Minha parte favorita do ensino médio não era a avaliação. Foi o caos da experimentação.
Eu descartei o relatório do livro. Morto na chegada. Em vez disso, os alunos usaram organizadores gráficos, limitados a 100 palavras, para respostas multimodais. Os relatórios orais tinham um limite rígido de dois minutos. Se eu te pegasse lendo durante o SSR? Pontos de bônus. Simples.
Testes? Traga suas anotações. Meus slides. O livro didático. Qualquer coisa.
Eu não me importei se você se lembrasse das datas. Eu queria ver se você conseguia sintetizar, avaliar e analisar.
Em doze anos de ensino, nunca forcei um único aluno a escrever uma redação de cinco parágrafos.
Por que?
Sou escritor profissional desde antes do nascimento da maioria desses modelos de IA. Eu detesto o formato. A estrutura é importante. Mas estrutura que só existe dentro da sala de aula? Isso é uma perda de tempo.
Recentemente, alguns escritores da Substack sobre IA na educação reacenderam meu interesse por design.
Eu fiz um teste.
Perguntei uma coisa aos grandes LLMs: O que torna uma tarefa mais fácil para você?
Eu sabia a resposta antes de perguntar. Reconhecimento de padrões.
Culpamos a tecnologia. Isso é preguiçoso.
O problema não é que a IA seja muito poderosa.
O problema é que projetamos nossas tarefas para serem previsíveis, procedimentais e enfadonhamente automatizáveis.
A indústria sabe disso: se você puder automatizá-la, ela será automatizada. A educação está atrasada para a festa.
A fórmula que a IA adora
Não tropeçamos em tarefas amigáveis à IA. Nós os construímos.
LLMs prosperam na estrutura. Não é uma visão. Não experiência de vida. Estrutura.
Aqui está o que mata a criatividade dos alunos – e alimenta a IA:
1. Modelos Rígidos
O ensaio de cinco parágrafos é rei. Introdução. Três parágrafos do corpo. Conclusão. Troque de assunto. A forma permanece.
A IA não precisa pensar. Apenas preenche os espaços em branco.
**2. Avisos óbvios **
“Explique o Ciclo da Água.”
“Listar as causas da revolução.”
Estas não são perguntas. Eles são comandos de pesquisa.
O modelo mapeia a sugestão para a resposta armazenada. É conclusão, não criação.
**3. Pensamento superficial **
Resuma. Definir. Lista.
Os cientistas cognitivos chamam isso de nível “superficial”. É onde a densidade do padrão é mais alta. A IA domina a superfície. Quase não tenta a profundidade.
4. Rubricas da lista de verificação
Inclua três exemplos.
Use cinco palavras do vocabulário.
Útil? Sim.
Compatível com algoritmos? Terrivelmente.
LLMs fazem engenharia reversa de sua rubrica. Eles otimizam pontos, não significado.
5. Sem contexto
Quando uma tarefa ignora quem o aluno realmente é, torna-se um conhecimento descontextualizado.
Fiz as crianças vincularem livros a programas de TV. Para videogames. Para suas vidas.
IA não tem vida. Quando falta contexto à tarefa, a IA não tem desvantagem contra você.
A armadilha do design inverso
Ironia? Nossas melhores estruturas ajudaram isso a acontecer.
O design retroativo começa com resultados. Então você constrói o teste.
É coerente. Está arrumado.
E é terrível para pensar.
Quando você define “sucesso” com muita clareza – declaração de tese, três citações, 800 palavras – você está apenas escrevendo um prompt para uma IA.
Eu vi minhas sobrinhas fazerem isso. Primeira coisa que eles fazem? Copie e cole as instruções e a rubrica no ChatGPT.
A conformidade é garantida.
Uma lista de verificação não é suficiente. Você precisa de indicadores de qualidade. Você precisa de domínios de alto nível da Taxonomia de Bloom. Não apenas caixas para verificar.
Sim, os novos modelos imitam a síntese. Sim, eles fingem criatividade.
Isso torna o design mais difícil. Isso torna a verificação mais fácil.
Onde a IA tropeça
Não queime seu currículo. Basta alterar as variáveis.
A IA luta com:
- Ambigüidade autêntica
- Contexto local e específico
- Processo visível
- Julgamento humano
- Síntese original sob restrições
As restrições são fundamentais.
Falar com a Câmara Municipal? Duro.
Escrever um podcast? Estranho para um LLM.
Usar dados locais conflitantes? Complicado.
Revisar com base em mensagens de ódio de colegas? Doloroso para um bot.
Quando uma tarefa passa de execução de padrão para construção de significado, o bot vacila.
Precisamos de “atrito produtivo”.
Não o caos.
Atrito.
Colegas do AI Friction Labs estão construindo isso. Eles substituem a IA “útil” pela resistência. Diálogo socrático. Negociação com as partes interessadas. Defendendo seu argumento em tempo real.
Eles avaliam o pensamento, não o PDF.
Aprendizagem baseada em projetos?
- Defina a bagunça.
- Descubra o que você não sabe.
- Teste uma solução.
- Falhar. Iterar.
Nenhum modelo funciona aqui. Nenhuma saída de emergência de cinco parágrafos.
E agora?
Estamos fazendo a pergunta errada.
Não “Como podemos parar de trapacear?”
Mas “Por que essa tarefa foi tão fácil de falsificar?”
Isso dói. Deveria.
Se um bot faz isso em segundos, estaríamos medindo o aprendizado? Ou estávamos medindo a obediência a uma fórmula?
As tarefas que quebram a IA são aquelas que exigem:
- Novas ideias.
- Conhecimento especializado.
- Experiência vivida que nenhum conjunto de dados possui.
Isto não é uma crise. É um filtro.
Isso nos mostra onde nossas atribuições falharam.
Precisamos projetar experiências que exijam pensamento humano situado e iterativo.
Essas coisas ainda são difíceis para eles.
Boa sorte.
