IA para criar questões: como usar com critério pedagógico

Eu já terminei um planejamento olhando para uma folha em branco e pensando: “preciso de questões diferentes, adequadas à turma e prontas para amanhã”. Criar uma boa avaliação não é apenas escrever cinco alternativas. Exige escolher habilidade, prever a interpretação do estudante, construir distratores plausíveis e revisar cada palavra. Por isso, quando comecei a usar IA para criar questões, tratei a ferramenta como apoio de planejamento — nunca como substituta do meu julgamento.

Na minha experiência, a IA funciona melhor quando eu dou um recorte claro e confiro o resultado com calma. Ela acelera a primeira versão, sugere contextos e organiza itens por dificuldade; eu mantenho a responsabilidade pelo objetivo pedagógico, pela linguagem e pela correção. Com uma plataforma como o GeraProva, consigo partir de habilidades, etapa de ensino e nível cognitivo sem perder de vista aquilo que importa: saber o que minha turma realmente aprendeu.

Como usar IA para criar questões sem perder a autoria docente?

Usar IA para criar questões sem perder a autoria docente significa definir antes o que será avaliado, pedir itens com contexto e critérios explícitos e revisar integralmente o material antes de aplicá-lo. Eu começo pela habilidade da BNCC, pelo conteúdo e pelo nível de raciocínio que quero observar; depois, uso o GeraProva para gerar propostas de enunciado, alternativas, gabarito e dados pedagógicos. A autoria continua sendo minha porque sou eu quem decide se a questão é pertinente à turma, se o vocabulário está acessível, se há apenas uma resposta defensável e se o item mede a habilidade prevista. A IA economiza tempo na produção, mas não conhece as dificuldades específicas dos meus estudantes nem o caminho que percorri nas aulas. Por isso, considero o resultado uma minuta qualificada: útil, rápida e sempre sujeita à mediação do professor.

Meu pedido inicial em três passos

• Delimito a habilidade: por exemplo, analisar efeitos sociais de algoritmos, e não apenas “falar sobre IA”.
• Defino o formato: múltipla escolha, cinco alternativas, um comando objetivo e distratores coerentes.
• Peço o nível de demanda: reconhecer, compreender, aplicar, analisar ou avaliar, conforme a turma.

Eu também acrescento o contexto que faz sentido para a disciplina: uma feira local, uma situação de trabalho, um dado ambiental ou um problema cotidiano. Isso evita questões genéricas e aproxima a avaliação daquilo que foi ensinado.

Como garantir que uma questão criada por IA avalie a habilidade certa?

Para garantir que uma questão criada por IA avalie a habilidade certa, eu comparo o comando, a ação cognitiva exigida e o gabarito com o verbo da habilidade prevista. Se a habilidade pede analisar, o estudante não pode resolver apenas decorando uma definição; ele precisa relacionar informações, identificar causa, consequência ou critério. No GeraProva, a indicação de BNCC e de nível de Bloom ajuda muito nessa conferência, mas eu não aceito esses dados automaticamente: leio o item e faço a pergunta decisiva, “o que o aluno precisa fazer para acertar?”. Também verifico se o texto oferece elementos suficientes para responder, se não há pistas indevidas e se os distratores correspondem a erros reais. Uma questão curta pode ser excelente, desde que tenha foco; uma questão longa pode ser fraca, se cobrar apenas atenção a palavras soltas.

Checklist que uso antes de imprimir

• O comando pede uma ação compatível com a habilidade?
• A resposta correta está apoiada no enunciado ou no conhecimento trabalhado?
• Há somente uma alternativa inequivocamente correta?
• As alternativas erradas revelam equívocos possíveis, em vez de serem absurdas?
• A linguagem está adequada à idade e ao repertório da turma?

Quando encontro um problema, não descarto necessariamente a questão. Muitas vezes, basta trocar um verbo, retirar uma pista ou reescrever um distrator para transformar um item mediano em uma boa evidência de aprendizagem.

Questões prontas com gabarito comentado

Questões prontas com gabarito comentado ajudam quando eu preciso montar uma avaliação com rapidez, mas o ganho pedagógico aparece mesmo nos dados que acompanham cada item: habilidade da BNCC, nível de Bloom, dificuldade, conceito central, dica de resolução e justificativa dos distratores. Abaixo, reuni seis exemplos reais da base do GeraProva, de diferentes etapas e níveis de complexidade. Eu usaria esses itens como ponto de partida: selecionaria os que dialogam com meu planejamento, ajustaria referências locais quando necessário e aproveitaria os comentários para uma devolutiva posterior. Em vez de apenas dizer que o aluno errou, o gabarito comentado mostra qual raciocínio levou ao erro. Isso é especialmente útil para recuperação, correção coletiva e replanejamento. Note como uma mesma temática, inteligência artificial, pode ser trabalhada desde sequências simples até dilemas ético-políticos contemporâneos.

1. Viés algorítmico em processos seletivos

BNCC: EM13CHS504 | Bloom: Analisar | Conceito central: viés algorítmico e desigualdade.

Uma empresa brasileira utiliza um sistema de inteligência artificial para classificar currículos. O sistema foi treinado com registros de contratações anteriores, nos quais determinados grupos raciais e de gênero estavam sub-representados. Após sua adoção, a empresa observa que candidatos desses grupos recebem menos recomendações, mesmo quando apresentam qualificações semelhantes às de outros candidatos. Os responsáveis afirmam que apenas aplicam os padrões identificados nos dados históricos.

Com base no texto, qual impasse ético-político relacionado ao uso de tecnologias na sociedade é evidenciado pelo funcionamento desse sistema?

• ✅ A) A discriminação algorítmica, que pode reproduzir desigualdades sociais ao transformar padrões históricos de exclusão em critérios automatizados de seleção. Correta: dados históricos com sub-representação podem legitimar exclusões e ferir a igualdade de oportunidades.
• ❌ B) A continuidade administrativa, que preserva critérios antigos de contratação. Errada: consistência não justifica manter desigualdades entre candidatos igualmente qualificados.
• ❌ C) A neutralidade estatística, que transforma frequências em parâmetros objetivos. Errada: cálculo estatístico não torna neutros dados de origem excludentes.
• ❌ D) A responsabilidade individual dos candidatos. Errada: o problema decorre do desenho e dos dados do sistema, não de diferenças de qualificação.
• ❌ E) A eficiência algorítmica, que acelera a seleção. Errada: rapidez não responde ao problema central de recomendações desiguais.

Dica de resolução: observe a origem dos dados e o efeito social do algoritmo. Conceito para revisão: justiça distributiva e transparência.

2. Sensibilidade no atendimento automatizado

BNCC: EM13CO10 | Bloom: Entender | Conceito central: limitações da inteligência artificial.

A empresa brasileira ConectaCidadão implantou uma IA para responder automaticamente a 70% das reclamações no chat. Nos testes, ela respondeu em cerca de 5 segundos, enquanto o atendimento humano levou, em média, 2 minutos. Apesar da rapidez e da capacidade de processar e armazenar muitas informações, a IA alcançou 70% de satisfação, contra 90% no atendimento humano. Parte dos usuários relatou tom inadequado e pouca sensibilidade diante de situações pessoais.

Qual limitação da inteligência artificial é evidenciada no atendimento aos clientes?

• ❌ A) Demora no atendimento automatizado. Errada: a IA respondeu em 5 segundos, menos que os 2 minutos humanos.
• ✅ B) Dificuldade de demonstrar sensibilidade nas interações com clientes. Correta: tom inadequado e pouca sensibilidade são a limitação destacada.
• ❌ C) Necessidade de atendimento humano para todas as reclamações. Errada: o sistema respondeu automaticamente a 70% delas.
• ❌ D) Baixa satisfação com o atendimento humano. Errada: humanos tiveram 90% de satisfação.
• ❌ E) Incapacidade de processar grandes volumes de informações. Errada: o texto afirma essa capacidade.

Dica de resolução: identifique a limitação destacada no texto-base. Conceito para revisão: limites e desafios da IA em interações humanas.

3. Sequência de comandos do robô

BNCC: EF06CO01 | Bloom: Analisar | Conceito central: erro de classificação em dados.

Para chegar à porta, o robô deve andar, virar à direita e andar novamente. Ele andou, virou à direita e parou.

Identifique a causa mais provável do erro do robô.

• ❌ A) Faltou o primeiro passo. Errada: ele andou.
• ❌ B) O segundo passo repetiu. Errada: ele virou uma única vez.
• ❌ C) A ordem dos passos mudou. Errada: andar e virar à direita ocorreram na ordem prevista.
• ❌ D) O robô virou à esquerda. Errada: o texto informa direita.
• ✅ E) Faltou o último passo. Correta: depois de virar, ele deveria andar novamente.

Dica de resolução: compare a sequência esperada com a executada. Conceito para revisão: classificação e erros em aprendizado de máquina.

4. Reconhecimento de frutas por imagem

BNCC: EF02CO05 | Bloom: Aplicar | Conceito central: reconhecimento de imagens.

Numa feira em Recife, uma máquina reconhece frutas por imagem. Selecione a ação que ajuda o sistema a acertar mais.

• ❌ A) Desligar a câmera da máquina. Errada: sem imagem, falta a informação principal.
• ✅ B) Usar mais fotos corretas de várias frutas. Correta: dados variados e corretos melhoram o reconhecimento.
• ❌ C) Cobrir as frutas com papel. Errada: isso dificulta captar a imagem.
• ❌ D) Trocar a cor da bancada da feira. Errada: a bancada não é o dado principal para identificar a fruta.
• ❌ E) Afastar o cabo de energia da tomada. Errada: sem energia, a máquina não funciona.

Dica de resolução: pense em ações que melhorem a qualidade e a variedade das imagens. Conceito para revisão: como sistemas de reconhecimento de imagens aumentam a precisão.

5. Taxa de acerto de um algoritmo

BNCC: EF02CO02 | Bloom: Analisar | Conceito central: desempenho de algoritmo.

Um modelo testou 10 fotos de animais e acertou 8. Identifique o resultado que mostra melhor desempenho do algoritmo em classificar imagens.

• ❌ A) Acertar 2 de 10 fotos. Errada: é desempenho menor.
• ❌ B) Acertar 4 de 10 fotos. Errada: fica abaixo de oito.
• ✅ C) Acertar 9 de 10 fotos. Correta: nove acertos superam oito.
• ❌ D) Acertar 1 de 10 fotos. Errada: representa desempenho muito baixo.
• ❌ E) Acertar 5 de 10 fotos. Errada: não supera o resultado inicial.

Dica de resolução: compare as taxas de acerto. Conceito para revisão: avaliação básica de desempenho de algoritmos.

6. Calculadora e recomendador de vídeos

BNCC: EF05CO011 | Bloom: Compreender | Conceito central: uso de dados em sistemas.

Compare uma calculadora simples com um sistema de recomendação de vídeos. Selecione a diferença correta sobre o uso de dados.

• ❌ A) Os dois só funcionam quando a internet cai. Errada: queda de internet não define essa diferença.
• ❌ B) A calculadora aprende gostos e o recomendador faz contas simples. Errada: os papéis estão trocados.
• ❌ C) Os dois apenas mostram imagens sem processar dados. Errada: ambos processam dados de modos distintos.
• ❌ D) A calculadora escolhe vídeos e o recomendador soma números. Errada: as funções foram invertidas.
• ✅ E) O recomendador usa padrões de uso e a calculadora segue regras fixas. Correta: essa é a diferença central entre recomendação e cálculo.

Dica de resolução: identifique como cada sistema usa dados para funcionar. Conceito para revisão: processamento de dados em sistemas simples e complexos.

Quantas questões usar em uma avaliação?

A quantidade de questões depende do objetivo, do tempo disponível e da variedade de habilidades, não de uma regra fixa; para uma aula avaliativa de 50 minutos, eu geralmente trabalho com 8 a 12 itens objetivos bem escolhidos ou combino 6 a 8 itens com uma questão aberta. Prefiro poucas questões que realmente produzam evidências de aprendizagem a uma prova longa, cansativa e repetitiva. Quando uso IA para criar questões, separo os itens por habilidade e nível de complexidade para evitar que todos cobrem a mesma coisa. Uma composição possível é incluir cerca de 30% de itens de reconhecimento ou compreensão, 50% de aplicação e análise e 20% de desafio maior, sempre ajustando ao percurso da turma. No GeraProva, essa organização fica mais rápida porque posso gerar, selecionar e revisar itens com critérios pedagógicos claros.

• Sondagem: 4 a 6 itens curtos, com foco em diagnóstico.
• Verificação de unidade: 8 a 12 itens, cobrindo habilidades distintas.
• Recuperação: menos itens, com comentários e nova oportunidade de raciocinar.

Como transformar o gabarito em devolutiva para a turma?

Transformar o gabarito em devolutiva significa explicar o raciocínio da resposta correta e nomear por que cada alternativa incorreta pareceu atraente, para que o estudante consiga revisar a própria estratégia. Eu não entrego apenas letras; depois da correção, seleciono duas ou três questões com mais erros e discuto os distratores. Se muitos marcaram uma opção por confundir velocidade com qualidade, por exemplo, retomo essa distinção com outro caso. Os comentários gerados e organizados pelo GeraProva ajudam porque tornam visível o conceito central e sugerem uma revisão específica, mas eu traduzo isso para a linguagem da minha turma. Esse retorno também orienta meu replanejamento: um erro coletivo pede retomada; um erro pontual pode pedir atendimento mais direcionado. Assim, a prova deixa de encerrar o assunto e passa a informar o próximo passo da aprendizagem.

IA não elimina a revisão pedagógica: ela abre espaço para eu gastar menos tempo repetindo tarefas mecânicas e mais tempo olhando para a aprendizagem. Se quiser experimentar esse fluxo com suas próprias habilidades e turmas, faça seu cadastro grátis no GeraProva e teste os itens antes de aplicar.