criado em:

• 04-05-2025
• 10:08 relacionados:
• notas:

1. ESCREVER SEM PLAGIO - perplexity simples
2. ESCREVER SEM PLAGIO - GEMINI DEEP RESEARCH
3. ESCREVER SEM PLAGIO - CHATGPT DEEP RESEARCH

• tags: #academia #mestrado #autenticidadeIA
• Fontes & Links:

Integração Ética de Ferramentas de IA na Escrita Acadêmica para Estudantes Iniciantes

Introdução

A rápida proliferação e crescente sofisticação de ferramentas de inteligência artificial (IA) generativa, como ChatGPT, Grammarly e Quillbot 1, representam uma transformação significativa no panorama da educação superior. A acessibilidade destas ferramentas por estudantes universitários, especialmente os recém-ingressos, introduz tanto oportunidades promissoras quanto desafios complexos. Uma prática específica que emerge neste contexto, e que motiva esta investigação, é a do estudante que lê material-fonte numa aba enquanto escreve noutra, essencialmente parafraseando ou “imitando” o conteúdo original com o auxílio da IA. Este cenário levanta questões cruciais sobre plágio e integridade acadêmica.
A tensão central reside no potencial da IA para apoiar a escrita acadêmica – auxiliando na geração de ideias, melhorando a precisão linguística e organizando informações 1 – versus os riscos substanciais que ela representa para a integridade acadêmica e o desenvolvimento de competências essenciais. Preocupações com plágio, a diminuição do pensamento original e o possível impacto negativo no desenvolvimento de habilidades críticas e analíticas são proeminentes, particularmente para estudantes iniciantes que ainda estão a formar os seus referenciais éticos e competências de escrita.1
Este relatório visa conduzir uma investigação acadêmica aprofundada sobre como os estudantes recém-ingressos na academia podem integrar ferramentas de IA e métodos de pesquisa de forma ética e eficaz, sem comprometer a integridade acadêmica ou incorrer em plágio. A análise abordará a evolução do conceito de autoria, as implicações pedagógicas da IA, diretrizes éticas específicas para o processo de escrita, políticas institucionais, metodologias colaborativas, paralelos históricos com outras tecnologias educacionais e estratégias para combinar métodos de pesquisa tradicionais e assistidos por IA. O objetivo é fornecer um panorama abrangente que equilibre a exploração teórica com orientações práticas para estudantes, educadores e instituições.

1. Evolução da Autoria Acadêmica

A emergência de assistentes de escrita baseados em IA desafia profundamente as noções tradicionais de autoria acadêmica, exigindo uma reavaliação de conceitos como originalidade, contribuição intelectual e atribuição.

Desenvolvimento Histórico da Autoria

Historicamente, a autoria acadêmica tem sido ancorada na figura do indivíduo como criador intelectual, responsável pela originalidade e integridade do trabalho apresentado. Este conceito enfatiza a contribuição singular, a expressão de uma voz única e a responsabilidade direta pelo conteúdo. No entanto, a capacidade de sistemas de IA como o GPT-3 e seus sucessores de gerar textos coerentes, gramaticalmente corretos e estilisticamente semelhantes à escrita humana 9 obscurece essas linhas tradicionais. A questão de “quem” é o autor quando uma máquina contribui significativamente para a criação textual torna-se central.
Os quadros legais existentes, como a Lei de Direitos Autorais brasileira (Lei nº 9.610/1998) 2 e a legislação de direitos autorais da União Europeia 11, predominantemente atribuem a autoria a criadores humanos. A lei brasileira, por exemplo, associa a autoria à criação de uma obra intelectual por uma pessoa física, conferindo direitos morais e patrimoniais.2 Similarmente, a jurisprudência europeia enfatiza a necessidade de uma “marca pessoal” ou “escolhas livres e criativas” de um autor humano para que uma obra seja considerada original e protegida.11 Esta base legal antropocêntrica cria uma zona cinzenta significativa para conteúdos gerados ou assistidos por IA, onde a máquina não pode ser legalmente considerada autora.10 Esta lacuna entre a capacidade tecnológica e o reconhecimento legal coloca um ónus acrescido sobre as políticas institucionais e as normas éticas da comunidade acadêmica para fornecer orientação prática no curto prazo.7 A falta de um quadro legal unificado internacionalmente agrava a incerteza.10

Frameworks e Modelos para Autoria na Era Digital

Para navegar nesta complexidade, emergem diferentes modelos conceptuais para compreender a autoria na presença da IA:

1. Modelo Centrado no Humano: Esta abordagem, alinhada com a visão legal predominante 11, considera a IA estritamente como uma ferramenta, similar a um processador de texto ou uma calculadora. O utilizador humano mantém a autoria plena, a responsabilidade intelectual e ética pelo produto final, independentemente do nível de assistência da IA. Contudo, este modelo enfrenta limitações à medida que as contribuições da IA se tornam mais substantivas e menos distinguíveis das humanas, questionando se a simples operação da ferramenta reflete adequadamente o processo criativo.
2. Modelos de Coautoria ou Meta-Autoria: Reconhecendo a contribuição significativa da IA, alguns propõem modelos que transcendem a visão da IA como mera ferramenta. Uma possibilidade é a noção de “meta-autoria”, onde o pesquisador humano é visto como o diretor do processo, cuja contribuição reside na formulação de prompts, na curadoria e na edição do resultado gerado pela IA.2 Outra vertente sugere modelos de “coautoria” 10, embora não necessariamente atribuindo personalidade jurídica à IA, mas reconhecendo a sua influência no trabalho final, talvez através de menções específicas ou mesmo considerando a atribuição aos desenvolvedores do algoritmo.2 Estes modelos enfrentam desafios práticos e conceptuais, como a dificuldade de definir o limiar de contribuição da IA que justificaria tal reconhecimento e a questão de como atribuir responsabilidade a uma entidade não humana ou aos seus criadores.10
3. Autoria Distribuída ou Criação em Rede: Uma perspectiva mais radical vê a autoria como um fenómeno distribuído, emergindo da interação complexa entre o utilizador humano, o sistema de IA, os vastos conjuntos de dados nos quais foi treinado e o contexto cultural mais amplo. Este modelo reflete a natureza cada vez mais colaborativa e mediada pela tecnologia da produção de conhecimento 15, mas complica ainda mais as questões de atribuição de crédito e responsabilidade individual.

Adaptação das Práticas de Atribuição

Independentemente do modelo conceptual adotado, a transparência emerge como um princípio fundamental.2 As práticas de atribuição precisam evoluir para refletir o uso de IA. Exemplos concretos incluem:

• Declarações Explícitas: Incorporar secções na metodologia ou nos agradecimentos que detalhem especificamente quais ferramentas de IA foram utilizadas, para que tarefas (ex: revisão gramatical, geração de código, brainstorming inicial) e, possivelmente, exemplos dos prompts utilizados para contribuições significativas.7
• Diretrizes Editoriais: Desenvolvimento, por parte de periódicos e instituições, de formatos padronizados para a declaração do uso de IA, garantindo consistência e clareza.

Implicações para a “Contribuição Original”

O uso de IA 9 força uma redefinição do que constitui uma “contribuição original” no trabalho acadêmico. A originalidade pode residir menos na geração do texto base e mais em outros aspetos do processo intelectual:

• Curadoria Crítica: A seleção criteriosa, a validação e a síntese de informações geradas ou sugeridas pela IA.
• Engenharia de Prompts: A habilidade de formular perguntas e instruções eficazes e perspicazes que guiem a IA para resultados úteis e não triviais.6
• Análise e Interpretação Humana: A capacidade de construir sobre a base fornecida pela IA, adicionando análise aprofundada, interpretação única, argumentação sofisticada e contextualização que transcendem as capacidades atuais da IA.

Neste sentido, a avaliação da autoria e da originalidade pode deslocar-se de uma análise exclusiva do produto final para uma consideração mais holística do processo de criação. A demonstração do pensamento crítico, do julgamento independente e da direção intelectual do estudante ao longo da interação com a IA torna-se crucial. A forma como o estudante utiliza a ferramenta, as perguntas que faz e como integra (ou rejeita) as sugestões da IA podem tornar-se indicadores mais significativos de contribuição original do que a mera fluência do texto final.

2. Implicações Pedagógicas

A integração de ferramentas de IA na pesquisa e escrita acadêmica acarreta profundas implicações pedagógicas, afetando diretamente o desenvolvimento de competências fundamentais como o pensamento crítico e as habilidades analíticas, especialmente em estudantes no início da sua trajetória acadêmica.

Pesquisa sobre Desenvolvimento de Habilidades

A literatura sobre desenvolvimento de competências acadêmicas indica que a escrita e o pensamento crítico são habilidades complexas que se desenvolvem através de prática deliberada, feedback construtivo e engajamento ativo com ideias e fontes. Processos cognitivos como análise (decompor informação), síntese (combinar ideias de forma original), avaliação (julgar o valor e a validade da informação), argumentação (construir e defender posições) e reflexão (pensar sobre o próprio pensamento e processo de aprendizagem) são centrais neste desenvolvimento. Tradicionalmente, os estudantes aprimoram estas competências através de tarefas que exigem esforço intelectual, como a leitura atenta de fontes, a tomada de notas críticas, a elaboração de rascunhos, a revisão baseada em feedback e a reescrita iterativa.

Impacto da IA nos Processos Cognitivos

As ferramentas de IA podem interagir com estes processos cognitivos de formas diversas, apresentando tanto potencialidades como riscos:

• Potenciais Melhorias: A IA pode atuar como um catalisador para certos aspetos do processo de escrita e pesquisa. Pode auxiliar na geração de ideias iniciais, ajudando a superar o bloqueio de escritor.1 Ferramentas como Grammarly ou funcionalidades integradas em LLMs podem melhorar a precisão linguística (gramática, ortografia, pontuação) e a sofisticação do vocabulário 1, libertando potencialmente a atenção do estudante para questões de ordem superior. A IA pode ajudar a organizar informações complexas 2 ou fornecer feedback personalizado e imediato sobre aspetos específicos do texto.3 Alguns estudos sugerem que o uso destas ferramentas pode aumentar a confiança dos estudantes e reduzir a ansiedade relacionada com a escrita.1
• Potenciais Obstáculos: Por outro lado, a dependência excessiva da IA pode dificultar o desenvolvimento de processos cognitivos cruciais. A facilidade com que a IA gera texto pode levar a uma redução do esforço do estudante na análise profunda e na síntese original de ideias.4 Os estudantes podem ter dificuldade em distinguir a “voz” da IA da sua própria, comprometendo o desenvolvimento de um estilo de escrita autêntico. Existe o risco de “atrofia” ou “deskilling” 4, onde competências fundamentais de escrita e pensamento crítico não são suficientemente praticadas e desenvolvidas devido à dependência da ferramenta. Estudos indicam que, embora a IA possa melhorar aspetos superficiais da escrita, o seu efeito no desenvolvimento do pensamento crítico avançado é limitado.1

A promessa de eficiência oferecida pela IA 2 é particularmente sedutora para estudantes que enfrentam prazos e a complexidade das tarefas acadêmicas. No entanto, esta mesma eficiência pode ser uma “faca de dois gumes”. Os processos cognitivos que levam à aprendizagem profunda e ao desenvolvimento de competências robustas são muitas vezes lentos, iterativos e exigem esforço.4 Ao permitir que os estudantes contornem este esforço, a IA pode inadvertidamente impedir o desenvolvimento das próprias habilidades que se destinam a apoiar. A rapidez na obtenção de uma resposta ou de um texto formatado pode vir à custa da luta intelectual necessária para compreender verdadeiramente um conceito, articular um argumento complexo ou refinar a própria expressão.1

Exemplos de Efeitos Benéficos e Prejudiciais

• Usos Potencialmente Benéficos (com supervisão e criticidade):
  • Utilizar verificadores gramaticais para polir a versão final de um texto.1
  • Pedir à IA para resumir um artigo longo como ponto de partida para uma leitura mais aprofundada (exige verificação rigorosa da precisão e das fontes 16).
  • Gerar potenciais contra-argumentos a uma tese para que o estudante possa antecipar e refutar objeções.
  • Brainstorming de tópicos de pesquisa ou palavras-chave para iniciar uma investigação.
• Usos Potencialmente Prejudiciais (comprometem a aprendizagem e a integridade):
  • Gerar secções inteiras de um trabalho (introdução, revisão de literatura, discussão) sem engajamento crítico ou escrita substancial por parte do estudante.4
  • Aceitar informações, dados ou referências fornecidos pela IA sem verificação independente (risco de erros factuais, “alucinações” e referências falsas 4).
  • Utilizar ferramentas de paráfrase automática (APTs) para reescrever texto de fontes sem compreensão genuína, numa tentativa de evitar a deteção de plágio.17 Esta prática, mesmo que altere a formulação, pode constituir plágio se a estrutura e as ideias originais forem apropriadas sem a devida atribuição ou transformação intelectual.
  • Confiar na IA para realizar tarefas que são intrinsecamente concebidas para desenvolver competências analíticas ou criativas nucleares.

Abordagens Pedagógicas

Para maximizar os benefícios e minimizar as desvantagens, os educadores precisam de adotar abordagens pedagógicas estratégicas e refletidas:

• Desenvolver a Literacia Crítica em IA: Em vez de proibir, ensinar os estudantes a usar a IA de forma eficaz e ética. Isto inclui instrução sobre como formular prompts eficazes (engenharia de prompts) 6, como avaliar criticamente os resultados da IA (identificar vieses, imprecisões, falta de fontes) 4, compreender as limitações da tecnologia e aplicar princípios éticos.4 Esta “Literacia Crítica em IA” deve tornar-se uma competência fundamental.
• Integrar a IA em Tarefas Específicas e Estruturadas: Utilizar a IA como ferramenta de apoio para partes específicas do processo de escrita, em vez de permitir o seu uso indiscriminado. Por exemplo, usar a IA para gerar um esboço inicial que os estudantes devem depois criticar, modificar e expandir.
• Adaptar a Avaliação: Deslocar o foco da avaliação para aspetos que a IA não consegue replicar facilmente, como o pensamento crítico de ordem superior, a originalidade da argumentação, a profundidade da análise, a conexão com experiências pessoais ou contextos locais, e a reflexão sobre o processo de aprendizagem.7 Considerar avaliações em sala de aula, apresentações orais ou tarefas baseadas em projetos.
• Fomentar a Metacognição: Incentivar os estudantes a refletir sobre como e porquê estão a usar a IA (ver Seção 5), promovendo a autoconsciência e o uso intencional.
• Enfatizar o Papel do Educador: Reconhecer que a IA não substitui a orientação, o feedback nuancedo e o estímulo ao pensamento crítico fornecidos pelos professores.2 A formação docente para integrar eficazmente a IA na pedagogia é crucial.2
• Abordar as Percepções dos Estudantes: Reconhecer e discutir abertamente as percepções, ansiedades e motivações dos estudantes em relação ao uso da IA.3

Ao adotar estas abordagens, a educação superior pode preparar melhor os estudantes para navegar num mundo onde a IA é omnipresente, garantindo que a tecnologia sirva para aumentar, e não diminuir, as suas capacidades intelectuais e éticas.

3. Diretrizes Éticas ao Longo do Processo de Escrita

A integração ética da IA na escrita acadêmica exige uma abordagem diferenciada, reconhecendo que os riscos e as oportunidades variam consoante a fase do processo de escrita e o contexto específico do trabalho. Estabelecer limiares éticos claros é fundamental para orientar os estudantes, especialmente os iniciantes.

Análise por Estágios do Uso Apropriado de IA

O processo de escrita acadêmica pode ser dividido em várias fases, cada uma com considerações éticas distintas relativamente ao uso da IA:

1. Pesquisa e Anotações:
   • Uso Ético: Utilizar ferramentas de IA especializadas 31 para identificar artigos relevantes ou explorar temas de investigação. Usar IA para gerar resumos preliminares de artigos (com extrema cautela e verificação obrigatória das fontes e do conteúdo 16). Identificar potenciais temas ou palavras-chave.
   • Uso Não Ético: Confiar cegamente nas sugestões de fontes da IA sem avaliação crítica. Gerar revisões de literatura inteiras ou secções de resumo sem ler e analisar as fontes primárias. Aceitar resumos da IA como substitutos da leitura e compreensão profundas.
   • Limiar Ético: A IA pode ser um ponto de partida para a exploração, mas o estudante mantém a responsabilidade pela seleção, leitura crítica e compreensão das fontes.
2. Esquematização (Outlining):
   • Uso Ético: Utilizar a IA para brainstorm de possíveis estruturas, secções ou títulos como inspiração inicial.
   • Uso Não Ético: Adotar um esquema gerado pela IA sem reflexão crítica, modificação substancial ou desenvolvimento intelectual próprio.
   • Limiar Ético: O estudante deve apropriar-se do esquema, garantindo que ele reflete a sua linha de argumentação e organização lógica, e não apenas a estrutura proposta pela IA.
3. Rascunho (Drafting): Esta é a fase mais crítica em termos éticos.
   • Uso Ético (Limitado e Transparente): Usar IA para tarefas muito específicas e circunscritas, como: reformular uma frase particularmente difícil (com cuidado para manter o significado original e a voz do estudante); gerar exemplos ilustrativos (que devem ser verificados quanto à precisão e relevância e adaptados); verificar gramática e estilo.1
   • Uso Não Ético (Alto Risco): Gerar parágrafos ou secções inteiras de texto original (introdução, análise, discussão, conclusão).4 Utilizar a IA para responder diretamente a perguntas de avaliação. A prática de “imitar” fontes, lendo numa janela e parafraseando com auxílio da IA noutra, é particularmente problemática; mesmo que evite a cópia literal, a apropriação da estrutura argumentativa, do fluxo de ideias e da seleção de evidências de uma fonte sem transformação intelectual substancial e atribuição adequada continua a ser uma forma de plágio.17 Ferramentas de paráfrase automática (APTs) 17 facilitam esta prática, mas não a legitimam eticamente.
   • Agravante: Ferramentas “Humanizadoras”: O uso de ferramentas especificamente concebidas para “humanizar” o texto gerado por IA, com o objetivo explícito de contornar softwares de deteção 18, representa uma violação ética grave. Esta prática move-se do potencial plágio por negligência ou má compreensão para a fraude acadêmica intencional, visando enganar deliberadamente o avaliador e a instituição.14 A existência e marketing destas ferramentas 18 normaliza a decepção e representa uma ameaça direta à integridade acadêmica.
   • Limiar Ético: A IA não deve ser utilizada para gerar o conteúdo intelectual central do trabalho. A responsabilidade pela formulação de argumentos, análise, síntese e expressão original recai inteiramente sobre o estudante. Qualquer uso da IA na redação deve ser mínimo, transparente e focado em aspetos técnicos, não na criação de conteúdo substantivo.
4. Edição e Revisão:
   • Uso Ético: Utilizar ferramentas de IA para revisão de gramática, ortografia, pontuação e formatação de citações. Pedir feedback sobre clareza ou concisão em frases específicas.
   • Uso Não Ético: Submeter um trabalho após revisão pela IA sem uma leitura final e aprovação cuidadosa por parte do estudante. Confiar que a IA corrigiu todos os erros ou compreendeu as nuances do argumento.
   • Limiar Ético: A responsabilidade final pela precisão, clareza, coerência e integridade do trabalho submetido é sempre do estudante.

Limiares Éticos e Contextos

Os limites exatos do uso ético da IA não são universais e podem variar dependendo de:

• Tipo de Tarefa: Um rascunho inicial de baixa ponderação pode permitir um uso mais exploratório da IA do que uma tese final ou um artigo para publicação.
• Nível do Curso: Espera-se maior autonomia e originalidade em cursos avançados do que em cursos introdutórios, onde a IA pode ter um papel mais de apoio no desenvolvimento de competências básicas (sempre com transparência).
• Diretrizes do Instrutor: A clareza por parte do professor sobre o que é permitido ou proibido em cada tarefa é crucial.8 A ausência de diretrizes claras pode levar a interpretações erradas por parte dos estudantes.8

Considerações Específicas por Disciplina

As normas e expectativas disciplinares também influenciam a ética do uso da IA:

• Humanidades: Disciplinas que valorizam a interpretação textual, a voz autoral e a argumentação nuanceada podem ter restrições mais significativas ao uso da IA para geração de texto analítico. No entanto, a IA pode ser usada eticamente para análise de grandes volumes de texto (humanidades digitais) ou exploração de temas.
• Ciências Sociais: A IA pode auxiliar na análise de dados quantitativos ou qualitativos, mas a interpretação dos resultados, a contextualização teórica e a discussão das implicações devem permanecer domínio do pesquisador humano.
• STEM (Ciência, Tecnologia, Engenharia, Matemática): A IA pode ser útil para gerar ou depurar código, analisar dados, ou redigir secções metodológicas padronizadas. Os riscos incluem a introdução de erros técnicos não detetados, a falta de compreensão dos processos subjacentes e o plágio de código ou métodos. A precisão e a reprodutibilidade são cruciais.

Framework Ético Prático para Estudantes (TORCE)

Para auxiliar os estudantes a navegar estas complexidades, propõe-se um framework prático baseado em cinco princípios fundamentais, resumido pelo acrónimo TORCE:

• Transparência: Seja transparente sobre o uso de IA. Siga as diretrizes do seu instrutor e da sua instituição sobre como e quando declarar o uso de ferramentas de IA. Na dúvida, pergunte.
• Originalidade: Garanta que as ideias centrais, a estrutura argumentativa, a análise crítica e a voz do trabalho são suas. Use a IA como um assistente, não como um substituto para o seu próprio pensamento e esforço intelectual.
• Responsabilidade: Você é o autor final e responsável por todo o conteúdo do seu trabalho, incluindo a precisão, a validade e a integridade de qualquer informação ou texto gerado ou modificado com a ajuda da IA. Verifique tudo.
• Crítica (Engajamento Crítico): Não aceite passivamente os resultados da IA. Avalie criticamente toda a informação, sugestões ou texto gerado pela IA quanto à precisão, relevância, viés e adequação ao seu propósito. Verifique as fontes.
• Engajamento (com o Processo): Use a IA para apoiar e aprofundar o seu processo de aprendizagem e pensamento, não para o evitar. Pergunte-se: “Estou a usar esta ferramenta para pensar melhor ou para evitar pensar?”

Este framework incentiva uma postura ativa e reflexiva, ajudando os estudantes a tomar decisões éticas informadas ao longo do processo de escrita. A prática de “imitar” fontes, mesmo com ferramentas de paráfrase sofisticadas 17, falha claramente nos princípios de Originalidade e Engajamento Crítico, pois apropria-se do trabalho intelectual alheio sem a devida transformação e compreensão.5

4. Estudos de Caso de Políticas Institucionais

A resposta das instituições de ensino superior ao desafio da IA na escrita acadêmica tem sido variada, refletindo diferentes filosofias educacionais, recursos e níveis de preparação. A análise das políticas institucionais e das suas implementações revela tanto abordagens promissoras quanto dificuldades significativas.

Análise Comparativa de Políticas Universitárias

Uma análise comparativa de políticas de integridade acadêmica relativas à IA em universidades internacionais (abrangendo diferentes países e contextos institucionais, como sugerido pela necessidade de perspetivas internacionais e pela análise de políticas canadianas em 12) revela um espectro de abordagens. Embora o acesso direto a um conjunto diversificado de políticas atuais esteja limitado no âmbito desta pesquisa (requereria pesquisa primária adicional), a literatura existente e as discussões emergentes 7 sugerem pontos comuns de variação:

• Definição de Mau Uso: Algumas políticas definem explicitamente a submissão de trabalho gerado por IA como plágio ou fraude acadêmica, enquanto outras adotam definições mais nuances, focando na intenção, no nível de contribuição da IA e na falta de transparência.
• Permissibilidade: As políticas variam desde a proibição total do uso de IA generativa para trabalhos avaliados até a permissão condicionada à divulgação explícita ou mesmo o encorajamento do uso ético como ferramenta de aprendizagem. Muitas instituições delegam a decisão sobre a permissibilidade ao nível do curso ou da tarefa específica, exigindo clareza por parte dos instrutores.28
• Requisitos de Divulgação: Onde o uso é permitido, os requisitos de divulgação variam em especificidade, desde uma menção geral nos agradecimentos até a documentação detalhada das ferramentas e prompts utilizados.
• Sanções: As consequências para o uso indevido variam amplamente, desde advertências e oportunidades de reenvio (preferido por alguns estudantes 8) até reprovação na tarefa ou curso, suspensão ou expulsão. A inconsistência nas sanções, mesmo dentro da mesma instituição, pode ser um problema.8
• Foco: Algumas políticas centram-se fortemente na deteção e punição, enquanto outras priorizam a educação, a prevenção e a adaptação pedagógica.

A tabela seguinte ilustra uma comparação hipotética baseada nestas tendências observadas:
Tabela 1: Comparação (Hipotética) de Políticas Universitárias sobre o Uso de IA na Escrita Acadêmica

Estudos de Caso de Implementação

• Implementação Bem-Sucedida (Conceptual): Uma universidade que adota uma política clara mas flexível, permitindo o uso de IA com divulgação obrigatória. Investe maciçamente em formação para professores sobre como redesenhar tarefas e avaliações para focar em competências de ordem superior e no uso crítico da IA. Oferece workshops obrigatórios para estudantes sobre ética da IA, literacia crítica em IA e técnicas de documentação. Utiliza software de deteção como ferramenta de diálogo e feedback formativo, não como única base para acusações. Resultado: Uma cultura onde a IA é vista como uma ferramenta a ser dominada eticamente, com menos ansiedade e maior foco na aprendizagem autêntica.
• Implementação Problemática (Conceptual): Uma instituição que reage com uma proibição geral apressada ou com políticas vagas. Falta formação e consenso entre os professores sobre como aplicar a política. A instituição depende excessivamente de software de deteção 17, que tem limitações conhecidas e pode ser contornado por ferramentas “humanizadoras”.18 Os estudantes ficam confusos sobre o que é permitido 8, levando a ansiedade, acusações inconsistentes e um possível “mercado negro” de uso não detetado de IA. Resultado: Desconfiança, inconsistência na aplicação e falha em preparar os estudantes para usar a IA de forma responsável no futuro.

Muitas instituições parecem estar a reagir à IA 12 em vez de a integrar proativamente. As políticas frequentemente focam-se na proibição ou na deteção, demorando a adaptar-se pedagogicamente. Este desfasamento entre o rápido avanço tecnológico e a lenta adaptação institucional cria um ambiente de incerteza para estudantes e educadores.

Abordagens Inovadoras

Algumas instituições estão a explorar abordagens mais proativas:

• Declarações de Uso de IA: Exigir que os estudantes incluam uma declaração específica em cada trabalho detalhando se e como a IA foi utilizada.
• Syllabus Statements: Incorporar secções claras nos planos de ensino (syllabi) sobre a política de IA para aquele curso específico.28
• Módulos de Ética em IA: Integrar módulos obrigatórios sobre ética e uso responsável de IA nos currículos.
• Avaliação Focada no Processo: Utilizar avaliações que exijam a submissão de rascunhos, reflexões sobre o processo de escrita ou documentação do uso de IA.

Desafios de Aplicação e Detecção

A aplicação eficaz das políticas enfrenta obstáculos significativos:

• Limitações da Deteção: Softwares de deteção de IA não são infalíveis. Podem gerar falsos positivos ou negativos, e a sua eficácia diminui à medida que as ferramentas de IA e as técnicas de evasão (como “humanizadores” 18) evoluem.17 Depender exclusivamente destas ferramentas é problemático.
• Prova de Intenção: Distinguir entre o uso inadequado não intencional (por falta de compreensão) e a fraude deliberada pode ser difícil.
• Carga de Trabalho: A investigação de casos suspeitos e a aplicação consistente das políticas exigem tempo e recursos significativos por parte dos professores e administradores.
• Corrida Armamentista: O ciclo vicioso de desenvolvimento de ferramentas de deteção e ferramentas de evasão (“humanizadores”) 18 desvia recursos e atenção de abordagens pedagógicas mais construtivas. Esta “corrida armamentista” tecnológica 17 é insustentável e foca no sintoma (texto gerado por IA) em vez da causa (falta de compreensão ética, pressão acadêmica, etc.).

Em suma, enquanto as políticas institucionais são necessárias, a sua eficácia depende de clareza, consistência, forte apoio educacional e uma mudança de foco da mera deteção para a promoção da integridade e adaptação pedagógica.

5. Metodologias para Uso Colaborativo de IA

Para que a IA seja uma ferramenta de apoio legítima em vez de uma substituição do trabalho intelectual, os estudantes precisam de adotar metodologias que promovam uma colaboração ética e transparente. Isto implica integrar a IA em fluxos de trabalho específicos, documentar a sua contribuição de forma clara e manter uma consciência metacognitiva sobre o processo de aprendizagem.

Fluxos de Trabalho Práticos para Colaboração

Em vez de usar a IA para gerar o produto final, os estudantes podem integrá-la em fases específicas do processo como um “colaborador” ou assistente:

• Parceiro de Brainstorming: Utilizar a IA no início do processo para gerar uma vasta gama de ideias, palavras-chave, possíveis estruturas ou questões de pesquisa. O papel do estudante é, então, filtrar, avaliar, selecionar e refinar essas sugestões iniciais, usando-as como um trampolim para o seu próprio pensamento.
• “Advogado do Diabo”: Após formular um argumento preliminar, o estudante pode pedir à IA para identificar potenciais falhas, apresentar contra-argumentos ou sugerir perspetivas alternativas. Isto pode ajudar o estudante a fortalecer a sua própria argumentação, antecipar críticas e desenvolver um pensamento mais robusto e nuanceado.
• Assistente de Sumarização e Explicação (com Verificação Rigorosa): Para textos longos ou conceitos complexos, a IA pode fornecer resumos ou explicações iniciais. No entanto, este uso só é ético e produtivo se for seguido por uma verificação cuidadosa da precisão e das fontes originais por parte do estudante.16 O resumo da IA deve ser um ponto de partida para a compreensão, não o ponto final.
• Fornecedor de Feedback Formativo: Ferramentas como Grammarly ou as capacidades de análise de texto de LLMs podem oferecer feedback sobre aspetos como clareza, concisão, gramática e estilo.1 O estudante pode usar este feedback como uma opinião adicional (juntamente com o feedback de pares ou do instrutor) para informar as suas próprias decisões de revisão. A chave é o estudante avaliar criticamente o feedback da IA e decidir quais alterações implementar.

Diretrizes Técnicas para Documentação Transparente

A colaboração ética com a IA exige transparência. A documentação clara do uso da IA não serve apenas para evitar acusações de plágio, mas também para validar a IA como uma ferramenta legítima no processo acadêmico. Práticas recomendadas incluem:

• Secção de Metodologia ou Declaração Específica: Incluir uma descrição explícita no trabalho final (por exemplo, na introdução, metodologia ou numa nota de rodapé/agradecimento) indicando quais ferramentas de IA foram usadas (incluindo versões, se relevante), para que tarefas específicas foram empregues (ex: “O ChatGPT-4 foi utilizado para gerar um esboço inicial da estrutura do capítulo 2 e para verificar a gramática da versão final do manuscrito”) e, para contribuições mais significativas, possivelmente incluir os prompts chave utilizados. Embora a referenciação formal de outputs de IA ainda não seja padronizada 6, a descrição do processo é crucial. Guias sobre como documentar prompts para reprodutibilidade são importantes neste contexto.62
• Apêndices ou Material Suplementar: Para usos mais extensivos ou em disciplinas onde o processo é particularmente importante (como ciência da computação ou humanidades digitais), pode ser apropriado incluir transcrições de interações chave com a IA, logs detalhados de prompts e respostas, ou o código gerado pela IA (com anotações do estudante).

Esta transparência é fundamental. Ela permite que os avaliadores compreendam o processo de criação do estudante e avaliem o seu engajamento crítico com a ferramenta, transformando a IA de um potencial instrumento de fraude num colaborador reconhecido.

Distinguindo Contribuições Estudante vs. IA

Manter a clareza sobre a origem das ideias e do texto é essencial para a integridade intelectual do estudante:

• Ferramentas de Revisão: Utilizar funcionalidades como “Track Changes” ou comentários para marcar claramente as sugestões da IA e as decisões de revisão do estudante.
• Diários de Pesquisa ou Notas de Processo: Manter um registo pessoal das interações com a IA, anotando como as sugestões foram usadas, modificadas ou rejeitadas, e como influenciaram o pensamento do estudante.
• Escrita Reflexiva: Incorporar momentos de reflexão no processo, onde o estudante articula a sua própria contribuição e como a IA foi utilizada como apoio.

O objetivo não é quantificar percentagens de contribuição, mas sim garantir que o estudante mantém o controlo intelectual e a responsabilidade pelo trabalho, e que a sua contribuição original é claramente discernível.

Estratégias Metacognitivas

A metacognição – pensar sobre o próprio pensamento e aprendizagem – é crucial para usar a IA de forma eficaz e ética. Os estudantes devem ser encorajados a desenvolver uma consciência sobre a sua interação com estas ferramentas:

• Autoquestionamento Regular: Fazer perguntas como: “Porque estou a usar a IA nesta fase?”, “Esta ferramenta está a ajudar-me a pensar mais profundamente ou a evitar o trabalho intelectual?”, “Como posso verificar a informação que a IA me deu?”, “De que forma este output da IA se alinha (ou não) com a minha própria compreensão e voz?”.
• Reflexões Escritas: Pedir aos estudantes que escrevam breves parágrafos refletindo sobre o seu processo de uso da IA para uma determinada tarefa, focando nos desafios, nas aprendizagens e nas decisões tomadas.
• Conexão com Princípios Éticos: Ligar explicitamente estas reflexões ao framework ético (como o TORCE proposto na Seção 3), avaliando se o seu uso da IA está alinhado com a transparência, originalidade, responsabilidade e engajamento crítico.

Promover a metacognição funciona como um mecanismo de autorregulação. Ao refletirem ativamente sobre o seu uso da IA, os estudantes tornam-se mais propensos a utilizar estas ferramentas de forma intencional e crítica, em vez de caírem numa dependência passiva ou num uso antiético. Esta reflexão ajuda a manter a agência do estudante no processo de aprendizagem, mitigando o risco de a IA simplesmente substituir o esforço cognitivo necessário para o desenvolvimento intelectual.

6. Paralelos Históricos com Transições Tecnológicas

A atual onda de debates, ansiedades e adaptações em torno da IA na escrita acadêmica não é um fenómeno isolado na história da educação. A integração da IA partilha semelhanças notáveis com transições tecnológicas anteriores, e as lições aprendidas dessas experiências podem informar as abordagens atuais.

Comparação com Tecnologias Disruptivas Anteriores

A introdução de várias tecnologias na educação gerou reações e desafios comparáveis aos que observamos hoje com a IA:

• Calculadoras na Educação Matemática: A sua introdução generalizada nas décadas de 1970 e 1980 foi recebida com receios de que os estudantes deixariam de aprender as operações aritméticas básicas, levando a uma “atrofia” de competências fundamentais. Houve resistência inicial de muitos educadores. Com o tempo, no entanto, as calculadoras foram largamente aceites como ferramentas que poderiam libertar os estudantes de cálculos morosos, permitindo-lhes focar em conceitos matemáticos de nível superior, resolução de problemas e raciocínio.63 A questão passou de “se” usar para “como” e “quando” usar eficazmente.
• Internet e Motores de Busca: O advento da World Wide Web e de motores de busca como Google, no final dos anos 1990 e início dos 2000, transformou a pesquisa acadêmica. Surgiram preocupações imediatas sobre a facilidade de “copiar e colar” (plágio), a sobrecarga de informação, a dificuldade em avaliar a credibilidade das fontes online e a potencial superficialidade da pesquisa.64 A resposta não foi banir a internet, mas sim desenvolver novas competências – a literacia da informação – focadas na avaliação crítica de fontes, na síntese de informação de múltiplas origens e na citação adequada.
• Processadores de Texto: Mesmo a introdução de processadores de texto, hoje omnipresentes, enfrentou alguma resistência inicial, com preocupações sobre o impacto na caligrafia ou no processo de composição. Rapidamente se tornaram ferramentas padrão que alteraram fundamentalmente as práticas de escrita, edição e revisão.

Em todos estes casos, observamos um padrão discursivo semelhante ao atual debate sobre a IA: um misto de entusiasmo sobre as potencialidades e pânico moral sobre os riscos de fraude, perda de competências essenciais e desumanização da educação. Referências ao contexto histórico da adoção tecnológica na educação brasileira 29 podem fornecer nuances adicionais sobre como estas transições ocorreram localmente.

Padrões de Resistência e Adaptação

A história destas transições revela padrões recorrentes:

• Resistência Inicial: Frequentemente liderada por educadores que veem a nova tecnologia como uma ameaça aos métodos pedagógicos estabelecidos, aos valores acadêmicos tradicionais ou às competências que consideram fundamentais.
• Inércia Institucional: As instituições educativas tendem a adaptar-se mais lentamente do que a tecnologia evolui, resultando num período de incerteza e políticas reativas.
• Experimentação Estudantil: Os estudantes, muitas vezes mais rápidos a adotar novas tecnologias, começam a usá-las antes de existirem diretrizes claras, forçando educadores e instituições a responder.
• Adaptação Gradual: Com o tempo, desenvolvem-se novas normas de uso, surgem novas competências (como a literacia da informação ou, agora, a literacia crítica em IA), e a tecnologia é gradualmente integrada nas práticas pedagógicas.
• Papel dos Pioneiros: Educadores e administradores que experimentam proativamente com a tecnologia e partilham as suas experiências desempenham um papel crucial na demonstração do seu potencial e na orientação da adaptação institucional.

Estratégias de Integração Bem-Sucedidas (Históricas)

As lições das integrações tecnológicas passadas sugerem estratégias eficazes:

• Foco na Pedagogia: O sucesso depende menos da tecnologia em si e mais de como as abordagens de ensino e avaliação evoluem para a incorporar significativamente. A questão central não é a ferramenta, mas como ela pode servir os objetivos de aprendizagem.
• Desenvolvimento de Novas Literacias: Cada tecnologia disruptiva exige novas competências. A internet exigiu literacia da informação; a IA exige literacia crítica em IA (ver Seção 2).
• Adaptação da Avaliação: Os métodos de avaliação precisam de ser repensados para medir as competências relevantes na nova paisagem tecnológica, focando menos em tarefas que a tecnologia pode automatizar facilmente e mais em pensamento crítico, criatividade e aplicação.
• Formação e Apoio Docente: Os educadores precisam de tempo, recursos e formação para compreender a tecnologia e desenvolver novas práticas pedagógicas.
• Diretrizes Claras: Estabelecer políticas claras e comunicadas sobre o uso aceitável da tecnologia é essencial para reduzir a incerteza e promover a equidade.

Aplicação de Insights Históricos aos Desafios Atuais com IA

Estes padrões históricos oferecem perspetivas valiosas para o desafio atual da IA:

• Ineficácia das Proibições: A história sugere que tentativas de banir tecnologias amplamente acessíveis são geralmente infrutíferas a longo prazo e podem até ser contraproducentes, impedindo os estudantes de aprender a usar ferramentas que serão importantes no seu futuro.
• Necessidade de Adaptação Proativa: Em vez de uma postura puramente reativa ou focada na deteção (Insight 8), as instituições devem focar-se na adaptação pedagógica proativa, no desenvolvimento da literacia crítica em IA (Insight 4) e na reforma da avaliação (ver Seção 7).
• Abordagem Equilibrada: Reconhecer que a IA, como tecnologias anteriores, apresenta tanto riscos genuínos como benefícios potenciais.1 Uma abordagem equilibrada, que procura mitigar os riscos enquanto explora as oportunidades de forma ética, é provavelmente a mais produtiva.

A compreensão de que a atual ansiedade em torno da IA ecoa “pânicos morais” anteriores pode ajudar a promover uma resposta mais medida e estratégica. O foco deve estar em como aproveitar a IA para melhorar a educação, em vez de apenas como se defender dela. A história ensina que a chave para uma integração bem-sucedida reside na evolução da pedagogia, não na resistência à tecnologia.

7. Combinando Métodos de Pesquisa Tradicionais e Assistidos por IA

A integração eficaz da IA na pesquisa acadêmica não implica a substituição dos métodos tradicionais, mas sim a sua combinação estratégica para criar contribuições genuinamente originais e rigorosas. Os estudantes precisam aprender a usar a IA como um complemento que aumenta as suas capacidades, mantendo sempre o rigor acadêmico e o controlo intelectual.

Abordagens Complementares

A IA pode aumentar, em vez de substituir, várias fases do processo de pesquisa tradicional:

• Revisão da Literatura: Ferramentas de IA (como as conceptualizadas por Elicit 31, mesmo que inacessível) podem acelerar a fase inicial de descoberta, ajudando a identificar artigos relevantes, mapear campos de investigação ou extrair informações chave de um grande volume de publicações. No entanto, esta fase assistida por IA deve ser seguida por uma leitura profunda e crítica das fontes selecionadas, análise, síntese e contextualização realizadas pelo estudante, utilizando métodos tradicionais de avaliação e interpretação.
• Análise de Dados: A IA pode ser poderosa na análise de grandes conjuntos de dados (quantitativos ou qualitativos), identificando padrões, correlações ou anomalias que poderiam ser difíceis de detetar manualmente. Contudo, a interpretação desses padrões, a sua validação, a contextualização dentro do quadro teórico e a discussão das suas implicações requerem o julgamento e a perícia do pesquisador humano.
• Redação: A IA pode auxiliar na redação de secções mais padronizadas ou descritivas (ex: descrição de métodos, resumos iniciais – sempre com verificação) ou ajudar a superar o bloqueio de escritor, fornecendo frases ou parágrafos iniciais que o estudante depois modifica e desenvolve.1 Isto pode libertar tempo e energia cognitiva para que o estudante se concentre nas partes mais analíticas e argumentativas do trabalho, onde a sua contribuição original é crucial.

Técnicas para Manter Rigor Acadêmico

Para garantir que o uso da IA não comprometa o rigor acadêmico, várias práticas são essenciais:

• Verificação Crítica e Constante: Qualquer afirmação factual, dado, resumo ou citação gerada ou sugerida pela IA deve ser rigorosamente verificada em fontes primárias e confiáveis.4 As “alucinações” (informações falsas mas plausíveis) e as referências incorretas são riscos conhecidos da IA generativa.4
• Triangulação de Fontes: Não depender exclusivamente das fontes sugeridas pela IA. Utilizar bases de dados acadêmicas tradicionais, consultar especialistas e diversificar as fontes de informação para garantir uma cobertura abrangente e equilibrada do tema.
• Manutenção do Controlo Intelectual: O estudante deve permanecer no comando do processo de pesquisa. A questão de pesquisa, a metodologia, a análise principal e a linha argumentativa devem ser definidas e controladas pelo estudante, utilizando a IA como uma ferramenta de apoio dentro desse quadro, e não como um diretor do processo.
• Transparência na Metodologia: Documentar claramente como e para que fins a IA foi utilizada no processo de pesquisa e escrita, conforme detalhado na Seção 5. Isto permite a avaliação do rigor metodológico e da contribuição do estudante.

Critérios de Avaliação para Engajamento Autêntico

Num ambiente onde a IA pode gerar textos fluentes, os critérios de avaliação precisam de evoluir para além da mera correção gramatical ou completude superficial. A avaliação do trabalho do estudante deve focar-se em indicadores de engajamento intelectual autêntico:

• Profundidade da Análise e Insight Crítico: O trabalho demonstra um pensamento original que vai além do conhecimento comum ou das respostas genéricas que a IA tende a produzir? Apresenta uma análise aprofundada e perspicaz?
• Sofisticação e Originalidade da Argumentação: O argumento é bem estruturado, nuanceado e convincentemente suportado por evidências? Vai além de uma simples compilação de informações?
• Qualidade da Integração e Síntese de Fontes: As fontes (incluindo qualquer informação mediada por IA) são utilizadas de forma crítica e eficaz para construir o argumento? Há uma síntese genuína de ideias, em vez de uma justaposição de resumos?
• Autenticidade da Voz: O texto reflete uma perspetiva individual consistente, um estilo de escrita pessoal e um engajamento genuíno com o tópico?
• Avaliação do Processo (quando aplicável): Se a documentação do processo de uso da IA for exigida (ver Seção 5), avaliar a qualidade dos prompts, a reflexão do estudante sobre a interação com a IA e a forma como as sugestões da IA foram criticamente avaliadas e integradas pode fornecer evidências diretas do engajamento autêntico. Estratégias de avaliação que tornam o processo visível são cruciais.32

Neste contexto, a autenticidade do trabalho do estudante manifesta-se menos na capacidade de gerar texto do zero e mais na habilidade de orquestrar criticamente um conjunto diversificado de recursos (incluindo a IA), sintetizá-los de forma significativa e articular uma perspetiva analítica única e bem fundamentada. A avaliação deve, portanto, visar estas competências de ordem superior.7

Desenvolvimentos Futuros na Avaliação

A prevalência da IA provavelmente impulsionará mudanças contínuas nas práticas de avaliação:

• Ênfase em Tarefas “Resistentes” à IA: Maior utilização de avaliações que a IA não consegue realizar facilmente, como tarefas que exigem reflexão pessoal profunda, análise de dados locais ou específicos não presentes nos conjuntos de treino da IA, resolução de problemas complexos do mundo real, apresentações orais, debates em sala de aula ou exames presenciais.32
• Avaliação do Processo: Maior ponderação de elementos que demonstram o processo de aprendizagem, como diários de pesquisa, rascunhos anotados, portfólios, propostas de projeto detalhadas e reflexões metacognitivas.
• Avaliação da Literacia Crítica em IA: Incorporar explicitamente a avaliação das competências dos estudantes em usar a IA de forma ética e crítica como um dos objetivos de aprendizagem.
• IA na Avaliação: Explorar o uso ético da IA para apoiar o processo de avaliação, por exemplo, fornecendo feedback formativo inicial sobre rascunhos, enquanto a avaliação sumativa final permanece sob responsabilidade humana.

A conceção de tarefas de avaliação torna-se, assim, uma frente crucial para garantir a integridade acadêmica. Em vez de depender apenas da deteção de plágio ou uso de IA após a submissão, o foco desloca-se para a criação de avaliações que, pela sua natureza, exijam e revelem o pensamento autêntico e o engajamento crítico do estudante, tornando o uso indevido da IA menos provável ou menos útil.32

Conclusão

A integração da inteligência artificial na escrita acadêmica apresenta um cenário complexo, repleto de potencialidades e desafios, especialmente para estudantes recém-ingressos no ensino superior. Esta investigação demonstrou que a IA não é intrinsecamente benéfica ou prejudicial; o seu impacto depende fundamentalmente de como é compreendida, utilizada e integrada nas práticas pedagógicas e institucionais. A questão central não é se a IA será usada, mas como pode ser usada de forma ética e eficaz para apoiar a aprendizagem autêntica e manter a integridade acadêmica.
A análise revelou que conceitos tradicionais como autoria e originalidade estão a ser redefinidos, exigindo novos modelos conceptuais e práticas de atribuição transparentes. Legalmente, a autoria permanece humana, mas eticamente, a contribuição da IA levanta questões que as políticas institucionais e as normas disciplinares devem abordar. Pedagogicamente, a IA oferece ferramentas que podem melhorar certos aspetos da escrita e reduzir a ansiedade, mas também acarreta o risco de superficialidade, atrofia de competências críticas e dependência excessiva se não for gerida cuidadosamente. A eficiência prometida pela IA pode paradoxalmente minar os processos cognitivos que sustentam a aprendizagem profunda.
As diretrizes éticas devem ser específicas para cada fase do processo de escrita, com particular atenção à fase de redação, onde o risco de plágio e fraude (incluindo o uso de “humanizadores”) é mais elevado. Um framework prático como o TORCE (Transparência, Originalidade, Responsabilidade, Crítica, Engajamento) pode guiar os estudantes. As políticas institucionais, por sua vez, mostram-se muitas vezes reativas e em desfasamento com a tecnologia, com uma dependência excessiva da deteção, que se revela uma estratégia limitada face às ferramentas de evasão. Uma abordagem mais promissora foca-se na educação, na clareza das expectativas e na adaptação pedagógica.
Metodologias colaborativas, que posicionam a IA como assistente em tarefas específicas e exigem documentação transparente e reflexão metacognitiva, são essenciais para um uso produtivo. Os paralelos históricos com tecnologias anteriores sugerem que a resistência inicial e o pânico moral são padrões recorrentes, e que a integração bem-sucedida depende da evolução pedagógica, não da proibição ou da mera adoção tecnológica. Finalmente, a combinação de métodos de pesquisa tradicionais e assistidos por IA exige rigor, verificação crítica e um foco renovado na avaliação de competências de ordem superior, como a síntese crítica e a voz autoral, através de tarefas de avaliação inovadoras e “resistentes” à IA.
Para uma integração ética e eficaz da IA, propõe-se um framework abrangente que envolva múltiplos stakeholders:

• Instituições: Devem desenvolver políticas claras, flexíveis e comunicadas; investir robustamente na formação docente sobre pedagogia com IA; fornecer recursos acessíveis para estudantes sobre uso ético e literacia crítica em IA; e promover uma cultura de integridade que valorize a aprendizagem autêntica acima da mera deteção de fraudes.
• Educadores: Precisam de abraçar a adaptação pedagógica, redesenhando currículos e avaliações para fomentar o pensamento crítico na presença da IA; ensinar explicitamente a literacia crítica em IA; ser transparentes nas suas expectativas sobre o uso de IA; e focar no feedback e no desenvolvimento do processo de aprendizagem do estudante.
• Estudantes: Têm a responsabilidade de se envolverem criticamente com a tecnologia; aderir a princípios éticos como os do framework TORCE; desenvolver a sua consciência metacognitiva sobre o uso da IA; praticar a transparência; e utilizar a IA como uma ferramenta para aumentar o seu pensamento, não para o substituir.
• Desenvolvedores de Tecnologia: Têm um papel a desempenhar na promoção do uso ético, sendo mais transparentes sobre as capacidades e limitações dos seus modelos; considerando as implicações éticas no design das ferramentas; e potencialmente colaborando com a comunidade educacional para desenvolver soluções que apoiem a integridade acadêmica.

A jornada de integração da IA na academia está apenas a começar. Exigirá diálogo contínuo, pesquisa empírica, flexibilidade e um compromisso partilhado entre todos os stakeholders para garantir que estas poderosas ferramentas sejam aproveitadas de forma a enriquecer a educação e a fortalecer, em vez de minar, os valores fundamentais da integridade acadêmica e do desenvolvimento intelectual.

Referências (Formato ABNT - Nota: Utilizando IDs dos snippets fornecidos como placeholders)

• Bahnsen, A. C., Aouada, D., Stojanovic, A., & Ottersten, B. (2016). Feature engineering strategies for credit card fraud detection. Expert Systems with Applications, 51, 134-142. 34
• Bahrammirzaee, A. (2010). A comparative survey of artificial intelligence applications in finance: artificial neural networks, expert system and hybrid intelligent systems. Neural Computing and Applications, 19(8), 1165-1195. 34
• Chan, K. S., & Zary, N. (2019). Applications and challenges of implementing artificial intelligence in medical education: A scoping review protocol. JMIR Research Protocols, 8(12), e13960. 3
• Chu, H., et al. (Ano não especificado). 3
• Coletânea Educação e Tecnologia. (2024). ANEC. 35
• Costa, M. R. M., Filho, O. L. S., & Bottentuit Júnior, J. B. (2019). 29
• Cotton, D., Cotton, P., & Shipway, J. (2023). Chatting and cheating: Ensuring academic integrity in the era of ChatGPT. Innovations in Education and Teaching International, 1-12. 12
• Das, S. (2024). 37
• Della Ventura, G. (2017). 3
• Eaton, S. E. (2022). 12
• Eaton, S. E. (Ed.). (2023). Ethics of Artificial Intelligence in Academia. 38
• Educação e Formação de Professores: História(s) e Memória(s). (Ano não especificado). 39
• Educação Fora da Caixa V4. (2018). VIA/UFSC. 40
• ENAPID 2023 Final. (2023). INPI. 41
• Ferreira, M., Costa, M. R. M., Meira, É. N. G., & Silva Filho, O. L. (2024). Inteligência artificial na Educação Superior: avanços e dilemas na produção acadêmica. EmRede - Revista de Educação a Distância, 11. 2
• Gašević, D., et al. (2023). 13
• Getz, D., & Tadmor, Z. (2015). Israel. In UNESCO Science Report: Towards 2030. UNESCO. 42
• Ginsburg, J. C. (2003). The concept of authorship in comparative copyright law. DePaul Law Review, 52(4), 1063-1092. 11
• Goldstein, P., & Hugenholtz, P. B. (2019). International Copyright: Principles, Law, and Practice (4th ed.). Oxford University Press. 11
• Greekline Publications and Academic Journals - Complimentary Edition. (2024). 1(1). 37
• Guia para as Principais Ferramentas e Recursos para Criação de Conteúdo sem Esforço. Brainpod.ai. (s.d.). 43
• Implementation measures released for China’s new world class university policy. (2017). Australian Government Department of Education. 42
• Integridad Académica. (s.d.). Defensoría UNAM. 44
• Iribarren, M. I. (Ano não especificado). Producción Científica y Visibilidad de los Investigadores de la Universidad Carlos III de Madrid. 42
• Kang, B. (2022). 12
• Königstorfer, F., & Thalmann, S. (2020). Applications of Artificial Intelligence in Commercial Banks: A Research Agenda. Future Internet, 12(11), 196. 34
• Lebaron, B., Arthur, W. B., & Palmer, R. (1999). Time series properties of an artificial stock market. Journal of Economic Dynamics and Control, 23(9-10), 1487-1516. 34
• Lim, W. M., et al. (2023). 12
• Manual de introdução às técnicas de pesquisa em Ciência Política. (s.d.). ENAP. 45
• Martins Velasco, A., Farias Coelho, E. W., Silva Paes, V. L., & Silva de Oliveira, R. C. (2025, Março). A Inteligência Artificial na saúde: os Chatbots e suas aplicações na educação e pesquisa científica médicas. Artigo. 16
• Mayring, P. (2004). Qualitative content analysis. In U. Flick, E. V. Kardof, & L. Steinke (Eds.), A companion to qualitative research (pp. 266-269). Sage. 39
• Metodologia Científica. (s.d.). UFT. 46
• Möller, L. (2023). 12
• Monica AI Humanizer. (s.d.). Monica.im. 18
• Noviyanti, N., Pratiwi, D., & Apriani, S. (2024). The Impact of AI Writing Tools on Academic Writing: The Perspective of Higher Education Students in Indonesia. ACE Programme 2024. IAFOR. 47
• Oyeniyi, A., et al. (2024). 34
• Pedro, F., Subosa, M., Rivas, A., & Valverde, P. (2019). Artificial intelligence in education: Challenges and opportunities for sustainable development. UNESCO. 37
• Penteado, B., et al. (2023). A digitalização em saúde sob os marcos da Estratégia de Saúde Digital para o Brasil. Fronteiras - Estudos Midiáticos, 25(1), 170-180. 48
• Perkins, M. (2023). Academic Integrity considerations of AI Large Language Models in the post-pandemic era: ChatGPT and beyond. Journal of University Teaching & Learning Practice, 20(2). 12
• Pesquisas Contemporâneas 4. (s.d.). Educapes/CAPES. 29
• Preis, T., Reith, D., & Stanley, H. E. (2010). Complex dynamics of our economic life on different scales: insights from search engine query data. Philosophical Transactions of the Royal Society A: Mathematical, Physical and Engineering Sciences, 368(1933), 5707-5719. 34
• PROFNIT Série Metodologia da Pesquisa Volume 1. (2022). PROFNIT. 49
• Queirós, F. A. T. (2025, Março). Metodologias em pesquisas acadêmico-científicas: subjetividades, afetações e práticas. NEPAN/EDUFAC. 50
• Quintino, M. E. G., Garcia, A. G. P. V., Primola, A. M. S., Chaves, E. C., Souza, N. M., Oliveira, L. L. G., & Sousa, C. V. (2024). Implicações éticas do uso da inteligência artificial (IA) em textos científicos: uma revisão integrativa de literatura. ResearchGate. 14
• Ramalho, A. (2019). The Concept of Author in Copyright Law. Edward Elgar Publishing. 11
• Ravi Kumar, V. V., & Raman, R. (Ano não especificado). 3
• Repensar a Universidade II. (s.d.). University of Twente. 42
• Ribeiro, B. (2023). ChatGPT e educação: desafios pedagógicos e éticos na escrita acadêmica. Trabalhos em Linguística Aplicada, 62(2), 876-887. 4
• Ricketson, S. (Ano não especificado). 11
• Rocha, H. A., & Bilhalva, T. B. (2024). O Plágio a partir da Percepção dos Alunos da Educação Superior a Distância. ResearchGate. 8
• Rocha, R., Tauceda, F., & Santos, F. (2024). Inteligência Artificial (IA) Generativa e Competência em Informação: Habilidades Informacionais Necessárias ao Uso de Ferramentas de IA Generativa em Demandas Informacionais de Natureza Acadêmica-Científica. ResearchGate. 16
• Rodrigues, L. O. R. (2013). O movimento renovador do ensino das ciências: entre a renovação da escola secundária e a garantia do prestígio social da ciência. Educação em Revista, 29(1), 19-49. 30
• Ruiz, R., & Velasquez, J. (2023). Inteligencia artificial al servicio de la salud del futuro. Revista Médica Clínica Las Condes, 34(1), 84-91. 48
• Russell, S., & Norvig, P. (2021). Inteligência artificial: Estruturas e estratégias para resolução complexa de problemas (4ª ed.). Pearson. 48
• Santos, A. C. V. (2024). GenAI in Academic Writing- Empowering Learners or Redefining Traditional Pedagogical Practices? A Systematic Review From 2019-2023. ResearchGate. 1
• Si, Y., et al. (2020). Deep representation learning of patient data from Electronic Health Records (EHR): A systematic review. Journal of Biomedical Informatics, 115, 103671. 48
• Silva, G., Silva, H., & Rodrigues, M. (2024). Desafios do uso da inteligência artificial nos diagnósticos de saúde: uma revisão integrativa. Cadernos Ibero-Americanos de Direito Sanitário, 13(2), 11–18. 48
• Silva, M., et al. (2024). A era dos dispositivos digitais na promoção da saúde: conectando o cuidado. Brazilian Journal of Implantology and Health Sciences, 6(5), 1260–1288. 48
• Snyder, H. (2019). Literature review as a research methodology: An overview and guidelines. Journal of Business Research, 104, 333-339. 48
• Stoesz, B. M., & Eaton, S. E. (2020). 12
• Syllabi - EKU. (2024). Eastern Kentucky University. 28
• TeLLT & CoLLT 2024 Programme Book. (2024). EdUHK. 36
• The Raffle. (2024). 37
• Timea-Erika, G. (Ano não especificado). 3
• Todd, P., & Benbasat, I. (1999). Evaluating the Impact of DSS, Cognitive Effort, and Incentives on Strategy Selection. Information Systems Research, 10(4), 356-374. 34
• UNESCO. (2005). Sociedade da informação no Brasil: Livro Verde. UNESCO. 51
• UNESCO. (2012). Políticas de Acesso Aberto para a Educação Superior. UNESCO. 52
• UNESCO. (2015). TIC na educação na América Latina e no Caribe. UNESCO. 53
• UNESCO. (2022). 12
• UNESCO. (2023a). 12
• UNESCO. (2023b). Ethics of artificial intelligence. WHO. 48
• Valle, B. (2021). Inteligência artificial e escrita acadêmica: o que nos reserva o algoritmo GPT-3? ResearchGate. 9
• Vásquez-Córdova, S. A., & Ochoa-Urrea, M. J. (2023). ChatGPT: Oportunidades y desafíos para la formación de competencias en terapeutas ocupacionales. Cadernos Brasileiros de Terapia Ocupacional, 31. 7
• Vicari, R. M. (2019). 29
• Warschauer, M., et al. (2023). 13
• Walter Writes AI. (s.d.). 22
• Yigitcanlar, T., et al. (2020). Can Building “Artificially Intelligent Cities” Secure a Sustainable Future? Sustainability, 12(19), 8134. 34
• Zimba, Z., & Mwila, K. (2023). Automatic paraphrasing tools: an unexpected consequence of addressing student plagiarism and the impact of COVID in distance education settings. Praxis Educativa, 18, 1-19. 17
• 54 (Referência incompleta: Reciis, 38(suppl. 1), 52-60, 2020)
• 4 (Referência incompleta: Download PDF)
• 6 (Referência incompleta: Filos. Unisinos, Acesso em 10 nov. 2023)
• 55 (Referência incompleta: Dialnet, 57(3), 205-213, nov. 2013)
• 56 (Referência incompleta: Palavra Aberta - A inteligência artificial, Acesso em 10 mar. 2023)
• 57 (Referência incompleta: DOI:10.1007/s40979-018-0037-6)
• 58 (Referência incompleta: ISBN: 978-85-7911-139-6)
• 5 (Referência incompleta: Debates em Educação, Publicado 2025-01-20)
• 59 (Referência incompleta: ORCID)
• 60 (Referência incompleta: TikTok @escritamestra)
• 10 (Referência incompleta: SeniorExecutive.com)
• 34 (Referência incompleta: Journal of Risk and Financial Management, 18(3), 159)
• 11 (Referência incompleta: IIC - International Review of Intellectual Property and Competition Law)
• 15 (Referência incompleta: ResearchGate)
• 61 (Referência incompleta: Disser.spbu.ru)
• 12 (Referência incompleta: Discourse and Writing/Rédactologie, 34)
• 13 (Referência incompleta: Discourse and Writing/Rédactologie, 34)
• 19 (Referência incompleta: Unite.ai)
• 21 (Referência incompleta: Surferseo.com/ai-humanizer)
• 23 (Referência incompleta: Surferseo.com/ai-content-detector)
• 25 (Referência incompleta: Essaydone.ai)
• 26 (Referência incompleta: ResearchGate)
• 27 (Referência incompleta: Word-spinner.com)
• 5 (Referência incompleta: Debates em Educação)
• 6 (Referência incompleta: Filosofia Unisinos)

Works cited

1. GenAI in Academic Writing- Empowering Learners or Redefining …, accessed May 3, 2025, https://www.researchgate.net/publication/390933790_GenAI_in_Academic_Writing-_Empowering_Learners_or_Redefining_Traditional_Pedagogical_Practices_A_Systematic_Review_From_2019-2023
2. (PDF) Inteligência artificial na Educação Superior - avanços e …, accessed May 3, 2025, https://www.researchgate.net/publication/385026135_Inteligencia_artificial_na_Educacao_Superior_-_avancos_e_dilemas_na_producao_academica
3. Review On Related Literature | PDF | Artificial Intelligence - Scribd, accessed May 3, 2025, https://www.scribd.com/document/729726718/REVIEW-ON-RELATED-LITERATURE
4. A inteligência artificial na educação: os desafios do … - SciELO Brasil, accessed May 3, 2025, https://www.scielo.br/j/tl/a/rxWn7YQbndZMYs9fpkxbVXv/
5. A compreensão de graduandos em pedagogia sobre a relação …, accessed May 3, 2025, https://www.seer.ufal.br/index.php/debateseducacao/article/view/17526
6. revistas.unisinos.br, accessed May 3, 2025, https://revistas.unisinos.br/index.php/filosofia/article/download/27063/60749934
7. ChatGPT y su impacto en la formación de … - SciELO Brasil, accessed May 3, 2025, https://www.scielo.br/j/cadbto/a/rR6rbjgqbttbqdCTK9NDcqp/?lang=es
8. (PDF) O Plágio a partir da Percepção dos Alunos da Educação …, accessed May 3, 2025, https://www.researchgate.net/publication/385672089_O_Plagio_a_partir_da_Percepcao_dos_Alunos_da_Educacao_Superior_a_Distancia
9. (PDF) Inteligência artificial e escrita acadêmica: o que nos reserva o …, accessed May 3, 2025, https://www.researchgate.net/publication/355314129_Inteligencia_artificial_e_escrita_academica_o_que_nos_reserva_o_algoritmo_GPT-3
10. Artificial Intelligence and Copyright: Navigating the New Legal Landscape - Senior Executive, accessed May 3, 2025, https://seniorexecutive.com/ai-copyright-law-ownership-intellectual-property-rights/
11. (PDF) Copyright and Artificial Creation: Does EU Copyright Law Protect AI-Assisted Output?, accessed May 3, 2025, https://www.researchgate.net/publication/355099987_Copyright_and_Artificial_Creation_Does_EU_Copyright_Law_Protect_AI-Assisted_Output
12. Examining AI Guidelines in Canadian Universities: Implications on Academic Integrity in Academic Writing - Public Knowledge Project, accessed May 3, 2025, https://journals.sfu.ca/dwr/index.php/dwr/article/download/1051/971/3149
13. Examining AI Guidelines in Canadian Universities - Érudit, accessed May 3, 2025, https://www.erudit.org/en/journals/dwr/2024-v34-dwr09116/1113824ar.pdf
14. (PDF) Implicações éticas do uso da inteligência artificial (IA) em …, accessed May 3, 2025, https://www.researchgate.net/publication/386257182_Implicacoes_eticas_do_uso_da_inteligencia_artificial_IA_em_textos_cientificos_uma_revisao_integrativa_de_literatura
15. (PDF) Cluster-based polyrepresentation as science modelling approach for information retrieval - ResearchGate, accessed May 3, 2025, https://www.researchgate.net/publication/281207373_Cluster-based_polyrepresentation_as_science_modelling_approach_for_information_retrieval
16. inteligência artificial (ia) generativa e competência … - ResearchGate, accessed May 3, 2025, https://www.researchgate.net/publication/381086231_INTELIGENCIA_ARTIFICIAL_IA_GENERATIVA_E_COMPETENCIA_EM_INFORMACAO_HABILIDADES_INFORMACIONAIS_NECESSARIAS_AO_USO_DE_FERRAMENTAS_DE_IA_GENERATIVA_EM_DEMANDAS_INFORMACIONAIS_DE_NATUREZA_ACADEMICA-CIENTIF
17. (PDF) Automatic paraphrasing tools: an unexpected consequence of …, accessed May 3, 2025, https://www.researchgate.net/publication/369431585_Automatic_paraphrasing_tools_an_unexpected_consequence_of_addressing_student_plagiarism_and_the_impact_of_COVID_in_distance_education_settings
18. Free AI Humanizer | Humanize AI Text & Content - Monica, accessed May 3, 2025, https://monica.im/bypass-ai/ai-humanizer
19. 10 Best AI Humanizer Tools (May 2025) - Unite.AI, accessed May 3, 2025, https://www.unite.ai/best-ai-humanizer-tools/
20. 5 Free AI Humanizer Tools of 2025: Detailed Review and Evaluation - Monica, accessed May 3, 2025, https://monica.im/blog/free-ai-humanizer/
21. Free AI Humanizer - Surfer SEO, accessed May 3, 2025, https://surferseo.com/ai-humanizer/
22. Best AI Humanizer Tools of 2025 | Compared & Reviewed - Walter Writes AI, accessed May 3, 2025, https://walterwrites.ai/best-ai-humanizer-tools/
23. Free AI Detector - Surfer SEO, accessed May 3, 2025, https://surferseo.com/ai-content-detector/
24. Walter Writes AI – Humanize AI & Detect AI Text, accessed May 3, 2025, https://walterwrites.ai/
25. EssayDone Humanizer - Undetectable & Bypass All AI Detectors, accessed May 3, 2025, https://www.essaydone.ai/humanizer
26. (PDF) ANALYSIS OF AI HUMANIZER TOOLS - ResearchGate, accessed May 3, 2025, https://www.researchgate.net/publication/383941486_ANALYSIS_OF_AI_HUMANIZER_TOOLS
27. Top 10 AI Humanizer Tools to Transform Your Content - Word Spinner, accessed May 3, 2025, https://word-spinner.com/blog/top-10-ai-humanizer-tools-to-transform-your-content/
28. Race and Ethnicity (3 Credits)- A. Cross-listed as AFA 400. Prerequisites: SOC 131 or SOC235, accessed May 3, 2025, https://apps.legislature.ky.gov/CommitteeDocuments/28/30684/17Sept2024%20EKU%20Exhibit%20B%20%E2%80%93%20Syllabi.pdf
29. educapes.capes.gov.br, accessed May 3, 2025, https://educapes.capes.gov.br/bitstream/capes/921934/2/Pesquisas%20Contempor%C3%A2neas%204.pdf
30. O movimento renovador do ensino das ciências: entre renovar a escola secundária e assegurar o prestígio - Dialnet, accessed May 3, 2025, https://dialnet.unirioja.es/descarga/articulo/8640697.pdf
31. accessed December 31, 1969, https://www.elicited.org/
32. accessed December 31, 1969, https://www.insidehighered.com/news/tech-innovation/artificial-intelligence/2023/04/12/how-assess-students-ai-writing-tools-gain
33. accessed December 31, 1969, https://www.chronicle.com/article/how-to-create-ai-proof-assignments
34. Artificial Intelligence in Financial Behavior: Bibliometric Ideas and New Opportunities - MDPI, accessed May 3, 2025, https://www.mdpi.com/1911-8074/18/3/159
35. Coletânea “Educação e Tecnologia - ANEC, accessed May 3, 2025, https://anec.org.br/wp-content/uploads/2024/09/Coletanea-Educacao-e-Tecnologia_revisao-final.pdf
36. Table of Contents - EdUHK, accessed May 3, 2025, https://www.eduhk.hk/lml/telltcollt2024/downloads/TeLLT%20&%20CoLLT%202024_%20Programme%20Book_Final.pdf
37. ll nee PUBLICATIONS AND ACADEMIC JOURNALS Official Publication of GREEKLINE CONSULTING ENTERPRISE, 34 Emekuku Street, D/Line Por, accessed May 3, 2025, https://www.greeklinepublications.org/storage/pdf/fbb4b9661792b088de54b93c2cbb50d8.pdf
38. (PDF) Ethics of Artificial Intelligence in Academia - ResearchGate, accessed May 3, 2025, https://www.researchgate.net/publication/372147879_Ethics_of_Artificial_Intelligence_in_Academia
39. (PDF) Educação e Formação de Professores: História (s) e Memória (s) - ResearchGate, accessed May 3, 2025, https://www.researchgate.net/publication/283325576_Educacao_e_Formacao_de_Professores_Historia_s_e_Memoria_s
40. EDUCAÇÃO FORA DA CAIXA Volume 4 COLEÇÃO MÍDIA, EDUCAÇÃO, INOVAÇÃO E CONHECIMENTO Volume 3, accessed May 3, 2025, https://via.ufsc.br/wp-content/uploads/2018/08/Educacao-Fora-da-Caixa-V4.pdf
41. XV Encontro Acadêmico de Propriedade Intelectual, Inovação e Desenvolvimento - GOV.BR, accessed May 3, 2025, https://www.gov.br/inpi/pt-br/servicos/a-academia/eventos-academicos/enapid/enapid-2023/arquivos/enapid-2023_final.pdf
42. REPENSAR A UNIVERSIDADE II - https ://ris.utwen te.nl, accessed May 3, 2025, https://ris.utwente.nl/ws/portalfiles/portal/147797376/Repensar_a_Universidade_II.pdf
43. Encontrando o melhor gerador de escrita de IA gratuito: seu guia para as principais ferramentas e recursos para criação de conteúdo sem esforço - Brain Pod AI, accessed May 3, 2025, https://brainpod.ai/pt/encontrando-o-melhor-gerador-de-texto-gratuito-de-ia-seu-guia-para-as-principais-ferramentas-e-recursos-para-criacao-de-conteudo-sem-esforco/
44. Integridad académica y plagio - Defensoría UNAM, accessed May 3, 2025, https://www.defensoria.unam.mx/web/publicaciones/INTEGRIDAD_ACADEMICA.pdf
45. Manual de introdução às técnicas de pesquisa qualitativa em Ciência Política Organizadores Rafael Cardoso Sampaio Carolina de Paula - Repositório Institucional da ENAP, accessed May 3, 2025, https://repositorio.enap.gov.br/bitstream/1/8513/1/Manual%20de%20introdu%C3%A7%C3%A3o%20%C3%A0s%20t%C3%A9cnicas%20de%20pesquisa%20em%20Ci%C3%AAncia%20Pol%C3%ADtica.pdf
46. METODOLOGIA CIENTÍFICA - UFT Docs, accessed May 3, 2025, https://docs.uft.edu.br/share/proxy/alfresco-noauth/api/internal/shared/node/Wv6gU1E2QfWcnh2jMFduvw/content/Metodologia%20Cientifica
47. Conference Programme & Abstract Book: ACE2024 by IAFOR - Issuu, accessed May 3, 2025, https://issuu.com/iafor/docs/ace-programme-2024
48. desafios e perspectivas da inteligência artificial (ia) na atenção à saúde: revisão integrativa da literatura - ResearchGate, accessed May 3, 2025, https://www.researchgate.net/publication/386500107_DESAFIOS_E_PERSPECTIVAS_DA_INTELIGENCIA_ARTIFICIAL_IA_NA_ATENCAO_A_SAUDE_REVISAO_INTEGRATIVA_DA_LITERATURA
49. PROFNIT-Serie-Metodologia-da-Pesquisa-Volume-1-Final-publicado.pdf, accessed May 3, 2025, https://profnit.org.br/wp-content/uploads/2022/05/PROFNIT-Serie-Metodologia-da-Pesquisa-Volume-1-Final-publicado.pdf
50. (PDF) Metodologias em pesquisas acadêmico-científicas: subjetividades, afetações e práticas - ResearchGate, accessed May 3, 2025, https://www.researchgate.net/publication/389987387_Metodologias_em_pesquisas_academico-cientificas_subjetividades_afetacoes_e_praticas
51. Inteligência, informação e conhecimento - UNESCO Digital Library, accessed May 3, 2025, https://unesdoc.unesco.org/ark:/48223/pf0000146980.locale=en
52. Educação comparada: panorama internacional e perspectivas; volume 1, accessed May 3, 2025, https://unesdoc.unesco.org/ark:/48223/pf0000217707
53. Pesquisa em educação comparada: abordagens e método, accessed May 3, 2025, https://unesdoc.unesco.org/ark:/48223/pf0000245741
54. Uso da tecnologia no ensino em saúde – perspectivas e aplicabilidades - RECIIS, accessed May 3, 2025, https://www.reciis.icict.fiocruz.br/index.php/reciis/article/download/3249/2525/11731
55. Inteligência artificial e escrita acadêmica: o que nos reserva o algoritmo GPT-3? - Dialnet, accessed May 3, 2025, https://dialnet.unirioja.es/descarga/articulo/8596004.pdf
56. INTELIGÊNCIA ARTIFICIAL E PENSAMENTO CRÍTICO - Educamídia, accessed May 3, 2025, https://educamidia.org.br/api/wp-content/uploads/2023/06/01-Palavra-Aberta-A-inteligencia-artificial-DIGITAL.pdf
57. (PDF) Plagiarism in Kosovo: A case study of two public universities - ResearchGate, accessed May 3, 2025, https://www.researchgate.net/publication/329936774_Plagiarism_in_Kosovo_A_case_study_of_two_public_universities
58. Educação e Tecnologias Digitais da Informação e Comunicação: Discursos, Práticas, Análises e Desafios - UNEMAT, accessed May 3, 2025, http://portal.unemat.br/media/files/E-Book_Educacao_e_Tecnologias_digitais-Leandra_Seganfredo-SINOP.pdf
59. Ruben Comas Forgas (0000-0002-8885-753X) - ORCID, accessed May 3, 2025, https://orcid.org/0000-0002-8885-753X
60. 6 Ferramentas Gratuitas de Paráfrase para Escrever Melhor | TikTok, accessed May 3, 2025, https://www.tiktok.com/@escritamestra/video/7494041715448352006
61. Методология построения цифрового двойника научно-технического центра в нефтегазовой отрасли, accessed May 3, 2025, https://disser.spbu.ru/files/2020/disser_krasnov.pdf
62. accessed December 31, 1969, https://medium.com/prompt-engineering/documenting-your-prompts-a-guide-to-transparency-and-reproducibility-in-prompt-engineering-a8f24c7a9167
63. accessed December 31, 1969, https://www.jstor.org/stable/27546731
64. accessed December 31, 1969, https://www.tandfonline.com/doi/abs/10.1080/07377363.2010.519741