top of page

Orientações do Office for Students sobre avaliação com IA colocam trabalhos acadêmicos sob pressão

há 21 minutos
13 min de leitura
Illustrative photograph. Photo: Matheus Bertelli / Pexels.

O Office for Students está pressionando as universidades da Inglaterra a ampliar avaliações sem IA, enquanto continua ensinando os estudantes a usar inteligência artificial. Publicadas em 11 de novembro, as orientações do Office for Students sobre avaliação com IA enfrentam uma lacuna crescente: trabalhos acadêmicos bem elaborados não demonstram necessariamente a compreensão de um estudante.

O conflito central diz respeito ao que uma universidade consegue estabelecer a partir de um trabalho entregue. Uma redação pode cumprir os critérios de correção e, ainda assim, revelar pouco sobre o raciocínio independente de seu autor. Por outro lado, usar IA durante a preparação não significa automaticamente que um estudante deixou de aprender ou violou regras de avaliação.

Um experimento anterior da University of Reading expôs a dificuldade de identificar trabalhos produzidos por IA por meio da correção convencional. O regulador inglês agora atribui às instituições a responsabilidade de criar avaliações que comprovem o desempenho dos estudantes. Isso aumenta a pressão sobre universidades, fornecedores de software de avaliação e estudantes que lidam com expectativas inconsistentes.

Orientações do Office for Students sobre avaliação com IA miram evidências de aprendizagem

A intervenção do regulador questiona as evidências por trás de uma nota, ao mesmo tempo que preserva espaço para avaliações que permitam IA.

O OfS publicou sua pesquisa institucional sobre IA com a Advance HE em 11 de novembro. Realizado entre junho e setembro de 2026, o projeto envolveu conversas com mais de 300 estudantes e membros da equipe de mais de 120 instituições.

As conclusões descrevem preocupações com tarefas não supervisionadas que a IA pode concluir sem que os estudantes demonstrem o conhecimento pretendido. Os participantes também relataram usos benéficos para os estudos e incerteza sobre políticas de avaliação. Esses relatos identificam problemas institucionais; não estabelecem uma taxa nacional de fraude.

A expressão amplamente difundida “quase impossível” reflete a preocupação de um participante da equipe quanto à avaliação de estudantes em algumas áreas. Tratar essa declaração como uma conclusão universal eliminaria qualificações importantes. O relatório não estabelece que toda redação seja gerada por IA ou que toda nota de trabalho acadêmico não tenha valor.

As orientações complementares sobre conformidade das avaliações explicam como se aplicam as condições de qualidade já existentes. B1 diz respeito à experiência acadêmica, B2 aborda recursos e apoio, e B4 cobre avaliação e diplomas confiáveis.

As orientações apoiam avaliações seguras quando necessário. Elas impedem o uso de IA e incluem exames, apresentações, exames orais, performances e tarefas práticas. Também permitem IA quando a avaliação ainda mede os resultados de aprendizagem pretendidos.

Essa distinção muda a questão institucional. Uma universidade não pode resolver o assunto simplesmente declarando que apoia a IA ou está comprometida com a integridade acadêmica. Ela precisa apresentar uma explicação defensável sobre o que cada avaliação estabelece a respeito do estudante.

Considere uma tarefa ilustrativa de economia que pede aos estudantes que avaliem uma proposta de política pública. Uma redação final convincente pode demonstrar uma argumentação sólida ou refletir ampla assistência. Sem evidências adicionais, o avaliador enfrenta incerteza quanto à contribuição do estudante.

Mudar a fonte, acrescentar uma declaração ou lembrar os estudantes sobre conduta imprópria não resolve essa incerteza. Essas medidas comunicam expectativas, mas não melhoram necessariamente as evidências que sustentam a nota.

Uma avaliação que exige que os estudantes expliquem suas premissas cria uma base diferente para o julgamento. O docente pode examinar por que um modelo foi escolhido, quais evidências são relevantes e como explicações concorrentes foram rejeitadas.

A importância prática das orientações do Office for Students sobre avaliação com IA, portanto, vai além do formato de um exame. Sua exigência central é que as instituições conectem o trabalho que avaliam às capacidades que afirmam certificar.

Essa conexão também explica por que os trabalhos acadêmicos continuam fazendo parte da discussão. Projetos extensos podem revelar pesquisa, revisão e raciocínio sustentado. O desafio é preservar esses pontos fortes enquanto se estabelece a compreensão de quem o trabalho final representa.

Universidades precisam defender o que suas notas realmente certificam

A pressão imediata recai sobre as instituições que concedem qualificações, incluindo aquelas com políticas claras, mas evidências fracas de desempenho estudantil.

O OfS vinculou a qualidade da avaliação às suas responsabilidades regulatórias. Em seu anúncio sobre avaliação com IA, identifica respostas potenciais a falhas institucionais, incluindo condições, penalidades monetárias e restrições de financiamento.

Essas são ferramentas regulatórias, não evidências de que uma universidade já tenha recebido uma penalidade por causa deste relatório. A distinção importa porque um alerta estabelece expectativas sem estabelecer um resultado de fiscalização.

Josh Fleming, diretor de estratégia e execução do OfS, pediu maior uso de avaliações sem IA. Kathryn Harrison-Graves, vice-diretora executiva da Advance HE, enfatizou direcionamento institucional, orientações consistentes e recursos para equipes e estudantes.

Essas posições abordam partes diferentes do mesmo problema. Avaliações controladas podem fortalecer a confiança no desempenho individual. A coordenação institucional ajuda a determinar onde essa abordagem se encaixa e se os departamentos conseguem aplicá-la de forma consistente.

Para líderes universitários, a pressão resultante vai além das equipes de combate à má conduta acadêmica. O desenho das avaliações afeta o quadro de pessoal, os horários de ensino, a disponibilidade de salas, a acessibilidade e a relação entre objetivos de curso e qualificações finais.

Um exame oral exige alguém qualificado para fazer perguntas de acompanhamento úteis. Uma tarefa prática exige condições adequadas e correção consistente. Uma atividade revisada exige que os docentes concordem sobre o que conta como raciocínio bem-sucedido.

Essas são considerações de implementação, e não custos mensurados pelo relatório. Elas explicam por que adotar uma nova política de avaliação é mais fácil do que demonstrar que a política funciona em toda uma universidade.

Para os docentes, a mudança também altera o papel da correção. Ler uma resposta final continua sendo necessário, mas a confiança depende cada vez mais das evidências reunidas em torno dessa resposta.

Um docente pode comparar um projeto com a explicação do estudante sobre sua decisão central. Outro pode avaliar uma tarefa aplicada durante uma sessão supervisionada. Nenhuma das abordagens garante equidade sem critérios adequados.

Para os estudantes, a previsibilidade torna-se essencial. Um curso que incentiva a exploração apoiada por IA durante o ensino precisa explicar os limites em torno do trabalho avaliado. Caso contrário, os estudantes precisam inferir regras a partir de comentários dispersos e exemplos inconsistentes.

Essa incerteza cria problemas mesmo quando todos pretendem cumprir as regras. Assistência com gramática, descoberta de fontes, desenvolvimento de argumentos e redação completa envolve contribuições diferentes. Uma única orientação para usar IA de forma responsável deixa essas diferenças sem solução.

Os empregadores também têm interesse, embora o relatório não estabeleça como as práticas de contratação mudarão. Uma qualificação comunica uma alegação sobre as capacidades de um graduado. A incerteza na avaliação enfraquece a utilidade dessa alegação.

A distinção relevante está entre produzir um resultado aceitável e possuir o discernimento necessário para avaliá-lo. Muitas tarefas profissionais envolvem ambos. As universidades enfrentam pressão para mostrar qual capacidade uma determinada nota representa.

Para fornecedores de tecnologia, a implicação é semelhante. Recursos que aceleram a produção de trabalhos não fortalecem automaticamente as evidências educacionais. A utilidade de um produto para estudar e sua adequação para avaliação exigem julgamentos separados.

Fluência em IA e competência independente exigem evidências diferentes

Um estudante pode aprender a trabalhar de forma eficaz com IA e ainda precisar demonstrar compreensão sem ela.

A aparente contradição na posição do regulador desaparece quando os objetivos da avaliação se tornam explícitos. Usar uma ferramenta com competência e compreender uma disciplina de forma independente são capacidades relacionadas, mas exigem evidências diferentes.

Um curso ilustrativo de programação torna essa distinção concreta. Um estudante pode usar IA para sugerir código, depois inspecionar seu comportamento e identificar uma vulnerabilidade de segurança. Esse exercício pode testar o discernimento sobre resultados gerados.

Uma tarefa separada pode exigir que o estudante acompanhe a execução de um programa simples sem assistência. Seu objetivo seria estabelecer a compreensão fundamental. O sucesso no exercício assistido por IA não estabeleceria automaticamente o sucesso na tarefa independente.

Nenhuma das tarefas precisa representar o curso inteiro. Juntas, elas podem responder a perguntas que um programa final bem acabado deixa sem resposta.

Evidências anteriores mostram por que essa distinção merece atenção. Em um experimento de infiltração em exames de 2024, pesquisadores da University of Reading enviaram respostas geradas por IA para exames de psicologia da graduação.

A universidade informou que 94% passaram despercebidas e que as entregas geradas receberam notas médias mais altas do que as entregas reais de estudantes. O experimento tratou de um sistema de exames e de um contexto disciplinar específicos.

Ele não estabelece uma taxa atual de detecção em todas as universidades. Mas mostra por que a correção convencional não pode estabelecer automaticamente autoria ou compreensão independente.

O experimento de Reading e a intervenção do OfS abordam a questão por direções diferentes. O experimento testou se respostas entregues passariam por um sistema existente. O regulador pede que as instituições tornem seus sistemas de avaliação defensáveis.

Essa mudança favorece distinções mais claras entre diferentes tipos de desempenho. Um relatório assistido por IA pode demonstrar avaliação, verificação e uso responsável de ferramentas. Uma explicação independente pode estabelecer se o estudante entende o raciocínio por trás dele.

A tensão se torna mais acentuada quando a avaliação recompensa a aparência de especialização. Escrita fluente, referências organizadas e conclusões confiantes podem ser qualidades úteis. Elas se tornam enganosas quando os avaliadores as tratam como evidência suficiente de conhecimento da disciplina.

Um modelo pode produzir uma explicação plausível que seu usuário não consegue defender. Um estudante também pode produzir uma prosa pouco elegante enquanto compreende a questão subjacente. A avaliação precisa distinguir essas possibilidades sem pressupor nenhuma delas.

A mesma distinção importa para trabalhadores do conhecimento fora da educação. Um resumo gerado por IA pode ajudar alguém a revisar informações, mas aceitar sua conclusão exige verificar suas evidências.

Para leitores que exploram gestão do conhecimento pessoal, a conexão é prática: material organizado apoia a compreensão quando as pessoas podem examinar suas origens e seu raciocínio.

Essa observação não estabelece que algum software específico melhore as notas ou verifique autoria. Ela identifica um problema comum aos estudos e ao trabalho profissional: informação acessível e compreensão confiável são conquistas diferentes.

A interpretação mais sólida da abordagem do regulador, portanto, preserva ambas as expectativas. Os graduados devem compreender suas áreas e desenvolver discernimento sobre IA. Um sistema de avaliação deve revelar essas capacidades, em vez de reduzi-las a um único documento finalizado.

A volta aos exames deixa questões importantes sem resposta

Uma avaliação mais controlada pode aumentar a confiança no desempenho individual sem resolver todas as questões sobre equidade ou valor educacional.

Uma prova supervisionada limita as oportunidades de assistência externa. Ela não estabelece automaticamente que a tarefa mede a capacidade mais relevante.

Considere uma disciplina ilustrativa de métodos de pesquisa. Um teste cronometrado pode avaliar se os estudantes reconhecem fragilidades no desenho de um estudo. Um projeto de longa duração pode revelar se eles conseguem formular uma questão e revisar uma abordagem.

Ambas as formas de evidência podem ser importantes. Substituir o projeto por completo mudaria o que a disciplina mede, mesmo que a substituição dificultasse o uso não autorizado de IA.

Esse é o mais forte desafio cético a um retorno amplo aos exames. As universidades precisam de evidências de que as avaliações revisadas preservam os resultados de aprendizagem que pretendem certificar.

Segurança e validade, portanto, exigem análises separadas. Segurança diz respeito às condições sob as quais um estudante realiza a tarefa. Validade diz respeito a se a tarefa mede o conhecimento ou a habilidade pretendida.

Uma instituição pode reforçar uma enquanto negligencia a outra. Um teste de memória rigidamente controlado oferece evidências limitadas sobre capacidades que exigem investigação prolongada. Um ambicioso projeto para realizar em casa pode deixar incerta a contribuição independente.

O problema de concepção envolve equilibrar essas limitações. Afirmar que exames tradicionais resolvem a avaliação em IA simplificaria demais a questão. Afirmar que o uso de IA no trabalho torna desnecessária a avaliação independente daria um salto igualmente sem fundamento.

A acessibilidade acrescenta outra restrição. A orientação do OfS reconhece adaptações razoáveis para estudantes com deficiência e alerta contra atribuir peso desproporcional aos resultados de detectores de IA.

Essas salvaguardas importam porque nem uma mudança no estilo de escrita nem uma pontuação de detector explicam como um estudante realizou uma atividade. Uma acusação e um julgamento de avaliação exigem evidências apropriadas.

Uma universidade também deve distinguir assistência de substituição. Um estudante que utiliza apoio permitido enquanto desenvolve um argumento ocupa uma posição diferente daquela de alguém que entrega um trabalho que não consegue explicar.

O limite depende em parte da atividade. Uma assistência aceitável durante a prática de idioma pode frustrar o objetivo de uma tarefa concebida para avaliar escrita sem auxílio. Regras institucionais gerais precisam ganhar significado específico para cada avaliação.

Também há o risco de transferir excessivamente o ônus da evidência para os estudantes. Exigir registros extensos de cada ação de redação pode gerar documentação sem estabelecer compreensão.

Um histórico completo de atividades ainda precisaria de interpretação. Ele poderia mostrar que um estudante interagiu com uma ferramenta, mas a interação por si só não revelaria se houve aprendizagem.

Essas são razões para avaliar cuidadosamente a reformulação, e não razões para preservar todas as atividades existentes. As instituições precisam explicar a contribuição de cada componente para um julgamento confiável.

A questão não resolvida é, portanto, mais ampla do que saber se os exames voltarão. A orientação do Office for Students sobre avaliação com IA deixa as universidades responsáveis por demonstrar que a combinação escolhida mede o desempenho de forma justa.

Sua eficácia dependerá de evidências de implementação. Um manual revisado pode estabelecer expectativas mais fortes; apenas a operação da avaliação pode mostrar se essas expectativas se confirmam.

A adoção pelos estudantes torna suposições generalizadas pouco confiáveis

O uso disseminado de IA estabelece a dimensão do desafio de avaliação, mas deixa sem resposta a conduta individual e os resultados de aprendizagem.

A pesquisa estudantil sobre IA da HEPI, de março de 2026, oferece um contexto útil. Realizada pela Savanta em dezembro de 2025, ela reuniu respostas de 1.054 estudantes de graduação em tempo integral no Reino Unido.

A pesquisa constatou que 95% relataram usar IA de alguma forma, enquanto 94% relataram usar IA generativa para ajudar em trabalhos avaliados. Separadamente, 12% relataram incluir diretamente texto gerado por IA em trabalhos avaliados.

Essas categorias medem comportamentos diferentes. A assistência em trabalhos avaliados abrange mais atividades do que inserir texto gerado. Nenhum dos números, isoladamente, estabelece má conduta segundo as regras institucionais de um estudante.

A pesquisa também constatou que 65% disseram que a avaliação mudou significativamente em resposta à IA. Ela, portanto, fornece contexto para a adaptação institucional já em curso, juntamente com as preocupações levantadas na pesquisa de novembro.

Essas conclusões enfraquecem uma divisão simples entre usuários de IA e aprendizes independentes. Um estudante pode usar IA enquanto se envolve profundamente com o material. Outro pode usar ferramentas semelhantes para evitar esse envolvimento.

A diferença educacional está no trabalho que o estudante ainda realiza. Pedir uma explicação pode iniciar uma investigação produtiva. Aceitar a explicação sem verificá-la pode encerrar essa investigação prematuramente.

Uma atividade ilustrativa de história mostra como ações semelhantes podem produzir resultados diferentes. Um estudante pode pedir à IA que sugira interpretações e, em seguida, compará-las com documentos primários.

Outro estudante pode entregar a interpretação sugerida sem examinar suas evidências. A interação inicial com a ferramenta parece semelhante, mas a base resultante para uma nota é diferente.

É por isso que estatísticas de adoção não podem decidir o desenho das avaliações. Elas indicam quão amplamente as instituições encontram IA, ao mesmo tempo que oferecem informações limitadas sobre o que um estudante específico aprendeu.

A mesma cautela se aplica a relatos de colegas que concluem atividades rapidamente. Esses relatos identificam uma preocupação plausível que merece investigação. Eles não medem com que frequência esse comportamento ocorre em todo o setor.

As instituições, portanto, precisam de evidências de seus próprios cursos. Onde as respostas entregues deixam a compreensão incerta? Quais componentes de avaliação resolvem essa incerteza? Quais mudanças preservam oportunidades úteis para pesquisa e revisão?

Essas questões também importam para a avaliação de produtos de IA. Um fornecedor pode demonstrar que seu software gera perguntas de estudo ou resume documentos. Essa demonstração não estabeleceria melhor desempenho independente.

Compradores do setor educacional devem distinguir atividade do produto de realização educacional. Uso frequente, resultados atraentes e satisfação dos estudantes podem informar decisões, mas respondem a perguntas diferentes da aprendizagem demonstrada.

Para os estudantes, a implicação prática é uma relação mais clara entre preparação e comprovação. A IA pode participar da preparação quando permitido. A avaliação ainda precisa estabelecer as capacidades que o curso promete desenvolver.

Para as universidades, isso significa abandonar suposições generalizadas em ambas as direções. O uso disseminado não prova trapaça disseminada, e uma política favorável à IA não prova que a avaliação continue confiável.

Acompanhe mudanças nas avaliações, evidências regulatórias e apoio aos docentes

O próximo teste é saber se as universidades conseguem demonstrar que avaliações reformuladas revelam a aprendizagem com mais clareza do que seus arranjos anteriores.

Nos próximos meses, o primeiro sinal a observar é a mudança específica de cada avaliação. As instituições devem descrever quais tarefas exigem desempenho independente, quais permitem IA e o que cada componente estabelece.

Um anúncio geral sobre IA responsável forneceria evidências limitadas de progresso. Atividades revisadas, critérios claros e explicações de sua finalidade ofereceriam uma base mais sólida para avaliação.

Esse sinal reforçaria o argumento de uma adaptação eficaz se as universidades preservarem trabalhos de curso significativos ao mesmo tempo que enfrentam a incerteza sobre a contribuição dos estudantes. Um simples aumento de exames deixaria a questão educacional em aberto.

O segundo sinal é como o regulador avalia as evidências institucionais. Seus próximos passos regulatórios publicados dizem que ele usará ferramentas existentes em vez de introduzir novas regulamentações.

O OfS também identifica expectativas sob uma proposta de futura abordagem de qualidade. Essas expectativas devem permanecer distintas de um cronograma final de implementação ou de uma constatação anunciada de fiscalização.

Observe exemplos mais claros de como são evidências adequadas. As instituições precisam entender como as avaliações demonstram desempenho, em vez de inferir conformidade a partir de um formato específico parecer tradicional.

Uma análise baseada em evidências reforçaria a intervenção. Uma ênfase em restrições visíveis sem examinar a aprendizagem enfraqueceria o argumento de que as mudanças protegem a qualidade da qualificação.

O terceiro sinal é o apoio prático aos docentes. A Advance HE anunciou uma Change Academy voltada para IA para instituições associadas no início de 2027.

Sua importância dependerá de o planejamento institucional chegar ao desenho dos cursos e à prática de ensino. Princípios compartilhados tornam-se úteis quando os docentes conseguem aplicá-los a atividades reais e explicá-los aos estudantes.

O apoio também deve conectar expectativas ao longo de um curso. Os estudantes precisam entender por que a assistência é incentivada em uma tarefa e restringida em outra. A consistência vem de uma finalidade educacional clara, e não de regras idênticas em todos os lugares.

A orientação do Office for Students sobre avaliação com IA merece atenção porque conecta a política de IA à credibilidade das notas. Seu sucesso continua sendo uma questão empírica: as avaliações revisadas fornecem evidências melhores do desempenho dos estudantes?

Para estudantes, docentes e compradores do setor educacional, o próximo passo é examinar os detalhes de avaliação por trás dos anúncios. Pergunte o que uma tarefa estabelece de forma independente, o que ela estabelece com assistência e como esses julgamentos se conectam.

Preserve distinções úteis ao ler estatísticas de adoção ou avaliar novas ferramentas. Assistência por IA, entregas geradas, má conduta e aprendizagem fraca descrevem coisas diferentes. Uma resposta confiável precisa de evidências sobre cada uma.

À medida que as universidades revisam suas abordagens, leia as regras das atividades junto com os critérios de correção. O que o estudante deve compreender bem o bastante para explicar, verificar ou executar, e onde a avaliação de fato demonstra isso?

 
 

Comece grátis

Um assistente de IA local-first com gestão de conhecimento pessoal

Para oferecer uma experiência de IA melhor,

atualmente, o remio é compatível apenas com Windows 10+ (x64) e M-Chip Macs.

Seu parceiro de IA no trabalho
Faça mais com o remio

Planeje. Crie. Entregue.
Tudo em um só lugar.

bottom of page