Pesquisa de IA de Dartmouth revela diferença entre o uso pelos estudantes e a suspeita sobre colegas

Dartmouth divulgou resultados de uma pesquisa que mostra que 8% dos universitários dos EUA copiam textos de IA com pouca edição, enquanto 50% acreditam que seus colegas fazem isso. A pesquisa de IA de Dartmouth, anunciada em 30 de outubro, expõe uma diferença relevante entre o comportamento relatado e as expectativas no campus. Ela também levanta uma questão difícil: como as universidades devem proteger a aprendizagem quando os estudantes desconfiam de como os outros realizam trabalhos?

Os resultados pressionam instituições que promovem competências em IA enquanto preservam avaliações significativas. Estudantes podem valorizar explicações de um chatbot e, ainda assim, se preocupar que colegas recebam crédito por trabalhos que nunca compreenderam. Essas posições são compatíveis. O conflito diz respeito a saber se a assistência apoia a aprendizagem que um trabalho deveria medir.

Uma pesquisa liderada por Hamsa Bastani, da Wharton, oferece uma referência útil: um desempenho melhor com assistência de IA não demonstra automaticamente uma aprendizagem independente melhor. A contribuição de Dartmouth é diferente. Sua pesquisa documenta experiências e crenças dos estudantes, incluindo a suspeita em torno do trabalho de outras pessoas. Juntas, essas perspectivas sugerem que as universidades precisam de evidências tanto sobre a capacidade humana quanto sobre a confiança nas regras acadêmicas.

O que a Pesquisa de IA de Dartmouth realmente descobriu

A constatação central é uma diferença entre os relatos dos estudantes sobre si mesmos e suas crenças sobre os outros.

As conclusões sobre IA entre estudantes de Dartmouth se baseiam em 1.003 universitários dos EUA e 1.533 estudantes de Dartmouth. A amostra nacional foi ponderada; os resultados de Dartmouth não foram ponderados. Alunos atuais de graduação em Dartmouth e estudantes ingressantes formaram grupos separados.

Em nível nacional, 11% relataram usar IA para encontrar respostas de listas de exercícios, em comparação com 49% que acreditavam que seus colegas faziam isso. Enquanto isso, 70% disseram que a IA tornou os trabalhos feitos em casa injustos, e 39% sentiram pressão para usá-la porque seus colegas o faziam.

Essas respostas descrevem um ambiente em que a competição percebida merece atenção junto ao uso real das ferramentas. Um estudante que decide se pede uma resposta vê o trabalho imediato. Esse mesmo estudante também imagina como os colegas estão trabalhando, o que os professores conseguem detectar e quais atalhos oferecem vantagem.

Isso cria um problema institucional mesmo antes que alguém estabeleça a frequência real de condutas indevidas. Se os estudantes acreditam que o esforço comum os deixa em desvantagem, a política escrita de uma universidade tem força persuasiva limitada. As regras precisam de clareza e credibilidade suficientes para que os estudantes acreditem que segui-las continua valendo a pena.

A pesquisa não estabelece que os colegas trapaceiam nas taxas imaginadas pelos participantes. Tampouco o baixo índice de cópia autorrelatada estabelece que a má conduta seja rara. A diferença entre essas afirmações importa porque qualquer exagero leva a uma resposta excessivamente confiante.

Tratar estimativas sobre colegas como comportamento comprovado transformaria suspeita em evidência. Tratar autorrelatos como um registro completo descartaria a possibilidade de que os participantes se descrevam de modo favorável. Nenhuma das interpretações oferece aos professores uma base confiável para decidir quais trabalhos ainda medem a compreensão individual.

A leitura mais defensável é mais restrita. Os estudantes relatam uma incompatibilidade substancial entre sua própria conduta e a conduta que atribuem aos outros. As universidades agora têm motivo para investigar essa incompatibilidade diretamente, em vez de supor que uma política geral de IA a resolva.

Uma resposta institucional útil distinguiria várias questões. Que assistência é permitida? Que assistência os estudantes realmente usam? Que assistência eles acreditam que os colegas usam? O trabalho resultante demonstra a habilidade pretendida?

Essas questões se sobrepõem, mas responder a uma não resolve as demais. Um trabalho pode cumprir uma política e ainda revelar pouco sobre o raciocínio independente. Um estudante também pode suspeitar de injustiça em uma disciplina em que a maioria dos colegas segue as regras.

Portanto, a notícia envolve mais do que a adoção de chatbots. Dartmouth tornou a credibilidade da avaliação uma parte mensurável da discussão sobre IA no campus. Isso desloca a atenção para as condições em que os estudantes acreditam que seu trabalho recebe uma avaliação justa.

Universidades enfrentam um problema de credibilidade das avaliações

As universidades enfrentam pressão para explicar o que uma nota representa quando os estudantes têm acesso a diferentes tipos de assistência.

A nota de uma redação pode refletir qualidade argumentativa, desenvolvimento da escrita, julgamento de pesquisa ou alguma combinação dessas habilidades. A IA complica essa relação quando sua contribuição permitida permanece pouco clara. Uma entrega bem acabada pode deixar o professor incerto sobre quais decisões o estudante tomou.

O problema se torna mais agudo quando os estudantes acreditam que os colegas trabalham sob um padrão prático diferente. Uma regra pode proibir texto gerado, mas permitir feedback sobre um rascunho. Sem exemplos concretos, os estudantes precisam interpretar onde o feedback termina e a substituição começa.

Considere uma tarefa hipotética de escrita. Um estudante pede a um chatbot que identifique transições fracas e depois revisa de forma independente. Outro aceita um argumento reescrito e faz alterações superficiais. Ambos podem descrever sua atividade como edição, embora a contribuição intelectual seja diferente.

Essa ambiguidade atribui ao corpo docente uma responsabilidade específica: relacionar a assistência permitida ao objetivo do trabalho. Se a meta é desenvolver um argumento, terceirizar sua estrutura afeta a evidência de aprendizagem. Se a meta é avaliar argumentos concorrentes, comparar alternativas geradas pode contribuir para a tarefa.

Trata-se de uma questão de concepção de avaliação, e não de algo que uma lista universal de ferramentas aprovadas possa responder. O mesmo chatbot pode apoiar comportamentos diferentes. Nomear uma aplicação pouco esclarece se um uso específico preserva o trabalho que os estudantes precisam praticar.

Uma resposta crível tornaria esses limites visíveis antes da entrega. Os estudantes deveriam compreender o que precisam produzir de forma independente, que assistência podem declarar e como os professores avaliam essa assistência. Caso contrário, a fiscalização corre o risco de se tornar uma discussão sobre interpretações depois que o trabalho estiver concluído.

A transparência também precisa de limites práticos. Exigir que os estudantes documentem cada interação poderia criar trabalho administrativo sem esclarecer a aprendizagem. A evidência relevante é aquela que ajuda um professor a avaliar a habilidade-alvo, como raciocínio, seleção de fontes, revisão ou explicação.

Por exemplo, um professor que avalia julgamento de pesquisa pode pedir aos estudantes que expliquem por que rejeitaram uma fonte aparentemente relevante. Um professor que avalia compreensão matemática pode pedir uma solução alterada sob uma nova condição. Essas são respostas possíveis, não intervenções validadas pela pesquisa de Dartmouth.

Seu valor depende do alinhamento com a disciplina. Uma exigência que esclarece o raciocínio em uma área pode se tornar um obstáculo desnecessário em outra. Portanto, as universidades precisam de uma estrutura compartilhada que deixe espaço para os professores definirem evidências significativas.

A justiça também vai além de detectar comportamentos proibidos. Estudantes que seguem as regras precisam confiar que seu esforço continua relevante. Uma política que apenas descreve punições deixa sem resposta como a aprendizagem legítima recebe reconhecimento.

A pressão imediata recai sobre docentes, líderes de departamentos e administradores acadêmicos. Eles precisam traduzir compromissos amplos sobre IA responsável em trabalhos que os estudantes possam interpretar de forma consistente. Sem essa tradução, o acesso se expande enquanto as expectativas permanecem incertas.

É por isso que a pesquisa de IA de Dartmouth importa além de Dartmouth. Seus resultados tornam explícita uma tensão conhecida em sala de aula: um sistema de avaliação depende, em parte, de os estudantes acreditarem que os demais participantes enfrentam expectativas compreensíveis.

A assistência de IA pode melhorar o trabalho sem resolver a questão da aprendizagem

Uma resposta melhor e um estudante mais preparado são resultados diferentes, e a IA educacional precisa levar ambos em conta.

Essa distinção explica por que experiências favoráveis dos estudantes com IA não resolvem as preocupações sobre o desenvolvimento de habilidades. Uma explicação pode parecer clara. Um rascunho pode se tornar mais fácil de ler. Um problema pode chegar à resposta correta. Nenhuma dessas observações, isoladamente, estabelece o que o estudante consegue reproduzir de forma independente.

Um experimento sobre aprendizagem de matemática publicado na PNAS examinou essa distinção usando interfaces baseadas no GPT-4. Os pesquisadores compararam uma interface geral de chat, um tutor com salvaguardas informadas por professores e um grupo de controle sem assistência de IA.

A interface geral melhorou o desempenho em exercícios assistidos, mas seus usuários tiveram desempenho pior posteriormente sem acesso à ferramenta. As salvaguardas do tutor mitigaram em grande medida esse dano. O estudo tratou de matemática no ensino médio, portanto não estabelece resultados para disciplinas universitárias.

Sua relevância está na escolha de medição. Avaliar o desempenho depois que a assistência desaparece faz uma pergunta diferente de avaliar um trabalho concluído com a ferramenta. As universidades precisam saber qual resultado um produto educacional afirma melhorar.

A distinção também ajuda a explicar abordagens de produto concorrentes. Um assistente geral pode responder diretamente a um pedido de resposta finalizada. Uma interface voltada à aprendizagem pode, em vez disso, orientar o usuário por meio de raciocínios intermediários. Nenhum rótulo de interface garante o resultado educacional.

Um tutor pode dar pistas que continuam reveladoras demais. Um assistente geral pode apoiar uma prática útil quando um estudante faz perguntas disciplinadas. O comportamento do produto, as escolhas dos estudantes, a concepção do trabalho e a avaliação posterior afetam o significado de uma interação específica.

A mesma tensão aparece em uma pesquisa sobre assistência sob demanda descrita por pesquisadores do INSEAD e da Universidade da Pensilvânia. Seu experimento de treinamento em xadrez constatou uma aprendizagem mais fraca quando os participantes podiam solicitar ajuda adicional de IA sempre que quisessem.

Os pesquisadores argumentam que a assistência conveniente pode substituir a dificuldade produtiva, mesmo quando os aprendizes reconhecem sua dependência. Essa constatação recomenda cautela ao equiparar controle do usuário a benefício educacional. Ela não estabelece que toda ajuda solicitada prejudica a aprendizagem.

Para uma universidade compradora, a implicação prática é um padrão de avaliação mais exigente. Satisfação, uso frequente e trabalhos concluídos podem mostrar que os estudantes consideram uma ferramenta útil. Mas deixam em aberto se os estudantes desenvolvem as habilidades que a instituição pretende ensinar.

Assim, uma avaliação poderia incluir tarefas concluídas depois que o assistente é removido. Ela também poderia examinar se os estudantes explicam erros, aplicam ideias em situações desconhecidas ou identificam conclusões sem sustentação. Essas medidas abordariam a capacidade de forma mais direta do que apenas resultados bem acabados.

O desafio se estende ao trabalho do conhecimento. Um funcionário pode concluir um relatório com assistência e ainda ser incapaz de defender suas premissas. Um desenvolvedor pode aceitar uma correção sugerida sem entender por que ela funciona. Esses são riscos ilustrativos, não resultados medidos por Dartmouth.

Para os estudantes, o que está em jogo é a relação entre a conveniência atual e a independência futura. A assistência é valiosa quando os ajuda a enfrentar trabalhos que compreendem cada vez melhor. Torna-se mais difícil justificá-la do ponto de vista educacional quando o produto final oculta uma compreensão que não mudou.

Essa é a principal tensão do artigo. As universidades querem que os estudantes adquiram experiência com IA preservando, ao mesmo tempo, a prática que desenvolve o discernimento. As evidências pedem planejamento e avaliação cuidadosos, e não confiança baseada na aparência de trabalhos concluídos.

A Lacuna de Percepção Não É uma Taxa de Fraude Verificada

A pesquisa sustenta a preocupação com a confiança, mas não pode determinar a prevalência exata do uso proibido de IA.

O artigo de trabalho da pesquisa de Dartmouth discute explicações concorrentes para a discrepância. Os respondentes podem subnotificar seu próprio comportamento, superestimar o comportamento dos colegas ou lembrar de exemplos excepcionalmente chamativos. Essas possibilidades podem coexistir.

Os autores relatam que dobrar as taxas autodeclaradas ainda deixa lacunas para muitos usos. Esse exercício testa a sensibilidade à subnotificação. Não estabelece o ajuste correto nem revela uma taxa de conduta indevida observada de forma independente.

Essa distinção evita uma conclusão tentadora, mas sem respaldo: a de que os estudantes simplesmente estão enganados sobre todos os demais. A pesquisa oferece razões para questionar as estimativas sobre os colegas. Ela não fornece um registro externo que mostre exatamente quais estudantes usaram que tipo de assistência em quais tarefas.

A conclusão inversa é igualmente sem respaldo. Estimativas elevadas sobre os colegas não demonstram que as instituições enfrentam conduta indevida nesses níveis estimados. Os respondentes podem estar descrevendo grupos de referência diferentes ou interpretando o mesmo comportamento de formas distintas.

Também há uma diferença entre usar IA e violar uma regra. Se redigir, editar ou receber uma solução infringe uma norma depende da tarefa. Uma resposta comportamental só se torna evidência de conduta indevida quando vinculada às expectativas aplicáveis.

Essas limitações não anulam as conclusões. Elas definem o que as evidências podem sustentar. Uma pesquisa pode documentar preocupação, pressão percebida e comportamento relatado sem verificar de forma independente cada atividade descrita pelos respondentes.

Isso torna a comunicação delicada. Uma universidade que tente corrigir percepções exageradas deve explicar a incerteza junto com os números. Apresentar autodeclarações como verdade estabelecida poderia prejudicar a credibilidade entre estudantes que testemunharam violações claras.

Ao mesmo tempo, comunicar apenas estimativas alarmantes sobre os colegas corre o risco de ampliar a pressão competitiva que a instituição quer reduzir. Os estudantes podem interpretar a mensagem como confirmação de que a assistência proibida é comum e necessária.

O artigo também descreve diferenças entre grupos de estudantes e áreas de estudo. Essas comparações não devem se transformar em uma classificação simples de quais estudantes usam IA de maneira responsável. Diferentes áreas propõem tarefas diferentes, e os respondentes têm expectativas distintas sobre o que constitui uma assistência significativa.

Outra complicação diz respeito aos resultados. A crença dos estudantes de que a IA prejudica a escrita expressa uma preocupação importante, mas não representa um declínio medido na capacidade de escrever. Da mesma forma, sua confiança de que a IA melhora a compreensão exige avaliação separada.

Uma instituição pode levar ambas as crenças a sério sem apresentar nenhuma delas como resultado experimental. O próximo passo adequado é identificar onde o benefício ou a preocupação relatados aparecem em trabalhos acadêmicos reais e, então, examinar a aprendizagem relevante.

É aqui que a pesquisa de IA de Dartmouth oferece sua contribuição mais clara. Ela identifica questões que valem ser testadas e experiências que merecem atenção. Seu valor diminuiria se uma manchete conveniente transformasse essas conclusões em certeza sobre fraude, perda de aprendizagem ou comportamento universal dos estudantes.

A Implementação de IA em Dartmouth Torna as Expectativas de Ensino Mais Urgentes

Oferecer acesso à IA cria a responsabilidade de explicar como os estudantes devem usar esse acesso em sua formação.

A parceria de IA no campus de Dartmouth, anunciada em 3 de dezembro de 2025, inclui o Claude for Education, da Anthropic, e o Amazon Bedrock. A universidade descreve acesso para estudantes, docentes e funcionários, além de colaboração em aplicações acadêmicas.

Esse compromisso institucional dá significado prático à pesquisa. Dartmouth está estudando as experiências dos estudantes enquanto incorpora a IA à vida do campus. Portanto, acesso e avaliação educacional pertencem à mesma discussão.

Uma ferramenta patrocinada pela universidade tem uma implicação diferente de um aplicativo que um estudante descobre por conta própria. Os estudantes podem, razoavelmente, esperar orientação da instituição sobre o uso apropriado. A disponibilidade, por si só, não comunica os limites de uma tarefa específica.

Os docentes também precisam de clareza sobre o que o endosso institucional significa. Uma licença para o campus não determina que todas as disciplinas devam adotar o produto. Tampouco a restrição imposta por um docente significa que a parceria mais ampla da universidade não tenha valor.

A decisão relevante diz respeito ao objetivo de aprendizagem. Um assistente que ajuda a organizar um projeto de pesquisa pode servir a uma tarefa avançada. A mesma assistência pode contornar uma habilidade de organização que uma disciplina introdutória exige especificamente que os estudantes desenvolvam.

Isso pressiona tanto os líderes universitários quanto os fornecedores. As instituições precisam explicar como a adoção apoia seus compromissos educacionais. Fornecedores que buscam implementação acadêmica precisam mostrar como o comportamento do produto se encaixa nas tarefas que os educadores realmente propõem.

A pesquisa não compara Claude com ChatGPT nem classifica assistentes educacionais. Portanto, a parceria de Dartmouth deve ser tratada como contexto de implementação, e não como evidência de que um modelo específico resolve as preocupações relatadas pelos estudantes.

Da mesma forma, a comparação entre GPT Base e GPT Tutor no experimento de matemática diz respeito ao design de interface e de instrução dentro daquele estudo. Ela não estabelece uma classificação comercial atual. A comparação relevante é entre formas de assistência e suas consequências medidas.

Para a contratação de soluções pelo campus, isso sugere um conjunto útil de perguntas. Os educadores conseguem configurar a assistência em torno do objetivo de uma tarefa? Os estudantes conseguem distinguir sugestões de evidências verificadas? Uma instituição consegue avaliar o desempenho independente sem transformar o engajamento com o produto em sua principal medida de sucesso?

Essas perguntas importam porque os objetivos institucionais podem divergir das preferências imediatas dos usuários. Um estudante sob pressão de prazo pode preferir uma resposta completa. Uma disciplina voltada ao desenvolvimento do raciocínio pode exigir que o estudante lide com a incerteza antes de receber essa resposta.

O desafio é tornar esse propósito educacional compreensível. Restrições sem explicação podem parecer arbitrárias. Uma conexão explícita entre uma restrição e uma habilidade oferece aos estudantes uma compreensão mais clara do que a disciplina espera.

O mesmo princípio se aplica à gestão pessoal do conhecimento: organizar material e compreendê-lo são tarefas relacionadas, mas distintas. Um sistema de estudo útil deve tornar as evidências de apoio acessíveis, preservando espaço para o julgamento do aprendiz.

A implementação de Dartmouth, portanto, torna a orientação mais urgente. Os estudantes precisam entender quando a assistência os ajuda a praticar, quando ela altera o que sua entrega demonstra e como os instrutores avaliarão a diferença.

O Que Observar Após a Divulgação da Pesquisa

As próximas evidências úteis conectarão decisões universitárias, aprendizagem demonstrada e expectativas dos empregadores.

O primeiro sinal é se Dartmouth traduzirá suas conclusões em orientações acadêmicas específicas. Seu anúncio da pesquisa afirma que um relatório da liderança docente, com recomendações sobre ensino e pesquisa, está por vir.

Nos próximos meses, a questão útil é o grau de concretude dessa orientação. Exemplos relacionados a redações, listas de exercícios, projetos de pesquisa e revisões mostrariam como os princípios institucionais chegam ao trabalho acadêmico cotidiano. Declarações amplas, por si só, deixariam grande parte do ônus interpretativo com os estudantes.

Esse sinal fortaleceria o argumento de que a pesquisa está informando a prática educacional se as recomendações definirem expectativas observáveis. Enfraqueceria esse argumento se a resposta se concentrasse em incentivos gerais sem explicar os limites da avaliação.

O segundo sinal é se as avaliações no campus distinguem resultados assistidos de capacidade independente. Isso exigiria mais do que relatar participação ou coletar reações favoráveis. Evidências de tarefas concluídas de forma independente ajudariam a abordar diretamente a questão da aprendizagem.

Essas avaliações exigem interpretação cuidadosa. Uma avaliação deve corresponder ao que uma disciplina ensina, e os resultados devem permanecer específicos para a população e a tarefa estudadas. Uma intervenção bem-sucedida em um contexto justificaria novos testes, e não uma afirmação universal.

Esse sinal fortaleceria a confiança em uma implementação de IA se os estudantes retivessem ou transferissem as habilidades pretendidas. Entregas assistidas mais fortes, sem evidências independentes correspondentes, deixariam a questão central em aberto.

O terceiro sinal é a pesquisa de Dartmouth com empregadores. A universidade afirma que está consultando empregadores sobre cargos de nível inicial, responsabilidades em mudança e habilidades necessárias. Esse trabalho pode ajudar a comparar as expectativas dos estudantes com as exigências descritas pelas organizações.

As respostas dos empregadores ainda exigiriam escrutínio. Preferências declaradas são diferentes de decisões de contratação observadas, e o entusiasmo por habilidades de IA não explica quais capacidades importam. Exemplos detalhados de trabalho, supervisão e avaliação seriam mais informativos do que endossos gerais.

Essas conclusões fortaleceriam o argumento de preparação para a carreira se os empregadores identificassem capacidades específicas que as universidades possam ensinar e avaliar. Uma incompatibilidade daria às instituições motivo para revisar como descrevem os benefícios da formação em IA.

Nenhum desses sinais exige fingir que outra pesquisa com estudantes seja iminente. Dartmouth identifica agosto de 2027 como a próxima data de pesquisa com estudantes. Os desenvolvimentos mais próximos dizem respeito à orientação institucional, às práticas de avaliação e ao trabalho com empregadores já em andamento.

Para os leitores que acompanham a pesquisa de IA de Dartmouth, o próximo passo útil é perguntar quais evidências mudariam a abordagem de uma instituição. Os estudantes podem perguntar quais partes de uma tarefa devem demonstrar julgamento independente. Os educadores podem explicar como a assistência permitida se relaciona com esse objetivo. Os empregadores podem descrever o raciocínio que esperam que novos contratados defendam, inclusive quando uma resposta gerada por IA parece plausível. As equipes de produto podem avaliar se os usuários retêm a capacidade que suas ferramentas afirmam apoiar. Acompanhe essas decisões concretas à medida que a resposta se desenvolve. Quando uma instituição diz que a IA prepara estudantes para o trabalho, o que ela medirá para mostrar que eles ainda conseguem explicar, questionar e aplicar o que produzem?