Correção Assistida por IA e Feedback Personalizado em Grandes Turmas de Ciência Política — Um Ensaio Aleatorizado Multiuniversitário de Houston

Corrigir perguntas de resposta curta em grande escala é uma das partes mais demoradas do ensino em grandes turmas universitárias, o que leva muitos docentes a optar por testes de escolha múltipla, que dão aos alunos menos espaço para desenvolver e demonstrar pensamento crítico. Uma equipa da Universidade de Houston, da Universidade da Carolina do Sul, da Academia Sinica, da Universidade de Michigan e da Universidade Nacional de Kangwon testou se o GPT-4 conseguiria colmatar essa lacuna sem sacrificar a qualidade da correção.

Em quatro grandes turmas de ciência política (271 alunos, cerca de 3.080 respostas curtas, 88% delas corrigidas por IA), os docentes construíram modelos de instrução contendo a sua grelha de avaliação, exemplos resolvidos com feedback e cada nova resposta de aluno. A equipa comparou depois as notas atribuídas com apoio de IA com a correção dos docentes, em medidas como a correspondência das notas com o desempenho do aluno no resto da disciplina, a frequência de pedidos de recorreção (um indicador indireto de erros de correção) e a utilidade do feedback percebida pelos alunos.

O ensaio aleatorizado concluiu que a correção assistida por IA se aproximou do que um docente produziria ao corrigir uma turma pequena, sem aumento dos pedidos de recorreção, libertando tempo dos docentes. Os autores são explícitos: trata-se de uma ferramenta de produtividade e consistência na entrega de feedback, não de um substituto do julgamento do docente - a revisão humana manteve-se em todos os processos de correção testados.