e, sobretudo, valores acadêmicos em contextos mediados por IA.
