INTELIGÊNCIA ARTIFICIAL COMO FERRAMENTA DE QUALIFICAÇÃO DOCENTE: DESENVOLVIMENTO DE UM GPT PARA AVALIAÇÃO INCLUSIVA E FEEDBACK EFETIVO NA MEDICINA

137 INTELIGÊNCIA ARTIFICIAL COMO FERRAMENTA DE QUALIFICAÇÃO DOCENTE: DESENVOLVIMENTO DE UM GPT PARA AVALIAÇÃO INCLUSIVA E FEEDBACK EFETIVO NA MEDICINA Rodrigo Niskier Ferreira Barbosa – Curso de Medicina - [email protected] DOI 10.5281/zenodo.17498873 Na educação médica, a avaliação transcende a mera verificação de conhecimento, funcionando como um pilar para o desenvolvimento de competências clínicas e um pré-requisito para o feedback construtivo. A qualidade de um instrumento avaliativo determina não apenas a fidedignidade da aferição do aprendizado, mas também a possibilidade de oferecer ao discente uma orientação clara sobre seus pontos fortes e suas áreas de melhoria. Contudo, a elaboração de avaliações de alta qualidade é uma tarefa complexa, que impõe aos docentes um triplo desafio: garantir a relevância pedagógica, alinhando os itens às Diretrizes Curriculares Nacionais (DCNs); assegurar o rigor técnico, seguindo as normas institucionais de construção de questões; e, cada vez mais, promover a equidade, criando avaliações acessíveis a um corpo discente neurodiverso. Neste contexto, a emergência da Inteligência Artificial (IA) generativa, particularmente através de modelos de linguagem customizáveis como os GPTs, oferece uma abordagem inovadora para enfrentar esses desafios. Em vez de substituir o julgamento do professor, a IA pode atuar como uma ferramenta de suporte e qualificação. Este relato de experiência descreve a concepção e os resultados da validação inicial de um GPT customizado, desenvolvido para servir como uma ferramenta de autoria para professores do curso de Medicina. A IA foi instruída a gerar questões de múltipla escolha que 138 são, simultaneamente, alinhadas às DCNs, tecnicamente rigorosas e desenhadas com base em princípios de design instrucional inclusivo. O objetivo deste trabalho é, portanto, analisar o potencial desta ferramenta como um instrumento de qualificação docente, focando em como a padronização e a melhoria dos itens avaliativos podem aprimorar fundamentalmente o ciclo de feedback e o acompanhamento discente. O projeto consistiu no desenvolvimento de uma ferramenta de suporte docente, caracterizada como um agente de IA customizado (GPT) na plataforma ChatGPT da OpenAI. A metodologia central foi a engenharia de um prompt detalhado e estruturado, que serve como o "código-fonte" comportamental e a base de conhecimento do agente. Este prompt foi meticulosamente desenhado para que a IA operasse sob três pilares fundamentais, atuando como um "Especialista em Avaliação Educacional Inclusiva". O primeiro pilar, de Relevância Pedagógica, instruiu a IA a basear o conteúdo das questões nas competências das DCNs de Medicina. O segundo, de Rigor Técnico, exigiu a adesão estrita a um manual de elaboração de provas, detalhando regras como a estrutura tripartite e a criação de distratores plausíveis. O terceiro e mais inovador pilar, de Acessibilidade e Design Inclusivo, orientou a IA a aplicar princípios para a neurodiversidade, como o uso de linguagem clara, o destaque de termos-chave com negrito e a redução da carga cognitiva. O fluxo de interação com a ferramenta foi projetado para ser simples: o docente-usuário fornece três entradas (TEMA, COMPETÊNCIA e NÍVEL DE DIFICULDADE). Em resposta, o GPT foi instruído a gerar três saídas distintas: 1) uma meta-análise da questão; 2) a questão completa em formato padrão com justificativas; e 3) uma string de texto puro para importação direta no ambiente virtual de aprendizagem Blackboard. O protótipo funcional da ferramenta foi disponibilizado publicamente através do link https://chat.openai.com/g/g-687fbddd1c648191bdaf1da29f70076e- 139 questoes-blackboard-medicina" , com o prompt integral publicado para consulta em https://rodrigo-niskier.blogspot.com/2025/07/questoesmedicina.html". Após o desenvolvimento, foi realizada uma etapa de validação inicial. Foram geradas séries de questões com diferentes temas e níveis de dificuldade para verificar a fidelidade da ferramenta às instruções. A análise dos resultados focou em confirmar se a IA era capaz de aplicar consistentemente os três pilares definidos em seu prompt de comando. A criação deste GPT customizado representa um avanço significativo no uso da IA na educação, deslocando o foco do aluno para o professor. A ferramenta funciona como um dispositivo de amplificação da capacidade docente, um exemplo prático de como a tecnologia pode servir como suporte à garantia de qualidade e ao desenvolvimento profissional contínuo. Ao internalizar e aplicar um conjunto de regras complexas, a IA libera o docente da carga cognitiva associada à verificação de normas técnicas e de formatação, permitindo que ele se concentre na essência do desafio avaliativo (CASTANEDA; SELWYN, 2018). O principal argumento teórico que sustenta a relevância da ferramenta é a sua capacidade de qualificar o ciclo de avaliação para a aprendizagem (assessment for learning). Este conceito defende que a avaliação não deve ser um ponto final, mas um ponto de partida para o diálogo e o feedback que promovem a aprendizagem futura (WILIAM, 2011). Uma questão mal formulada gera dados de avaliação imprecisos, tornando o feedback ineficaz. Ao padronizar a criação de itens rigorosos e justos, o GPT assegura que a avaliação meça o que se propõe a medir. As justificativas detalhadas para cada alternativa, geradas automaticamente, equipam o professor com um material rico para sessões de feedback, explicando não apenas a resposta correta, mas também a lógica por trás dos erros mais comuns, o que é fundamental para a metacognição do aluno. A incorporação de 140 diretrizes para neurodiversidade alinha a ferramenta aos princípios do Design Universal para Aprendizagem (DUA). O DUA busca criar ambientes de aprendizagem que sejam acessíveis a todos, removendo barreiras desnecessárias (CAST, 2018). No contexto da avaliação, uma linguagem excessivamente complexa ou uma apresentação visual confusa podem constituir barreiras que impedem um aluno neurodivergente de demonstrar seu real conhecimento sobre o conteúdo. Ao aplicar princípios de DUA (clareza, foco visual, sequenciamento lógico), o GPT ajuda a garantir que a avaliação seja um teste de competência médica, e não de habilidade de interpretação sob estresse. Isso torna o acompanhamento do progresso dos alunos mais equitativo e válido. Finalmente, a ferramenta otimiza drasticamente o fluxo de trabalho docente. A capacidade de gerar automaticamente uma string formatada para o Blackboard, por exemplo, elimina uma tarefa manual, demorada e propensa a erros. Essa economia de tempo e esforço é um recurso valioso que pode ser realocado para atividades de maior impacto pedagógico e humano, como o planejamento de aulas, a tutoria de alunos e, crucialmente, a dedicação de mais tempo para fornecer feedback personalizado e significativo. A fase de validação inicial do protótipo funcional demonstrou resultados altamente satisfatórios e promissores. A ferramenta provou ser capaz de interpretar as instruções complexas do prompt e gerar consistentemente questões que atendem aos três pilares estabelecidos. Notavelmente, a IA aplicou com sucesso os princípios de design inclusivo, utilizando negrito para destacar informações cruciais em casos clínicos e mantendo uma linguagem clara e direta, conforme solicitado para beneficiar estudantes neurodivergentes. Nos testes, o GPT personalizado demonstrou a capacidade de classificar adequadamente as questões geradas segundo a Taxonomia de Bloom Revisada, indicando na sua meta- 141 análise se o item avaliava predominantemente a aplicação, a análise ou a avaliação, o que confere ao professor maior controle sobre o nível cognitivo de suas provas. Ademais, o formato de saída para o Blackboard foi gerado sem erros em todos os testes, e o processo de upload das questões na plataforma foi realizado com sucesso, confirmando a eficácia da ferramenta em otimizar o fluxo de trabalho docente. Esses resultados preliminares, ainda que não meçam o impacto no aprendizado do aluno, validam a ferramenta como um assistente de autoria eficaz e fiel às suas diretrizes de programação. O desenvolvimento deste GPT customizado para elaboração de questões de medicina ilustra um modelo maduro e responsável de aplicação da Inteligência Artificial na educação. A experiência demonstra que o maior potencial da IA pode não residir em substituir tarefas humanas, mas em aumentar e qualificar a capacidade dos educadores. Ao encapsular normas curriculares, regras técnicas e princípios de inclusão em uma ferramenta de fácil acesso e com validação inicial positiva, o projeto oferece uma solução prática e funcional para um problema real e complexo da prática docente. A principal contribuição desta iniciativa é a de posicionar a IA como uma ferramenta de "backstage", que trabalha para e com o professor. Contudo, é fundamental reiterar que a responsabilidade final pela qualidade e adequação de qualquer item avaliativo permanece com o docente. A IA é uma assistente poderosa, mas o julgamento crítico e a validação final do educador são indispensáveis. Como trabalhos futuros, vislumbra-se a realização de um estudo empírico para medir o impacto da ferramenta na percepção de docentes e discentes sobre a qualidade das avaliações e a condução de testes de usabilidade com um grupo maior de professores. 142 REFERÊNCIAS BRASIL. Ministério da Educação. Conselho Nacional de Educação. Câmara de Educação Superior. Resolução nº 3, de 20 de junho de 2014. Institui Diretrizes Curriculares Nacionais do Curso de Graduação em Medicina e dá outras providências. Diário Oficial da União, Brasília, DF, 23 jun. 2014. Seção 1, p. 8-11. CAST. Universal Design for Learning Guidelines version 2.2. Wakefield, MA: Author, 2018. Disponível em: http://udlguidelines.cast.org. Acesso em: 22 jul. 2025. CASTANEDA, L.; SELWYN, N. More than tools? Making sense of the ongoing digitizations of higher education. International Journal of Educational Technology in Higher Education, v. 15, n. 22, 2018. DOI: 10.1186/s41239-018-0109-y. FERRAZ, A. P. do C. M.; BELHOT, R. V. Taxonomia de Bloom: revisão teórica e apresentação das adequações do instrumento para definição dos objetivos instrucionais. Gestão & Produção, São Carlos, v. 17, n. 2, p. 421-431, 2010. DOI: 10.1590/S0104530X2010000200012. MOLENAAR, I. The concept of a digital tutor for personalized education. In: Personalized Learning in the Digital Age. Routledge, 2022. p. 21-36. OLIVEIRA, Anderson Belmont Correia de; ASSIS, Julyana Silva de. Manual de elaboração de provas do curso de medicina. João Pessoa: Centro Universitário de João Pessoa, 2024. ISBN: 978-65-86735-62-8. ROSE, D. H.; MEYER, A. Teaching every student in the digital age: Universal design for learning. Alexandria, VA: Association for Supervision and Curriculum Development, 2002. WILIAM, D. What is assessment for learning? Studies in Educational Evaluation, v. 37, n. 1, p. 3-14, 2011. DOI: 10.1016/j.stueduc.2011.03.001.