💬 NLP

Use of AI Tools: Guidelines to Maintain Academic Integrity in Computing Colleges

Este artigo apresenta diretrizes práticas e um modelo matemático formal para integrar ferramentas de IA no ensino de computação, visando equilibrar seus benefícios pedagógicos com a preservação da integridade acadêmica.

Autores originais: Hatem M. El-boghdadi, Toqeer Ali Syed, Ali Akarma, Qamar Wali

Publicado 2026-04-14

📖 4 min de leitura☕ Leitura rápida

CC BY 4.0

Autores originais: Hatem M. El-boghdadi, Toqeer Ali Syed, Ali Akarma, Qamar Wali

Artigo original sob licença CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Esta é uma explicação gerada por IA do artigo abaixo. Não foi escrita nem endossada pelos autores. Para precisão técnica, consulte o artigo original. Ler aviso legal completo

Imagine que a Inteligência Artificial (IA), como o famoso ChatGPT, chegou às faculdades de computação como um super-herói com poderes incríveis. Ele pode escrever códigos, resolver problemas complexos e explicar conceitos difíceis em segundos. Para os alunos, isso parece mágica: tarefas que antes levavam horas agora levam minutos.

Mas, como toda ferramenta poderosa, esse super-herói tem um lado perigoso. Se o aluno usar a IA apenas para "pular" o trabalho e entregar o resultado como se fosse seu, ele está trapaceando. É como se alguém usasse um helicóptero para chegar ao topo de uma montanha e dissesse que escalou a montanha sozinho. O problema não é o helicóptero (a IA), mas a mentira sobre quem fez o esforço.

Este artigo é um manual de instruções para professores e escolas, ensinando como usar esse super-herói sem estragar a escola. A ideia central é: não proibir o helicóptero, mas ensinar a escalar a montanha com ele.

Aqui está o resumo do que o artigo propõe, dividido em partes simples:

1. O Problema: O Dilema da Montanha

O artigo começa dizendo que a IA já está aqui e ninguém consegue (ou deve) tirá-la de cena. O desafio é garantir que o aluno realmente aprenda.

O Risco: Se o aluno deixar a IA fazer tudo, ele perde a capacidade de pensar, resolver problemas e criar. É como um músculo que atrofia se você nunca o exercita.
A Solução: Tratar a IA como uma calculadora. Ninguém proíbe calculadoras na matemática; elas são ferramentas de ajuda. O segredo é saber quando e como usá-las.

2. O Mapa do Tesouro: Tipos de Provas

Os autores olham para os diferentes tipos de tarefas que os alunos fazem e dizem: "Cada tipo de tarefa precisa de uma regra diferente".

Tarefas de Casa (Homework): Em vez de pedir "explique como funciona um algoritmo" (o que a IA faz fácil), o professor deve pedir "resolva este problema específico com estes números estranhos que só você tem". Isso força o aluno a pensar, não apenas copiar.
Projetos de Programação: Aqui, a IA pode ajudar a escrever o código inicial, mas o aluno precisa provar que entende o código. A sugestão é pedir um diário de bordo (como um diário de navegação de um capitão) mostrando como o código evoluiu, ou fazer o aluno explicar o código em voz alta para o professor.
Redações e Relatórios: A IA pode fazer um rascunho, mas o aluno deve reescrever, corrigir e criticar o que a IA escreveu. A nota não é pelo texto pronto, mas pela crítica que o aluno faz ao texto da máquina.

3. As Regras do Jogo (As Diretrizes)

O artigo sugere três regras de ouro para os professores:

Transparência Total: Se você usou a IA, avise! É como declarar que usou um helicóptero. Esconder o uso é trapaça.
A Entrevista de Verificação: Depois de entregar o trabalho, o professor faz uma pergunta rápida: "Explique esta parte do seu código". Se o aluno não souber responder, é porque não foi ele quem fez.
O Trabalho Híbrido: Permita que a IA faça o "trabalho sujo" (rascunho, ideias), mas o aluno deve fazer o "trabalho de ouro" (análise, melhoria, decisão final).

4. A Fórmula Mágica (O Modelo Matemático)

No final, os autores criaram uma "fórmula" (um modelo matemático) para calcular a nota de forma justa. Imagine que a nota final é uma pizza dividida em três fatias:

Fatia 1 (Qualidade do Trabalho): O quão bom é o resultado final?
Fatia 2 (Esforço de Melhoria): Quanto o aluno melhorou o que a IA fez? (Se a IA fez 100% e o aluno não mexeu, essa fatia é zero).
Fatia 3 (Verificação): O aluno conseguiu explicar o trabalho na entrevista?

A Regra de Ouro da Pizza: Se o aluno não confessou que usou a IA OU não conseguiu explicar o trabalho na entrevista, a pizza inteira é cancelada (nota zero ou falha na integridade).

Conclusão

O artigo diz que a IA não é o fim da educação, mas sim uma nova ferramenta. Se usarmos as regras certas, podemos ter o melhor dos dois mundos: a eficiência da máquina e o cérebro criativo do aluno.

Em resumo: Não proíba o helicóptero. Ensine o aluno a pilotá-lo, mas certifique-se de que ele sabe caminhar também.

Resumo Técnico: Uso de Ferramentas de IA e Diretrizes para Manter a Integridade Acadêmica em Faculdades de Computação

1. Problema

A adoção rápida de ferramentas de Inteligência Artificial Generativa (como o ChatGPT e o GitHub Copilot) transformou as práticas acadêmicas, oferecendo benefícios significativos em eficiência e autoeficácia. No entanto, seu uso desregulado em faculdades de computação levanta preocupações críticas sobre a integridade acadêmica. O problema central identificado é a ausência de diretrizes estruturadas que permitam o uso ético dessas ferramentas sem comprometer os objetivos educacionais.

Riscos: Submissão de trabalhos gerados por IA como se fossem originais, diminuição do pensamento crítico, dependência excessiva e desigualdade de acesso (devido a versões pagas de ferramentas).
Dilema: Instituições oscilam entre proibições totais e debates sobre o papel da IA, mas faltam frameworks práticos para integrar a IA como uma ferramenta de apoio (semelhante a calculadoras) em vez de substituta do esforço intelectual.

2. Metodologia

O artigo adota uma abordagem estruturada baseada na análise de cenários educacionais e na proposição de um modelo formal:

Classificação de Avaliações: Os autores categorizam as técnicas de avaliação comuns em faculdades de computação em dois grupos principais: supervisionadas (em sala de aula) e não supervisionadas (fora de sala), analisando como cada uma é impactada por diferentes tipos de IA (modelos de linguagem vs. ferramentas de código).
Proposição de Diretrizes: Desenvolvimento de um conjunto de diretrizes gerais e específicas para cada tipo de avaliação, focando em transparência, verificação e redesign de tarefas.
Modelagem Matemática Formal: Introdução de um modelo matemático rigoroso para quantificar e avaliar a integridade e a qualidade das submissões assistidas por IA, utilizando conjuntos, mapeamentos e funções de pontuação ponderada.

3. Contribuições Principais

O artigo oferece três contribuições fundamentais para o campo da educação em computação:

A. Diretrizes de Avaliação Específicas por Tipo:
O paper detalha estratégias para mitigar riscos em diferentes formatos de avaliação:
- Tarefas de Casa e Exames: Uso de parâmetros aleatórios, questões específicas e defesa oral.
- Projetos de Programação: Exigência de controle de versão (Git), logs de desenvolvimento e demonstrações ao vivo (live coding).
- Relatórios e Ensaios: Foco na análise crítica do conteúdo gerado pela IA, relatórios de comparação (IA vs. Trabalho do aluno) e atribuição obrigatória de uso.
- Avaliações Orais e Peer Review: Inclusão de sessões de Q&A e logs de contribuição individual para verificar a autoria.
B. Fluxo de Trabalho de Avaliação Ética (Figura 2):
Propõe um fluxo operacional onde o uso da IA é permitido, mas condicionado à:
1. Divulgação transparente.
2. Refinamento e análise crítica pelo aluno.
3. Verificação da compreensão (entrevistas/orais).
C. Modelo Formal de Avaliação (Seção 5):
Apresenta um framework matemático para calcular a nota final ( $G$ ) e um indicador de integridade ( $I$ ).
- Variáveis: Define conjuntos para tarefas ( $\mathcal{A}$ ), ferramentas ( $\mathcal{T}$ ), diretrizes ( $\mathcal{G}$ ), rascunhos de IA ( $S_{AI}$ ) e submissões do aluno ( $S_{ST}$ ).
- Funções Chave:
  - $d(a)$ : Flag de divulgação (0 ou 1).
  - $r(S_{AI}, S_{ST})$ : Fator de refinamento (0 a 1), medindo o quanto o aluno melhorou o output da IA.
  - $v(S_{ST}, r)$ : Verificação de compreensão (0 ou 1).
- Fórmula de Nota: $G(a) = w_1 \times \text{score}(S_{ST}) + w_2 \times r + w_3 \times v$ .
- Flag de Integridade: $I(a) = d(a) \land v(S_{ST}, r)$ . A avaliação só é válida se houver divulgação E compreensão demonstrada.

4. Resultados e Exemplos

O modelo é ilustrado através de um exemplo prático de um projeto de programação:

Um aluno usa IA, divulga o uso ( $d=1$ ), refina o código substancialmente ( $r=0.6$ ) e passa na verificação oral ( $v=1$ ).
Com pesos definidos ( $w_1=0.4, w_2=0.3, w_3=0.3$ ) e uma nota de qualidade de submissão de 0.8, a nota final calculada é 0.82.
O resultado demonstra que o modelo permite atribuir crédito pelo esforço de refinamento e compreensão, penalizando apenas a falta de transparência ou a incapacidade de explicar o trabalho, em vez de banir o uso da ferramenta.

5. Significância

Este trabalho é significativo por mudar o paradigma de "proibição" para "gestão responsável" da IA na educação superior em computação.

Equilíbrio Pedagógico: Permite que as instituições aproveitem a eficiência da IA para o aprendizado, mantendo a rigidez acadêmica e o desenvolvimento de habilidades cognitivas.
Adaptabilidade: As diretrizes são flexíveis o suficiente para se adaptar a diferentes tipos de cursos e ferramentas emergentes.
Objetividade: O modelo matemático oferece uma base objetiva e transparente para a avaliação, reduzindo a subjetividade na detecção de plágio ou má conduta.
Futuro da Educação: O artigo estabelece um precedente para como a avaliação educacional deve evoluir em um mundo onde a IA é onipresente, focando na verificação da compreensão humana e na integridade do processo de pensamento, e não apenas no produto final.