Mudança na correção de tarefas de Richard Borcherds à medida que a IA obscurece as evidências de aprendizagem
Richard Borcherds teria deixado de corrigir tarefas pela exatidão porque a IA torna difícil identificar trabalhos realizados de forma independente pelos alunos. A mudança na correção de tarefas de Richard Borcherds mantém as atividades práticas, mas desloca as evidências de compreensão para exames supervisionados. Essa distinção é importante: o recuo relatado diz respeito ao que as notas das tarefas podem comprovar, e não a se os alunos devem praticar matemática.
Segundo a cobertura da Tom’s Hardware de 27 de outubro, o professor da UC Berkeley agora avalia os alunos principalmente por meio de exames presenciais sem dispositivos eletrônicos. Outras reportagens descrevem crédito pelas tarefas com base na conclusão. Juntas, essas informações descrevem uma separação entre praticar uma habilidade e demonstrar que o aluno a possui pessoalmente.
As abordagens concorrentes já existem em Berkeley. O programa de computação estatística do outono de 2026 permite assistência de IA, ao mesmo tempo que combina tarefas com verificações presenciais de compreensão. A decisão relatada de Borcherds, portanto, levanta uma questão específica para educadores e usuários de IA: quando um software pode produzir a resposta, o que deve contar como evidência de que alguém a compreende?
O que a mudança na correção de tarefas de Richard Borcherds realmente significa
A mudança relatada elimina a exatidão como base para o crédito das tarefas; ela não estabelece que Borcherds tenha abolido as tarefas.
A Tom’s Hardware atribui a decisão à preocupação de Borcherds de que entregas bem elaboradas já não distinguem de forma confiável o trabalho independente da assistência de IA. Seu relato sobre a mudança na avaliação de tarefas também descreve uma preferência por exames supervisionados. Ele teria observado notas online mais altas sem conseguir identificar quais alunos usaram IA.
O detalhe sobre crédito por conclusão aparece em outras coberturas, incluindo um resumo ligado ao New York Post. Esse relato descreve crédito de tarefas baseado na conclusão, delimitando o que os leitores devem inferir das manchetes sobre o fim das tarefas avaliadas. A entrega ainda pode importar mesmo quando respostas corretas deixam de receber notas diferenciadas.
A reputação de Borcherds ajuda a explicar a atenção. O arquivo de Berkeley documenta sua Medalha Fields de 1998, concedida por trabalhos matemáticos, incluindo sua prova da conjectura Monstrous Moonshine. Essa distinção comprova suas credenciais de pesquisa. Ela não valida de forma independente sua política de avaliação nem mede fraudes em suas aulas.
Vários limites continuam importantes. As reportagens analisadas aqui não estabelecem uma retirada das tarefas avaliadas em toda a universidade. Tampouco fornecem uma data de implementação verificada, uma fórmula de avaliação completa ou uma taxa mensurada de fraude entre seus alunos.
O desenvolvimento imediato é, portanto, a resposta relatada de um professor a um problema que ele afirma não conseguir mais resolver ao inspecionar respostas. Tratar essa resposta como uma política de toda Berkeley exageraria as evidências. Tratá-la como prova de que toda entrega forte envolve fraude exageraria ainda mais.
A distinção também muda o debate sobre políticas. Encerrar as atividades práticas eliminaria uma oportunidade de aprender. Encerrar o crédito baseado na exatidão muda o incentivo associado a essa oportunidade, mantendo em aberto a forma como os alunos recebem feedback útil.
Considere a diferença pela perspectiva de um aluno. Sob uma avaliação por exatidão, um problema não resolvido ameaça a nota da tarefa. Sob crédito por conclusão, o mesmo problema não resolvido pode revelar algo a ser tratado antes de uma prova, desde que a disciplina ainda ofereça feedback adequado.
Esse é o benefício potencial, e não um resultado estabelecido das aulas de Borcherds. Os alunos poderiam sentir menos pressão para entregar respostas impecáveis que não conseguem explicar. Eles também poderiam dedicar menos esforço à prática se a conclusão parecer suficiente.
A história sobre a correção de tarefas de Richard Borcherds, consequentemente, gira em torno de um problema de avaliação com consequências concorrentes. Uma disciplina pode tornar as tarefas menos atraentes para terceirização e, ao mesmo tempo, enfraquecer a recompensa imediata por executá-las com cuidado. Se esse equilíbrio melhora a aprendizagem exige evidências além do próprio anúncio.
Respostas corretas estão perdendo seu valor como evidência
Uma entrega correta estabelece algo sobre o trabalho enviado, mas deixa cada vez mais sem resposta a capacidade independente do aluno.
As tarefas têm várias funções possíveis. Elas dão aos alunos prática, ajudam os professores a identificar confusões, criam prazos e contribuem com evidências para a nota da disciplina. Esses objetivos se sobrepõem, mas nem sempre exigem o mesmo método de avaliação.
A IA torna essa separação mais difícil de ignorar. Um aluno pode ter uma solução correta sem ter escolhido seu método, compreendido suas premissas ou reconhecido onde ela poderia falhar. A resposta final, por si só, não consegue resolver essas diferenças.
Isso não significa que todo uso de assistência prejudique a aprendizagem. Uma dica pode ajudar alguém a retomar um trabalho produtivo. Uma explicação pode expor um mal-entendido. Uma solução completa também pode substituir o raciocínio que uma atividade pretendia desenvolver.
Na entrega finalizada, esses caminhos podem parecer semelhantes. Isso pressiona os professores que precisam atribuir crédito individual a trabalhos concluídos fora de sua observação. Também pressiona os alunos que seguem as restrições enquanto acreditam que outros recebem crédito por assistência proibida.
A resposta relatada de Borcherds enfrenta diretamente esse incentivo. Se a exatidão rende menos pontos nas tarefas, obter uma resposta impecável de um software se torna menos útil para aquela nota específica. No entanto, o crédito por conclusão ainda recompensa a entrega de algo, portanto o incentivo não desaparece por completo.
A mudança mais profunda diz respeito à relação entre prática e certificação. A prática pode envolver ajuda, tentativas frustradas, discussão e revisão. A certificação exige uma base defensável para afirmar o que o indivíduo consegue fazer sob condições especificadas.
Uma tarefa hipotética de matemática ilustra a diferença. Um aluno entrega uma demonstração válida, mas não consegue explicar por que sua premissa central é necessária. A demonstração continua válida, enquanto a entrega oferece pouca evidência de que o aluno compreenda sua lógica.
Um examinador que altera essa premissa pode fazer outra pergunta: o aluno reconhece o que deixa de funcionar? Essa interação examina a compreensão mais diretamente do que outra inspeção do documento original. Ela também exige tempo e uma pergunta adequada.
A mesma distinção importa fora das universidades. Um programa gerado pode executar com sucesso enquanto seu usuário não consegue diagnosticar uma falha. Uma análise bem-polida pode soar persuasiva enquanto seu autor não consegue defender as evidências por trás de sua recomendação.
Essas são implicações práticas, e não conclusões sobre os alunos de Borcherds. Elas explicam por que trabalhadores do conhecimento deveriam se importar com a disputa sobre avaliação. Uma produção mais rápida aumenta a importância de decidir quais julgamentos humanos ainda precisam de verificação.
Para educadores, a escolha difícil diz respeito ao que cada tarefa deve estabelecer. Se seu objetivo principal for a prática, a assistência pode se adequar à meta de aprendizagem. Se ela certifica competência independente, o acesso à assistência muda o significado da nota resultante.
O problema, portanto, vai além de detectar conduta inadequada após a entrega. Uma avaliação pode se tornar menos informativa mesmo quando ninguém violou uma regra, especialmente se as regras permitirem assistência substancial. Uma permissão clara não torna automaticamente uma nota uma medida válida da compreensão individual.
Exames supervisionados restauram a observação, com limites
Exames supervisionados fortalecem as evidências sobre quem realizou o trabalho, ao mesmo tempo que restringem as condições sob as quais os alunos demonstram suas habilidades.
Um exame presencial sem dispositivos eletrônicos enfrenta uma incerteza específica. O professor pode observar um aluno tentando resolver problemas sem acesso às ferramentas excluídas pelas regras do exame. Isso torna mais fácil estabelecer a autoria do que com uma entrega não supervisionada.
Isso não estabelece automaticamente tudo o que uma disciplina valoriza. Uma avaliação cronometrada mede o desempenho dentro de suas restrições específicas. Investigação prolongada, revisão, colaboração e uso eficaz de material de referência podem exigir oportunidades diferentes.
A pesquisa oferece uma referência histórica útil para a preocupação com avaliações não supervisionadas. Um experimento da University of Reading, divulgado em junho de 2024, inseriu respostas geradas por IA em avaliações de graduação em psicologia. Seu teste de avaliação cega constatou que 94% passaram despercebidas e que as entregas de IA receberam, em média, notas mais altas.
O resultado sustenta uma conclusão delimitada: avaliadores experientes podem ter dificuldade para reconhecer trabalho gerado dentro de um sistema de avaliação existente. Ele não mede fraudes em Berkeley, não estabelece uma taxa de detecção específica para matemática nem prova que exames supervisionados produzem melhor aprendizagem.
Esse limite importa porque detecção e educação são resultados diferentes. Uma avaliação pode dificultar assistência não autorizada sem oferecer aos alunos preparação eficaz. Outra pode apoiar a aprendizagem enquanto produz uma nota que não consegue certificar com confiança o desempenho independente.
A preferência relatada de Borcherds resolve o problema da observação mais diretamente do que o problema da aprendizagem. Ela muda onde os professores coletam evidências. Se os alunos se tornam matemáticos melhores depende do que ocorre antes e depois dessa avaliação.
Também há diferença entre introduzir verificações supervisionadas regulares e concentrar a maior parte do crédito em um exame final. A primeira opção pode revelar confusões enquanto os alunos ainda têm tempo para reagir. A segunda pode tornar mal-entendidos visíveis apenas quando as consequências são significativas.
Nenhuma das duas configurações decorre automaticamente da expressão “exames presenciais”. Os leitores precisam do cronograma real de avaliações, ponderação, processo de feedback e condições de acomodação para avaliar o desenho de uma disciplina. As reportagens não fornecem todos esses detalhes sobre Borcherds.
Um teste supervisionado também pode fazer a pergunta errada. Se ele recompensa a memorização de um procedimento familiar, pode estabelecer a lembrança sem ajuda, sem testar se o aluno compreende quando esse procedimento se aplica. A presença física fortalece a atribuição, em vez de garantir uma pergunta significativa.
O contraste mais informativo, portanto, diz respeito à compreensão observável e ao resultado não verificado. O papel é uma forma de criar essa observação. Uma explicação oral, um exercício de depuração supervisionado ou um problema de acompanhamento podem buscar um objetivo semelhante.
Essas alternativas trazem seus próprios encargos, incluindo consistência e equipe disponível. Elas também mostram por que declarar os exames supervisionados como a única solução vai além das evidências disponíveis. A afirmação defensável é mais restrita: a avaliação controlada enfrenta diretamente a incerteza sobre assistência externa.
Para o debate sobre a correção de deveres de casa de Richard Borcherds, essa é uma distinção importante. A política relatada oferece uma resposta a evidências pouco confiáveis. Ela deve ser avaliada como uma escolha de avaliação com custos, e não como um veredito universal sobre como todas as disciplinas devem ser ensinadas.
A detecção de IA traz outro problema de julgamento
O software de detecção não elimina a necessidade de um processo justo que diferencie suspeita de evidência.
Um detector de IA tenta classificar se um software gerou ou auxiliou na produção de um texto. Um falso positivo ocorre quando ele sinaliza incorretamente um trabalho humano. Um falso negativo ocorre quando um trabalho gerado passa sem ser sinalizado.
Ambos os erros importam na educação. Deixar de identificar assistência não autorizada pode comprometer a equidade da avaliação. Acusar incorretamente um estudante pode prejudicar a confiança e impor consequências a alguém que seguiu as regras.
A orientação publicada de Berkeley sobre detecção de IA informa que o campus deixou de adotar o detector de escrita por IA do Turnitin após um projeto-piloto e a análise de pesquisas externas. A orientação também discute problemas de classificação envolvendo pessoas que escrevem em vários idiomas e trabalhos que combinam escrita humana com assistência de IA.
Essa posição institucional contextualiza a busca por outros métodos de avaliação. Ela não prova que todos os detectores falham sempre. Ela estabelece que Berkeley identificou preocupações suficientes para evitar adotar esse recurso específico de detecção para uso geral no campus.
A distinção entre identificar assistência e estabelecer má conduta acrescenta outra complicação. Uma disciplina pode permitir correção gramatical enquanto proíbe raciocínio gerado. Uma pontuação de classificação, por si só, não estabelece se o estudante cruzou esse limite específico da disciplina.
Uma pontuação tampouco explica necessariamente o processo do estudante. Uma conversa sobre uma resposta pode revelar confusão, mas a confusão, sozinha, não prova cola. Estudantes podem esquecer, ficar ansiosos ou interpretar mal o próprio trabalho produzido de forma independente.
Essas limitações tornam a resposta mais forte uma questão de procedimento. Docentes precisam de expectativas claras e de uma forma defensável de avaliar preocupações. Caso contrário, a incerteza sobre a autoria pode se transformar em incerteza sobre se uma acusação era justificada.
A mudança relatada por Richard Borcherds na correção de deveres de casa evita parte desse conflito ao reduzir a dependência do artefato contestado. Em vez de tentar estabelecer como uma resposta feita em casa se originou, o docente coleta evidências separadas sob condições controladas.
Essa abordagem tem uma atração clara. Ela pode reduzir a importância de provar má conduta em cada tarefa suspeita. Também deixa uma questão sem resposta: o que acontece com estudantes que precisam de feedback detalhado sobre trabalhos que deixam de receber notas baseadas em correção?
Remover uma nota não exige remover o feedback, mas o feedback ainda demanda atenção. Um estudante precisa saber se uma demonstração está incompleta, se uma premissa não tem sustentação ou se um método se aplica apenas em condições mais restritas.
Uma folha de soluções sem nota pode ajudar, mas a comparação exige entendimento suficiente para identificar diferenças significativas. Um estudante com dificuldades pode perceber que sua resposta é diferente sem compreender o motivo. É aí que o apoio ao ensino continua importante.
Portanto, a argumentação cética contra a avaliação por conclusão merece atenção. A política pode tornar a avaliação mais honesta sobre o que ela sabe, ao mesmo tempo em que deixa os estudantes com menos orientação sobre o que não compreenderam. Seu valor depende, em parte, de como a disciplina preenche essa lacuna.
Não há aqui evidência publicada de resultados que estabeleça que a abordagem de Borcherds melhora a aprendizagem, reduz a má conduta ou distribui os encargos de forma justa. Essas continuam sendo questões para avaliação. As preocupações relatadas dele explicam a decisão, mas não resolvem seus efeitos.
Berkeley já oferece uma abordagem contrastante
Prática com IA permitida e verificações supervisionadas podem coexistir, criando uma alternativa tanto à correção irrestrita de tarefas feitas em casa quanto a uma proibição geral.
Uma comparação concreta aparece no programa da disciplina Statistics 243 de Berkeley do outono de 2026, ministrada por Chris Paciorek. Suas avaliações de computação estatística permitem assistência de IA enquanto usam quizzes presenciais para verificar a compreensão dos estudantes sobre listas de exercícios.
A estrutura de notas publicada atribui 20% à conclusão das listas de exercícios, 35% aos quizzes relacionados, 35% a uma miniavaliação e 10% à participação. O programa também descreve um procedimento de retomada oral e exige atribuição para ideias obtidas por meio de assistência de IA.
Esse exemplo não estabelece um resultado superior. Ele mostra um desenho de disciplina já existente que separa a preparação apoiada da demonstração individual. A comparação é especialmente útil porque vem da mesma universidade, em vez de uma proposta abstrata.
A política também muda o significado da permissão. Autorizar uma ferramenta durante a prática não promete que sua saída atenderá à avaliação posterior. Os estudantes ainda precisam ter entendimento suficiente para explicar e aplicar o que entregaram.
Isso cria uma distinção mais precisa do que “IA permitida” versus “IA proibida”. A permissão depende da atividade. Um estudante pode usar assistência enquanto trabalha em um problema e, depois, demonstrar compreensão sem essa assistência em uma verificação posterior.
Para computação, esse arranjo tem uma justificativa prática. Um programa pode produzir o resultado esperado enquanto contém escolhas que seu usuário não consegue explicar. Uma pergunta de acompanhamento pode testar se o estudante entende a relação entre o código e seu comportamento.
Esta é uma aplicação ilustrativa da estrutura de avaliação, e não um incidente relatado da disciplina. Sua importância está na conexão entre a tarefa e a verificação. A avaliação posterior pergunta se a aprendizagem sobreviveu ao uso de assistência.
A comparação também expõe uma fraqueza em tratar todo uso de IA como um único comportamento. Pedir um lembrete de sintaxe é diferente de solicitar uma solução inteira. Ambos envolvem assistência de software, mas podem deixar os estudantes com responsabilidades e entendimentos muito diferentes.
Para desenvolvedores de produtos de IA, a implicação é uma questão de design. Uma ferramenta que prioriza respostas completas pode apoiar a conclusão imediata da tarefa. Um contexto educacional também precisa de formas para que o aprendiz continue responsável pelo raciocínio, pela verificação e pela explicação.
Assim, alegações sobre benefícios para a aprendizagem exigem evidências além da qualidade da saída gerada. Uma resposta convincente demonstra o desempenho do sistema. Ela não estabelece que o usuário consegue reproduzir o raciocínio, transferi-lo ou identificar um erro plausível.
Os estudantes enfrentam uma distinção relacionada ao organizar materiais de estudo. Uma coleção pesquisável de respostas corretas pode economizar tempo de recuperação, deixando a compreensão sem teste. Recursos sobre gestão pessoal do conhecimento abordam a organização, mas a recuperação, por si só, não pode certificar domínio.
A questão relevante para qualquer um dos modelos de avaliação é o que acontece após a assistência. O estudante consegue defender o resultado, adaptá-lo a um problema alterado e reconhecer suas limitações? A abordagem relatada de Borcherds e o programa de estatística direcionam a atenção para essa questão.
Sua coexistência também limita conclusões abrangentes sobre Berkeley. A universidade contém diferentes desenhos de disciplinas que respondem a diferentes necessidades de ensino. A história trata da decisão de um docente dentro dessa variação, e não de uma única resposta institucional à IA.
O que observar após a mudança na correção
A próxima evidência útil diz respeito às regras de avaliação, à compreensão dos estudantes e ao apoio ao ensino, e não a mais uma rodada de respostas impecáveis produzidas por IA.
Nos próximos meses, o primeiro sinal será se outros docentes publicam mudanças comparáveis na correção. Os documentos informativos especificarão o que os deveres de casa valem, como a compreensão é verificada e quais usos de assistência continuam permitidos.
Se mais disciplinas separarem explicitamente o crédito por conclusão da demonstração supervisionada, o argumento a favor de uma mudança mais ampla na avaliação se fortalece. Se as políticas permanecerem isoladas ou seguirem outras abordagens, as alegações de um recuo uniforme na correção de deveres de casa enfraquecem.
A redação importa tanto quanto o anúncio. “O dever de casa não recebe nota” pode descrever prática opcional, entrega obrigatória ou trabalho que recebe feedback sem contribuir para a nota final. Esses arranjos criam incentivos diferentes e não devem ser contabilizados de forma intercambiável.
Um acompanhamento mais sólido também estabeleceria o momento dos fatos. A reportagem de outubro informa aos leitores quando a decisão se tornou notícia, mas não necessariamente quando cada prática em sala de aula mudou. Sem essa distinção, um ajuste mais antigo pode parecer uma resposta imediata ao lançamento recente de um modelo.
O segundo sinal é a evidência sobre compreensão demonstrada de forma independente. Comparações relevantes examinariam o que os estudantes conseguem explicar ou resolver sob condições claramente descritas. Notas mais altas em tarefas feitas em casa, por si só, não resolveriam a preocupação que motivou a política.
Se os estudantes mantiverem ou melhorarem seu desempenho supervisionado enquanto usam IA durante a prática, o argumento para separar assistência de certificação se fortalece. Se o desempenho cair, educadores precisariam examinar se os estudantes perderam prática, feedback útil ou ambos.
Essas conclusões ainda exigiriam interpretação cuidadosa. Perguntas, turmas, instrução e condições de avaliação diferentes podem afetar as notas. Uma diferença entre o desempenho em deveres de casa e em provas é um motivo para investigar, não uma medição isolada de cola.
O terceiro sinal é o que acontece com o apoio ao ensino após mudanças na correção baseada em correção. As disciplinas devem ser examinadas quanto ao feedback que mantêm, às oportunidades que os estudantes têm de resolver erros e à acessibilidade da avaliação supervisionada.
Se os estudantes receberem explicações úteis e oportunidades repetidas de demonstrar progresso, o crédito por conclusão parecerá mais crível como parte de um desenho mais amplo. Se as notas desaparecerem enquanto a confusão fica sem resposta, o argumento cético se fortalece.
Esses sinais também importam para empregadores e instrutores profissionais que consideram mudanças semelhantes. Um exercício concluído por um candidato e sua explicação sobre ele respondem a perguntas relacionadas, mas diferentes. A verificação deve corresponder à competência que uma organização realmente precisa avaliar.
A história sobre a correção de deveres de casa de Richard Borcherds trata, em última análise, da evidência associada a uma nota. Segundo a reportagem, ele não confia mais que a correção em tarefas não supervisionadas tenha o mesmo significado. Esse julgamento merece análise sem presumir que os deveres de casa se tornaram inúteis ou que provas resolvem todas as dificuldades.
Para estudantes e educadores que acompanham a história, comecem pelas regras reais da disciplina e pelas evidências que elas pretendem produzir. Perguntem se a prática continua útil, se o feedback chega aos estudantes com dificuldades e se as avaliações medem as habilidades que a disciplina promete. Para usuários de IA fora da educação, apliquem o mesmo escrutínio ao próprio trabalho: uma resposta pronta pode ocultar uma lacuna de compreensão não resolvida. Mantenham as fontes e explicações que sustentam suas decisões e, depois, testem se conseguem defender essas decisões quando o enunciado muda. À medida que surgirem mais detalhes sobre a abordagem de Borcherds, avaliem-na pelo que os estudantes conseguem explicar e aplicar de forma independente. Que evidência convenceria você de que a aprendizagem melhorou após a mudança na correção?
