A IA escreve um soneto à Camões? Uma aula com os alunos no papel de juízes

Uma professora de Inglês, nos Estados Unidos, pede aos alunos que encomendem a um chatbot um soneto de Shakespeare e que depois verifiquem, com o texto à frente, se o que veio é mesmo um soneto shakespeariano. A ideia é boa e passa bem para o Português: trocámos Shakespeare por Camões, juntámos uma ficha de auditoria, um plano de aula de 90 minutos e critérios de avaliação. O que se segue serve para usar na segunda-feira, e também para desconfiar um pouco.

Há atividades que valem pela simplicidade. A de Bree Ann Joiner-Grice, publicada na Edutopia a 13 de outubro de 2026, tem uma pergunta no centro e nenhuma tecnologia complicada: se um chatbot escreve um soneto «à maneira de», será que respeita a forma de que o género depende? Os alunos decidem. Fazem-no com lápis e papel, que é onde, segundo a autora, deve acontecer o trabalho de pensar a sério.

Em Portugal o género é o mesmo e a tradição é outra. O soneto é matéria de Português ao longo de vários anos, e o poeta que toda a gente tem à mão é Camões. Pareceu-nos que valia a pena fazer a viagem completa: perceber o que a aula original faz, ver porque é que a forma é um bom terreno para desconfiar da IA, e depois desenhar uma versão portuguesa que se possa pôr em prática sem horas de preparação.

A aula original, em poucas palavras

A professora ensina uma turma de 8.º ano americano (alunos de cerca de treze anos) e usa a atividade para tornar menos distante o estudo de Júlio César. Começa com uns minutos de explicação sobre os tipos de soneto e pede aos alunos que registem só os traços do shakespeariano: três quadras e um dístico final, esquema ABAB CDCD EFEF GG, pentâmetro iâmbico e uma viragem no dístico. Depois faz um levantamento, no quadro, dos problemas do dia a dia dos alunos, e cada um escolhe um ou dois para pedir à IA um soneto sobre eles.

Há uma decisão que nos parece muito inteligente: a professora não ensina previamente a fazer o pedido. Deixa cada aluno escrever o prompt como quiser. Dá duas razões. A primeira é que assim vê quem já lida à vontade com estas ferramentas, o que lhe serve de pista para conversas sobre integridade académica. A segunda é que um pedido solto tem mais probabilidade de devolver um soneto imperfeito, e é desse material que sai a melhor discussão. Se o soneto vier perfeito, o aluno tem de explicar porquê.

Enquanto os alunos trabalham, a professora pede o seu próprio soneto a outro chatbot, que depois analisa em conjunto com a turma, como modelo. Segundo conta, o que obteve tinha alguns erros. Os alunos passam então à análise com uma ficha de trabalho (e há também uma apresentação de apoio), seja cada um com o seu soneto, seja todos com o mesmo, escolhido entre os entregues. No fim, alguns leem o poema em voz alta e justificam o veredicto. A autora diz que os alunos gostam de ler o soneto de «outro» e de o achar parecido com a sua vida.

Convém registar o que o texto não traz: não há dados de resultados, nem comparação com uma turma que tenha analisado o soneto sem IA. É o relato de uma prática, contado por quem a faz. Para um professor é o que interessa, mas fica a ressalva.

Porque é que o ouvido não chega

A atividade assenta numa suspeita razoável: o texto de uma IA «soa bem» e engana. Há investigação que dá corpo a isso. Brian Porter e Edouard Machery, num estudo publicado na Scientific Reports em 2024, pediram a leitores não especialistas que distinguissem poemas de poetas conhecidos de poemas gerados por IA. A taxa de acerto ficou em 46,6%, abaixo dos 50% que o acaso daria, e os poemas da máquina foram avaliados mais favoravelmente em qualidades como o ritmo e a beleza. Os autores sugerem que a simplicidade dos poemas artificiais os torna mais fáceis de entender, e que a complexidade dos poemas humanos acaba por ser confundida com incoerência.

Há limites a ter presentes: os participantes eram leitores comuns e não especialistas, a língua era o inglês, e o artigo completo trabalha com poemas gerados sem intervenção humana posterior. Não nos diz nada sobre alunos portugueses nem sobre os modelos de hoje. Mas serve de argumento a quem queira justificar, perante uma turma, porque é que o «parece bom» não basta como critério. Na aula de Português, a alternativa é a mais antiga das nossas competências: contar sílabas, identificar rimas, ler com o texto à frente e justificar com evidência.

Clicar na imagem para ver a apresentação…

Do soneto de Shakespeare ao de Camões

A primeira adaptação é de conteúdo, e passa por escolher o poema de comparação. Propomos o «Amor é fogo que arde sem se ver», que é conhecido, vem nos manuais e já foi trabalhado em materiais da Direção-Geral da Educação para o 7.º e o 8.º ano. O texto integral está acessível na ficha da DGE e na edição comentada por Rita Marnoto, que é a base de quase tudo o que se diz abaixo sobre este soneto; imprima-o a partir daí ou do manual adotado.

A diferença de forma em relação ao soneto inglês é grande e é ela que torna a atividade rica em português. A tabela resume o que o artigo da Edutopia indica para Shakespeare e o que Marnoto descreve neste soneto de Camões.

AspetoSoneto shakespeariano (segundo a Edutopia)«Amor é fogo que arde sem se ver» (segundo Marnoto)
EstrofesTrês quadras e um dístico (4+4+4+2)Duas quadras e dois tercetos (4+4+3+3)
RimasABAB CDCD EFEF GGABBA ABBA CDC DCD, com quatro rimas apenas
VersoPentâmetro iâmbicoDecassílabo (dez sílabas métricas, contadas até à última tónica)
ViragemNo dístico finalNo último terceto, que começa com «Mas» e fecha em pergunta
TradiçãoInglesaPetrarquista, com fonte próxima num tratado latino de Petrarca

Há ainda três coisas que tornam este soneto especialmente bom para a tarefa. A primeira é a sua construção em paralelo: os versos 2 a 11 começam todos por «é», numa sucessão de definições de amor que se contradizem. É uma anáfora evidente, fácil de apontar com o dedo. A segunda é que a contradição está em quase todos os versos (arde sem se ver, dói e não se sente), o que dá ao aluno a oportunidade de falar de antítese e de oximoro com exemplos que não precisam de explicação. A terceira é a pergunta final, que muda de plano: depois de onze versos de contradições, o poeta pergunta como pode o amor ser bem acolhido nos corações humanos, sendo tão contrário a si próprio. O soneto termina, aliás, com a palavra com que começou.

E há um pormenor que vale ouro numa aula sobre IA. Marnoto recorda que este soneto só aparece impresso na segunda edição das Rimas, de 1598, sem testemunhos manuscritos da época (exceto o manuscrito apenso à edição de 1595), que alguns editores hesitam em incluí-lo no corpo mínimo de textos de Camões e que as edições modernas divergem em variantes de algumas palavras. Marnoto admite a autoria camoniana. Ou seja: mesmo o «original» tem uma história de edições e dúvidas, o que ajuda os alunos a perceber que ler com rigor é algo que se faz também com o poema humano, e não só com o da máquina.

O soneto de Camões em números

Para a modelagem em sala de aula, o professor pode projetar uma tabela como a que se segue. As rimas e os seus tipos vêm da análise de Marnoto: as rimas A (-er) e D (-or) são agudas, e as B (-ente) e C (-ade) são graves. Por isso, o soneto alterna ritmicamente entre finais agudos e graves. Não reproduzimos aqui os versos; os alunos têm o poema à frente e vão preenchendo a coluna das palavras.

VersoPalavra em rimaRimaTipo
1verAaguda
2senteBgrave
3descontenteBgrave
4doerAaguda
5quererAaguda
6genteBgrave
7contenteBgrave
8perderAaguda
9vontadeCgrave
10vencedorDaguda
11lealdadeCgrave
12favorDaguda
13amizadeCgrave
14AmorDaguda

Lida a coluna das rimas, saem as letras ABBA ABBA CDC DCD. Nota: a variante «amizade» (verso 13) é a que consta na edição comentada por Marnoto; outros editores registam palavras diferentes nesse verso. Convém que o professor confira, antes da aula, se o manual dos alunos traz o mesmo texto que o seu.

Sobre a métrica, é onde mais se erra, e não só nas máquinas. Pelas nossas contas, que o professor deve confirmar com o manual, o verso 4 é o mais limpo para começar: dez sílabas, tónica na 6.ª (ti, de «desatina») e na 10.ª (er, de «doer»), com a única particularidade de «doer» valer por duas sílabas (hiato). O verso 1 já exige duas elisões (entre «é» e «um», e entre «que» e «arde») para chegar às dez. Há versos, como o 3 e o 6, em que o grupo «é um» parece pedir leituras diferentes, e isso mostra que a escansão tem margem de decisão: não é uma operação mecânica, e é bom que os alunos o percebam antes de condenarem uma máquina por falhar uma contagem.

Proposta de aula de 90 minutos

O formato abaixo cabe num bloco de 90 minutos. Em duas aulas de 45 ou 50, a primeira fica para a leitura e a modelagem e a segunda para a auditoria. É uma proposta nossa, construída a partir da lógica da aula original, e não foi testada em turma.

Abertura (10 minutos)

Leitura em voz alta do soneto de Camões, duas vezes, por alunos diferentes. Pergunta única ao quadro: «o que é que faz disto um soneto?» Recolhem-se as respostas sem corrigir. Algumas serão sobre o tema, outras sobre a forma, e a distinção será útil mais à frente.

Instrução breve (10 minutos)

O professor fixa com a turma os traços da forma: catorze versos, quadras e tercetos, esquema de rimas, decassílabo, viragem final. Se a turma já viu Shakespeare, a tabela comparativa acima pode ir ao quadro. Os alunos copiam apenas os traços, como na aula original.

Modelagem (20 minutos)

Trabalha-se coletivamente a primeira quadra: marcam-se as palavras em rima, atribuem-se letras, conta-se o verso 4 em voz alta, sílaba a sílaba. No quadro fica escrito um parágrafo-modelo de análise (ver mais abaixo), que fica visível até ao fim da aula. A autora da aula original nota que os alunos mais fracos tendem a copiar de perto o modelo. É natural, e é para isso que ele serve.

O pedido à IA (10 minutos)

Cada aluno pede a um chatbot aprovado pela escola um soneto camoniano sobre um tema à escolha, com o máximo de dois sonetos por aluno. Tal como na aula original, o pedido é livre. O professor circula e observa quem formula bem e quem formula mal, e anota-o. Em paralelo, e antes da aula, o professor terá gerado o seu próprio soneto, que servirá de modelo da fase seguinte.

Auditoria (30 minutos)

Os alunos, sozinhos ou em pares, preenchem a ficha abaixo com o seu soneto e escrevem um parágrafo com o veredicto: cumpre ou não cumpre a forma do soneto camoniano? O trabalho deve ser feito em papel, como na aula original. Se o professor preferir uma correção mais uniforme, pode seguir a segunda via da autora e escolher um só soneto, entre os entregues, para toda a turma.

Partilha (10 minutos)

Alguns alunos leem o soneto da máquina e defendem o veredicto. A turma pode discordar, com a condição de apontar o verso. Termina-se com uma pergunta de fecho: o que é que a máquina acertou e onde é que falhou?

A ficha de auditoria

A ficha que propomos abaixo é nossa; a original, em inglês, é a da autora (ligada acima). A coluna «Evidência» é a mais importante, porque obriga o aluno a apontar um verso ou uma palavra. Uma afirmação sem evidência não conta.

CritérioO que verificarEvidência (verso/palavra)Cumpre?
1. ExtensãoTem catorze versos?
2. EstrofesDuas quadras e dois tercetos (4+4+3+3)?
3. Rimas das quadrasSegue o esquema ABBA ABBA?
4. Rimas dos tercetosQual é o esquema? É admissível num soneto deste tipo? (O de Camões é CDC DCD.)
5. Qualidade da rimaAs palavras rimam mesmo, a partir da vogal tónica, ou só «parecem» rimar? Há repetições da mesma palavra?
6. MétricaOs versos têm dez sílabas métricas, contadas até à última tónica? Onde caem os acentos (6.ª e 10.ª, ou 4.ª, 8.ª e 10.ª)? Conta pelo menos três versos.
7. Viragem e fechoHá uma mudança de rumo no fim? Como se marca?
8. Recursos expressivosHá anáfora, antítese, oximoro, comparação, metáfora? Servem o sentido ou estão lá só para enfeitar?
9. LínguaEstá em português europeu (ortografia, vocabulário, formas verbais)? Há palavras ou expressões que um poeta do século XVI não usaria?
10. OriginalidadeAlgum verso lembra, ou repete, versos conhecidos de Camões?
11. SentidoO tema está desenvolvido ou o texto limita-se a enumerar frases sobre ele?

O critério 9 é uma particularidade nossa e não vem da aula original. Interessa-nos porque, numa escola portuguesa, a variedade da língua e o registo são parte da leitura. Não afirmamos que as ferramentas errem nisto, e não temos dados para o dizer. Dizemos apenas que convém verificar, e que é um exercício útil de consciência linguística.

O parágrafo de análise

O professor pode propor aos alunos um esqueleto em três tempos, a que chamamos afirmação, evidência e comentário. Fica um exemplo com lacunas: «O soneto [cumpre / não cumpre] o esquema de rimas das quadras. Nos versos [n.º] e [n.º] as palavras em rima são «[…]» e «[…]», o que corresponde à letra [A/B]. Isto [confirma / contradiz] o esquema ABBA, porque […].» Depois, a mesma estrutura repete-se para a métrica e para a viragem. É o equivalente português do que a autora da aula original faz no quadro, com a diferença de que aqui o aluno se apoia nas palavras de rima, que são mais fáceis de citar do que versos inteiros.

Adaptar por ano de escolaridade

A atividade não pede o mesmo a todos os anos, e a legislação curricular ajuda a escolher o nível de exigência.

No 7.º e 8.º anos, o soneto de Camões já faz parte de materiais oficiais de apoio: o bloco n.º 52 do #EstudoEmCasa pede para reconhecer a forma como o texto está estruturado e para compreender o uso de recursos expressivos, e junta-lhe um soneto de Petrarca. Nestes anos, a ficha pode reduzir-se aos critérios 1 a 3, 7 e 8, deixando a contagem de sílabas para mais tarde.

No 9.º ano, as Aprendizagens Essenciais de Português (março de 2026) preveem, em educação literária, a consolidação de «noções de versificação» e o conhecimento da obra camoniana, e pedem que o aluno relacione os elementos do género literário com a construção do sentido e justifique as suas interpretações. A tarefa descrita aqui está muito próxima disso. A lista de poemas desse ano não inclui este soneto, pelo que se trata de uma aplicação em contexto de versificação e de leitura de Camões, e não de um texto obrigatório. Aqui já se justifica a ficha completa, incluindo a métrica.

No 10.º ano, em que a lírica camoniana é matéria nuclear, os materiais de apoio da DGE para as Rimas referem como aprendizagem «relacionar características formais do texto poético com a construção de sentido». É a altura de acrescentar o confronto com a tradição petrarquista, a discussão da autoria e das variantes textuais, e a pergunta sobre se a IA consegue reproduzir não só a forma mas também o sentido. Convém dizer que não confirmámos, nas Aprendizagens Essenciais de 2026 do 10.º ano, a lista exata de textos, pelo que quem planifica deve consultar o documento em vigor.

Em todos os anos, a tarefa dialoga com o Perfil dos Alunos à Saída da Escolaridade Obrigatória, nas áreas de Linguagens e textos, Informação e comunicação, e Pensamento crítico e pensamento criativo. É uma articulação nossa, que o professor deve confirmar com o seu grupo disciplinar.

Como avaliar

Avaliar trabalhos em que cada aluno analisa um poema diferente é mais trabalhoso, como a própria autora reconhece. Há duas saídas: ou se escolhe um único soneto para a turma, ou se avalia o processo e não o poema. A segunda faz mais sentido, e é coerente com a avaliação para a aprendizagem que as Aprendizagens Essenciais defendem. A grelha que se segue é uma proposta nossa, inspirada nos níveis de desempenho (proficiente e avançado) que o documento do 9.º ano adota.

DomínioDesempenho proficienteDesempenho avançado
Identificação da formaIdentifica estrofes, rimas e número de versos.Identifica ainda a métrica e a viragem, e relaciona-as com o sentido.
EvidênciaApoia a maior parte das afirmações em versos ou palavras.Apoia todas as afirmações e escolhe a evidência mais pertinente.
Juízo críticoConclui se o soneto cumpre a forma.Distingue o que é falha formal do que é escolha poética defensável.
EscritaEscreve um parágrafo organizado.Escreve com progressão e rigor de vocabulário.

Cuidados a ter

Primeiro, a ferramenta. Convém usar apenas uma que a escola ou o agrupamento tenha aprovado, rever as condições de idade do serviço e não pedir aos alunos dados pessoais. O tema do soneto pode ser pessoal, e a lista de «problemas do dia a dia» da aula original pode revelar mais do que se pretende. Um tema mais neutro (a amizade, o cansaço, o regresso às aulas) protege os alunos.

Segundo, o papel do professor. A atividade não prova que «a IA não sabe escrever sonetos». Mostra que este pedido, a esta ferramenta, num dia concreto, deu este resultado. Se um modelo acertar, o aluno tem de perceber porquê, e se falhar, a falha não pode ser tomada como lei geral. Com outra ferramenta, ou noutra semana, o resultado pode ser outro.

Terceiro, uma segunda ronda que nos parece promissora e que não vem da aula original: depois da auditoria, o aluno devolve ao chatbot a sua lista de falhas e pede nova versão, ou pede ao próprio chatbot que verifique o seu soneto, e compara as duas verificações. Há dados, que comentámos há dias, a sugerir que desafiar o raciocínio do modelo é uma estratégia associada a conversas classificadas como produtivas, embora esses dados não digam nada sobre aprendizagem. É uma hipótese de trabalho e não uma garantia; fica por testar.

Quarto, e para quem queira ir mais longe, a ideia combina bem com outras que já propusemos: a de pôr os alunos a avaliar a IA em vez de serem avaliados com ela, a aplicação IA para Aprender, os cinco passos da literacia em IA para a escola e a reflexão sobre pensamento crítico e ética na era da IA generativa. Quem quiser situar a atividade num referencial internacional pode olhar para o AILit, de que falámos a propósito dos vinte e dois referenciais sobre IA na educação; a correspondência exata com os seus domínios fica por fazer.

O que fica por confirmar

Não conseguimos confirmar, a partir das fontes consultadas, o contexto de aplicação da aula original além do que a autora descreve (uma turma de 8.º ano americano, com iPad individual), nem os resultados que dela resultaram. Não testámos a proposta portuguesa em sala de aula, e não pedimos a nenhum chatbot um soneto camoniano para ver o que daria; quem o fizer será o primeiro a poder dizer-nos. A escansão dos versos 1 e 4 é nossa e deve ser conferida.

Uma pergunta para levar

Quando um aluno lê um soneto e diz «isto é mesmo bom», o que é que lhe pedimos a seguir? Se for «mostra-me onde», já temos a aula. A IA fornece apenas o poema a examinar, e ninguém, nem o professor, sabe de antemão o que vai sair. Numa aula de literatura, isso até pode ser um bom ponto de partida.


Nota editorial e de transparência. Este artigo foi elaborado com assistência de inteligência artificial (Claude, da Anthropic), a partir do artigo de Joiner-Grice (2026) e de fontes oficiais e académicas consultadas a 16 de outubro de 2026, e foi sujeito a revisão e responsabilidade editorial dos autores do blogue.

Referências

Direção-Geral da Educação. (s.d.-a). Aprendizagens Essenciais: Articulação com o Perfil dos Alunos, 9.º ano, 3.º ciclo, Português (março de 2026). Consultado a 16 de outubro de 2026, em https://www.dge.mec.pt/sites/default/files/9_portugues.pdf

Direção-Geral da Educação. (s.d.-b). Aprendizagens Essenciais: Articulação com o Perfil dos Alunos, 10.º ano, ensino secundário, Português (março de 2026). Consultado a 16 de outubro de 2026, em https://www.dge.mec.pt/sites/default/files/es_10_portugues.pdf

Direção-Geral da Educação. (s.d.-c). #EstudoEmCasa, Português, 7.º e 8.º anos, bloco n.º 52: «Amor é fogo que arde sem se ver», de Luís de Camões; «Se amor não é, qual é o meu sentimento», de Petrarca. Consultado a 16 de outubro de 2026, em ligação para o PDF

Direção-Geral da Educação. (s.d.-d). #EstudoEmCasa, Português, 10.º ano, bloco n.º 28: Introdução à lírica de Camões. O contexto histórico-literário. Consultado a 16 de outubro de 2026, em ligação para o PDF

Joiner-Grice, B. A. (2026, 13 de outubro). Can AI pass as Shakespeare? Let students be the judge. Edutopia. Consultado a 16 de outubro de 2026, em https://www.edutopia.org/article/can-ai-pass-shakespeare-let-students-be-judge

Marnoto, R. (s.d.). Amor é um fogo que arde sem se ver. In Comentário a Camões (Vol. 1, pp. 37–50). Universidade de Coimbra, Estudo Geral. Consultado a 16 de outubro de 2026, em https://estudogeral.uc.pt/bitstream/10316/43414/1/2.pdf

Ministério da Educação. (2017). Perfil dos alunos à saída da escolaridade obrigatória (Despacho n.º 6478/2017, de 26 de julho). Direção-Geral da Educação. Consultado a 16 de outubro de 2026, em https://dge.mec.pt/sites/default/files/Curriculo/Projeto_Autonomia_e_Flexibilidade/perfil_dos_alunos.pdf

Porter, B., & Machery, E. (2024). AI-generated poetry is indistinguishable from human-written poetry and is rated more favorably. Scientific Reports, 14, Artigo 26133. https://doi.org/10.1038/s41598-024-76900-1

Para saber mais

Fora do blogue: a ficha de análise original de Joiner-Grice (cópia editável, em inglês) e a sua apresentação sobre os tipos de soneto; o texto integral do estudo de Porter e Machery; o quadro de literacia em IA AILit.

No blogue: Metade das conversas com IA tem atrito, e isso pode ser bom; E se, no exame, fossem os alunos a avaliar a inteligência artificial?; IA para Aprender: uma ferramenta interativa para guiar estudantes no uso da inteligência artificial; Literacia em IA: cinco passos para a escola; Reaprender a perguntar: estamos a caminho da geração prompt?; Ler o mundo em múltiplos formatos: multiliteracias na era da inteligência artificial.

IA para Aprender: uma ferramenta interativa para guiar estudantes no uso da inteligência artificial

A inteligência artificial entrou nas salas de aula sem pedir licença. Os alunos usam-na — muitos sem qualquer orientação — para fazer trabalhos, resolver exercícios e preparar testes. O problema não está na ferramenta: está na ausência de literacia para a usar bem. Já aqui escrevemos que a escola ainda tem muito a aprender sobre o que significa ser digitalmente competente — e a chegada massiva das ferramentas generativas torna essa questão mais urgente do que nunca. É para preencher esse vazio que apresentamos a IA para Aprender, uma aplicação web gratuita, totalmente autónoma, pensada para acompanhar alunos do ensino básico e secundário no uso ético e eficaz da IA nos seus estudos.

Porquê um recurso como este?

A questão que continua sem resposta definitiva na maioria das escolas é: o que deve saber um aluno de 15 anos sobre inteligência artificial antes de acabar o ensino obrigatório? Os vinte e dois referenciais internacionais sobre IA na educação que analisámos recentemente deixam claro que não há ainda um consenso — mas convergem num ponto: a literacia em IA não é opcional. O quadro europeu de competências digitais DigComp 2.2 incorpora-a explicitamente; o Perfil dos Alunos à Saída da Escolaridade Obrigatória aponta o pensamento crítico e a literacia digital como nucleares.

Os dados de comportamento real também falam: um estudo de Stanford sobre quase 250 000 conversas reais com IA mostra que metade contêm “atrito” — mal-entendidos, pedidos imprecisos, correções e reescritas. A maioria dos utilizadores não aceita passivamente o que a IA produz. Mas esse comportamento crítico não é inato: tem de ser ensinado. É precisamente isso que a IA para Aprender procura fazer.

A Rede de Bibliotecas Escolares tem vindo a desenvolver orientações nesta direção — de que é exemplo o documento de literacia informacional e mediática publicado no âmbito do projeto Supercharged by AI. A IA para Aprender complementa essas orientações com um formato diretamente utilizável por alunos. E a IFLA, em Libraries at the Frontline of Equitable AI Literacy, posiciona as bibliotecas escolares como agentes centrais deste trabalho.

O que é a IA para Aprender?

Trata-se de uma aplicação web desenvolvida num único ficheiro HTML autocontido — sem bibliotecas externas, sem chamadas a servidores, sem necessidade de instalação. Basta abrir o ficheiro num browser ou incorporá-lo numa página do Google Sites para que funcione plenamente. Esta opção foi deliberada: garante que o recurso pode ser usado em qualquer escola, independentemente das restrições de rede ou de equipamento.

A aplicação está organizada em sete módulos sequenciais, pensados para uma utilização de cerca de 45 minutos na totalidade, mas igualmente válidos como referência pontual:

MóduloTemaDuração
🤖 1O que é a Inteligência Artificial? Capacidades, limitações e ferramentas~5 min
💬 2A Arte de Fazer Perguntas — fórmula CREIAS e construtor interativo de prompts~8 min
🎓 3IA como Tutor — Método Feynman, aprendizagem socrática, planos de estudo~7 min
🔍 4Verifica Sempre! — alucinações, checklist de verificação, fontes fiáveis~6 min
⚖️ 5Ética e Honestidade Académica — uso ético vs. plágio, citação de IA~6 min
📚 6Por Disciplina — prompts práticos para Matemática, Português, Ciências, História, Inglês e Filosofia~7 min
🧠 Quiz10 perguntas com feedback imediato e resultado com medalhas~10 min

Destaques pedagógicos

A fórmula CREIAS — e a arte de perguntar bem

Um dos elementos centrais do módulo 2 é a fórmula CREIAS — um acrónimo mnemónico para construir prompts eficazes: Contexto, Papel (Role), Exemplos, Instrução, Audiência, Saída. A ideia é simples: a qualidade da resposta de uma IA depende diretamente da qualidade da pergunta. Reaprender a perguntar é, neste sentido, uma das competências mais determinantes que a escola pode cultivar — e que vai muito além das ferramentas de IA.

A questão de saber se o prompt é a nova caneta não é apenas retórica: estruturar um pedido com clareza, definir um objetivo, antecipar o formato da resposta — são competências de escrita, de pensamento e de comunicação. A aplicação inclui um construtor interativo de prompts que gera, automaticamente, um prompt personalizado a partir da disciplina, da necessidade, do tópico e do ano escolar do aluno — com botão de cópia direta para a ferramenta de IA que o aluno estiver a usar. Para quem quiser aprofundar, o nosso guia essencial para a criação de prompts eficazes continua a ser um bom ponto de partida.

O problema das “alucinações”

O módulo 4 aborda um dos fenómenos mais perigosos do uso acrítico da IA: as chamadas alucinações — a tendência das ferramentas de linguagem para inventar factos com aparência de verdade. Datas erradas, citações inexistentes, referências bibliográficas fabricadas. A aplicação propõe uma checklist interativa de verificação que os alunos podem percorrer antes de usar qualquer informação proveniente de uma IA num trabalho académico. É o mesmo princípio que defendemos no contexto mais amplo da desinformação na sala de aula: verificar antes de partilhar, confirmar antes de citar.

Ética antes de tudo

O módulo dedicado à ética académica parte de uma pergunta simples que qualquer aluno pode fazer a si próprio: “Estou a usar a IA para aprender ou para evitar aprender?” A distinção entre usar a IA como suporte à compreensão e usá-la para contornar o esforço intelectual é tratada de forma direta, com exemplos concretos de uso ético e de uso desonesto — sem moralismo, mas com clareza.

É uma questão que não é nova neste blogue. Já analisámos o que acontece quando a inteligência artificial entra na sala de aula, e o que está em jogo em termos de pensamento crítico e ética na era da IA generativa. A resposta que a IA para Aprender propõe não é proibir nem ignorar: é ensinar a usar bem.

Aliás, a pergunta pode ser invertida — e isso é pedagogicamente interessante. E se, no exame, fossem os alunos a avaliar a inteligência artificial? Essa inversão de papéis — o aluno como avaliador crítico e não como utilizador passivo — está no núcleo da filosofia desta aplicação.

📖 Para professores e bibliotecários: O artigo Literacia em IA: cinco passos para a escola oferece um enquadramento complementar para quem quer implementar este recurso num contexto mais amplo de formação.

Como usar em contexto escolar

O recurso foi desenhado para ser flexível. Pode ser integrado de várias formas:

  • Biblioteca escolar: como recurso de formação em sessões de literacia digital, disponível na página web da biblioteca.
  • Aula de qualquer disciplina: os professores podem indicar o módulo por disciplina (módulo 6) como ponto de partida para uma discussão sobre o uso responsável da IA — com particular pertinência para o que os alunos do secundário nos ensinam sobre IA e escrita.
  • Avaliação prévia: pedir aos alunos que completem o quiz antes de se autorizar o uso de IA em trabalhos avaliados — como forma de garantir uma base de literacia mínima.
  • Autoformação de alunos: percorrer os módulos autonomamente, em casa ou na biblioteca, em cerca de 45 minutos.

Para incorporar no Google Sites: Editar página → Inserir → Incorporar → Incorporar código → colar o HTML. Largura 100%, altura mínima recomendada de 800 px.

Disponibilidade e acesso

A aplicação está disponível gratuitamente. O ficheiro HTML pode ser descarregado e incorporado em qualquer ambiente digital escolar. O código-fonte está publicado no GitHub:

🔗 Acesso à aplicação: insolitos.github.io/apps/ia-para-aprender

Um passo numa conversa mais larga

Este recurso não pretende ser uma resposta definitiva a um desafio que é, por natureza, em constante evolução. Já aqui documentámos como a Estónia instalou um programa de IA em todas as escolas com um princípio claro: não para dar respostas, mas para ensinar a pensar. A abordagem portuguesa, embora mais gradual, aponta na mesma direção.

A emergência de modelos de linguagem de expressão portuguesa — como a AMALIA, a primeira IA soberana portuguesa — torna esta literacia ainda mais urgente: os alunos vão interagir com IA em português, no contexto cultural português, e precisam de ferramentas conceptuais para o fazer com discernimento.

E a evidência acumulada aponta no sentido de que a IA pode ser um tutor eficaz — em certos contextos, os resultados aproximam-se dos de um tutor humano. Mas a eficácia depende de como o aluno usa a ferramenta. É aí que está a diferença — e é aí que este recurso intervém.

No contexto das multiliteracias que a escola precisa de cultivar — ler o mundo em múltiplos formatos na era da IA — saber usar a inteligência artificial não é mais uma competência de nicho: é literacia fundamental.

Partilhem, usem, adaptem. E digam-nos o que mudariam.


📚 Para ler mais neste blogue

Vinte e dois referenciais sobre IA na educação: por onde começar?

Um guia recente reúne vinte e dois documentos de referência sobre inteligência artificial na educação. Ninguém precisa de os ler todos. Pareceu-nos mais útil perceber para que serve cada um e quais merecem lugar na mesa de um professor, de um aluno ou de uma direção.

Download |

Em outubro, Hatem Bounif, doutorando em Tecnologia Educativa na Universidade de Sevilha, publicou um guia gratuito em PDF com vinte e dois referenciais sobre IA na educação. Cada um vem com o ano, a entidade, os destinatários e a ligação à fonte oficial. É uma compilação e não um estudo, e convém lê-la como tal: serve de mapa, e um mapa só vale pelo caminho que nos ajuda a fazer.

A lista é longa e mistura coisas de natureza muito diferente. Há quadros de competências, orientações éticas, legislação e modelos pedagógicos com quase vinte anos. Por isso procurámos separar o que pode fazer diferença numa escola, numa sala de aula ou numa reunião de grupo disciplinar.

O documento que mudou o panorama em junho

A 18 de junho de 2026, a Comissão Europeia e a OCDE, com o apoio da CodeAI, apresentaram a versão final do quadro de literacia em IA para os ensinos básico e secundário, conhecido por AILit. O rascunho tinha saído em maio de 2025 e passou por consulta pública. O resultado organiza-se em quatro domínios: interagir com a IA, criar com a IA, gerir a IA e moldar a IA. Segundo o guia, são dezanove competências, acompanhadas de exemplos para a sala de aula.

O que nos parece mais importante é a ideia de fundo. Saber usar uma ferramenta não é o mesmo que ter literacia sobre ela. Um aluno que escreve bons pedidos a um assistente de IA não fica, só por isso, a perceber como aquilo funciona, onde falha ou a quem aproveita. O quadro também vai alimentar a primeira avaliação PISA de literacia mediática e em IA, prevista para 2029, o que dá à escola um bom motivo para começar a conversa agora e não daqui a três anos.

Quem ensina: três perguntas antes de abrir a ferramenta

Para os professores, o ponto de partida mais natural é o quadro de competências em IA para professores da UNESCO (2024). Estrutura-se em quinze competências, distribuídas por cinco dimensões, que vão da atitude centrada no ser humano à ética, aos fundamentos técnicos, à pedagogia e ao uso da IA no desenvolvimento profissional. Cada competência tem três níveis de progressão: adquirir, aprofundar e criar. Já escrevemos sobre este quadro noutro artigo. Quem já conhece o DigCompEdu, o referencial europeu de competência digital dos educadores, com as suas vinte e duas competências em seis áreas, encontra aqui um complemento e não uma novidade absoluta (o DigCompEdu também já passou por aqui).

Dois modelos mais antigos continuam a prestar bom serviço, precisamente por serem simples. O TPACK, de Mishra e Koehler (2006), obriga a perguntar se a ferramenta serve o conteúdo e a pedagogia daquela aula em concreto. O SAMR, de Ruben Puentedura, ajuda a perceber se a IA está apenas a substituir uma tarefa antiga ou a mudar o que os alunos conseguem fazer. Nenhum dos dois foi pensado para a IA, e talvez seja essa a vantagem: não vêm carregados de entusiasmo por nenhuma tecnologia em particular.

A terceira pergunta é a da ética, e para ela existem as orientações da Comissão Europeia sobre o uso ético da IA e dos dados no ensino e na aprendizagem, atualizadas em 2026 (a primeira versão é de 2022). Dirigem-se a professores e a líderes escolares e têm três partes: princípios e enquadramento legal, perguntas orientadoras com cenários, e recursos de apoio com um glossário renovado. A segunda parte é a que mais interessa a quem tem turmas, porque parte de situações concretas e não de declarações de princípio.

Quem aprende: de utilizador a cidadão

Para os alunos, a UNESCO tem um quadro próprio (2024), com doze competências em quatro dimensões: atitude centrada no ser humano, ética da IA, técnicas e aplicações, e conceção de sistemas de IA. Esta última dimensão merece atenção. Admite que o aluno não é apenas alguém que consome o que a IA produz, mas também alguém que pode vir a perceber como estes sistemas se desenham e que escolhas estão por trás deles. Este quadro também já foi tema do blogue.

Há ainda dois documentos que ajudam a pensar o currículo. O AI4K12 propõe cinco grandes ideias para o ensino não superior: perceção, representação e raciocínio, aprendizagem, interação natural e impacto na sociedade. O quadro da Digital Promise assenta em três modos de ação, compreender, avaliar e usar, que se traduzem bem em tarefas de sala de aula. Uma aula de Português pode, por exemplo, pôr os alunos a comparar um texto gerado por IA com um texto de autor humano, a procurar o que não está lá e a discutir quem responde pelo que lá está. Sobre a leitura e as multiliteracias na era da IA escrevemos há poucas semanas.

Esta ligação ao currículo nacional é leitura nossa e não de nenhum dos documentos. Mas algumas das áreas de competências do Perfil dos Alunos à Saída da Escolaridade Obrigatória, como a informação e comunicação ou o pensamento crítico e pensamento criativo, dão terreno natural a este trabalho. Não é preciso criar uma disciplina nova para começar.

A escola como organização

Há um lado menos simpático, mas que as direções não podem ignorar. O Regulamento (UE) 2024/1689, o chamado AI Act, exige no artigo 4.º que quem coloca sistemas de IA em uso garanta um nível suficiente de literacia em IA ao pessoal e aos utilizadores. E trata certos usos na educação como de risco elevado. Os prazos de aplicação de cada obrigação têm sido objeto de ajustamentos, pelo que quem precise de datas deve ir ao texto oficial e não confiar em resumos, incluindo este.

Em termos práticos, a pergunta para um agrupamento é simples: existe um documento que diga o que os professores podem fazer com a IA, com que dados de alunos e com que ferramentas? Se não existe, o conjunto de recursos do TeachAI foi pensado para ajudar a escrevê-lo. O quadro de gestão de risco do NIST, norte-americano e de uso voluntário, interessa mais a quem trata da parte informática e da governação das ferramentas do que a quem está em sala de aula.

Não são escalas intermutáveis

O próprio guia avisa, e bem, que estes referenciais servem propósitos diferentes e não se devem tratar como réguas que se substituem umas às outras. Quem os combinar, deve justificar a combinação e perceber que conceitos se sobrepõem. Uma escolha prudente, para quem não sabe por onde pegar, seria esta: os professores começam pelo quadro da UNESCO, pelo DigCompEdu e pelas orientações éticas da Comissão; a equipa que pensa o currículo parte do AILit; a direção junta-lhe o TeachAI e o artigo 4.º do AI Act.

No fundo, falta uma conversa que muitos grupos disciplinares ainda não tiveram: o que queremos que um aluno de quinze anos saiba sobre a inteligência artificial antes de sair da escola? Os referenciais não respondem por nós, mas ajudam a que a resposta não seja improvisada. Já deixámos cinco passos para a escola e um olhar sobre a literacia em IA vista pelo Conselho da Europa; podem servir de ponto de partida para essa conversa.

***

Nota editorial: este texto foi redigido com apoio de inteligência artificial, a partir do guia de Bounif (2026) e de fontes oficiais consultadas a 13 de outubro de 2026.

Referências

Bounif, H. (2026, outubro). AI in education: 22 essential frameworks for educators, researchers and leaders [Guia em PDF].

Comissão Europeia. (2026a). Guidelines on the ethical use of artificial intelligence and data in teaching and learning. Espaço Europeu da Educação. Consultado a 13 de outubro de 2026, em https://education.ec.europa.eu/node/1566

Comissão Europeia. (2026b, 19 de junho). Building AI literacy for the future. Learning Corner. Consultado a 13 de outubro de 2026, em https://learning-corner.learning.europa.eu/news-and-competitions/building-ai-literacy-future-2026-06-19_en

Comissão Europeia. (s.d.). AI Act. Estratégia Digital da Europa. Consultado a 13 de outubro de 2026, em https://digital-strategy.ec.europa.eu/en/policies/regulatory-framework-ai

Mishra, P., & Koehler, M. J. (2006). Technological pedagogical content knowledge: A framework for teacher knowledge. Teachers College Record, 108(6), 1017–1054. https://doi.org/10.1111/j.1467-9620.2006.00684.x

OCDE & Comissão Europeia. (2026, 18 de junho). Empowering learners for the age of AI: Presenting the finalised AI literacy framework for primary and secondary education. Consultado a 13 de outubro de 2026, em https://ailiteracyframework.org/blog/empowering-learners-for-the-age-of-ai-literacy-framework/

UNESCO. (2024a). AI competency framework for teachers. https://unesdoc.unesco.org/ark:/48223/pf0000391104

UNESCO. (2024b). AI competency framework for students. https://unesdoc.unesco.org/ark:/48223/pf0000391105

Para saber mais

Quadro de literacia em IA (AILit), OCDE e Comissão Europeia

DigCompEdu, Centro Comum de Investigação da Comissão Europeia

Orientações éticas sobre IA e dados no ensino e na aprendizagem, Comissão Europeia

AI4K12: cinco grandes ideias sobre IA

Quadro de literacia em IA, Digital Promise

TeachAI: recursos para criar orientações sobre IA nas escolas

Literacia em IA: cinco passos para a escola, no blogue

Literacia em IA: o Conselho da Europa põe as pessoas no centro, no blogue

Marco referencial de competências em IA para estudantes (UNESCO), no blogue

Quadro de referência das competências pedagógico-digitais de professores, no blogue

A tutoria por IA igualou a humana num teste de admissão…

Uma hora com um modelo de linguagem rendeu aos estudantes tanto como uma hora com um explicador humano experiente, pelo menos num teste norte-americano de acesso à pós-graduação. A conclusão anda a circular com entusiasmo e quase sem ressalvas. Lemos o estudo inteiro, apêndices incluídos, e há nele coisas que animam e coisas que pedem travão.

O que foi feito

O trabalho chama-se StudentBench, é assinado por Curtis Northcutt e mais cinco autores e foi publicado como preprint no arXiv a 23 de setembro de 2026 (a versão que lemos é a segunda, de 30 de setembro). Quem o financiou foi a Handshake AI, o que os autores declaram na secção de ética. Não encontrámos indicação de que tenha passado por revisão de pares, e convém lê-lo com essa condição à vista.

O teste escolhido foi o GRE, a prova usada sobretudo nos Estados Unidos para candidaturas a mestrados, doutoramentos e escolas de gestão, com uma parte de raciocínio quantitativo e outra de raciocínio verbal, em inglês. Os participantes foram 2383 adultos, 83% deles entre os 18 e os 24 anos, recrutados numa plataforma de emprego para jovens e pagos com 50 dólares por sessão, fizessem bem ou mal. Cada um fez um teste inicial de 27 perguntas, passou cinco minutos a rever os erros e depois uma hora numa de três situações, atribuída ao acaso: tutoria por IA, tutoria humana ou nada (neste último caso viram documentários de natureza). Terminada a hora, fizeram um segundo teste, com perguntas novas mas da mesma dificuldade, escritas por antigos autores de questões do ETS e da Kaplan. O ganho de aprendizagem é a diferença entre as duas notas, em pontos percentuais.

Do lado da IA estiveram 13 tutores, construídos a partir de 12 modelos de várias empresas. Receberam os erros do aluno, planearam a aula, criaram os exercícios e conversaram por escrito, com instruções deliberadamente curtas. Nunca viram o teste final. Os tutores humanos davam a aula por videochamada e eram antigos funcionários do ETS ou da Kaplan, ou pessoas com pelo menos cinco anos de experiência em explicações de GRE.

O que se encontrou

As médias brutas foram de 13,9 pontos percentuais para a IA, 15,6 para os tutores humanos e 7,1 para o grupo que viu documentários. Depois de ajustar pela nota de partida, a diferença entre IA e humanos ficou em −0,58 pontos (intervalo de confiança a 90% de −2,18 a 1,03), dentro da margem de ±4,09 pontos que os autores fixaram, o que dá uma equivalência estatística com p = 0,015. Dizer «equivalente» aqui quer dizer que a diferença provável é pequena em relação a uma margem escolhida de antemão. Não quer dizer igual. Em relação a quem não teve tutoria, a IA somou 6,15 pontos (intervalo a 95% de 4,08 a 8,21), cerca de uma resposta certa e meia a duas num teste de 27.

Há um pormenor que passa despercebido nas notícias e que a nós, professores, devia dizer alguma coisa: o grupo de controlo também melhorou, 7,1 pontos, sem um único minuto de explicação. Tinha refeito um teste da mesma natureza e gasto cinco minutos a olhar para os próprios erros. Uma parte considerável do que se atribui à tutoria vem, afinal, de algo que qualquer turma pode fazer sem tecnologia nenhuma.

Onde a igualdade deixa de se aguentar

A equivalência vale para a parte quantitativa (diferença de 0,88 pontos, p = 0,028) e não ficou demonstrada na verbal (−2,19 pontos, intervalo a 90% de −4,31 a −0,07, p = 0,085). Nos três domínios verbais, os tutores humanos ficaram acima da média da IA. Na compreensão de leitura, o ganho em relação ao controlo foi de 3,1 pontos para a IA e de 3,7 para os humanos, e em ambos os casos o intervalo de confiança inclui o zero. Ou seja, o estudo não consegue garantir que a tutoria, seja de quem for, tenha feito diferença nesse domínio. Para quem ensina Português, esta é provavelmente a linha mais interessante de todo o trabalho, ainda que o teste seja em inglês e nada nos diga sobre a nossa língua.

Outra manchete que merece cuidado é a de que o melhor tutor de IA superou o humano em cinco dos sete domínios. É verdade, mas compara-se o melhor de treze com a média dos humanos, e os próprios autores avisam, num dos apêndices, que essas comparações com o máximo não são avaliadas pelos testes estatísticos principais.

As fragilidades que os autores assumem

A amostra de tutoria humana é pequena: 140 sessões, com nove tutores por secção, e muitos alunos partilharam o mesmo tutor. Isso faz com que as sessões humanas se reduzam, em termos estatísticos, a sete grupos interligados, 102 das 140 no maior, e a 1,59 graus de liberdade efetivos. Numa análise de sensibilidade sem as covariáveis do modelo principal, a equivalência não ficou estabelecida em nenhuma das secções. O resultado é apresentado com honestidade, mas assenta num pé mais curto do que o título deixa supor.

Há ainda o que o desenho não permite saber. Não havia um grupo que passasse a hora a resolver exercícios sozinho, pelo que não se mede o que a IA acrescenta em comparação com simplesmente treinar. Os ganhos são imediatos, e nada se diz sobre o que fica passados meses. Dos cerca de 70 000 estudantes convidados, entraram na análise 2383, depois de excluídos, entre outros, os que tiveram notas iniciais demasiado altas ou demasiado baixas e os que mostraram pouco empenho.

O custo: 918 vezes menos

O número que mais viajou foi este. Um dos tutores de IA, o Gemma 4 31B, um modelo de pesos abertos, teve ganhos equivalentes aos dos humanos (p = 0,044) a um custo de 0,0052 dólares por ponto percentual ganho, contra 4,81 dólares dos tutores humanos. As contas conferem. Um tutor humano a 75 dólares por hora e 15,608 pontos de ganho médio dá 75 ÷ 15,608 ≈ 4,81. O Gemma custou em média 0,06671 dólares por sessão e deu 12,742 pontos, ou seja, 0,06671 ÷ 12,742 ≈ 0,00524. Dividindo uma coisa pela outra, 4,805 ÷ 0,005235 ≈ 918.

Convém olhar para o que está dentro de cada lado da conta. Os 75 dólares são um preço de referência retirado do site de uma empresa americana de explicações, não um custo medido. Os do lado da IA são só os de inferência, o que o modelo gastou a responder, sem plataforma, sem equipa técnica, sem equipamentos, sem proteção de dados, sem o tempo que um professor precisaria de lhe dedicar. E o teste de equivalência do Gemma foi um entre doze feitos separadamente e sem correção para comparações múltiplas; seis dos doze passaram, e os autores classificam esta análise como exploratória. Para ter uma ideia da variação, o tutor mais caro (GPT-5.5 Pro) custou 21,24 dólares por sessão, cerca de 318 vezes mais do que o Gemma.

A tese de que isto pode «democratizar» o acesso a ajuda individualizada é dos autores e é plausível, ligando ao velho problema dos dois sigmas de Bloom, a pergunta sobre como tornar acessível a todos o efeito do ensino individual. Mas o salto de «custa cêntimos por sessão a quem o fornece» para «chega à escola e aos alunos que mais precisam» tem pelo meio tudo o que o estudo não mediu.

Respostas rápidas, e a falta de hesitação

Entre os 12 tutores comparados, os que respondiam mais depressa levavam os alunos a escrever mais: a resposta variou entre 1,9 segundos (GPT-5.4 mini) e 31,0 segundos (GPT-5.5 Pro), com uma correlação de −0,81 (p = 0,006). Nas sessões da parte quantitativa (1137), cada dez segundos a mais de espera associou-se a 5,19 mensagens a menos por parte do aluno; dez mensagens a mais, a 0,52 exercícios resolvidos corretamente a mais; e dez exercícios corretos a mais, a 5,62 pontos de ganho. A cadeia é interessante, mas é observacional e não aparece na parte verbal, onde os alunos escrevem menos mensagens e mais compridas, de modo que contar mensagens pode não medir a mesma coisa.

Há aqui uma tensão que nos ficou na cabeça. Na semana passada, a propósito do Nobel, escrevemos sobre Anne Carson e o tempo que o dicionário em papel obrigava a esperar, esse intervalo de hesitação em que o pensamento já anda a caminho da palavra. O StudentBench aponta quase no sentido oposto: respostas rápidas, mais conversa, mais prática, mais ganho. Não há contradição necessária (um exercício de matemática com feedback imediato não é uma tradução de grego), mas é uma boa pergunta para ter em mente quando se desenha uma atividade com IA. Quando é que a velocidade ajuda a treinar, e quando é que tira ao aluno o tempo de pensar?

Ensinar bem não é o mesmo que fazer aprender

O segundo estudo do artigo pôs 51 tutores experientes a comparar, às cegas, planos de aula e exercícios gerados por diferentes modelos, num total de 2028 comparações. Os modelos que ficaram melhor classificados nesses rankings não são os que tiveram melhores ganhos de aprendizagem. Os autores suspeitam que a rapidez e o envolvimento dos alunos ajudem a explicar por que razão modelos fracos a planear aulas conseguiram, ainda assim, resultados de nível humano. Fica a lição de que a opinião de especialistas sobre uma aula não substitui a medição do que os alunos aprendem, e vale para planos feitos por IA e para planos feitos por nós.

Um dado mais prosaico vale a pena registar. Os alunos podiam carregar num botão a dizer que discordavam da resposta de um exercício. Aconteceu em 523 de 21 769 problemas quantitativos respondidos (2,4%) e em 120 de 23 694 verbais (0,5%), com um dos tutores a chegar perto dos 11% na parte quantitativa. O botão regista discordância, não erro confirmado. Mesmo assim, é um lembrete simpático de que as soluções que a IA propõe têm de passar pelas mãos de um professor, como já víamos no texto sobre a docência redescoberta com IA generativa, onde as rubricas geradas pelo modelo só ganhavam valor depois de verificadas.

O que pode a escola aproveitar daqui

O que se segue são leituras nossas, não conclusões do estudo.

A primeira é a mais óbvia e a mais esquecida: o estudo não testou crianças nem adolescentes, nem português, nem turmas inteiras, nem currículos. Os participantes eram adultos, a prova era de admissão, a hora era de trabalho individual e a língua era o inglês. Qualquer extrapolação para o 7.º ano de Matemática em Oeiras ou em Bragança é, para já, uma hipótese.

A segunda é que a mecânica que o estudo usou é replicável sem IA: um teste de diagnóstico, uns minutos a olhar para os próprios erros, prática dirigida a esses erros, novo teste com perguntas diferentes. É isto que os tutores, humanos e artificiais, faziam, e é o que o grupo de controlo fez em versão reduzida e ainda assim subiu 7,1 pontos. Não custa nada começar por aí.

A terceira tem a ver com o que se mede. O post-teste do StudentBench foi feito sem apoio nenhum, e isso importa, porque o estudo de Bastani e colaboradores, publicado na PNAS e resumido pelos autores do StudentBench, concluiu que, em matemática do secundário, a ajuda de IA sem barreiras melhorava o desempenho nos exercícios e prejudicava o desempenho posterior sem ela. Os tutores do StudentBench tinham instruções para ensinar e não para entregar respostas. Como contámos a propósito da Estónia, uma aplicação pensada para não dar a resposta pronta recebeu dos alunos uma nota média de 3,07 em 5, quando a meta era 4,2, em boa parte porque fazia perguntas a mais. A ferramenta que ensina bem e a que os alunos preferem nem sempre coincidem, e a escola precisa de saber qual das duas está a comprar.

A quarta diz respeito a quem fica a ganhar. Nos dois primeiros grupos de nota inicial da parte quantitativa, a vantagem da IA sobre o controlo foi clara (p < 0,001); no grupo mais forte, os dados não permitem concluir (p = 0,129). Se houver efeito, é onde o apoio individual mais falta, o que é coerente com a promessa de equidade, desde que haja equipamento, ligação, regras de proteção de dados e alguém que acompanhe. Para quem está a pensar como organizar o uso de IA no agrupamento, o nosso guia de projetos educativos com inteligência artificial ajuda a pôr as perguntas pela ordem certa.

Ficamos, por fim, com a parte verbal. Se há domínio em que os humanos ainda parecem ter vantagem, é o da leitura e da escrita, e é precisamente aquele em que o nosso trabalho de professores não se resume a corrigir respostas certas. Seria um erro tirar daqui a conclusão de que se pode deixar a Português entregue a um assistente. Seria igualmente um erro ignorar que um tutor que responde em dois segundos, sem cansaço e a custo quase nulo, pode servir para treinar partes do trabalho que hoje ficam por fazer por falta de tempo.

Os dados anonimizados e o código estão disponíveis para quem os quiser analisar, no Hugging Face e no GitHub, segundo o preprint. A boa notícia deste género de trabalho é que se pode contestar.

Clicar na imagem para ver a apresentação…

Nota editorial e de transparência. Este artigo foi elaborado com assistência de inteligência artificial (Claude, da Anthropic), com revisão e responsabilidade editorial dos autores. Assenta numa única fonte primária, o preprint StudentBench (v2, 30 de setembro de 2026), que lemos na íntegra a partir do PDF; confirmámos no arXiv o título, os autores e as datas. Não encontrámos revisão de pares nem análises independentes dos resultados. As ligações para outros trabalhos vêm da lista de referências do preprint,

Referências

Bastani, H., Bastani, O., Sungu, A., Ge, H., Kabakcı, Ö., & Mariman, R. (2025). Generative AI without guardrails can harm learning: Evidence from high school mathematics. Proceedings of the National Academy of Sciences, 122(26), Artigo e2422633122. https://doi.org/10.1073/pnas.2422633122

Bloom, B. S. (1984). The 2 sigma problem: The search for methods of group instruction as effective as one-to-one tutoring. Educational Researcher, 13(6), 4–16. https://doi.org/10.3102/0013189×013006004

Northcutt, C., Hasmani, I., Feng, K., Khangi, T., Plesner, A., & Mueller, J. (2026). StudentBench: AI and human tutoring yield equivalent GRE learning gains (arXiv:2609.28470v2) [Preprint]. arXiv. https://arxiv.org/abs/2609.28470 (consultado em 11 de outubro de 2026)

Para saber mais

O texto integral do preprint tem, nos apêndices, as tabelas por domínio e por nível de partida. Sobre outros estudos de tutoria com IA, o preprint cita o de Kestin e colaboradores, um ensaio aleatorizado em física que compara um tutor de IA estruturado com aulas de aprendizagem ativa, e o de LearnLM e Eedi, feito em turmas do Reino Unido com supervisão de tutores humanos. Para a discussão em português sobre políticas de uso de IA na escola, vale a pena reler o balanço do primeiro ano de IA nas escolas estónias.

Redescobrir a docência com a IA generativa

Nonantzy López dá aulas de Ciências Sociais e coordena o programa CAS do Bacharelato Internacional, no México. Conta como foi mudando de papel ao longo de quase três décadas de ensino e como a IA generativa lhe tirou da frente uma parte da papelada para lhe devolver tempo com os alunos. O texto é um testemunho pessoal, útil e honesto, e deve ler-se como tal: o relato de uma professora, não um estudo.

Três mudanças antes de a IA chegar

López começou a dar aulas em 1997. Nessa altura, escreve, ensinar era transmitir: o professor falava, a turma recebia. Foi depois aprendendo outras maneiras de trabalhar, a aprendizagem baseada em problemas, em projetos, em casos, mais tarde a aula invertida e a gamificação, e admite que no princípio isso lhe custava. Se já não era ela a «dar a aula», como é que os alunos iam aprender? Para explicar o que mudou, recorre a Dewey e à ideia de que a experiência só se transforma em aprendizagem quando vem acompanhada de reflexão (Dewey, 1938, citado em López, s.d.).

A segunda mudança chegou em 2014, quando assumiu a coordenação do CAS (Criatividade, Atividade, Serviço), uma componente do Bacharelato Internacional. Teve de largar o controlo da sala. Os alunos passaram a desenhar os próprios projetos, do planeamento à execução, e ela ficou a acompanhar, a orientar e a devolver comentários. A terceira foi a pandemia, o ensino a distância, as ferramentas novas aprendidas à pressa. Diz que o mais valioso, nesse período, foi manter a ligação humana com os alunos, e que o CAS continuou a funcionar à distância.

A autora junta tudo isto num fio: cada etapa foi-a preparando, sem ela saber, para a seguinte. Parece-me uma observação verdadeira para muita gente. A tecnologia raramente aterra num terreno virgem. Aterra numa profissão que já mudou de método várias vezes e que, de cada vez, sentiu o mesmo medo.

Dar menos aulas e fazer mais coisas

Para López, evoluir como professora significa deixar a comodidade da aula tradicional e coordenar experiências reais: uma feira ambiental, uma peça de teatro, um debate ao modelo das Nações Unidas, um café solidário, uma campanha de dádiva de sangue. Chama-lhes professores «da vida real» e não esconde o custo. Há datas para cumprir, famílias e visitantes à porta, e nada pode ficar a meio. Por trás de cada atividade escondem-se ofícios, cronogramas, pedidos de material, autorizações e conversas com a direção. Quem já organizou uma visita de estudo ou uma semana temática conhece a lista de cor.

É aqui que entra a IA, e vale a pena reparar em que lado da secretária. Neste relato, não está nas mãos dos alunos. Está do lado do professor, na fase em que ele prepara.

O caso da democracia e da liberdade

O exemplo concreto chama-se «Democracia e liberdade em ação» e decorreu na disciplina de Ciências Sociais, associado ao movimento #MyFreedomDay, que a autora atribui à CNN. O desafio era pegar em temas muito teóricos (democracia, eleições, movimentos sociais, direitos humanos) e transformá-los numa vivência. A IA serviu para ligar os conteúdos do currículo à escravatura moderna e à exploração infantil, confirmar que o plano batia certo com o enunciado de indagação da unidade, redigir instruções por etapas e construir rubricas, isto é, grelhas de avaliação, para cada fase.

Os alunos fizeram campanhas contra a escravatura moderna, participaram numa simulação eleitoral validada pelo Instituto Nacional Eleitoral do México e fecharam o projeto com uma «Sala da Liberdade», um espaço imersivo onde recriaram o que é perder e recuperar a liberdade. Os testemunhos que a professora recolheu falam de confiança, de empatia e de gostar de escolher o próprio papel. São as palavras dela sobre o que os alunos disseram, e o texto não apresenta dados que as sustentem.

Os 30 % e a prudência

O número que mais salta à vista é este: desde que usa IA para escrever mensagens, instruções por fases, rubricas e até recensões, López diz ter poupado cerca de 30 % do tempo que gastava em tarefas administrativas e de planeamento. É uma estimativa dela, sem método descrito e sem ponto de partida, e por isso não se consegue traduzir em horas por semana (30 % de quantas?). Serve como hipótese a testar, não como prova.

Há pelo menos um enquadramento mais largo. O relatório de 2025 da Microsoft sobre IA na educação, que vem de uma empresa com produtos para vender e deve ser lido nessa condição, indica que os professores inquiridos usam a IA sobretudo para criar e atualizar aulas (31 %), simplificar temas complexos (24 %) e diferenciar o ensino (23 %). Diz também que 45 % dos professores, a nível mundial, não tiveram qualquer formação em IA, e que a preocupação mais citada por eles é o plágio (31 %), seguida da dependência excessiva (21 %) (Microsoft Education Team, 2025). Nada disto confirma os 30 % de López. Mostra apenas que o uso dela, preparar em vez de substituir, é corrente.

Ficam dois avisos que o texto da autora não traz e que são meus. O primeiro é que as rubricas e os planos gerados por IA parecem sempre mais rigorosos do que são. A coerência que López lhes atribui só existe depois de um professor os ter verificado, linha a linha, contra o currículo e contra os alunos que tem à frente. O segundo é que quem põe nomes, notas ou situações concretas de alunos num serviço externo está a tratar dados pessoais, e isso não deve ficar ao critério de cada docente. É assunto para a escola decidir, com regras claras e conhecidas por todos.

O que se pode aproveitar numa escola portuguesa

Projetos como este não são estranhos por cá. O Perfil dos Alunos à Saída da Escolaridade Obrigatória dá peso à autonomia, ao pensamento crítico e à participação cívica, e simulações de eleições, debates e projetos de cidadania fazem parte do repertório de muitas escolas. O estrangulamento costuma ser o mesmo que López descreve, o tempo de preparação. Se a IA ajudar a encurtar essa fatia, quem ganha é o tempo com os alunos, que é o que ela diz ter conseguido.

O que se segue são sugestões minhas, não da autora. Começar pelo que está do lado do professor e não envolve dados de alunos: o calendário de um projeto, o rascunho de uma mensagem aos encarregados de educação, uma primeira versão de uma rubrica. Medir durante um período, apontando quanto tempo se gasta antes e depois, porque só com números próprios se fica a saber se os 30 % de López são também os nossos. Partilhar o resultado no grupo disciplinar ou no departamento, com o que correu bem e o que teve de ser corrigido, para que a experiência de um não fique só com um. E mostrar a rubrica aos alunos e pedir-lhes que a contestem. É um bom antídoto contra uma grelha demasiado bonita para ser verdade, e obriga a turma a pensar naquilo que está realmente a ser avaliado.

A UNESCO tem trabalhado nesta frente e publicou quadros de competências em IA para professores e para alunos, que podem servir de ponto de partida a uma conversa de escola sobre formação (UNESCO, s.d.).

O passo seguinte da autora

López diz que o próximo passo será usar IA generativa na coavaliação e na reflexão metacognitiva dos alunos, mantendo o equilíbrio entre inovação e ética. É um passo maior do que os anteriores, porque aí a IA deixa de trabalhar para o professor e passa a mexer no modo como os alunos pensam sobre o que aprendem. O texto não detalha como. É nesse ponto que a conversa fica mais exigente, e convém que a escola a tenha antes de ela chegar à sala de aula pela mão de cada professor.

No fim, a autora pergunta aos colegas se estão prontos para continuar a aprender. É uma boa pergunta, mas fica injusta se ficar só nos professores. Prontos com que formação, com que regras, com que tempo? Se quase metade dos docentes inquiridos pela Microsoft diz nunca ter tido formação, a resposta honesta é que a prontidão se constrói em conjunto, e não se pede a quem está sozinho na sala de aula.

Nota editorial: este artigo foi redigido com apoio de inteligência artificial (Claude, da Anthropic), a partir de um único texto em espanhol, da autoria de Nonantzy López, cuja publicação de origem e data não consegui confirmar.

Referências

López, N. (s.d.). Redescubre la docencia con IA generativa [Artigo]. Texto em espanhol facultado como ponto de partida, sem indicação de publicação nem de data.

Microsoft Education Team. (2025, 20 de agosto). AI in Education Report: Insights to support teaching and learning. Microsoft Education Blog. https://www.microsoft.com/en-us/education/blog/2025/08/ai-in-education-report-insights-to-support-teaching-and-learning/ (consultado a 6 de outubro de 2026)

UNESCO. (s.d.). Artificial intelligence in education. https://www.unesco.org/en/digital-education/artificial-intelligence (consultado a 6 de outubro de 2026)

Para saber mais