A IA não quebrou a educação. Isso expôs.
Pressione Enter ou clique para ver a imagem em tamanho realFoto de Dennis Zhang no UnsplashPor que banir a IA erra o foco e o que o colapso das avaliações tradicionais revela sobre como medimos o pensamentoHá alguns dias, assisti a um vídeo de professores universitários visivelmente irritados. A frustração deles foi direcionada aos alunos que usavam ferramentas de IA para redações, tarefas e até mesmo exames. Para eles, isso parecia trapaça, preguiça e, mais amplamente, um colapso da integridade acadêmica — uma reação compreensível, mas, em última análise, mal direcionada. Não creio que a raiva seja realmente sobre os alunos ou as ferramentas. Trata-se de algo mais desconfortável: muitos dos sinais em que confiávamos para reconhecer a aprendizagem já não significam o que pensamos que significam. E quando os sistemas perdem a capacidade de medir o que valorizam, tendem a reagir emocionalmente e não de forma ponderada. A verdadeira questão não é que os estudantes estejam a utilizar a IA. A verdadeira questão é que os nossos sistemas educativos ainda são concebidos para um mundo que já não existe. Estamos a fazer a pergunta errada Grande parte do debate actual em torno da IA na educação começa com uma questão familiar: deveríamos proibi-la? Superficialmente, a pergunta parece razoável, até mesmo responsável. Mas assume discretamente que a própria IA é a fonte do problema, e essa suposição desvia a conversa antes de esta realmente começar. Pelo menos na educação, a IA não criou uma crise. Surgiu um que vinha crescendo silenciosamente há anos. Ao facilitar a geração de respostas refinadas, a IA expôs o quanto os sistemas de avaliação dependem da memorização, de estruturas previsíveis e de resultados que nunca foram concebidos para medir a compreensão genuína. O que parece uma interrupção repentina é, na realidade, um confronto retardado. Tentar impedir a IA para preservar esses métodos me lembra de como as calculadoras já foram culpadas por exames de matemática fracos — uma comparação que não é perfeita, mas próxima o suficiente. A ferramenta não baixou a barra; revelou o quão baixo o padrão já havia se tornado. Se a pergunta que fazemos estiver errada, a forma como tentamos medir a aprendizagem também estará errada – e isso se torna mais visível na forma como avaliamos os alunos. Exames cronometrados, respostas memorizadas e redações cuidadosamente estruturadas serviram como substitutos para a compreensão. Esses métodos nunca foram perfeitos, mas funcionaram desde que a produção de respostas corretas exigisse um esforço cognitivo sustentado. Essa condição não se sustenta mais. Um sistema de IA agora pode analisar uma pergunta, organizar um argumento, corrigir a linguagem e gerar uma resposta coerente quase que instantaneamente. Como resultado, produzir uma resposta já não é uma prova fiável de que o pensamento ocorreu. Isto não significa que os alunos pararam de pensar. Isso significa que as ferramentas que usamos para detectar o pensamento lutam cada vez mais para fazer o seu trabalho. Quando uma avaliação pode ser concluída por uma máquina sem compreender o assunto, o problema reside menos no comportamento do aluno e mais no design da avaliação. Os ensaios, muitas vezes considerados uma forma de avaliação mais sofisticada do que os exames, tornam esta mudança ainda mais clara. Esse esforço funcionou como um filtro. A compreensão superficial raramente sobrevivia ao processo de organização de ideias, apoio a afirmações e revisão de rascunhos. Nesse contexto, o ensaio final funcionou como um substituto prático para o pensamento. Era imperfeito, mas útil. Se um aluno conseguisse produzir consistentemente uma escrita coerente e fundamentada, os educadores poderiam razoavelmente assumir que a aprendizagem tinha ocorrido. O que mudou não foi o valor do pensamento, mas as condições que tornaram o proxy fiável. A IA generativa eliminou a escassez de expressão. Estrutura, tom e até mesmo padrões de argumento não são mais caros de produzir. Quando a expressão se torna barata, a expressão por si só não pode mais servir como prova de compreensão. Hoje, dois estudantes podem submeter redações de qualidade semelhante. Apenas um poderá ser capaz de explicar porque é que o argumento funciona, onde é fraco e em que pressupostos se baseia. A diferença não reside mais no próprio texto. Aparece nas decisões em torno dela: como a questão foi formulada, como o resultado da IA foi orientado, o que foi rejeitado e se o raciocínio pode ser defendido quando contestado. Em outras palavras, o ensaio não é mais a evidência. O pensamento agora vive no processo que o rodeia. O que está acontecendo com os ensaios em educação não é um caso isolado. A mesma mudança está a ocorrer onde quer que o conhecimento e os resultados tenham sido usados como sinais de competência. Exemplo 2 — Julgamento profissional: quando o conhecimento já não é o gargalo Uma mudança semelhante está a ocorrer para além das salas de aula. Em muitas profissões, a educação tratou a acumulação de conhecimento como o principal indicador de competência. Estudantes de direito memorizaram estatutos, médicos internalizaram caminhos diagnósticos e analistas dominaram estruturas e precedentes. A suposição era que conhecimento suficiente levaria naturalmente ao bom julgamento. Durante muito tempo, esta suposição manteve-se razoavelmente bem, não porque a informação garantisse sabedoria, mas porque era difícil acessá-la, organizá-la e recuperá-la. A escassez novamente atuou como filtro. Era difícil falsificar a competência. A IA eliminou em grande parte esse gargalo. Precedentes legais, diretrizes médicas, análises comparativas e argumentos estruturados estão agora instantaneamente acessíveis. O que entra em colapso aqui não é a experiência, mas o sinal que usamos para identificá-la. Dois profissionais podem agora recuperar as mesmas informações e produzir resultados igualmente refinados. A diferença entre julgamento sensato e erro dispendioso não aparece mais na recuperação ou apresentação. Ela aparece na interpretação, na priorização e na tomada de decisões sob incerteza — em questões como o que é importante aqui, quais riscos estão sendo ignorados e quais compensações estão sendo aceitas. Neste ambiente, a competência não pode mais ser inferida apenas a partir da informação. Depende do julgamento, da responsabilidade e da capacidade de raciocinar quando a certeza não está disponível. Quando os sistemas perdem a capacidade de reconhecer a competência de forma fiável, a resposta instintiva raramente é a reflexão – é o controlo. Esta crença alimenta o medo e a culpa equivocada, e obscurece onde realmente reside a responsabilidade. A IA não é mágica, nem é um atalho para a especialização. Não cria inteligência; amplifica qualquer nível de compreensão que o usuário traz para ele. Alguém com uma base sólida usa IA para aprimorar o pensamento, desafiar suposições e testar ideias. É mais provável que alguém sem essa base aceite resultados fluentes e aparentemente confiantes como verdade, construindo conclusões sobre suposições não examinadas. Esta dinâmica é muitas vezes mal compreendida através das lentes das chamadas alucinações. Quando as pessoas dizem que a IA “inventa coisas”, estão a observar um comportamento real, mas a atribuir mal a sua causa. Os sistemas de IA não raciocinam sobre a verdade nem verificam os factos. Eles geram respostas que são estatisticamente plausíveis, dados os dados de entrada. Como resultado, eles podem parecer autoritários enquanto estão errados, ou oferecer elogios que pareçam validadores, sem carregar um significado avaliativo real. Essa limitação torna uma conclusão inevitável: a responsabilidade não pode ser automatizada. A precisão depende de como as perguntas são formuladas, se as fontes são exigidas, se os resultados são verificados e se os elogios são tratados como incentivo e não como evidência. O julgamento e a responsabilização continuam a ser obrigações humanas, independentemente da capacidade da ferramenta. As tentativas de controlar a IA sem redesenhar os sistemas falham porque evitam esta realidade. Os sistemas construídos para um mundo de expressão escassa estão agora a funcionar num ambiente onde a expressão é abundante, barata e facilmente automatizada. Nenhuma restrição pode restaurar os sinais antigos. Somente o redesenho pode resolver a incompatibilidade. Se a responsabilidade não pode ser automatizada, então os sistemas construídos em torno dessas ferramentas também não podem permanecer inalterados. Uma mudança necessária, não uma solução mágica Reprojetar não significa abandonar o rigor ou os padrões. Significa mudar o que observamos e recompensamos. O processo é mais importante do que o produto. A explicação é mais importante do que o resultado. O julgamento é mais importante do que a lembrança. Estas ideias não são novas – foram simplesmente adiadas até que os antigos sinais entrassem em colapso. Essa constatação traz-nos de volta à questão que continuamos a tentar evitar. O mundo já avançou e os esforços para congelá-lo apenas aumentam o fosso entre a realidade e os sistemas destinados a governá-lo. O debate, então, não é sobre se a IA deve existir na educação ou na vida profissional. Trata-se de saber se estamos dispostos a repensar a forma como a aprendizagem, a competência e o julgamento são definidos e medidos num ambiente onde a informação e a expressão já não são escassas. A verdadeira questão não é se devemos parar a IA. A verdadeira questão é se estamos dispostos a mudar a nós mesmos e aos sistemas que construímos para um mundo diferente. A IA não quebrou a educação. Revelou o custo de adiar a mudança – e durante quanto tempo confiámos em sinais que já não significam o que pensamos que significam.
Publicado: 2025-12-23 23:56:00
fonte: medium.com
