REGISTRO DOI: 10.70773/revistatopicos/792901332
RESUMO
A inteligência artificial generativa transforma a produção acadêmica e desafia a verificação da aprendizagem. Este artigo analisa implicações éticas de seu uso no ensino superior, com foco em integridade, autoria e avaliação. Desenvolveu-se uma revisão bibliográfica narrativa, qualitativa, de estudos publicados em português entre 2023 e 2026, complementada por orientação da UNESCO. A síntese temática aborda riscos à integridade, transparência sobre a autoria, avaliação processual e governança institucional. Os estudos indicam preocupações com uso não declarado, fontes inexatas, vieses, desigualdades de acesso e substituição da atividade intelectual. Apontam, também, possibilidades de apoio à aprendizagem quando há checagem das respostas e supervisão docente. Conclui-se que critérios explícitos de uso, registro proporcional do processo e avaliações centradas no raciocínio fortalecem a responsabilidade acadêmica.
Palavras-chave: Integridade acadêmica; Inteligência artificial generativa; Autoria; Ética educacional; Avaliação da aprendizagem.
ABSTRACT
Generative artificial intelligence is transforming academic production and challenging the assessment of learning. This article analyzes the ethical implications of its use in higher education, focusing on academic integrity, authorship, and assessment. A qualitative narrative literature review was conducted, drawing on studies published in Portuguese between 2023 and 2026, complemented by UNESCO guidelines. The thematic synthesis addresses risks to academic integrity, transparency regarding authorship, process-oriented assessment, and institutional governance. The studies highlight concerns about undisclosed use, inaccurate sources, biases, inequalities in access, and the replacement of intellectual activity. They also identify opportunities to support learning when AI-generated responses are verified and teaching staff provide supervision. It is concluded that explicit guidelines for AI use, appropriate documentation of the learning process, and assessments centered on reasoning strengthen academic responsibility.
Keywords: Academic integrity; Generative artificial intelligence; Authorship; Educational ethics; Learning assessment.
1. INTRODUÇÃO
A popularização de sistemas capazes de gerar textos, imagens, códigos e sínteses em linguagem natural modifica os modos de estudar e produzir conhecimento. Na educação superior, tais ferramentas podem apoiar a organização de ideias e o esclarecimento de dúvidas, mas também tornam menos evidente a distinção entre produção intelectual do estudante e conteúdo automatizado. Rodrigues e Rodrigues (2023) situam esse debate na tensão entre inovação, criatividade e desenvolvimento do pensamento crítico, afastando explicações restritas à ideia de plágio.
A integridade acadêmica não se limita a evitar cópias: envolve honestidade na produção, explicitação das contribuições, rigor na apresentação de evidências e responsabilização pelos resultados. Para Santaella (2025), a resposta educacional à inteligência artificial generativa (IAGen) depende de conhecimento crítico, orientações institucionais e práticas de uso ético. O problema ganha complexidade quando uma resposta linguisticamente convincente mascara informações imprecisas, fontes inexistentes ou raciocínios que o estudante não consegue justificar.
O desafio é particularmente relevante para a avaliação da aprendizagem. Atividades que atribuem nota apenas ao produto textual final podem confundir fluência de escrita com domínio conceitual. Carvalho e Pimentel (2023) mostram que o debate precisa considerar os modos concretos de utilização do ChatGPT pelos estudantes, e não presumir que toda interação corresponde a substituição do esforço intelectual. Nesse cenário, emerge a questão: como preservar a autoria e a responsabilidade acadêmicas sem impedir usos pedagogicamente pertinentes da IAGen?
Este estudo objetiva analisar, na literatura recente em português, os principais desafios éticos da IAGen para a integridade acadêmica, a atribuição de autoria e a avaliação da aprendizagem. Especificamente, examina riscos e possibilidades pedagógicas, diferencia apoio instrumental de delegação indevida do trabalho intelectual e sistematiza práticas avaliativas e institucionais. A relevância reside em oferecer critérios operacionais para docentes e instituições, sem reduzir a discussão à proibição das ferramentas ou à confiança exclusiva em detectores automáticos.
2. FUNDAMENTAÇÃO TEÓRICA
2.1. Integridade Acadêmica e Especificidades da IA Generativa
A IAGen produz respostas probabilísticas a partir de padrões aprendidos em grandes conjuntos de dados; por isso, a coerência verbal não equivale à comprovação factual. Lima e Serrano (2024) identificam oportunidades educacionais, como a personalização de recursos e a geração de conteúdos, ao lado de limitações que demandam validação humana. A alfabetização nesse campo pressupõe reconhecer o funcionamento aproximado da tecnologia, suas margens de erro e os efeitos de sua utilização sobre a aprendizagem.
Rodrigues e Rodrigues (2023) problematizam os efeitos das ferramentas de linguagem sobre a criatividade, o plágio e o pensamento crítico. Entretanto, o texto integralmente original em termos de similaridade pode ser academicamente inadequado quando a elaboração intelectual foi integralmente delegada e essa condição permanece oculta. Assim, plágio textual, uso indevido de apoio automatizado e falseamento da autoria são situações relacionadas, mas conceitualmente distintas, que exigem critérios institucionais proporcionais.
As recomendações da UNESCO (2024) associam o uso da IAGen à proteção de dados, à inclusão e à centralidade humana nas decisões educacionais. A integridade, nessa perspectiva, ultrapassa a conduta isolada do estudante e abrange as condições de acesso, a explicabilidade das regras e a responsabilidade de quem adota as plataformas. Sua defesa depende tanto de normas compreensíveis quanto de oportunidades efetivas de formação, orientação e revisão crítica das saídas automatizadas.
Zuin e Goergen (2025) alertam para as mudanças na relação professor-estudante sob a crescente autoridade atribuída a sistemas algorítmicos. Essa discussão permite compreender que a integridade não pode ser produzida apenas por vigilância: depende de vínculo pedagógico, clareza de expectativas e avaliação da argumentação. Cabe distinguir usos autorizados, como receber sugestões de estrutura ou revisar a linguagem, de usos incompatíveis com o objetivo da tarefa, como terceirizar a análise sem declaração.
2.2. Autoria Humana, Transparência e Responsabilidade Intelectual
A autoria acadêmica pressupõe decisões intelectuais justificáveis: delimitar problemas, selecionar evidências, interpretar resultados e assumir responsabilidade pública pelo conteúdo. Hayashi (2025) demonstra que as diretrizes editoriais relativas à inteligência artificial valorizam a transparência e a responsabilização humana, embora apresentem lacunas quanto à atuação de editores e pareceristas. Por analogia, a instituição educacional precisa esclarecer quais contribuições automatizadas podem integrar um trabalho discente e como devem ser declaradas.
A indicação de que um texto foi “feito com IA” é insuficiente para descrever a participação efetiva da ferramenta. A declaração adequada deve identificar a finalidade de uso, a etapa do trabalho, a ferramenta empregada e as verificações realizadas, resguardadas as regras locais. Sousa, Mascia e Carrasqueira (2025) destacam dilemas de direitos autorais, plágio e responsabilização no processo editorial científico, reforçando que a informação sobre o procedimento de produção constitui elemento da confiabilidade acadêmica.
Uma dificuldade recorrente é a apresentação de referências bibliográficas inexatas, citações descontextualizadas ou documentos que não foram consultados. Santaella (2025) enfatiza a verificação de fontes e a garantia de originalidade entre os cuidados éticos para estudantes e pesquisadores. Por consequência, resultados gerados por IA devem funcionar como hipóteses de trabalho a verificar em obras e artigos acessíveis, jamais como comprovação autossuficiente de autores, dados ou argumentos.
A própria noção de originalidade precisa ser vinculada ao percurso de aprendizagem, e não apenas à aparência inédita das frases. Cernev (2026), em estudo com licenciandos em Música, identifica usos acadêmicos de IAGen acompanhados de preocupações com padronização e crise de autoria. Tal resultado favorece uma distinção fundamental: empregar tecnologia para aprimorar a expressão de uma ideia própria pode ser compatível com a autoria, enquanto substituir a formulação e a defesa das ideias enfraquece a evidência de aprendizagem.
2.3. Mediação Docente, Avaliação Formativa e Autonomia
As consequências da IAGen para a docência dependem das finalidades educacionais atribuídas à tecnologia. Aruda (2024) discute possibilidades de personalização e, simultaneamente, os riscos de desvalorização do trabalho do professor. O desafio é preservar a capacidade docente de interpretar dificuldades, formular intervenções e produzir critérios de avaliação, evitando que a ferramenta substitua a mediação humana nas decisões sobre aprendizagem.
Durso (2024) enfatiza a necessidade de formação crítica para interpretar relatórios e resultados automatizados no processo educativo. Nesse sentido, uma avaliação coerente deve valorizar evidências construídas ao longo do percurso: perguntas formuladas, justificativas de escolhas, versões sucessivas, resolução de problemas e devolutivas. O texto final continua relevante, mas deixa de ser a única fonte para inferir a aprendizagem, sobretudo quando ferramentas podem produzi-lo em poucos segundos.
Carvalho e Pimentel (2023) apresentam possibilidades de usos inventivos do ChatGPT no estudo, o que recomenda distinguir apoio à exploração conceitual de simples transferência da atividade cognitiva. A avaliação formativa pode incorporar comparação de respostas, identificação de erros da IA e argumentação fundamentada sobre o material consultado. Nesses formatos, o estudante demonstra o que sabe ao analisar criticamente a ferramenta, em vez de apenas reproduzir a resposta obtida.
Vargas e Záyago Lau (2025) argumentam que a adoção da IAGen no ensino superior exige planejamento, formação e diretrizes claras, pois a proibição isolada não resolve os problemas educacionais envolvidos. O princípio orientador é o alinhamento entre objetivo de aprendizagem, recurso permitido e evidência exigida. Quando o objetivo é avaliar capacidade de análise, por exemplo, a tarefa precisa revelar decisões, justificativas e domínio de conteúdo que não possam ser inferidos exclusivamente da elegância textual.
2.4. Letramento Crítico em IA e Validação das Evidências
O letramento para a inteligência artificial generativa precisa articular conhecimentos técnicos, informacionais e éticos. Não basta dominar comandos para obter respostas bem redigidas: é necessário compreender que a ferramenta reorganiza padrões de linguagem e pode produzir afirmações sem sustentação documental. Lima e Serrano (2024) discutem as possibilidades educacionais desses sistemas e a necessidade de examinar criticamente seus limites. No contexto universitário, essa competência envolve identificar a finalidade de uma consulta, distinguir explicações plausíveis de evidências verificadas e reconhecer situações nas quais o estudante deve recorrer diretamente a pesquisas, documentos e bases científicas.
A verificação bibliográfica constitui uma etapa particularmente sensível. Uma referência sugerida por uma plataforma só adquire valor acadêmico após a confirmação de sua existência, autoria, ano, veículo de publicação e correspondência com a afirmação apresentada. Santaella (2025) defende uma postura ética diante das ferramentas generativas, o que permite associar integridade à disciplina de conferir as fontes. Assim, o procedimento adequado não consiste em citar a resposta automatizada como substituta do artigo consultado, mas em localizar a publicação original, ler seu conteúdo pertinente e registrar a interpretação produzida pelo pesquisador.
A confiança excessiva na fluência textual também pode obscurecer divergências teóricas e nuances metodológicas. Em uma revisão de literatura, por exemplo, sínteses automatizadas podem aproximar indevidamente estudos com objetos, populações e procedimentos distintos. Rodrigues e Rodrigues (2023) relacionam o uso do ChatGPT às exigências de pensamento crítico e criatividade na educação. Uma prática formativa consiste em comparar a síntese gerada com os textos originais, identificar omissões e reconstruir argumentos fundamentados. A operação evidencia que a qualidade acadêmica depende da interpretação contextualizada do conhecimento, e não apenas da rapidez de organização dos enunciados.
Na formação universitária, o letramento crítico pode integrar oficinas de busca, leitura científica, elaboração de perguntas e revisão de respostas produzidas por IA. A orientação da UNESCO (2024) reforça a importância de preparar educadores e estudantes para uso responsável, inclusive quanto à proteção de dados. Propõe-se, portanto, trabalhar três operações complementares: formular questões intelectualmente relevantes, conferir evidências em fontes primárias e justificar as conclusões em linguagem própria. Esse percurso transforma a ferramenta em objeto de exame crítico, evitando que a aparente autoridade de suas respostas substitua o juízo acadêmico.
2.5. Autonomia Intelectual e Construção do Conhecimento
A autonomia intelectual não se confunde com a realização isolada de todas as etapas de uma tarefa. Aprender envolve dialogar com autores, receber orientações, revisar hipóteses e justificar escolhas, de modo que recursos tecnológicos podem integrar esse processo. Carvalho e Pimentel (2023) descrevem possibilidades de estudar com o ChatGPT que ultrapassam a reprodução de respostas prontas. A questão ética central é verificar se o estudante continua a formular problemas, avaliar argumentos e assumir decisões. Quando a tecnologia elimina essas operações, o produto final pode aparentar qualidade enquanto oferece poucas evidências do conhecimento efetivamente construído.
Uma diferenciação pedagógica útil é aquela entre assistência e substituição cognitiva. A assistência ocorre quando a ferramenta fornece exemplos, explicações alternativas ou comentários que o estudante examina criticamente; a substituição acontece quando a interpretação e a conclusão são aceitas sem elaboração própria. Cernev (2026) identifica inquietações sobre autonomia, padronização e autoria em contexto de formação universitária. Essas preocupações justificam atividades que exijam explicitar escolhas conceituais, revisões realizadas e razões para aceitar ou rejeitar sugestões automatizadas. A intenção não é exigir um relato exaustivo de comandos, mas tornar visíveis os movimentos intelectuais pertinentes à aprendizagem.
Também importa reconhecer que a aprendizagem se constrói em tempos diferentes. A obtenção imediata de um texto completo pode reduzir oportunidades de lidar com dúvidas, reformular perguntas e enfrentar dificuldades produtivas. Zuin e Goergen (2025) defendem a importância da relação educativa diante da autoridade dos sistemas algorítmicos. Por essa razão, atividades com recursos generativos devem reservar momentos para elaboração inicial, confronto com referências e reflexão posterior. Preservar a autoria exige valorizar esse percurso, inclusive quando o resultado final apresenta limitações, pois a correção fundamentada de um equívoco pode revelar aprendizagem mais consistente do que a apresentação de um texto impecável.
3. METODOLOGIA
Foi adotado uma revisão bibliográfica narrativa, de natureza qualitativa e finalidade analítico-interpretativa. O levantamento foi delimitado ao debate sobre IAGen, integridade acadêmica, autoria e avaliação da aprendizagem, privilegiando artigos acadêmicos disponibilizados em português entre 2023 e 2026. Complementarmente, considerou-se um guia da UNESCO publicado em português, devido à sua relevância para o enquadramento ético e educacional do tema.
A localização das publicações ocorreu por consultas a páginas de periódicos científicos e a portais de indexação, com ênfase em SciELO e revistas universitárias. Foram utilizadas combinações dos descritores “inteligência artificial generativa”, “integridade acadêmica”, “autoria”, “ética”, “ensino superior” e “avaliação da aprendizagem”. As informações bibliográficas, os resumos e, quando disponíveis, os textos completos foram cotejados com as páginas de publicação e com os identificadores DOI.
Foram priorizados estudos com pertinência direta ao problema, identificação de autoria e dados editoriais verificáveis, além de abordagens que permitissem comparar potenciais benefícios e riscos da tecnologia. A síntese foi organizada por leitura interpretativa em quatro eixos: dilemas éticos; autoria e verificabilidade; avaliação processual; e governança, formação e equidade. Os quadros apresentados adiante são sistematizações elaboradas a partir da literatura, e não resultados de entrevistas, experimentos ou levantamento estatístico próprio.
A opção pela revisão narrativa permite articular achados empíricos, análises teóricas e orientações normativas, mas não sustenta estimativas de prevalência nem generalizações quantitativas sobre o ensino superior. Não foi realizado protocolo de revisão sistemática, metanálise ou contagem exaustiva de publicações. Essa delimitação exige interpretar os resultados como tendências argumentativas e recomendações fundamentadas nas fontes efetivamente examinadas, reconhecendo a rápida atualização das tecnologias e políticas institucionais.
4. RESULTADOS E DISCUSSÃO
4.1. Dilemas Éticos e Vulnerabilidades na Produção Acadêmica
A análise da literatura aponta quatro tensões recorrentes: eficiência versus aprendizagem efetiva, apoio técnico versus substituição da autoria, personalização versus desigualdade de acesso e automação versus responsabilidade humana. Costa et al. (2025), em estudo com docentes da pós-graduação, relatam preocupações com plágio, dependência tecnológica e enfraquecimento da reflexão crítica. Esses riscos não autorizam concluir que todo uso de IAGen seja antiético; indicam a necessidade de regras proporcionais ao objetivo de cada atividade.
Outra dimensão é a confiabilidade das respostas e a exposição de informações acadêmicas a plataformas externas. Matindingue, Conte e Duduka (2025) identificam, em revisão sobre educação a distância, questões de privacidade, vieses e integridade entre os desafios da IA educacional. A síntese do Quadro 1 traduz essas preocupações em situações observáveis e em ações preventivas, mantendo o foco na aprendizagem e na proteção dos estudantes.
Quadro 1. Riscos éticos da IAGen e respostas pedagógicas possíveis
Risco identificado | Implicação para a integridade | Medida preventiva |
Uso não declarado | Dificulta distinguir contribuição humana e produção automatizada. | Exigir declaração contextualizada do emprego da ferramenta. |
Referências ou dados inexatos | Compromete verificabilidade e sustentação das afirmações. | Conferir cada fonte em publicação original e documentar a consulta. |
Dependência cognitiva | Reduz oportunidades de argumentar e resolver problemas. | Solicitar justificativas, versões e defesa oral do raciocínio. |
Vieses e desigualdade de acesso | Produz vantagens desiguais e respostas potencialmente discriminatórias. | Ofertar alternativas equivalentes e avaliar criticamente os resultados. |
Fonte: elaboração própria com base em UNESCO (2024), Costa et al. (2025) e Matindingue, Conte e Duduka (2025).
O Quadro 1 evidencia que respostas pedagógicas viáveis não se resumem à vigilância do texto entregue. Uma política exclusivamente punitiva pode incentivar a ocultação do uso da tecnologia, enquanto uma autorização indiscriminada fragiliza a definição do que precisa ser aprendido. Santaella (2025) propõe articulação entre regras institucionais, orientação aos professores e práticas de transparência, compondo uma abordagem preventiva da integridade.
Essa perspectiva exige procedimentos verificáveis para situações concretas. A suspeita de uso irregular não deve resultar em responsabilização automática baseada apenas em indicadores de detecção de IA, que, isoladamente, não comprovam autoria. Uma análise justa considera as instruções previamente comunicadas, os registros possíveis do processo, a qualidade das fontes e a oportunidade de o estudante explicar suas escolhas. A avaliação torna-se mais consistente quando a instituição define previamente tais critérios (UNESCO, 2024; Hayashi, 2025).
4.2. Autoria, Rastreabilidade e Validação das Fontes
A autoria de trabalhos acadêmicos exige que o estudante possa explicar suas decisões substantivas, reconhecer limites e responder pelo conteúdo apresentado. Sousa, Mascia e Carrasqueira (2025) observam que os desafios de integridade científica envolvem delimitação de responsabilidades, direitos autorais e transparência sobre decisões automatizadas. No ensino, essa reflexão recomenda registrar o papel da IA sem converter a declaração de uso em mera formalidade burocrática.
Uma declaração curta pode indicar a ferramenta, o propósito e o momento de utilização, por exemplo, apoio na organização inicial de tópicos e revisão linguística, seguido de checagem humana de fontes. Não se trata de atribuir autoria à aplicação, mas de tornar inteligível o percurso de produção. Hayashi (2025) reforça que as políticas precisam estabelecer com clareza quais usos são permitidos e quem assume a responsabilidade pelas afirmações do texto.
Quadro 2. Critérios de transparência e de comprovação da autoria
Critério | Evidência observável | Aplicação na atividade acadêmica |
Declaração de uso | Identificação de ferramenta, finalidade e etapa. | Inserir nota metodológica ou declaração conforme regras da instituição. |
Domínio do conteúdo | Capacidade de explicar conceitos, fontes e escolhas. | Realizar diálogo avaliativo, seminário ou defesa breve. |
Rastreabilidade | Esboços, versões, anotações e registros proporcionais. | Acompanhar entregas parciais sem exigir exposição de dados sensíveis. |
Verificação bibliográfica | Correspondência entre citações e documentos consultados. | Auditar amostra de referências e demonstrar localização da fonte. |
Fonte: elaboração própria com base em Hayashi (2025), Sousa, Mascia e Carrasqueira (2025) e Cernev (2026).
Os critérios do Quadro 2 deslocam a discussão da simples detecção de textos automatizados para a explicitação do trabalho acadêmico efetivamente realizado. Cernev (2026) registra preocupações de licenciandos com autoria e padronização, mesmo quando a tecnologia é utilizada para finalidades legítimas. A exigência de explicações, versões e verificação bibliográfica favorece um julgamento mais contextualizado da aprendizagem, com menor dependência da aparência estilística do produto final.
Entretanto, a rastreabilidade deve observar proporcionalidade e privacidade. Não se justifica exigir a entrega integral de conversas privadas com plataformas ou o compartilhamento de dados pessoais para provar boa-fé. A UNESCO (2024) vincula a governança da IA à proteção dos usuários e ao uso seguro da tecnologia. Assim, registros de versões, relatórios breves de processo e esclarecimentos dialogados são preferíveis à coleta indiscriminada de dados, especialmente quando existem alternativas pedagógicas equivalentes.
4.3. Reconfiguração da Avaliação da Aprendizagem
A revisão indica que avaliações centradas apenas na redação final se tornam insuficientes para aferir competências em contextos de uso disseminado de IAGen. A geração automática pode elevar a qualidade aparente do produto sem garantir compreensão de seu conteúdo. Aruda (2024) e Durso (2024) ressaltam a importância da atuação docente na interpretação de evidências, na crítica aos resultados automatizados e na condução de intervenções educativas.
A avaliação autêntica procura aproximar as tarefas de problemas contextualizados, exigindo fundamentação das decisões e articulação entre teoria e prática. Em atividades com IA permitida, a qualidade da aprendizagem pode ser demonstrada pela comparação de respostas, identificação de vieses, revisão de erros e justificação das fontes escolhidas. Lima e Serrano (2024) apontam que ferramentas generativas oferecem apoios potenciais, mas seus limites reforçam a necessidade de participação ativa do estudante na análise do conteúdo.
Quadro 3. Estratégias avaliativas para disciplinas que utilizam IAGen
Estratégia | Evidência de aprendizagem | Condição de integridade |
Portfólio com versões | Evolução do argumento e revisão a partir de devolutivas. | Declarar uso de IA nas etapas em que foi autorizada. |
Estudo de caso situado | Aplicação fundamentada de conceitos a um contexto específico. | Justificar decisões e mencionar fontes verificáveis. |
Defesa oral breve | Domínio conceitual e capacidade de argumentação própria. | Critérios públicos e oportunidade igual de preparação. |
Auditoria crítica de resposta de IA | Identificação de erros, vieses e referências inválidas. | Confrontar saídas da ferramenta com literatura confiável. |
Fonte: elaboração própria a partir de Carvalho e Pimentel (2023), Lima e Serrano (2024) e Vargas e Záyago Lau (2025).
O Quadro 3 não constitui modelo único de avaliação, mas um repertório de práticas ajustáveis à natureza da disciplina e às condições dos estudantes. Em cursos que demandam competência de escrita autônoma, partes da atividade podem ocorrer sem assistência automatizada; em outros, a crítica a respostas geradas pode constituir o próprio objeto de aprendizagem. O critério decisivo é a correspondência explícita entre a competência pretendida e a evidência coletada (Carvalho; Pimentel, 2023).
A avaliação também precisa considerar a justiça educacional. O acesso desigual a planos pagos, conectividade e letramento digital impede pressupor condições tecnológicas homogêneas. Gonzaga Monteiro e Ponte (2026) alertam para dependências sociotécnicas e assimetrias de poder relacionadas à adoção de plataformas no ensino superior brasileiro. Em consequência, atividades com IAGen devem prever alternativas, orientações acessíveis e rubricas transparentes, sem confundir disponibilidade tecnológica com mérito acadêmico.
4.4. Governança Institucional e Formação para o Uso Responsável
Os estudos analisados convergem quanto à necessidade de diretrizes institucionais que não se limitem a proibições genéricas. Santaella (2025) recomenda tratar conjuntamente a ética da instituição, as responsabilidades docentes e os deveres de estudantes e pesquisadores. Essa arquitetura implica estabelecer regras públicas de uso, condições para declarar a assistência automatizada, procedimentos de averiguação e ações educativas de prevenção, de forma compatível com os regulamentos acadêmicos.
Costa et al. (2025) registram desafios de infraestrutura e formação no contexto universitário, enquanto Vargas e Záyago Lau (2025) defendem planejamento e capacitação contínua. A ausência de parâmetros compartilhados favorece regras contraditórias entre disciplinas e pode ampliar insegurança entre estudantes. Por isso, recomenda-se diferenciar políticas institucionais gerais das regras específicas de cada tarefa, ambas comunicadas antes do início da avaliação.
A governança também abrange a formação crítica sobre limites epistêmicos, dados pessoais e desigualdades. Matindingue, Conte e Duduka (2025) evidenciam que privacidade, viés e equidade fazem parte da discussão ética sobre inteligência artificial educacional. Gonzaga Monteiro e Ponte (2026) acrescentam a necessidade de examinar dependência tecnológica e interesses econômicos associados às plataformas. Integrar essas dimensões evita reduzir integridade à fiscalização individual do comportamento discente.
Por fim, uma política consistente deve ser periodicamente revista e construída com participação da comunidade acadêmica. Zuin e Goergen (2025) reafirmam a centralidade da relação educativa diante da autoridade algorítmica. Isso sugere priorizar orientações dialogadas, espaços de formação e instâncias de contestação de decisões. A tecnologia pode auxiliar atividades docentes, mas não deve assumir isoladamente a atribuição de notas, a definição de condutas desonestas ou a avaliação da credibilidade intelectual de uma pessoa.
4.5. Níveis de Assistência Tecnológica e Pactuação das Regras de Uso
A autorização da IAGen em uma disciplina não precisa ser uniforme para todas as atividades. O grau de assistência pertinente depende da competência que se pretende desenvolver e das evidências necessárias para avaliá-la. Santaella (2025) associa o uso ético a critérios claros de responsabilidade, enquanto Vargas e Záyago Lau (2025) discutem a necessidade de planejamento no ensino superior. A partir dessa aproximação, propõe-se uma matriz de autorização gradual: tarefas realizadas sem IA, tarefas com apoio instrumental delimitado e atividades que incorporem a análise crítica de respostas automatizadas. Trata-se de uma proposta pedagógica, e não de classificação empírica extraída de amostra institucional.
Em avaliações de escrita independente ou domínio conceitual inicial, a ausência de assistência pode ser uma condição legítima, desde que previamente comunicada. Quando o objetivo é melhorar a organização de um texto, a revisão linguística autorizada não equivale à transferência da interpretação. Já em projetos sobre tecnologias educacionais, comparar e corrigir respostas de IA pode integrar a competência avaliada. Carvalho e Pimentel (2023) sustentam a pertinência de compreender usos concretos e inventivos da ferramenta. A matriz do Quadro 4 explicita essas diferenças e relaciona cada condição de uso à evidência que precisa permanecer sob responsabilidade do estudante.
Quadro 4. Matriz orientadora de níveis de uso da IAGen e evidências de aprendizagem
Condição de uso | Assistência tecnológica admitida | Evidência a ser avaliada |
Sem uso de IAGen | Execução independente durante a atividade definida. | Raciocínio e domínio conceitual sem assistência. |
Apoio instrumental | Revisão linguística ou organização, se autorizadas. | Decisões e argumentos assumidos pelo estudante. |
Análise crítica com IA | Comparação e correção de saídas automatizadas. | Justificativa das alterações e checagem de fontes. |
IA como objeto de estudo | Exame de respostas, vieses e limites do sistema. | Análise fundamentada de erros e implicações éticas. |
Fonte: elaboração própria com base em Santaella (2025), Carvalho e Pimentel (2023) e Vargas e Záyago Lau (2025).
O Quadro 4 permite tornar as regras mais compreensíveis e reduzir a insegurança decorrente de autorizações genéricas. Uma mesma instituição pode adotar princípios comuns de honestidade e transparência, enquanto cada docente especifica o alcance do apoio permitido em determinada atividade. Hayashi (2025) destaca o valor de orientações explícitas sobre o emprego de IA em processos acadêmicos. Recomenda-se informar as condições no enunciado da tarefa, esclarecer o que deve ser declarado e prever alternativas para estudantes sem acesso aos recursos tecnológicos. A previsibilidade das regras é parte da justiça avaliativa.
4.6. Rubricas Analíticas e Avaliação em Diferentes Momentos
Uma avaliação capaz de reconhecer aprendizagem em ambientes mediados por IA precisa reunir evidências de diferentes momentos do trabalho. Durso (2024) chama atenção para o papel docente na interpretação dos resultados das tecnologias educacionais. A análise pode considerar a definição do problema, a qualidade das fontes, a coerência da argumentação, o enfrentamento de críticas e a revisão do produto. Esses elementos permitem distinguir avanço conceitual de simples aperfeiçoamento da redação. Como procedimento pedagógico, a reunião de versões e devolutivas oferece informações mais significativas do que a inspeção isolada da linguagem do trabalho entregue.
As rubricas analíticas ajudam a comunicar o que se espera e a reduzir avaliações baseadas somente em impressão subjetiva. Podem contemplar domínio dos conceitos, pertinência das evidências, justificativa das decisões, consistência ética e capacidade de revisão. A qualidade da declaração de uso de IA não deve, isoladamente, substituir a apreciação da aprendizagem nem receber peso desproporcional. Vargas e Záyago Lau (2025) ressaltam a importância do planejamento do uso educacional de ferramentas generativas. A rubrica, portanto, deve ser apresentada antes da atividade, com descritores compreensíveis e critérios compatíveis com os objetivos do componente curricular.
Uma sequência avaliativa possível inicia com a formulação individual de uma questão e um esboço argumentativo, segue com consulta supervisionada a fontes e, quando autorizada, à IAGen, e culmina na revisão fundamentada da proposta. O estudante apresenta uma versão final acompanhada de breve justificativa sobre as escolhas realizadas. Carvalho e Pimentel (2023) fornecem elementos para conceber usos do ChatGPT articulados ao estudo, e Lima e Serrano (2024) ressaltam limitações que exigem análise humana. A proposta preserva a comparação entre versões como evidência de desenvolvimento, sem presumir que todo aperfeiçoamento textual corresponda a aprendizagem.
A devolutiva docente deve examinar não apenas acertos, mas a capacidade de revisar razões, identificar lacunas e mobilizar evidências. Em uma defesa oral breve, perguntas sobre conceitos, critérios de seleção e objeções possíveis podem esclarecer o percurso intelectual sem transformar a atividade em interrogatório punitivo. Aruda (2024) e Zuin e Goergen (2025) ajudam a situar essa mediação na relação educativa. Para manter equidade, as exigências de documentação e exposição oral devem ser ajustadas a condições de acessibilidade, tempo disponível e características das turmas, evitando que a avaliação do processo se torne carga burocrática desnecessária.
4.7. Justiça Procedimental, Proteção de Dados e Equidade de Acesso
A apuração de uma possível infração acadêmica relacionada à IAGen exige regras anteriores ao fato e procedimentos que permitam contextualizar a produção do estudante. A semelhança estilística com textos automatizados ou o resultado de um detector não constitui, por si, prova suficiente de conduta irregular. A discussão de Hayashi (2025) sobre responsabilidades e transparência, articulada às recomendações da UNESCO (2024), fundamenta a necessidade de avaliação humana e oportunidade de esclarecimento. O exame deve considerar o enunciado da atividade, as práticas autorizadas, as evidências disponíveis e as explicações do estudante, evitando conclusões automáticas ou acusações sem fundamento.
A proteção de dados integra essa discussão porque comandos e arquivos enviados a plataformas externas podem conter informações pessoais, materiais inéditos ou registros de pesquisa. A UNESCO (2024) orienta que a adoção de IA generativa seja acompanhada de cautelas relativas à privacidade e à centralidade humana. Nas atividades acadêmicas, recomenda-se não inserir documentos sigilosos, dados identificáveis de participantes ou informações institucionais restritas em serviços não autorizados. A formação deve esclarecer quais materiais podem ser compartilhados, quem tem acesso ao conteúdo e por quanto tempo ele pode permanecer nos sistemas utilizados.
A justiça avaliativa também depende do reconhecimento das assimetrias de acesso. Estudantes podem dispor de dispositivos, conectividade, versões pagas e experiências digitais muito diferentes, circunstâncias que afetam sua possibilidade de cumprir tarefas apoiadas por IA. Gonzaga Monteiro e Ponte (2026) discutem desafios sociotécnicos e relações de dependência ligados à presença de sistemas generativos no ensino superior brasileiro. Por isso, a disponibilização de alternativas gratuitas, roteiros de orientação e modalidades equivalentes de realização deve integrar o planejamento. O desempenho não pode ser confundido com a capacidade de contratar recursos ou dominar previamente plataformas privadas.
5. CONSIDERAÇÕES FINAIS
A revisão permite concluir que a integridade acadêmica, na era da IA generativa, depende menos da identificação automática de textos e mais da definição pública do que constitui aprendizagem e contribuição intelectual legítima. A autoria permanece humana quando o estudante seleciona, compreende, verifica e responde pelas ideias que apresenta, declarando adequadamente o apoio tecnológico permitido.
Quanto à avaliação, a mudança prioritária é combinar produtos finais com evidências do processo. Entregas parciais, justificativas, revisão de versões, análise de casos e defesa oral permitem apreciar o raciocínio e reduzem a distância entre desempenho aparente e conhecimento efetivamente construído. As tarefas devem preservar a pertinência pedagógica, a viabilidade de aplicação e a igualdade de oportunidades.
No âmbito institucional, políticas transparentes, formação de docentes e estudantes, proteção de dados e procedimentos proporcionais de apuração constituem condições complementares. A resposta não consiste em normalizar qualquer utilização da IA nem em proibi-la indiscriminadamente, mas em pactuar limites compatíveis com os objetivos acadêmicos e com a responsabilidade humana pelo conhecimento.
REFERÊNCIAS BIBLIOGRÁFICAS
ARUDA, Eucidio Pimenta. Inteligência artificial generativa no contexto da transformação do trabalho docente. Educação em Revista, Belo Horizonte, v. 40, e48078, 2024. DOI: https://doi.org/10.1590/0102-469848078.
CARVALHO, Felipe; PIMENTEL, Mariano. Estudar e aprender com o ChatGPT. Revista Educação e Cultura Contemporânea, Rio de Janeiro, v. 20, 2023. DOI: https://doi.org/10.5935/2238-1279.20230016.
CERNEV, Francine. Ética no Silêncio: autonomia e vazio curricular na formação musical em tempos de IA. Educação & Realidade, Porto Alegre, v. 51, e150226, 2026. DOI: https://doi.org/10.1590/2175-6236150226vs01.
COSTA, Marcelle Feitoza Bassi et al. Desafios e oportunidades da inteligência artificial no ensino superior: percepções dos docentes no ambiente universitário. Avaliação: Revista da Avaliação da Educação Superior, Campinas, v. 30, e025003, 2025. DOI: https://doi.org/10.1590/1982-57652025v30id286435.
DURSO, Samuel de Oliveira. Reflexões sobre a aplicação da inteligência artificial na educação e seus impactos para a atuação docente. Educação em Revista, Belo Horizonte, v. 40, e47980, 2024. DOI: https://doi.org/10.1590/0102-469847980.
GONZAGA MONTEIRO, Gabriel; PONTE, Nízia Maria. Inteligência artificial generativa: desafios, limites e perspectivas para o ensino superior no Brasil. Revista Docência do Ensino Superior, Belo Horizonte, v. 16, p. 1-17, 2026. DOI: https://doi.org/10.35699/2237-5864.2026.58903.
HAYASHI, Maria Cristina Piumbato Innocentini. Ética e inteligência artificial na comunicação científica: desafios para os periódicos científicos. Encontros Bibli: Revista Eletrônica de Biblioteconomia e Ciência da Informação, Florianópolis, v. 30, 2025. DOI: https://doi.org/10.5007/1518-2924.2025.e103497.
LIMA, Cleosanice Barbosa; SERRANO, Agostinho. Inteligência Artificial Generativa e ChatGPT: uma investigação sobre seu potencial na Educação. Transinformação, Campinas, v. 36, e2410839, 2024. DOI: https://doi.org/10.1590/2318-0889202436e2410839.
MATINDINGUE, Américo Domingos; CONTE, Elaine; DUDUKA, Jacint. Navegando nas fronteiras éticas: uma revisão do impacto da inteligência artificial na EaD. Avaliação: Revista da Avaliação da Educação Superior, Campinas, v. 30, e025026, 2025. DOI: https://doi.org/10.1590/1982-57652025v30id293990.
RODRIGUES, Olira Saraiva; RODRIGUES, Karoline Santos. A inteligência artificial na educação: os desafios do ChatGPT. Texto Livre, Belo Horizonte, v. 16, e45997, 2023. DOI: https://doi.org/10.1590/1983-3652.2023.45997.
SANTAELLA, Lucia. A ética como guia para o uso da inteligência artificial generativa. Educação & Sociedade, Campinas, v. 46, e296469, 2025. DOI: https://doi.org/10.1590/ES.296469.
SOUSA, Fabiana Rodrigues de; MASCIA, Márcia Aparecida Amador; CARRASQUEIRA, Karina. Ética e integridade acadêmica: desafios e possibilidades do uso de inteligência artificial no processo de editoração científica. Práxis Educativa, Ponta Grossa, v. 20, e25513, 2025. DOI: https://doi.org/10.5212/PraxEduc.v.20.25513.083.
UNESCO. Guia para a IA generativa na educação e na pesquisa. Paris: UNESCO, 2024. Disponível em: https://unesdoc.unesco.org/ark:/48223/pf0000390241. Acesso em: 15 out. 2026.
VARGAS, Betiana Elizabeth; ZÁYAGO LAU, Edgar. Inteligência artificial generativa no ensino superior: implicações, aplicações e ferramentas. Revista Docência do Ensino Superior, Belo Horizonte, v. 15, p. 1-19, 2025. DOI: https://doi.org/10.35699/2237-5864.2025.58154.
ZUIN, Antônio Álvaro Soares; GOERGEN, Pedro Laudinor. A inteligência artificial, a ética e a relação orgânica entre professores e alunos. Educação & Sociedade, Campinas, v. 46, e297394, 2025. DOI: https://doi.org/10.1590/ES.297394.
1 Instituto Federal de Alagoas –Maceió – Alagoas – Brasil. E-mail: [clique para visualizar o e-mail]acesse o artigo original para visualizar o e-mail. ORCID: https://orcid.org/0009-0009-1211-0227
2 Universidade Federal de Alagoas – Maceió – Brasil. E-mail: [clique para visualizar o e-mail]acesse o artigo original para visualizar o e-mail. ORCID: https://orcid.org/0000-0001-8788-3974
3 Universidade Federal de Alagoas – Maceió – Alagoas – Brasil. E-mail: [clique para visualizar o e-mail]acesse o artigo original para visualizar o e-mail. ORCID: https://orcid.org/0009-0000-0541-2459
4 Instituto Federal de Alagoas – Maceió – Alagoas – Brasil. E-mail: [clique para visualizar o e-mail]acesse o artigo original para visualizar o e-mail. ORCID: https://orcid.org/0009-0003-3549-3538
5 Instituto Federal de Alagoas – Maceió – Alagoas – Brasil. E-mail: [clique para visualizar o e-mail]acesse o artigo original para visualizar o e-mail. ORCID: https://orcid.org/0000-0002-0295-329X
6 Instituto Federal de Alagoas –Palmeira dos Índios–Alagoas–Brasil. E-mail: [clique para visualizar o e-mail]acesse o artigo original para visualizar o e-mail. ORCID: https://orcid.org/0000-0003-1034-4117
7 Instituto Federal de Alagoas – Maceió – Alagoas – Brasil. E-mail: [clique para visualizar o e-mail]acesse o artigo original para visualizar o e-mail. ORCID: https://orcid.org/0009-0007-1434-4145
8 Instituto Federal de Alagoas – Maceió – Alagoas – Brasil. E-mail: [clique para visualizar o e-mail]acesse o artigo original para visualizar o e-mail. ORCID: https://orcid.org/0009-0007-9368-2889
9 Instituto Federal do Maranhão – São Luiz - Maranhão – Brasil. E-mail: [clique para visualizar o e-mail]acesse o artigo original para visualizar o e-mail. ORCID: https://orcid.org/0009-0001-1847-9879
10 Universidade Tecnológica Intercontinental – Assunção – Paraguai. E-mail: [clique para visualizar o e-mail]acesse o artigo original para visualizar o e-mail. ORCID: https://orcid.org/0009-0002-7217-5486
11 Instituto Federal de Alagoas –Maceió – Alagoas – Brasil. E-mail: [clique para visualizar o e-mail]acesse o artigo original para visualizar o e-mail. ORCID: https://orcid.org/0009-0009-6299-1536
12 Instituto Federal de Alagoas –Maceió – Alagoas – Brasil. E-mail: [clique para visualizar o e-mail]acesse o artigo original para visualizar o e-mail. ORCID: https://orcid.org/0009-0005-8301-0750