As universidades estão a implementar políticas de IA generativa e a treinar o corpo docente em escrita colaborativa. Um novo artigo publicado na “Frontiers of Digital Education” alerta que o treino do docente concentra-se muitas vezes em demonstrações de ferramentas, orientações sobre conformidade e gestão de riscos, e deixa sem resposta a questão mais importante: se a IA irá amplificar o pensamento dos alunos ou substituí-lo.
A revisão conceitual, de Tendai Charles e Marwa Elkhouly, da British University in Dubai, propõe o modelo PEDAL – propósito, desafio epistémico, diálogo, responsabilidade e evidências de aprendizagem — como uma estrutura prática para a preparação do docente num ensino superior com forte presença de IA.
Em vez de se questionar se a IA pode realizar tarefas académicas (o que é cada vez mais possível), os autores argumentam que a verdadeira questão é como o ensino pode ser estruturado para que a IA apoie, em vez de interromper, a análise, a avaliação, a criação, a metacognição e a transferência.
“A IA generativa é menos uma rutura totalmente nova na aprendizagem do que um teste de stress para a pedagogia”, escrevem os autores do artigo. A IA “revela fragilidades no alinhamento construtivo, na autenticidade da tarefa, na validade da avaliação e no suporte profissional disponível ao corpo docente”.
O modelo PEDAL posiciona a IA como um recurso pedagógico limitado: um gerador de alternativas, simulações, conceções erróneas e estímulos à crítica mas não um substituto para o julgamento disciplinar.
Os cinco princípios são sequenciados, em vez de simplesmente listados:
■ O princípio do Propósito exige que os académicos especifiquem a operação intelectual exata e os critérios de qualidade antes de selecionar uma ferramenta.
■ O princípio do Desafio Epistémico define tarefas, evidências conflituantes, restrições locais, erros plausíveis, onde o julgamento humano permanece indispensável.
■ O princípio do Diálogo estrutura a interação aluno-IA-colega-tutor como uma investigação iterativa, em vez de uma mera recuperação de respostas.
■ O princípio da Responsabilidade abrange verificação, divulgação, privacidade e autoria.
■ O princípio da Evidência de Aprendizagem questiona quais os traços proporcionais de raciocínio, revisão e transferência demonstram a aprendizagem, em vez de apenas um resultado final refinado.
Os autores do artigo oferecem exemplos práticos de reformulação nas ciências sociais e na engenharia, por exemplo, transformar uma redação política convencional numa tarefa de julgamento testada por evidências, na qual a IA gera três memorandos contrastantes de partes interessadas, os alunos verificam afirmações consequenciais e um breve item de transferência em sala de aula testa se os critérios de avaliação vão além do caso ensaiado.
O artigo também estabelece salvaguardas de viabilidade em relação à carga de trabalho, privacidade, acessibilidade e equidade, e distingue as condições mínimas ao nível do programa do apoio institucional mais consolidado.
Os autores são explícitos ao afirmar que o modelo PEDAL é uma “heurística de design de nível meso”, não uma nova teoria geral de aprendizagem, e que permanece empiricamente não testado; os exemplos práticos são proposições de design, não relatos de intervenções implementadas ou resultados de alunos. Eles também enfatizam que a não utilização intencional de IA é compatível com o modelo e que, em contextos de acesso desigual, os resultados fornecidos pelos docentes ou as vias não relacionadas à IA podem preservar os mesmos resultados de aprendizagem.
O treino docente, concluem, deve ser tratado como desenvolvimento de design: “O objetivo da aprendizagem profissional não é meramente a ferramenta ou a política; é a capacidade de criar e avaliar arranjos de aprendizagem nos quais o julgamento humano permanece indispensável do ponto de vista educacional.”
