Correção em Escala — Um Ensaio Aleatorizado de IA vs. Corretores Humanos em Quatro Programas de Ciência Política

Corrigir e dar feedback personalizado em perguntas de resposta curta é moroso, o que muitas vezes leva os docentes de turmas grandes a preferirem avaliações de escolha múltipla, reduzindo as oportunidades dos estudantes para desenvolver o pensamento crítico.

Testar se a assistência de um modelo de linguagem (GPT-4) consegue corrigir respostas curtas com a mesma precisão que corretores humanos, e permitir que os docentes deem a turmas grandes o tipo de feedback individualizado normalmente reservado a turmas muito mais pequenas.

Investigadores liderados por Heinrich e colegas realizaram um ensaio controlado aleatorizado em quatro cursos de licenciatura em ciência política (Universidade de Houston, Universidade da Carolina do Sul, Universidade de Michigan e Academia Sinica, em Taiwan) em 2023-2024. Em 26 testes que abrangeram 271 estudantes, cerca de dez respostas de estudantes por pergunta de resposta curta foram aleatoriamente atribuídas a correção humana ou por GPT-4, com a IA orientada por grelhas de correção elaboradas pelos docentes e por respostas-modelo ("gold").

O estudo, publicado na PLoS One em agosto de 2025, não encontrou diferença estatisticamente significativa na precisão da avaliação entre correção por IA e correção humana (diferença média de -0,04). Os pedidos de reavaliação foram apenas ligeiramente mais elevados para os trabalhos corrigidos por humanos, e o feedback humano foi classificado como "útil" cerca de dois pontos percentuais mais vezes do que o feedback da IA. O ganho mais claro foi de produtividade: a correção assistida por IA permitiu aos docentes dar a turmas de cerca de 70 estudantes um feedback individualizado com a profundidade normalmente reservada a turmas com um terço a um quarto desse tamanho.

Os autores são explícitos quanto às limitações: o ensaio mediu a precisão da correção e as classificações do feedback, não os ganhos reais de aprendizagem dos estudantes, os resultados variaram entre os quatro cursos, e a dependência de um único modelo proprietário (GPT-4) levanta preocupações de replicabilidade à medida que os modelos evoluem.