Arquivo da Categoria: avaliação

IA na avaliação: ferramentas práticas e dicas para professores em 2026

Publicado a por
Responder

Download .pt | Download .ing |

Em 2026, as ferramentas de inteligência artificial deixaram de ser uma novidade experimental para se tornarem infraestrutura essencial na sala de aula. Para os professores que passam entre 6 a 12 horas semanais a corrigir trabalhos, a IA oferece um caminho concreto para reduzir essa carga em até 80%, sem abdicar da qualidade do feedback dado aos alunos.

O que é a avaliação com IA?

A avaliação assistida por IA consiste no uso de plataformas e ferramentas que aplicam critérios definidos — como rubricas — de forma automática e consistente a todas as submissões dos alunos. Ao contrário da correção manual, a IA não sofre de fadiga nem de inconsistência: aplica os mesmos critérios ao primeiro e ao último trabalho entregue. Isto não significa substituir o julgamento profissional do professor, mas sim libertar tempo para o que realmente importa: o acompanhamento humano e pedagógico.

Clicar na imagem para ver a apresentação…

Principais ferramentas em destaque

Gradescope — Ideal para avaliações mistas

O Gradescope é uma das ferramentas mais reconhecidas, especialmente no ensino superior e secundário. Processa desde testes de escolha múltipla até trabalhos manuscritos digitalizados e tarefas de programação, com reconhecimento de escrita manual via PDF. Os professores que o utilizam reportam uma redução de 50 a 70% no tempo de avaliação, mantendo um feedback mais detalhado.

CoGrader — Para quem usa Google Classroom

O CoGrader integra-se profundamente com o Google Classroom, Canvas e Schoology, fornecendo feedback detalhado com justificação de notas e análise de desempenho da turma. Afirma poupar até 80% do tempo de correção e permite identificar rapidamente lacunas de aprendizagem ao nível da turma.

MagicSchool AI — O canivete suíço do professor

Criado por educadores para educadores K-12, o MagicSchool AI oferece mais de 80 ferramentas que cobrem planeamento de aulas, diferenciação, criação de avaliações e muito mais. Os professores relatam poupar entre 7 a 10 horas semanais. É especialmente útil para gerar rubricas de avaliação em segundos.

GPTZero AI Grader — Com deteção de integridade integrada

O GPTZero é conhecido como detetor de texto gerado por IA, mas inclui também um corretor automático que poupa mais de 8 horas semanais. Combina a avaliação formativa com a deteção de plágio e de conteúdo gerado por IA, tornando-se uma ferramenta dupla muito prática.

Boas práticas para integrar a IA na avaliação

A chave para uma boa implementação está no modelo híbrido: a IA faz a primeira passagem de correção e o professor revê, ajusta e personaliza o feedback final. Eis algumas dicas concretas:

  • Começa com rubricas claras — quanto mais detalhada for a rubrica, mais precisa será a avaliação automática
  • Usa a IA para o feedback formativo, não apenas para a nota final; ferramentas como o Formative AI permitem que os alunos vejam os erros em tempo real
  • Mantém sempre a supervisão docente — a IA é um assistente, não um substituto do teu julgamento pedagógico
  • Verifica a conformidade com o RGPD antes de introduzir qualquer ferramenta, especialmente quando trabalhas com dados de menores
  • Experimenta uma ferramenta de cada vez para conseguires avaliar o impacto real no teu fluxo de trabalho

Questões de integridade académica

A proliferação de IA nas escolas levanta questões legítimas sobre a autenticidade dos trabalhos dos alunos. Ferramentas como o Turnitin e o GPTZero permitem identificar padrões linguísticos que sugerem geração automática de texto. O equilíbrio ideal passa por usar a IA como ferramenta de aprendizagem — não de “cola” — e por desenhar tarefas que estimulem o pensamento crítico e a voz própria do aluno.

Vale a pena adotar?

A resposta curta é sim — com discernimento. As ferramentas de IA para avaliação já provaram o seu valor em termos de poupança de tempo, consistência e qualidade de feedback. Em 2026, integrar estas ferramentas deixou de ser uma vantagem competitiva e passou a ser uma competência profissional esperada de qualquer educador que queira estar na vanguarda da pedagogia digital. O importante é manter sempre o professor no centro das decisões pedagógicas e usar a tecnologia ao serviço da aprendizagem — e não o contrário.

Tem alguma ferramenta favorita que já use na sua prática? Partilhe-a nos comentários!

Currículo, Ensino e Aprendizagem no Design: o que realmente importa

Publicado a por
Responder
Março 2026

Download |

Chegou às minhas mãos um documento de trabalho académico que, apesar de ter sido produzido no contexto de um doutoramento em Estudos de Currículo e Ciências da Aprendizagem nos EUA, tem muito para nos dizer — a nós, educadores portugueses que trabalhamos diariamente com alunos, formamos professores e pensamos sobre como melhorar o ensino. Chama-se Curriculum Instruction Handbook for Design Education, da autoria de Bara´ah Muqaddam, e é um daqueles textos que nos fazem parar e refletir sobre o que fazemos dentro da sala de aula.

Não vou fazer um resumo académico. Vou partilhar o que me pareceu mais importante — e mais útil para quem ensina.

Clicar na imagem para ver a apresentação…

Aprender não é receber informação

A ideia central do documento é simples, mas revolucionária na prática: aprender não é um processo passivo. Não aprendemos porque um professor nos transmite conteúdo. Aprendemos quando estamos ativamente envolvidos, quando experimentamos, erramos, refletimos e tentamos de novo.

A investigação em neurociência mostra que a emoção e a cognição estão profundamente ligadas. Quando um aluno está emocionalmente investido numa tarefa — seja um projeto, uma apresentação, uma escrita criativa —, a atenção sustenta-se mais, a memória retém melhor e o conhecimento dura mais tempo. Isto não é novidade para quem está em sala de aula, mas é bom ver confirmado pela ciência aquilo que já sentimos na pele.

O documento descreve um ciclo de aprendizagem que passa pelo envolvimento emocional → atenção → aprendizagem ativa → reflexão → memória de longo prazo. É uma espiral, não uma linha reta. E a reflexão é o elemento que transforma a experiência em conhecimento real.

O papel do professor: tornar o pensamento visível

No ensino do design — e, por extensão, em qualquer área criativa ou complexa —, o professor não é apenas quem transmite conteúdo. É quem torna o pensamento visível. Isso implica modelar processos em voz alta, mostrar como se raciocina perante um problema, guiar sem prescrever soluções.

O ciclo instrucional proposto no documento segue esta lógica:

  • Modelação pelo docente — mostrar como se pensa, não apenas o que se faz
  • Prática guiada — acompanhar os alunos enquanto experimentam
  • Aplicação autónoma — deixar que os alunos testem as suas ideias
  • Reflexão sobre o processo — promover a metacognição
  • Feedback e revisão — fechar o ciclo com melhoria

Este modelo é válido muito além do design. Funciona na língua portuguesa, nas ciências, na história, nas artes. O que muda é a forma como se aplica, não o princípio.

A metacognição como ferramenta de ensino

Uma das ideias que mais me marcou foi a importância da metacognição — ou seja, a capacidade de pensar sobre o próprio pensamento. O documento cita investigação que mostra que mesmo intervenções mínimas, como pedir aos alunos que expliquem por que tomaram determinada decisão, têm um impacto significativo na forma como aprendem.

Na prática, isto significa:

  • Pedir aos alunos que justifiquem as suas escolhas
  • Encorajar a comparação entre alternativas
  • Propor momentos de reflexão após atividades
  • Pedir que documentem o processo, não apenas o resultado

São estratégias simples. Mas que exigem tempo, intenção e cultura de sala de aula. Não se improvisam.

Currículo: não é uma lista de conteúdos

O documento insiste numa ideia que qualquer formador de professores conhece, mas que continua a não ser prática comum: o currículo é um sistema alinhado. Não é uma lista de temas a cumprir. É a relação coerente entre aquilo que queremos que os alunos aprendam (objetivos), o que fazemos em aula (atividades) e como avaliamos (instrumentos).

Quando estes três elementos estão desalinhados — objetivos ambiciosos, atividades rotineiras, testes de memorização —, os alunos ficam confusos, desmotivados e aprendem menos do que poderiam. A coerência curricular não é um luxo. É uma necessidade.

O documento também valoriza a progressão e a sequência: os conteúdos devem ser organizados de forma a que os alunos construam sobre o que já sabem, avançando do simples para o complexo, do concreto para o abstrato. Parece óbvio, mas na prática raramente acontece de forma intencional.

A IA no currículo: ferramenta, não substituto

Num dos capítulos mais atuais do documento, aborda-se a integração de ferramentas digitais e IA no currículo. A posição é equilibrada e sensata: a IA pode expandir as possibilidades criativas, ajudar a gerar ideias e explorar alternativas — mas não substitui o pensamento crítico nem a autoria do aluno.

Os alunos devem aprender a:

  • Usar a IA como apoio, não como atalho
  • Avaliar criticamente os resultados gerados por IA
  • Transformar ideias geradas automaticamente em soluções originais e pessoais

Esta é exatamente a conversa que precisamos de ter nas nossas escolas. A IA já está na sala de aula — com ou sem a nossa autorização. A questão não é se os alunos a usam, mas como os ajudamos a usá-la bem.

Avaliação que serve para aprender

A avaliação é, talvez, o capítulo mais desafiante. O documento defende uma mudança de paradigma: de uma avaliação que mede resultados para uma avaliação que apoia a aprendizagem. Isto implica:

  • Dar feedback contínuo, não apenas no final
  • Valorizar o processo tanto quanto o produto
  • Permitir a iteração e a melhoria ao longo do percurso
  • Incluir a reflexão do próprio aluno como parte da avaliação

Num sistema de ensino que ainda vive muito orientado para a nota final e para os exames, esta proposta soa a utopia. Mas há espaço para a aplicar — em projetos, em portefólios, em trabalhos de grupo, em momentos de autoavaliação estruturada. Depende de nós.

A instituição também precisa de aprender

Há uma dimensão do documento que raramente aparece nos manuais de pedagogia: a escola como organização aprendente. Não basta que os professores sejam bons individualmente. É preciso que a instituição crie condições para que o bom trabalho aconteça e se sustente.

Isso implica liderança com visão, comunidades de prática entre docentes, formação contínua integrada no quotidiano — não como evento isolado —, e sistemas de avaliação do próprio currículo que permitam ajustá-lo ao longo do tempo.

Uma escola que não reflete sobre si mesma tende a repetir os mesmos erros, ano após ano.

O que fica

Este documento foi escrito para o contexto do ensino do design. Mas as suas ideias centrais transcendem o contexto. A aprendizagem ativa, a reflexão sistemática, o alinhamento curricular, a avaliação formativa, a integração responsável da IA — são princípios que cabem em qualquer sala de aula, em qualquer disciplina.

O que mais me ficou foi esta frase implícita ao longo de todo o texto: ensinar bem não é uma questão de talento natural. É uma questão de intencionalidade. Fazer escolhas conscientes sobre o que ensinamos, como ensinamos e como sabemos se funcionou.

Vale a pena parar e perguntar: nas nossas aulas, essas escolhas são mesmo intencionais?

Referência: Muqaddam, B. (2026). Curriculum Instruction Handbook for Design Education. Edgewood University, EdD Program in Curriculum Studies and Learning Sciences.

IAVE

Como medir a disruptividade científica? uma nova abordagem baseada em Inteligência Artificial

Publicado a por
Responder

Download do artigo |

A ciência avança por saltos. Algumas descobertas mudam completamente a direção de uma área do conhecimento — como aconteceu com a teoria da evolução, a mecânica quântica ou o CRISPR. Mas como identificar, de forma rigorosa e objetiva, quais são realmente esses trabalhos revolucionários? É precisamente a este desafio que responde um novo estudo publicado na revista Science Advances, da autoria de Munjung Kim, Sadamori Kojaku e Yong-Yeol Ahn, da Indiana University.

O Problema de Medir a Disruptividade

Nos últimos anos, tornou-se popular o uso do chamado índice de disrupção (CD index) para classificar artigos científicos como “disruptivos” ou “consolidadores”. Um artigo disruptivo seria aquele que redireciona o campo — as investigações futuras passam a citar o novo trabalho em vez dos anteriores. Um artigo consolidador, pelo contrário, aprofunda e confirma o que já existe.

O problema é que este índice tem limitações sérias:

  • Baseia-se apenas na estrutura local da rede de citações (relações diretas entre artigos)
  • Produz muitos valores iguais a zero, tornando difícil distinguir entre trabalhos
  • É extremamente sensível a ligações individuais entre artigos — um único link de citação pode fazer com que um artigo passe de “máximo disruptivo” para “mínimo disruptivo”
  • Falha em identificar descobertas simultâneas, ou seja, artigos que chegaram às mesmas conclusões de forma independente

Clicar na imagem para ver a apresentação…

A Nova Métrica: EDM (Embedding Disruptiveness Measure)

Para superar estas limitações, os investigadores propõem o EDM, uma métrica baseada em embeddings de grafos — uma técnica de inteligência artificial que representa cada artigo científico como um vetor num espaço de alta dimensão.

A ideia central é elegante: para cada artigo, o modelo aprende dois vetores distintos:

  • O vetor passado (p) — que representa o contexto intelectual do artigo, ou seja, as obras em que ele se baseia (as suas referências e os seus “antecessores”)
  • O vetor futuro (f) — que representa o impacto do artigo, ou seja, as obras que virão a citar e a usar esse trabalho (“descendentes”)

Se um artigo é verdadeiramente disruptivo, o seu impacto nos trabalhos futuros diverge radicalmente das fundações em que se baseia — a investigação posterior já não depende das obras que o precediam. Esta divergência é medida pela distância cosseno entre os dois vetores. Quanto maior a distância, maior a disruptividade.

Resultados: Um Salto Qualitativo na Identificação de Marcos Científicos

O EDM foi testado em mais de 55 milhões de artigos científicos da Web of Science e da American Physical Society, bem como em mais de 7 milhões de patentes. Os resultados são impressionantes:

  • O EDM identificou corretamente como altamente disruptivos 302 artigos galardoados com o Prémio Nobel e 278 artigos de marcos históricos da física, com muito maior fiabilidade do que o índice CD tradicional
  • Numa regressão logística multivariada, um aumento de 10 percentis no EDM corresponde a 1,34 vezes mais probabilidade de o artigo ser vencedor do Nobel — enquanto o índice CD tradicional não apresentou significância estatística nesta previsão
  • O EDM produz uma distribuição contínua e de alta resolução, permitindo distinguir subtilezas que o índice CD não consegue captar

O Caso das Descobertas Simultâneas

Um dos achados mais fascinantes do estudo é a capacidade do EDM de identificar descobertas simultâneas — situações em que dois grupos independentes chegam à mesma conclusão ao mesmo tempo.

O índice CD falha nestes casos de forma dramática. Quando dois artigos se citam mutuamente (por terem sido publicados ao mesmo tempo sobre o mesmo tema), o índice CD pode cair do máximo para o mínimo absoluto. O estudo ilustra isto com casos históricos célebres:

  • O méson J/ψ (1974): As equipas de B. Richter e S. Ting anunciaram simultaneamente a descoberta desta partícula subatómica. Por se citarem mutuamente, o índice CD dos seus artigos caiu para o percentil 0 (fundo da tabela). O EDM, pelo contrário, atribui-lhes percentil 95 e 97.
  • O mecanismo de Higgs (1964): O artigo de Peter Higgs cita o de Englert e Brout, publicado quase em simultâneo. Isso faz descer o D do artigo de Higgs para o percentil 0,1. O EDM coloca ambos os artigos no percentil 4 — reconhecendo corretamente a sua importância histórica.

Outros casos identificados incluem a descoberta da transcriptase reversa, a liberdade assintótica na cromodinâmica quântica e a difusão inelástica de eletrões e neutrões.

Como o EDM Deteta Descobertas Simultâneas Automaticamente

Além de corrigir erros do índice CD, o EDM permite ir mais longe: identificar sistematicamente descobertas simultâneas sem recorrer a listas de autores ou citações cruzadas.

A lógica é simples: se dois artigos relatam a mesma descoberta, a investigação futura cita-os em contextos semelhantes. Por isso, os seus vetores futuros devem ser próximos no espaço de embedding.

Os investigadores testaram esta hipótese com sucesso: dos 80 artigos com mais de 300 citações identificados como potenciais descobertas simultâneas, 64 (80%) foram confirmados como tal — com 34 sendo descobertas independentes verificadas nos próprios textos dos artigos, onde os autores mencionavam explicitamente o trabalho paralelo de outros grupos.

Implicações para a Ciência e para a Educação

Este estudo tem implicações que vão além da bibliometria:

Para a comunidade científica, o EDM oferece uma ferramenta mais justa para atribuir reconhecimento a contribuições transformadoras — incluindo aquelas que ficaram na sombra de trabalhos mais citados ou que foram fragmentadas em múltiplas publicações.

Para a história e filosofia da ciência, os resultados confirmam empiricamente a teoria de Merton sobre as descobertas múltiplas: os avanços simultâneos e independentes são a norma, não a exceção — tal como aconteceu com Newton e Leibniz no cálculo, ou com Darwin e Wallace na teoria da evolução.

Para a literacia de informação e o pensamento crítico, este estudo é um excelente exemplo de como as métricas que usamos para avaliar o conhecimento têm limitações e enviesamentos que precisam de ser compreendidos. Avaliar a qualidade e o impacto de um trabalho científico é sempre um processo complexo, contextual e multidimensional — algo que qualquer estudante e cidadão deve aprender a questionar.

Limitações Reconhecidas pelos Próprios Autores

Com rigor científico, os investigadores listam também as limitações do EDM:

  • Medir a evolução temporal da disruptividade exige retreinar o modelo, o que é computacionalmente exigente
  • Artigos com poucas citações ou sem referências não são bem capturados
  • A interpretabilidade é menos direta do que indicadores tradicionais baseados em redes
  • Não funciona bem quando as comunidades científicas não comunicam entre si (como no caso do teorema de Cook-Levin, ignorado durante anos por barreiras entre os EUA e a URSS)

Este estudo é um bom exemplo de como a inteligência artificial pode ser usada para compreender melhor a própria ciência — não apenas para produzir conhecimento novo, mas para reconhecer, com mais justiça, quem já o fez.

Referência: Kim, M., Kojaku, S., & Ahn, Y.-Y. (2026). Uncovering simultaneous breakthroughs with a robust measure of disruptiveness. Science Advances, 12(14), eadx3420. https://doi.org/10.1126/sciadv.adx3420

Como saber se um aluno realmente aprendeu — mesmo usando Inteligência Artificial

Publicado a por
Responder
Gerado com Claude Sonnet 4.6 Thinking

A inteligência artificial não inventou o problema da avaliação escolar — apenas o tornou impossível de ignorar. Durante décadas, avaliámos os alunos pedindo-lhes que reproduzissem conteúdos: escreveram resumos, copiaram definições, elaboraram textos segundo fórmulas. A IA veio mostrar, de forma inequívoca, que este modelo estava construído sobre areia. Se uma máquina consegue fazer o mesmo que pedimos aos nossos alunos — e faz bem, em segundos —, talvez o problema não seja a IA. Talvez seja a pergunta que estamos a fazer.

​

O problema não é a IA. É a avaliação.

O uso da inteligência artificial pelos estudantes tornou ainda mais evidente a fragilidade de uma avaliação centrada na reprodução de conteúdos. Um aluno que entrega um trabalho “perfeito” gerado por IA não aprendeu mais do que aquele que decorou uma matéria para um teste e a esqueceu no dia seguinte. Em ambos os casos, o produto existe — mas a aprendizagem pode não ter acontecido.​

O verdadeiro desafio para os professores não é descobrir se o aluno usou IA, mas perceber se o aluno aprendeu. Estas são duas perguntas completamente diferentes, e confundi-las tem custado caro à educação.

​

Do Produto ao Processo

A mudança mais urgente é deslocar o foco do produto final para o processo de aprendizagem. Quando avaliamos apenas a tarefa entregue, estamos a medir o resultado — que pode ter sido gerado por qualquer ferramenta. Quando avaliamos o processo, estamos a medir o pensamento.​

Algumas estratégias concretas para colocar isto em prática:

  • Pedir rascunhos e versões intermédias — o historial de edição de um documento revela muito mais do que a versão final​
  • Propor momentos de reflexão — “O que aprendeste ao fazer este trabalho?” ou “O que mudarias agora?” são perguntas que a IA não pode responder por ninguém
  • Usar o questionamento oral — uma conversa breve sobre o trabalho entregue é o filtro mais eficaz para perceber se houve compreensão real​
  • Comparar com produções anteriores — a evolução (ou ausência dela) da voz e do estilo de cada aluno diz muito​

Avaliar com IA — Em vez de avaliar contra ela

Uma das abordagens mais promissoras não é proibir a IA, mas integrá-la na própria avaliação de forma intencional. Por exemplo:​

  • Pedir ao aluno que analise criticamente um texto gerado por IA sobre um tema estudado — identificando erros, lacunas ou imprecisões
  • Propor que o aluno parta de uma resposta de IA e a melhore, justificando as suas escolhas
  • Usar a IA como “adversário” num debate em que o aluno tem de defender a sua posição com argumentos próprios

Nestas tarefas, a IA torna-se um andaime — e não uma muleta. O aluno que não aprendeu não conseguirá avaliar, corrigir ou superar aquilo que a máquina produziu.​

O que conta como evidência de aprendizagem?

Precisamos de alargar o conceito de “evidência de aprendizagem” para além do texto escrito. A aprendizagem manifesta-se de múltiplas formas:​

Evidência tradicionalEvidência mais robusta com IA
Texto escrito em casaProdução oral em contexto de aula
Resumo do temaAnálise crítica de um texto gerado por IA
Resposta a perguntas fechadasResolução de problema novo com transferência de conhecimento
Nota de testePortfólio de processo com reflexão

O objetivo não é tornar a avaliação mais difícil — é torná-la mais autêntica.​

O contexto português: Entre a abertura e o desafio

Portugal não está alheio a este debate. O Ministro da Educação, Fernando Alexandre, foi claro: “seria um erro não usar inteligência artificial nas escolas”, defendendo a IA como amplificadora de capacidades e não como substituta do professor. O Governo tem em curso uma estratégia de digitalização que prevê, para 2026, a disponibilização de tutores de IA personalizados para cada aluno — ferramentas que identificam falhas de aprendizagem e adaptam o percurso a cada estudante.

A Direção-Geral da Educação (DGE) tem acompanhado esta evolução com orientações específicas. A então subdiretora-geral Maria João Horta sublinhou que o uso da IA na educação “implica sobretudo rigor e responsabilidade”, apelando à “flexibilização dos espaços de aprendizagem, à promoção de metodologias ativas e à personalização dos percursos”. Através da plataforma NAU, a DGE disponibiliza o curso MOOC “A Inteligência Artificial vai Transformar a Escola”, dirigido a professores e líderes escolares, com enfoque renovado nas dimensões éticas e humanas da IA em contexto educativo.

Este enquadramento institucional é um sinal positivo — mas a transformação real acontece na sala de aula, nas decisões quotidianas de cada professor sobre o que avaliar e como. A questão não é se Portugal vai integrar a IA no ensino. É se os professores portugueses serão apoiados, com tempo e formação adequados, para redesenhar uma avaliação que a IA não consiga fazer por ninguém.

Uma mudança de cultura, não apenas de método

Esta transição não é meramente técnica. Exige uma mudança cultural na forma como professores, alunos e famílias entendem o que é aprender e para que serve a escola. Um aluno que usa IA para “resolver” uma tarefa perde a oportunidade de desenvolver o pensamento, a argumentação, a criatividade — aquilo que, ironicamente, a IA ainda não consegue substituir.

A avaliação na era da IA deve ser, acima de tudo, uma conversa. Uma conversa entre professor e aluno sobre o que foi pensado, o que foi aprendido, e o que ainda falta compreender. E essa conversa — genuína, humana, contextualizada — é precisamente o que nenhuma inteligência artificial pode simular.

Artigo inspirado em “¿Cómo saber si un estudiante ha aprendido, aunque use inteligencia artificial?“, publicado em The Conversation.

Como fazer uma avaliação docente voltada para a melhoria prática do professor? | António Nóvoa

Publicado a por
1

1. Introdução: A Exaustão Sistémica e o Desafio de António Nóvoa

As instituições de ensino contemporâneas encontram-se num estado de exaustão sistémica. Professores e gestores debatem-se diariamente com um sentimento de asfixia, não pelo excesso de trabalho pedagógico, mas pelo peso de uma “accountability burocrática” que parece ter obliterado o sentido ético da profissão. Neste cenário de saturação, a voz de António Nóvoa emerge com uma lucidez revigorante, propondo uma rutura radical com os modelos de avaliação que transformaram a escola num depósito de métricas. Nóvoa não se limita a criticar; ele convoca-nos para uma transição paradigmática: substituir o controlo externo pela responsabilização ética e coletiva, resgatando a avaliação das mãos das agências administrativas para a devolver ao seu lugar de direito — o corpo docente.

Clicar para ver maior…

2. Ponto 1: A Avaliação deve pertencer aos Professores, não às Agências

A premissa fundamental de Nóvoa é que a avaliação docente só recupera a sua validade se for um processo endógeno à profissão. Atualmente, o modelo é ditado por agências externas e critérios produtivistas que ignoram a complexidade e a natureza “invisível” do trabalho pedagógico. Essas métricas falham porque tentam padronizar o que é, por natureza, relacional e situado. Ao transferir o poder de avaliar para agências burocráticas, despoja-se o professor da sua autonomia profissional, reduzindo a educação a um exercício de preenchimento de formulários.

A ineficácia deste modelo é denunciada por Nóvoa como um obstáculo ao verdadeiro progresso escolar:

“esse disparate todo que está a colocar as escolas e os professores no meio do [inferno de burocracia, de quantitativismo e] de produtivismo totalmente inútil”

Para o autor, a autonomia profissional exige que o olhar avaliativo seja exercido por pares. É na horizontalidade do reconhecimento entre colegas que se encontra a verdadeira medida da qualidade, e não em dispositivos de controlo que servem apenas para alimentar estatísticas vazias.

3. Ponto 2: O Conceito de “O Trabalho de Pensar o Trabalho”

Nóvoa propõe uma metamorfose na cultura de avaliação através do que designa como o “trabalho de pensar o trabalho”. Este conceito é revolucionário porque desloca o professor da posição de um técnico que meramente executa currículos para a posição de um intelectual e autor da sua própria prática.

Nesta perspetiva, avaliar é o ato coletivo de refletir sobre a nossa “tecnologia” — termo aqui usado no sentido clássico de techné, o saber-fazer e a arte do ofício pedagógico. Avaliar significa:

• Institucionalizar espaços de reflexão coletiva sobre as obras realizadas e o impacto nos alunos;

• Desconstruir rotinas fossilizadas para reconstruir novas práticas mais eficazes;

• Assumir a responsabilidade profissional como um compromisso com o aperfeiçoamento constante.

Ao “pensar a nossa tecnologia”, a avaliação deixa de ser um evento punitivo ou um rito administrativo para se tornar o motor da agência intelectual do docente.

4. Ponto 3: O Perigo da “Folha de Excel” e a Asfixia Académica

A crítica de Nóvoa ao quantitativismo estatístico é visceral. A obsessão pela “folha de Excel” criou uma pedagogia de métricas que ignora o humano. Esse foco exclusivo na produtividade mensurável está a “matar as escolas” e a asfixiar a liberdade académica, inclusive nas universidades. Vivemos a era do “publicar ou perecer”, onde a busca por indicadores numéricos substitui a profundidade da investigação e a qualidade do ensino.

Esta lógica de mercado imposta à educação gera uma asfixia que compromete a saúde das instituições. Há um contraste gritante entre a frieza dos critérios estatísticos e a robustez da responsabilidade profissional. Enquanto o Excel busca a conformidade, a responsabilização ética busca a excelência. A liberdade académica não pode sobreviver num ambiente onde o valor de um docente é reduzido a uma célula numa tabela de dados; ela exige o oxigénio da confiança e o espaço para o erro e para a inovação que não cabe em grelhas pré-formatadas.

5. Conclusão: Uma Pedagogia da Esperança

A superação deste “inferno burocrático” não virá de novas reformas administrativas, mas de uma redescoberta do entusiasmo pelo papel transformador da educação. Recuperando a “pedagogia da esperança” de Paulo Freire, Nóvoa recorda-nos que a esperança não é uma espera passiva, mas uma construção coletiva. A saída para a asfixia provocada pelo Excel reside na força do coletivo: é no espaço da reflexão entre pares que a educação recupera a sua alma e o seu propósito.

A verdadeira avaliação é aquela que nos permite olhar para o que fazemos e, em conjunto, decidir como podemos fazer melhor. É um ato de coragem profissional que troca o medo do controlo pela paixão pelo conhecimento.

Estamos preparados para trocar as grelhas de avaliação por espaços reais de reflexão entre pares?