Estudo de Cambridge conclui que a IA ainda não é fiável para avaliar ensaios universitários

Uma equipa liderada pela Universidade de Cambridge, composta por psicólogos e especialistas em IA, avaliou três modelos de linguagem de grande escala de última geração — incluindo versões recentes do Claude e do ChatGPT (em abril de 2026) — quanto à sua capacidade de avaliar trabalhos reais de estudantes universitários. A equipa reuniu um corpus de mais de 750 ensaios de psicologia submetidos em três universidades do Reino Unido e comparou as classificações atribuídas pela IA (primeira, 2:1, 2:2, etc.) com as classificações originalmente atribuídas por examinadores humanos.
Os sistemas de IA só coincidiram com a classificação dos examinadores humanos em 35–65% dos casos, consoante o modelo e o conjunto de ensaios — longe da fiabilidade exigida para avaliações de alto risco. A equipa identificou um problema específico: os três sistemas eram excessivamente sensíveis a características linguísticas superficiais, recompensando sistematicamente a extensão do ensaio e a riqueza de vocabulário, independentemente da solidez do argumento subjacente. Os avaliadores de IA também subvalorizaram frequentemente ensaios classificados por humanos como os melhores, e sobrevalorizaram algumas das submissões mais fracas.
Quando solicitados a gerar comentários escritos em vez de apenas uma nota, os sistemas de IA produziram comentários três a oito vezes mais longos do que os elaborados pelos avaliadores humanos originais — extensos, mas não necessariamente mais úteis para os estudantes. A conclusão da equipa de Cambridge foi explicitamente cautelar: a IA 'ainda não é suficientemente boa' para avaliar ensaios universitários abertos sem supervisão humana significativa, uma conclusão destinada a travar as universidades que ponderam a avaliação automatizada antes de existirem salvaguardas e validações mais rigorosas.