📄 social_science

Compassionate Feedback in AI-Assisted Assessment: A Comparative Analysis of Novice and Experienced Teachers' Feedback Patterns within the Integrated AI Triad (IAT) Framework

Este estudo compara o uso do framework da Tríade de IA Integrada (IAT) por professores novatos e experientes para gerar feedback compassivo, revelando que, embora os educadores experientes forneçam respostas mais específicas e com maior andaime cognitivo, a experiência docente por si só não garante a qualidade, e que workshops de desenvolvimento profissional condensados em três sessões podem otimizar efetivamente os resultados do feedback, reduzindo custos.

Autores originais: Hossein Talebzadeh

Publicado 2026-08-11

📖 6 min de leitura🧠 Leitura aprofundada

CC BY 4.0

Autores originais: Hossein Talebzadeh

Artigo original sob licença CC BY 4.0 (https://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 a sala de aula como uma cozinha gigante e movimentada, onde o professor é o chef principal e os alunos são os aprendizes. Durante décadas, o trabalho mais importante do chef tem sido provar a comida, identificar os erros e oferecer um empurrãozinho gentil para ajudar o aprendiz a melhorar. Isso é chamado de "feedback". Mas recentemente, um novo robô sub-chef superinteligente foi contratado. Este robô consegue provar milhares de pratos em um segundo e anotar observações instantaneamente. A grande questão não é se o robô consegue escrever notas; é se essas notas têm coração. Pode uma máquina oferecer o tipo de "feedback compassivo" que parece um abraço caloroso e, ao mesmo tempo, apontar exatamente onde o sal foi esquecido? Este é o enigma que os pesquisadores estão enfrentando no mundo da ciência educacional, olhando especificamente para como professores e inteligência artificial (IA) trabalham juntos para ajudar alunos com dificuldades.

O estudo que você está prestes a ler mergulha exatamente nesta mistura. Ele analisa uma nova ideia chamada "Triade de IA Integrada" (IAT), que é basicamente um mapa sofisticado de como professores, líderes escolares e famílias podem usar a IA sem perder o toque humano. Os pesquisadores queriam saber: o robô ajuda o professor a se tornar um guia melhor e mais gentil, ou ele apenas torna o professor menos engajado? E será que isso importa se o professor é um novato recém-chegado ou um veterano com anos de experiência?

O Grande Teste de Sabor: Professor vs. Robô

Neste estudo, um pesquisador chamado Hossein Talebzadeh organizou uma aula de culinária para 57 professores. Metade eram "novatos" (iniciantes com 0 a 3 anos de experiência) e metade eram "especialistas" (veteranos com mais de 7 anos). Eles receberam uma tarefa difícil: imaginar um aluno que escreveu uma resposta terrível para uma pergunta. Os professores tiveram que usar um de quatro robôs de IA diferentes (ChatGPT, Copilot, DeepSeek ou Perplexity) para ajudá-los a escrever uma resposta que fosse ao mesmo tempo gentil e útil.

O objetivo era criar um "feedback compassivo". Pense nisso como uma receita de duas partes:

O Abraço Caloroso: Reconhecer o esforço do aluno e fazê-lo se sentir seguro.
A Faca Afiada: Dar instruções específicas e precisas sobre como corrigir o erro.

Os pesquisadores então provaram (analisaram) todas as 57 notas de feedback para ver quem serviu a melhor refeição.

O Que os Provadores Descobriram

Aqui está a parte deliciosa da história: a experiência importa, mas não do jeito que você imagina.

Os professores veteranos serviram feedbacks muito mais específicos. Eles não diziam apenas "Bom trabalho, tente novamente!". Em vez disso, apontavam exatamente o passo onde o aluno errou, como: "Você adicionou 5 em ambos os lados, mas esqueceu de dividir por 3 primeiro". O feedback deles era como um GPS que dava direções passo a passo. Em uma escala de 1 a 5, os especialistas pontuaram 4,0 para especificidade, enquanto os novatos pontuaram apenas 2,8.

No entanto, os novatos tinham uma arma secreta: eles eram ligeiramente mais calorosos. Eles distribuíam mais abraços genéricos, dizendo coisas como "Você está indo muito bem!" com mais frequência do que os veteranos. Sua pontuação de compaixão foi de 4,0, comparada aos 3,7 dos veteranos. Mas aqui está o detalhe: os abraços dos veteranos eram ancorados ao trabalho. Eles diziam: "Você identificou corretamente os produtos químicos, o que é um ótimo começo!". Os abraços dos novatos muitas vezes flutuavam no ar, desconectados do erro real.

O estudo descobriu que o melhor feedback — aquele que era ao mesmo tempo superespecífico e supergentil — era muito mais comum entre os professores experientes (32% de seus feedbacks) do que entre os novatos (apenas 15%).

Os Sub-Chefs Robôs: Nem Todos os Bots São Criados Iguais

O estudo também testou os quatro diferentes robôs de IA para ver se eles tinham suas próprias "personalidades".

DeepSeek revelou-se o robô mais curioso. Ele fazia mais perguntas "socráticas", que são como uma série de enigmas que levam você à resposta por conta própria. Foi o melhor em ajudar os alunos a pensar por si mesmos.
ChatGPT e Copilot eram mais diretos, muitas vezes dando a resposta ou uma pergunta simples.
Perplexity era bom em encontrar fatos, mas menos focado no estilo de ensino.

Mas houve uma reviravolta! Os robôs só funcionavam bem se o professor soubesse como usá-los. Quando os professores experientes usavam o DeepSeek, era mágica. Quando os novatos o usavam, as perguntas eram às vezes tão avançadas e confusas que os alunos se perdiam. É como dar um carro de corrida para um motorista que ainda não aprendeu a dirigir; o carro é rápido, mas o motorista pode bater. O estudo sugere que o instrumento não é o herói; a habilidade do professor em guiar a ferramenta é o que faz a diferença.

O Segredo das "Três Sessões"

Uma das descobertas mais práticas aconteceu ao longo do tempo. Os professores passaram por quatro sessões de treinamento.

Sessões 1 a 3: Os professores melhoraram significamente na entrega de feedback. Eles aprenderam a misturar o "abraço caloroso" com a "faca afiada".
Sessão 4: A melhoria parou. Bateu em um muro, ou um "platô".

Isso sugere que as escolas podem não precisar de workshops longos e caros de quatro dias. Um workshop curto e intenso de três dias pode alcançar o mesmo resultado, economizando cerca de 25% do custo. É como perceber que você não precisa correr uma maratona para ficar em forma; às vezes, alguns tiros intensos são suficientes.

As Exceções: Quando os Novatos Vencem e os Veteranos Perdem

Os pesquisadores não olharam apenas para as médias; eles olharam para os casos estranhos também.

Os Super-Novatos: 19% dos novos professores na verdade superaram a média dos veteranos. O que os tornava especiais? Eles já tinham feito monitoria/tutoria antes, usavam o robô mais inteligente (DeepSeek) e sabiam como fazer perguntas muito detalhadas ao robô.
Os Veteranos Lentos: 16% dos professores experientes deram feedbacks surpreendentemente genéricos e entediantes. Por quê? Estavam cansados, não eram bons com computadores ou simplesmente ficaram presos em velhos hábitos.

Isso prova que ter anos de experiência não garante que você será bom em usar a IA. Você tem que estar disposto a aprender as novas ferramentas.

A Conclusão

Este estudo sugere que a IA é uma ferramenta poderosa, mas não é um substituto para o cérebro ou o coração de um professor. O melhor feedback vem quando um professor experiente usa a IA para ajudá-lo a encontrar o erro exato e, depois, envolve essa correção em um encorajamento genuíno e específico.

Os pesquisadores descobriram que, embora a IA possa gerar palavras, é necessário um humano com "raciocínio pedagógico" (a capacidade de pensar como um professor) para transformar essas palavras em uma lição que realmente ajude o aluno a crescer. O futuro da educação não é sobre robôs assumindo o controle; é sobre professores se tornando "bilíngues" — fluentes tanto na gentileza humana quanto na inteligência de máquina. E a boa notícia é que, com o treinamento certo (talvez apenas três sessões!), até mesmo os novos professores podem aprender a servir a mistura perfeita de calor e sabedoria.

Resumo Técnico: Feedback Compassivo na Avaliação Assistida por IA

1. Definição do Problema

A integração da IA generativa na avaliação educacional deslocou o foco para a capacidade tecnológica, negligenciando frequentemente a intencionalidade pedagógica necessária para apoiar o "ensino compassivo". Embora as ferramentas de IA possam automatizar a geração de feedback, elas frequentemente produzem respostas que são linguisticamente encorajadoras, mas diagnosticamente superficiais, falhando em integrar a sintonia emocional com o andaime cognitivo preciso.

Existe uma lacuna crítica na compreensão de como a experiência profissional docente influencia a geração de tal feedback compassivo em contextos mediados por IA. Especificamente, permanece incerto se professores experientes, possuindo um Conhecimento Pedagógico do Conteúdo (CPC) e um raciocínio pedagógico mais sofisticados, conseguem melhor criticar, adaptar e integrar os outputs da IA para criar um feedback que valide o esforço do aluno enquanto guia a autodescoberta. Este estudo aborda a interseção entre a experiência do professor, a seleção da ferramenta de IA e a operacionalização do feedback compassivo dentro do Framework do Triade Integrada de IA (IAT).

2. Metodologia

O estudo empregou um design de análise de conteúdo qualitativa comparativa dentro de uma orientação de Pesquisa Baseada em Design (DBR), utilizando um framework crítico-reflexivo.

Participantes: 57 professores participaram de um workshop de desenvolvimento profissional de 16 sessões, divididos em duas coortes: Professores Novatos (0–3 anos de experiência, n=26) e Professores Experientes (7+ anos de experiência, n=31).
Geração de Dados: Os professores geraram feedback para respostas fracas de alunos usando o "Template 5" do framework IAT, que exigia explicitamente reconhecer o esforço, identificar áreas de melhoria, guiar o pensamento e encerrar de forma encorajadora.
Ferramentas de IA: Os participantes utilizaram quatro ferramentas de IA generativa baseadas em preferência/acesso: ChatGPT, Microsoft Copilot, DeepSeek e Perplexity.
Procedimento Analítico:
- Codificação: Dois pesquisadores independentes codificaram 57 entradas de feedback (Confiabilidade inter-avaliador $\kappa$ = 0,82). A codificação focou em padrões estruturais (extensão, tipos de perguntas), tom linguístico (Compaixão, Especificidade, Demanda Cognitiva em escalas Likert de 5 pontos) e alinhamento IAT (Parceria Cognitiva, Mediação Pedagógica).
- Análise Estatística: Testes não paramétricos foram utilizados devido à distribuição não normal dos dados (Shapiro-Wilk, p < .05). As análises incluíram testes Mann-Whitney U (Experiência, Disciplina, Coorte), testes Kruskal-Wallis H (Efeitos da Ferramenta) e testes de Friedman com comparações post-hoc de Wilcoxon (Progressão de Sessão).
- Análise Reflexiva: O estudo incorporou teste de hipóteses alternativas, análise de caso negativo (examinando novatos excepcionais e especialistas com desempenho inferior) e análise de sobreposição para interrogar padrões dominantes.

3. Resultados Principais

3.1 Diferenças Baseadas na Experiência

Especificidade e Andaime (Scaffolding): Professores experientes produziram feedback significativamente mais específico (M=4,0/5) do que os novatos (M=2,8/5) e demonstraram um andaime cognitivo mais forte (M=3,8/5 vs. M=3,0/5). Seu feedback continha referências específicas de conteúdo mais densas e perguntas direcionadas (42% de perguntas abertas específicas de conteúdo vs. 15% para novatos).
Compaixão: Os novatos demonstraram pontuações de compaixão marginalmente superiores (M=4,0/5 vs. M=3,7/5), mas esta compaixão era frequentemente genérica e desvinculada dos desafios de conteúdo. Professores experientes alcançaram uma "abordagem equilibrada" (alta compaixão + alta especificidade) com mais frequência (32% vs. 15%), integrando validação com orientação diagnóstica.
Parceria Cognitiva: Professores experientes foram mais propensos a guiar os alunos em direção à autodescoberta através de questionamento estratégico, enquanto os novatos forneceram mais frequentemente correções diretas ou encorajamento genérico.

3.2 Efeitos Mediados pela Ferramenta

DeepSeek: Gerou questionamentos socráticos e em camadas significativamente mais profundos em comparação ao ChatGPT e Copilot. No entanto, sua utilidade foi moderada pela experiência; embora produzisse feedbacks excepcionais nas mãos de professores experientes, seus outputs eram por vezes "confusamente avançados" para novatos.
Preferências de Ferramentas: Professores experientes mostraram preferência pelo Copilot (52%), enquanto os novatos distribuíram suas escolhas de forma mais equilibrada.
Mediação: Professores experientes demonstraram "relações hermenêuticas" com a IA, interpretando e adaptando os outputs (editando, personalizando). Os novatos frequentemente exibiram "relações de alteridade", aceitando os outputs da IA com avaliação crítica limitada.

3.3 Disciplina e Progressão de Sessão

Área de Estudo: O feedback de STEM foi mais diretivo e procedimental, enquanto o feedback de Humanidades foi mais interpretativo e aberto. Essas diferenças epistemológicas persistiram entre os níveis de experiência.
Progressão do Workshop: A qualidade do feedback melhorou significativamente da Sessão 1 para a Sessão 3 em todas as métricas (Compaixão, Especificidade, Demanda Cognitiva, alinhamento IAT). No entanto, observou-se um platô entre a Sessão 3 e a Sessão 4, sugerindo retornos decrescentes para sessões adicionais.

3.4 Casos Negativos e Exceções

Novatos Excepcionais: 19% das entradas de novatos superaram a média dos experientes. Estes casos foram distinguidos por experiência prévia em tutoria/currículo, uso do DeepSeek e prompts detalhados.
Especialistas com Desempenho Inferior: 16% das entradas de experientes tiveram desempenho abaixo da média dos novatos, frequentemente devido à fadiga de sessão, literacia digital limitada ou pensamento rotineirizado.
Erros de IA: 5% das entradas continham respostas de IA fora do alvo; notavelmente, todos os três professores que encontraram esses erros os reconheceram e corrigiram, demonstrando supervisão pedagógica apropriada.

4. Principais Contribuições

Operacionalização do Feedback Compassivo: O estudo define empiricamente o feedback compassivo como uma prática de constructo duplo mensurável, integrando sintonia emocional com andaime cognitivo preciso, distinguindo-o do calor superficial gerado por IA.
Extensão do Framework IAT: Os achados estendem o framework da Tríade Integrada de IA (IAT) ao demonstrar como a experiência do professor molda o papel do "profissional bilíngue" (fluente em pedagogia humana e IA). Fornece evidências de que professores experientes navegam a mediação da IA através de relações hermenêuticas (tradução crítica), enquanto novatos frequentemente recorrem a relações de alteridade (aceitação acrítica).
Interação Ferramenta-Experiência: A pesquisa identifica "marcas de ferramenta" (ex: a capacidade socrática do DeepSeek) e demonstra que os recursos das ferramentas não garantem valor educacional sem coordenação principada entre a intenção pedagógica e a expertise do professor.
Eficiência do Desenvolvimento Profissional: A identificação de um platô de desempenho após a Sessão 3 sugere que workshops condensados de três sessões podem alcançar resultados comparáveis a programas mais longos, potencialmente reduzindo os custos de implementação em aproximadamente 25%.

5. Significância e Alegações

O artigo afirma que a experiência do professor é um determinante crítico na qualidade do feedback assistido por IA, não apenas em termos de volume, mas na integração das dimensões afetivas e cognitivas. Argumenta-se que, embora as ferramentas de IA possam automatizar a geração de feedback, elas não podem substituir o julgamento humano necessário para diagnosticar erros específicos dos alunos e fornecer compaixão ancorada no conteúdo.

O estudo postula que o "profissional bilíngue" (AI-LDP) requer competências específicas — Conhecimento de Conteúdo-IA e Conhecimento Pedagógico-IA — para avaliar criticamente e adaptar os outputs da IA. Os achados sugerem que o desenvolvimento profissional deve focar em:

Desenvolver a compaixão ancorada no conteúdo (indo além do elogio genérico).
Aprimorar a literacia de prompt e o discernimento de ferramentas.
Projetar estruturas de treinamento eficientes que aproveitem a curva de aprendizado inicial sem extensão desnecessária.

O autor conclui que a IA deve aumentar, em vez de substituir, o julgamento humano. O feedback mais eficaz emerge da síntese das capacidades da IA e da expertise do professor, uma síntese que requer raciocínio pedagógico e a capacidade de manter a supervisão ética. O estudo reconhece limitações, incluindo o tamanho da amostra (N=57), a sobre-representação de tópicos científicos (~60%) e o contexto de um único país (Irã), alertando contra generalizações amplas sem mais pesquisas transculturais e longitudinais.