INTELIGÊNCIA ARTIFICIAL COMO MEDIADORA DA AVALIAÇÃO FORMATIVA NO ENSINO FUNDAMENTAL: DIRETRIZES A PARTIR DO DCGO COMPUTAÇÃO
A presença crescente das tecnologias digitais na Educação Básica desafia a escola a incorporar a Inteligência Artificial (IA) de modo crítico, ético e pedagogicamente orientado. Este artigo investiga como ferramentas de IA podem mediar processos de avaliação formativa do pensamento computacional no Ensino Fundamental, em articulação com o Documento Curricular para Goiás – Computação (DCGO Computação). O estudo concentra-se nas habilidades de decomposição de problemas, raciocínio lógico e construção de algoritmos, considerando os anos iniciais e finais. Fundamentada em Luckesi, Hoffmann, Zabala, Morin e Brandão, a proposta compreende a avaliação como prática diagnóstica, mediadora e comprometida com o desenvolvimento integral. Metodologicamente, delineia-se uma pesquisa-ação de natureza interventiva, organizada em quatro momentos: mapeamento curricular, desenho da arquitetura pedagógica, aplicação piloto e análise qualitativa. A IA será utilizada para oferecer perguntas orientadoras e microfeedbacks, sem substituir o raciocínio do estudante ou o julgamento profissional do professor. Espera-se demonstrar que, submetida à intencionalidade pedagógica e a protocolos de proteção de dados, a IA pode personalizar o acompanhamento da aprendizagem, ressignificar o erro e fortalecer a autonomia discente.
Palavras-chave: Avaliação formativa. Inteligência Artificial. Mediação pedagógica. Pensamento computacional. DCGO Computação.
ABSTRACT
This article investigates how Artificial Intelligence tools can mediate formative assessment of computational thinking in Elementary Education, in alignment with the Goiás Curriculum Document – Computing. It focuses on problem decomposition, logical reasoning, and algorithm construction. Based on Luckesi, Hoffmann, Zabala, Morin, and Brandão, the study adopts an intervention-based action research design. AI will provide guiding questions and microfeedback rather than replace students’ reasoning or teachers’ professional judgment. The research expects to show that, when guided by pedagogical intentionality and data-protection protocols, AI can personalize learning monitoring, reframe error, and strengthen student autonomy.
Keywords: Formative assessment. Artificial Intelligence. Pedagogical mediation. Computational thinking. DCGO Computação.
1 INTRODUÇÃO
A expansão dos algoritmos e das ferramentas de Inteligência Artificial modifica práticas sociais, profissionais e culturais e repercute diretamente sobre a escola. No Ensino Fundamental, essa transformação não pode ser reduzida à aquisição de habilidades instrumentais ou à automatização de tarefas. Ela exige que os estudantes compreendam como os sistemas digitais funcionam, desenvolvam capacidade de resolver problemas e reconheçam as implicações éticas, sociais e culturais das tecnologias que utilizam.
Nesse contexto, o pensamento computacional constitui competência relevante para a formação contemporânea. Decompor problemas, identificar padrões, abstrair informações e formular algoritmos favorece não apenas a programação, mas também a organização do pensamento, a tomada de decisões e a participação crítica na sociedade. O DCGO Computação oferece, para a realidade educacional goiana, referências que orientam o desenvolvimento progressivo dessas habilidades.
A avaliação, entretanto, não deve utilizar a IA para ampliar a classificação ou a vigilância sobre os estudantes. Deve empregá-la como recurso de acompanhamento e diálogo, capaz de tornar mais visíveis os caminhos percorridos pelo educando e de apoiar intervenções docentes oportunas. O problema que orienta este estudo é: de que maneira a IA pode potencializar a avaliação formativa, promovendo personalização e mediação da aprendizagem sem reproduzir uma lógica padronizadora e classificatória?
O objetivo geral é investigar como ferramentas de IA podem atuar como mediadoras na avaliação formativa do pensamento computacional, analisando possibilidades pedagógicas e cuidados éticos. Especificamente, pretende-se mapear habilidades previstas no DCGO Computação; elaborar uma matriz de intervenção com microfeedbacks reflexivos; analisar o erro e a depuração como recursos metacognitivos; e estabelecer princípios de transparência, governança e proteção de dados.
2 FUNDAMENTAÇÃO TEÓRICA
Luckesi (2013; 2018) critica a predominância da “pedagogia do exame”, marcada pela centralidade da nota, pela classificação e pelo tratamento do erro como punição. Em uma perspectiva formativa, avaliar significa produzir informações que ajudem a compreender a aprendizagem e a decidir quais intervenções favorecem o avanço do estudante.
Hoffmann (2010; 2019) compreende a avaliação mediadora como ação reflexiva, contínua e dialógica. O erro é hipótese provisória e oportunidade de investigação. A IA pode apoiar essa perspectiva ao organizar registros de tentativas, identificar padrões de dificuldade e sugerir perguntas que estimulem a revisão do raciocínio. A interpretação pedagógica dos dados, contudo, permanece responsabilidade do professor.
O DCGO Computação (GOIÁS, 2023) orienta o desenvolvimento da cultura digital e do pensamento computacional, articulando decomposição, reconhecimento de padrões, abstração e algoritmos. Nos anos iniciais, as propostas podem envolver sequências de ações, narrativas interativas e programação visual. Nos anos finais, podem avançar para variáveis, estruturas condicionais, laços de repetição, fluxogramas, testes de mesa e análise crítica dos sistemas algorítmicos.
Zabala (1998) ressalta a articulação entre conteúdos conceituais, procedimentais e atitudinais. No pensamento computacional, isso envolve compreender a lógica, codificar e depurar, além de desenvolver cooperação, persistência, responsabilidade e ética. Morin (2000) alerta contra a redução da formação humana a indicadores fragmentados, enquanto Brandão (2007) reforça que a educação acontece em relações comunitárias e afetivas. Assim, a IA amplia o acompanhamento, mas não substitui a escuta, o vínculo e a mediação humana.
A tese central deste trabalho é que a qualidade da avaliação mediada por IA não depende da quantidade de dados coletados, mas da qualidade das perguntas pedagógicas formuladas a partir desses dados. Um sistema pode identificar um erro sintático com precisão e, ainda assim, produzir uma intervenção pobre se transformar a dificuldade em rótulo ou se antecipar a solução. Em sentido formativo, a informação só se converte em conhecimento pedagógico quando é interpretada no contexto da atividade, da história do estudante e das interações da turma. Essa compreensão aproxima a avaliação da perspectiva diagnóstica de Luckesi (2013), para quem avaliar implica acolher a realidade e agir sobre ela com vistas à aprendizagem.
3 METODOLOGIA E PROPOSTA DE INTERVENÇÃO
A investigação adotará pesquisa-ação, de abordagem qualitativa e caráter interventivo, envolvendo planejamento, aplicação, observação, reflexão e replanejamento. O público-alvo será formado por estudantes e docentes do Ensino Fundamental, em contexto vinculado à rede de ensino do Estado de Goiás.
A primeira fase compreenderá o mapeamento curricular e a curadoria de materiais, com seleção das habilidades do DCGO Computação relacionadas à decomposição, à lógica e aos algoritmos. Serão priorizados ambientes de IA com anonimização, moderação e controle de dados.
A segunda fase estruturará um ciclo avaliativo em quatro momentos: (a) desafio situado, relacionado ao cotidiano dos estudantes; (b) decomposição e resolução, com registro por desenhos, sequências, fluxogramas, pseudocódigo ou blocos; (c) mediação formativa por IA, com perguntas e microfeedbacks, sem respostas prontas; e (d) intervenção docente, baseada na análise dos registros e nas necessidades individuais e coletivas.
A terceira fase corresponderá à aplicação piloto. Nos anos iniciais, serão priorizadas decomposição narrativa, sequenciação lógica e programação em blocos. Nos anos finais, serão trabalhadas estruturas condicionais, variáveis, laços de repetição, testes de mesa, programação e auditoria de vieses em IA. Na quarta fase, serão analisados registros de depuração, produções, autoavaliações e relatos docentes.
A coerência entre avaliação e intervenção dependerá da definição prévia de critérios observáveis. Em vez de avaliar apenas se o algoritmo funcionou, serão considerados: a capacidade de decompor o problema; a clareza da sequência lógica; a justificativa das escolhas; a revisão realizada após o feedback; e a colaboração estabelecida durante a atividade. Esses critérios articulam conhecimentos conceituais, procedimentos e atitudes, conforme a tipologia de Zabala (1998). O feedback produzido pela IA deverá, portanto, ser curto, compreensível e progressivo, sempre devolvendo ao estudante a responsabilidade de pensar e decidir.
4 RESULTADOS ESPERADOS E DISCUSSÃO
Espera-se ressignificar o erro no ensino do pensamento computacional. Na depuração, a falha deixa de ser evidência de incapacidade e passa a orientar a investigação. Ao receber perguntas em vez de soluções prontas, o estudante é convidado a explicar seu raciocínio, testar possibilidades e construir autonomia.
Também se espera ampliar a personalização do acompanhamento pedagógico. A organização dos registros poderá ajudar o professor a reconhecer dificuldades específicas de sequenciação, abstração ou lógica, favorecendo intervenções mais precisas e acolhedoras. A IA, nesse desenho, fortalece a docência ao apoiar o monitoramento, sem substituir o trabalho intelectual e relacional do educador.
A análise proposta não parte da ideia de que personalizar significa oferecer uma atividade diferente para cada estudante. Personalizar, neste estudo, significa produzir condições para que o professor compreenda como cada estudante pensa, quais estratégias mobiliza e em que ponto necessita de ajuda. Essa distinção é fundamental: a IA pode reconhecer regularidades nos registros, mas somente a mediação docente pode interpretar se determinada resposta decorre de uma dificuldade conceitual, de uma barreira linguística, de uma condição de acesso ou de uma escolha criativa. Por isso, os dados devem ser tratados como indícios, e não como diagnósticos definitivos (HOFFMANN, 2019; MORIN, 2000).
5 PRINCÍPIOS ÉTICOS E GOVERNANÇA
A intervenção deverá observar proteção de dados pessoais, coleta mínima de informações e atenção especial às crianças e aos adolescentes, conforme a LGPD. Deverá assegurar transparência sobre o uso de sistemas automatizados e suas limitações. Nenhum resultado gerado por IA poderá determinar isoladamente nota, retenção ou promoção. Será necessário acompanhar possíveis vieses, diferenças de acesso e formas diversas de expressão, garantindo que a tecnologia contribua para a inclusão, e não para a padronização dos sujeitos.
6 CONSIDERAÇÕES FINAIS
A Inteligência Artificial pode contribuir para a avaliação formativa do pensamento computacional quando utilizada como recurso de mediação, e não como autoridade classificatória. Sua contribuição mais relevante está em tornar visíveis os processos de pensamento, apoiar feedbacks oportunos e favorecer a revisão das hipóteses dos estudantes.
A articulação com o DCGO Computação aproxima as habilidades de decomposição, lógica e algoritmos de situações concretas e socialmente significativas. A interlocução com Luckesi, Hoffmann, Zabala, Morin e Brandão reafirma que a avaliação deve preservar seu compromisso com a aprendizagem, a inclusão, a autonomia e a formação humana integral. O uso educacional da IA exige intencionalidade pedagógica, formação docente, transparência e governança ética.
REFERÊNCIAS
BRANDÃO, Carlos Rodrigues. O que é educação. São Paulo: Brasiliense, 2007.
GOIÁS. Conselho Estadual de Educação. Resolução CEE/CP n. 09, de 15 de dezembro de 2023. Fixa normas complementares para a implementação do Documento Curricular para Goiás – Etapa Ensino Fundamental: Computação. Goiânia: CEE/GO, 2023.
GOIÁS. Secretaria de Estado da Educação. Documento Curricular para Goiás: ampliação – Computação: Educação Infantil e Ensino Fundamental. Goiânia: SEDUC/GO, 2023.
HOFFMANN, Jussara. Avaliação mediadora: uma prática em construção da pré-escola à universidade. 35. ed. Porto Alegre: Mediação, 2019.
HOFFMANN, Jussara. Avaliar para promover: as setas do caminho. Porto Alegre: Mediação, 2010.
LUCKESI, Cipriano Carlos. Avaliação da aprendizagem escolar: estudos e proposições. 22. ed. São Paulo: Cortez, 2013.
LUCKESI, Cipriano Carlos. Avaliação em educação: questões epistemológicas e práticas. São Paulo: Cortez, 2018.
MORIN, Edgar. Os sete saberes necessários à educação do futuro. 2. ed. São Paulo: Cortez; Brasília: UNESCO, 2000.
ZABALA, Antoni. A prática educativa: como ensinar. Porto Alegre: Artmed, 1998.
