An Integrated Framework for Generative AI in Undergraduate Mathematics: Policy, Pedagogy, and Assessment
Este artigo conceitual introduz o AI-EPE, um framework abrangente que integra política, pedagogia e avaliação para orientar o uso ético e eficaz da IA generativa na graduação em matemática ao definir construtos fundamentais como competência ética e agência epistêmica, oferecendo simultaneamente diretrizes específicas por nível e estratégias de avaliação.
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
A matemática sempre foi mais do que uma coleção de respostas para serem memorizadas. Para os estudantes, o verdadeiro valor da disciplina reside no trabalho mental de compreender as coisas: o esforço para entender um conceito, o processo de construir um argumento lógico e a responsabilidade de verificar um resultado. Esse esforço intelectual é o que os educadores chamam de "luta produtiva" (productive struggle), e é o motor que impulsiona a aprendizagem profunda. No entanto, um novo tipo de tecnologia chegou e pode realizar esse trabalho mental instantaneamente. A inteligência artificial generativa, o mesmo tipo de sistema que pode escrever ensaios ou criar imagens, pode agora resolver problemas matemáticos complexos, construir provas formais e explicar conceitos difíceis em segundos. Essa capacidade cria um dilema profundo para as universidades. Se uma máquina pode produzir uma solução perfeita, como pode um professor saber se um aluno realmente entende a matemática? Se um estudante usa a ferramenta para contornar a luta, ele pode se formar com um histórico repleto de respostas corretas, mas sem as habilidades de raciocínio que essas respostas deveram representar.
O desafio não é simplesmente detectar o uso não autorizado. Trata-se de preservar aquilo que torna o ensino da matemática valioso: o desenvolvimento da própria mente do estudante. Quando um aluno depende de uma máquina para pensar, ele perde a oportunidade de construir as vias neurais necessárias para o raciocínio lógico. No entanto, proibir essas ferramentas inteiramente ignora a realidade de que os alunos as encontrarão em suas futuras carreiras e vidas. A questão mudou de se deve permitir essas ferramentas para como usá-las de uma forma que fortaleça, em vez de substituir, o pensamento humano. As pesquisadoras Eunmi Joung, HyeJin Tina Yeo, Bitnara Jasmine Park e Mia Kang abordaram este problema complexo propondo uma nova maneira de pensar sobre a relação entre política, ensino e avaliação na graduação em matemática.
As autoras introduzem um framework chamado AI-EPE, que significa Competência Ética, Utilidade Percebida e Agência Epistêmica. Essas três ideias formam a espinha dorsal de sua abordagem. A Competência Ética é a capacidade de julgar quando é correto usar a ferramenta e quando não é. Não se trata apenas de seguir uma regra, mas de compreender o propósito da tarefa de aprendizagem. A Utilidade Percebida é a crença de que a ferramenta realmente ajuda no aprendizado, em vez de apenas facilitar o trabalho. Finalmente, a Agência Epistêmica é a responsabilidade ativa do estudante de permanecer o capitão de seu próprio raciocínio. Significa que, mesmo ao usar a máquina, o aluno deve verificar os passos, questionar a lógica e assumir a responsabilidade pelo resultado final. As pesquisadoras argumentam que, para o ensino da matemática sobreviver a essa mudança tecnológica, essas três condições devem ser atendidas em todos os níveis da universidade, desde a administração até o dever de casa individual.
O artigo descreve como essas condições devem ser aplicadas através de três camadas distintas de governança. No nível superior, a administração universitária estabelece as regras básicas, como proteger a privacidade dos dados dos alunos e garantir que nenhum curso exija que os estudantes paguem por softwares caros. Isso cria uma base justa para todos. A segunda camada pertence ao departamento de matemática. Como a matemática é uma disciplina cumulativa onde as habilidades se constroem umas sobre as outras, o departamento deve decidir quais habilidades específicas em quais cursos devem ser praticadas sem qualquer ajuda. Por exemplo, em uma aula de álgebra básica, o departamento pode decidir que os alunos devem realizar cálculos essenciais por conta própria para garantir que estejam prontos para o cálculo mais adiante. Em uma aula de estatística, a regra pode ser que os alunos devem escolher o modelo e interpretar os resultados, mesmo que tenham permissão para usar a ferramenta para corrigir erros de codificação. Esta camada garante que os objetivos de aprendizagem de um curso não sejam prejudicados pelas regras de outro. A terceira camada é a própria sala de aula, onde os instrutores traduzem esses padrões departamentais em instruções específicas para cada tarefa, dizendo aos alunos exatamente como e quando podem usar a ferramenta.
Para fazer isso funcionar na prática, as pesquisadoras sugerem mudar a natureza do trabalho que os alunos realizam. Em vez de pedir uma resposta final, que a máquina pode gerar instantaneamente, os professores devem pedir o processo de pensamento. Um método eficaz é fazer com que os alunos resolvam um problema sozinhos primeiro, depois usem a ferramenta para verificar seu trabalho e, finalmente, escrevam o que aprenderam com a comparação. Outra abordagem é fazer com que os alunos atuem como críticos, encontrando erros em uma solução gerada pela máquina ou explicando por que a resposta de uma máquina pode ser enganosa. Em um curso baseado em demonstrações, um aluno pode ser solicitado a construir um argumento lógico do zero e depois usar a ferramenta para tentar encontrar uma falha nele. Essas tarefas deslocam o foco de obter a resposta correta para demonstrar a capacidade de controlar, avaliar e justificar o raciocínio por trás da resposta. As pesquisadoras enfatizam que o objetivo não é banir a tecnologia, mas projetar tarefas onde a mente humana deva realizar o trabalho pesado que a máquina não consegue replicar.
O artigo também aborda como avaliar esse novo tipo de trabalho. Como a resposta correta não é mais a única prova de compreensão, os critérios de avaliação devem mudar. Os professores devem procurar evidências de tomada de decisão, onde o aluno explica por que escolheu determinado caminho. Eles devem procurar justificativa, onde o aluno apoia suas escolhas com lógica em vez de apenas repetir o que a máquina disse. Eles também devem procurar detecção de erros, onde o aluno identifica falhas na saída da máquina, e transparência de raciocínio, onde o aluno explica claramente seu próprio processo de pensamento. Ao focar nesses elementos, os educadores podem avaliar se um aluno realmente compreende o material, mesmo que tenha usado uma ferramenta para ajudar. As pesquisadoras observam que essas estratégias são mais eficazes quando praticadas em tarefas de baixo risco antes de serem usadas em exames principais, dando aos alunos tempo para desenvolver o hábito do engajamento crítico.
Apesar do plano detalhado, as autoras são cuidadosas ao afirmar que este framework é uma proposta, não uma solução comprovada. É um modelo conceitual construído combinando teorias existentes sobre ensino e tecnologia com as necessidades específicas da matemática. Ele ainda não foi testado em salas de aula para ver se realmente melhora a aprendizagem dos alunos ou se é prático para os professores implementarem. As pesquisadoras reconhecem que suas ideias foram desenvolvidas principalmente no contexto do sistema de ensino superior dos Estados Unidos e podem precisar de ajustes para outros países ou diferentes tipos de instituições. Elas também apontam que as fronteiras entre suas três ideias principais — ética, utilidade e agência — podem se sobrepor de maneiras que ainda não estão claras. Estudos futuros precisarão testar se essas ideias funcionam juntas conforme pretendido e se podem ser adaptadas a diferentes populações estudantis e estruturas de cursos.
O objetivo final deste trabalho é ajudar as universidades a navegar em um futuro onde a inteligência artificial é uma presença constante. As pesquisadoras sugerem que a solução não reside em combater a tecnologia, mas em redesenhar a educação para garantir que os alunos permaneçam os pensadores primários. Ao definir claramente o que deve ser feito de forma independente e o que pode ser apoiado por uma máquina, e ao projetar avaliações que tornem o raciocínio humano visível, os educadores podem proteger a integridade do aprendizado matemático. O artigo oferece um ponto de partida para que departamentos e instrutores tenham essas conversas difíceis e construam um sistema onde a tecnologia sirva ao crescimento intelectual do aluno, em vez de substituí-lo. Embora o framework ainda não seja um produto acabado, ele fornece uma estrutura coerente para seguir em frente, garantindo que a próxima geração de matemáticos e cientistas desenvolva as habilidades de pensamento crítico que precisarão para prosperar em um mundo repleto de máquinas inteligentes.
Afogado em artigos na sua área?
Receba digests diários dos artigos mais recentes que correspondam às suas palavras-chave de pesquisa — com resumos técnicos, no seu idioma.