Integridade, IA e avaliação em eLearning: uma reflexão a partir de uma atividade académica

A atividade desenvolvida no âmbito da unidade curricular Avaliação em Contextos de eLearning partiu de uma questão que se tornou impossível de ignorar no ensino superior: de que forma deve a avaliação académica responder à presença da inteligência artificial generativa? Esta pergunta não se limita ao uso de ferramentas como apoio à escrita, à pesquisa ou à organização de ideias. Obriga, antes, a repensar a própria função da avaliação, sobretudo em contextos digitais, onde o processo de aprendizagem nem sempre é diretamente observável.

O trabalho realizado teve como tema central “Integridade e IA: reconfigurar a avaliação no ensino superior entre autenticidade, transparência e responsabilidade”. A proposta consistiu na elaboração de um ensaio crítico sobre o impacto da inteligência artificial generativa na avaliação académica, com particular atenção aos desafios da integridade, da autoria, da validade e da justiça avaliativa em ambientes de eLearning.

Mais do que produzir uma reflexão sobre a IA enquanto tecnologia, a atividade permitiu pensar a avaliação como um ecossistema pedagógico. A questão não é apenas saber se o estudante usou ou não uma ferramenta de IA. A questão mais exigente é perceber se a tarefa proposta permite evidenciar aprendizagem real, pensamento crítico, apropriação conceptual e responsabilidade autoral. Quando uma ferramenta consegue gerar textos coerentes, relatórios estruturados ou reflexões aparentemente consistentes, torna-se insuficiente avaliar apenas o produto final. É necessário compreender o percurso que lhe deu origem.

Da suspeita ao desenho pedagógico

Uma das ideias centrais do ensaio é que a resposta à IA generativa não deve assentar exclusivamente na suspeita, na vigilância ou na deteção automática de fraude. Embora a integridade académica continue a ser indispensável, reduzi-la a uma lógica policial empobrece o debate e pode deteriorar a relação pedagógica entre docentes e estudantes.

A integridade académica deve ser entendida de forma mais ampla. Envolve honestidade, mas também justiça, transparência, coerência entre objetivos e tarefas, clareza nos critérios e responsabilidade partilhada. Neste sentido, a presença da IA generativa obriga a regressar a uma pergunta clássica da avaliação: o que está realmente a ser avaliado?

Se uma tarefa pretende avaliar capacidade crítica, mas pode ser respondida por uma ferramenta sem que o estudante revele o seu processo de pensamento, então o problema não está apenas no uso indevido da IA. Está também no desenho da avaliação. A tecnologia torna visível uma fragilidade que já existia: a dependência excessiva de produtos finais, muitas vezes desligados do percurso de aprendizagem.

Esta constatação aproxima-se das preocupações de Boud e Soler (2016), quando defendem uma avaliação mais sustentável, orientada para aprendizagens que possam continuar a fazer sentido para além do momento formal da classificação. Avaliar não deve ser apenas certificar um resultado. Deve também ajudar o estudante a desenvolver capacidade de julgamento, autorregulação e responsabilidade sobre o próprio trabalho.

Avaliação autêntica: necessária, mas não suficiente

A avaliação autêntica surge frequentemente como resposta aos limites das tarefas académicas tradicionais. Ao aproximar a avaliação de situações reais, problemas contextualizados e práticas profissionais, este tipo de abordagem permite tornar a aprendizagem mais significativa. Em contextos de eLearning, a avaliação digital autêntica pode ter especial relevância, porque favorece a construção de artefactos, projetos, análises situadas e produtos com utilidade para além da sala de aula.

No entanto, a atividade permitiu problematizar uma ideia demasiado simples: a de que basta tornar uma tarefa “autêntica” para resolver o problema da integridade. A autenticidade da situação não garante automaticamente a autenticidade do processo. Um relatório profissionalizante, uma análise de caso, uma reflexão crítica ou uma proposta de intervenção podem ser parcialmente produzidos com recurso a IA generativa, mantendo aparência de qualidade formal.

Este ponto é particularmente importante. A avaliação autêntica continua a ser uma via pedagógica relevante, mas precisa de ser acompanhada por mecanismos que tornem o processo mais visível. Não basta pedir ao estudante que entregue um produto final convincente. É necessário solicitar planos, versões intermédias, justificações, comentários sobre decisões tomadas, declarações de uso de IA e, quando adequado, pequenos momentos de defesa oral ou discussão síncrona.

A autenticidade, por si só, não é um escudo. É uma peça do desenho avaliativo. A sua força depende da forma como é articulada com evidências de processo, feedback formativo e critérios de avaliação transparentes.

A importância da demonstrabilidade

Um dos conceitos mais relevantes trabalhados no ensaio foi o de demonstrabilidade. Em avaliação, demonstrar não significa apenas apresentar um resultado. Significa tornar compreensível o modo como esse resultado foi construído.

Num ambiente académico atravessado pela IA generativa, esta dimensão ganha nova importância. O estudante deve conseguir explicar o que fez, por que motivo tomou determinadas decisões, que fontes utilizou, que opções rejeitou, que papel teve a tecnologia e como validou a informação mobilizada. Esta capacidade de explicação é, em si mesma, uma evidência de aprendizagem.

Em contextos de eLearning, onde a distância física pode dificultar o acompanhamento informal do trabalho, a demonstrabilidade deve ser intencionalmente desenhada. Pode assumir várias formas: diários de bordo, grelhas de autoavaliação, mapas de fontes, versões anotadas, registos de revisão, fóruns de discussão, breves apresentações síncronas ou declarações reflexivas sobre o uso de ferramentas digitais.

Estas estratégias não têm de transformar a avaliação num processo pesado ou burocrático. Pelo contrário, quando bem integradas, ajudam a tornar a aprendizagem mais visível e mais justa. O objetivo não é vigiar cada passo do estudante, mas criar momentos em que a autoria intelectual possa emergir com clareza.

Literacia de IA como competência académica

Outro aspeto central da atividade foi a compreensão da literacia de IA como parte da formação académica contemporânea. Saber usar uma ferramenta de inteligência artificial não é apenas saber escrever comandos ou obter respostas rápidas. Implica compreender limites, riscos, enviesamentos, possibilidades de erro, problemas de autoria e responsabilidades éticas.

A fluência textual gerada por IA pode criar uma falsa sensação de qualidade. Um texto pode soar correto, articulado e convincente sem ser conceptualmente rigoroso. Por isso, a literacia de IA deve incluir hábitos de verificação, leitura crítica, cruzamento de fontes e consciência sobre o que a ferramenta faz e não faz.

Neste ponto, a atividade foi também um exercício de transparência. A utilização de IA generativa no processo de trabalho foi assumida e delimitada: apoio à organização de ideias, comparação de conceitos, revisão linguística e criação/edição de elementos visuais. A decisão autoral, a seleção das fontes, a construção do argumento e a responsabilidade final pelo texto permaneceram humanas.

Esta distinção é essencial. O problema não está necessariamente em usar IA. O problema está em delegar o pensamento, esconder a mediação tecnológica ou apresentar como aprendizagem própria aquilo que não foi compreendido, apropriado ou validado. A literacia de IA deve, por isso, ser ensinada, discutida e integrada nas rubricas de avaliação, e não apenas mencionada em documentos institucionais.

Justiça, inclusão e confiança

A discussão sobre IA e avaliação não pode ignorar a justiça. Respostas demasiado rígidas, sistemas de deteção pouco fiáveis ou exigências processuais mal calibradas podem penalizar estudantes de forma desigual. Estudantes com diferentes perfis linguísticos, culturais, emocionais ou tecnológicos podem ser afetados por soluções que parecem neutras, mas que não o são na prática.

Por exemplo, uma defesa oral pode ser uma boa forma de verificar autoria, mas também pode criar ansiedade ou barreiras de participação. Uma declaração de uso de IA pode promover transparência, mas só será justa se os estudantes souberem exatamente o que devem declarar. A diversificação de evidências pode melhorar a avaliação, mas deve ser acompanhada por instruções claras, critérios compreensíveis e oportunidades de feedback.

A confiança pedagógica torna-se, aqui, decisiva. Uma avaliação centrada apenas na suspeita tende a transformar o estudante num potencial infrator. Uma avaliação baseada apenas na confiança, sem critérios nem validação, pode comprometer a credibilidade académica. O desafio está em construir um equilíbrio: regras claras, processos demonstráveis, responsabilidade autoral e uma relação educativa que não abdique da exigência.

O papel das instituições

A atividade permitiu ainda compreender que a adaptação à IA generativa não pode depender apenas da iniciativa individual de cada docente. Quando cada unidade curricular define regras isoladas, os estudantes recebem mensagens contraditórias. Numa disciplina, o uso de IA pode ser permitido; noutra, proibido; noutra ainda, tolerado sem explicitação. Esta fragmentação dificulta a aprendizagem ética e cria insegurança.

As instituições de ensino superior precisam, por isso, de orientações claras, flexíveis e pedagogicamente fundamentadas. Essas orientações devem definir princípios comuns sobre uso de IA, integridade académica, declaração de ferramentas, limites aceitáveis, critérios de avaliação e procedimentos em caso de dúvida. Ao mesmo tempo, devem respeitar as especificidades de cada área disciplinar, porque nem todas as tarefas têm a mesma relação com a tecnologia.

No caso do eLearning, esta governação é ainda mais importante. A mediação digital não é um detalhe operacional, mas uma condição estrutural da experiência de aprendizagem. O Modelo Pedagógico da Universidade Aberta, ao valorizar autonomia, flexibilidade, interação e mediação tecnológica, oferece um enquadramento particularmente relevante para pensar estas questões de forma integrada.

Aprendizagens retiradas da atividade

Esta atividade permitiu consolidar uma ideia fundamental: a IA generativa não destrói a avaliação, mas obriga a torná-la melhor. Obriga a desenhar tarefas mais intencionais, a clarificar critérios, a acompanhar processos, a promover literacia digital e a reforçar a responsabilidade académica.

A avaliação baseada exclusivamente no produto final torna-se frágil num contexto em que esse produto pode ser tecnologicamente assistido de formas muito variadas. Por isso, a avaliação deve passar a valorizar mais o percurso: o planeamento, a justificação, a revisão, a reflexão e a capacidade de responder pelo trabalho apresentado.

Do ponto de vista pessoal e académico, o desenvolvimento deste ensaio foi também uma oportunidade para pensar criticamente o meu próprio uso de IA. A ferramenta pode apoiar o processo, mas não substitui a leitura, a decisão, a interpretação e a responsabilidade. Quando usada com consciência, pode funcionar como apoio à organização e à revisão. Quando usada sem critério, pode produzir textos formalmente sedutores, mas intelectualmente frágeis.

No fundo, o desafio da IA na avaliação não é apenas tecnológico. É pedagógico, ético e institucional. A pergunta mais importante talvez não seja “como impedir que os estudantes usem IA?”, mas sim: como criar avaliações que exijam pensamento, decisão, autoria e capacidade de explicação?

É nessa pergunta que se joga uma parte importante da credibilidade da avaliação no ensino superior contemporâneo. E é também aí que o eLearning pode afirmar-se não como modalidade mais vulnerável, mas como espaço privilegiado para experimentar formas de avaliação mais transparentes, processuais, flexíveis e responsáveis.

Trabalho integral

O ensaio crítico desenvolvido no âmbito desta atividade pode ser consultado integralmente no visualizador PDF abaixo.

---

Referências bibliográficas

Boud, D., & Soler, R. (2016). Sustainable assessment revisited. Assessment & Evaluation in Higher Education, 41(3), 400–413. https://doi.org/10.1080/02602938.2015.1018133

Casanova, D., Machado, Â. M., Mendes, A. Q., Ferreira, C. D., Aires, L., Martins, M., Serranho, P., & Rocio, V. (2026). Modelo Pedagógico da Universidade Aberta. Universidade Aberta. https://doi.org/10.34627/s45f-nn11

Felix, J., & Webb, L. (2024). Use of artificial intelligence in education delivery and assessment (POSTnote 712). UK Parliament. https://doi.org/10.58248/PN712

Kofinas, A. K., et al. (2025). The impact of generative AI on academic integrity of authentic assessments within a higher education context. British Journal of Educational Technology. Advance online publication. https://doi.org/10.1111/bjet.13585

Oliveira, I., & Pereira, A. (2021). Avaliação digital autêntica: questões e desafios. RE@D – Revista de Educação a Distância e eLearning, 4(2), 22–40. https://doi.org/10.34627/vol4iss2pp22-40