Precisão das notas: por que uma prova confiável ainda pode deixar alunos sem classificação

Uma crença comum é que, se a prova foi corrigida com o mesmo critério para todos, a nota resultante representa com precisão o que cada estudante sabe. Os estudos recentes tornam essa ideia mais complexa: a qualidade do escore também depende dos itens escolhidos, da relação entre eles, do número de questões e da forma como as respostas são interpretadas.

Isso não significa que toda nota seja inútil ou que seja preciso abandonar provas. Significa que uma nota é uma medida construída, não uma fotografia completa da aprendizagem. Pesquisas sobre testes, entrevistas, correção automatizada e combinação de indicadores mostram tanto caminhos para ganhar precisão quanto situações em que até métodos bem planejados deixam dúvidas importantes.

O que é precisão e métodos de avaliação de notas e escores e por que importa para o professor?

Precisão, neste contexto, é o quanto podemos confiar que um escore representa de maneira adequada o desempenho que queremos avaliar. Na rotina escolar, ela aparece ao decidir quantas questões incluir, como escrever os itens, que critérios usar numa resposta aberta e se uma nota isolada basta para tomar uma decisão. Uma nota pode ser consistente em alguns aspectos e ainda deixar de captar partes relevantes do conhecimento.

Vale separar duas ideias próximas. A confiabilidade trata da consistência das medidas; a precisão também depende de o instrumento captar aquilo que interessa. Uma prova pode produzir resultados estáveis e, ainda assim, não mostrar bem a compreensão de um estudante se as questões privilegiarem apenas um tipo de resposta. O estudo com crianças indígenas australianas, por exemplo, relata que testes padronizados ofereceram uma medida comparável, enquanto testes diagnósticos e entrevistas fizeram aparecer outras dimensões da proficiência matemática (O'Connor, 2024).

Para o professor, a questão prática não é perseguir uma nota perfeita. É compreender o que aquele resultado permite concluir e o que ainda precisa ser observado. Um escore pode ajudar a identificar padrões da turma; para decidir o próximo passo com um aluno, talvez seja necessário olhar também para a estratégia usada, a explicação dada ou o desempenho em outra tarefa.

O que a pesquisa recente mostra sobre a precisão das notas?

Os estudos apontam que não há um único método que garanta precisão em todas as situações. Alguns investigam fontes de erro dentro dos próprios testes; outros comparam formas diferentes de revelar a aprendizagem ou analisam a correção por inteligência artificial. Em conjunto, ajudam a entender por que uma nota deve ser interpretada à luz do instrumento que a produziu.

Itens, comprimento do teste e dependência entre questões mudam o escore

Um conjunto de questões não é necessariamente uma coleção de medidas independentes. Ferrando e colegas estudaram como dependências locais entre itens afetam a precisão e a efetividade de escores de soma simples. Com dados de 928 participantes que responderam a um questionário sobre envolvimento familiar, a pesquisa encontrou distorção na estimativa da confiabilidade ômega quando se pressupunha independência local. Também identificou perda de informação e de eficiência associada às dependências entre itens (Ferrando, 2025).

Em termos de sala de aula, pense em duas questões que exigem praticamente o mesmo raciocínio ou que compartilham um enunciado cuja interpretação condiciona ambas as respostas. Se o resultado for tratado como se cada item acrescentasse evidência independente, o escore pode dar uma impressão diferente da informação realmente reunida. O estudo não propõe uma regra simples para montar qualquer prova, mas evidencia que a relação entre itens merece atenção.

O comprimento do teste também entra na discussão. Em um estudo com estudantes do segundo ano do ensino secundário de escolas públicas da Nigéria, uma prova de múltipla escolha de Economia foi aplicada duas vezes e analisada com a Teoria da Generalizabilidade. As interações entre estudante e item e o erro residual foram as principais fontes de variabilidade. Na simulação, a confiabilidade relativa alcançou níveis considerados aceitáveis com 51 itens, enquanto a absoluta exigiu 52 (Ngozika, 2026).

Esses números pertencem àquele teste, àquela população e àquelas condições: não são uma receita para provas brasileiras de qualquer disciplina. A contribuição para o planejamento é outra: a quantidade de questões, por si só, não decide a qualidade, mas o comprimento pode ser relevante quando se busca determinado tipo de confiabilidade. E é preciso considerar de onde vem a variabilidade do escore.

Uma medida comparável pode não mostrar toda a proficiência

O estudo de O'Connor acompanhou, durante sete meses, um programa de proficiência matemática em uma escola primária de uma comunidade indígena australiana. A investigação, com estudantes dos anos 2 a 4, combinou testes padronizados, testes diagnósticos e entrevistas de Newman. Os testes padronizados forneceram uma medida útil e comparável; os outros procedimentos abriram espaço para a voz das crianças e evidenciaram compreensão conceitual, fluência procedimental e competência estratégica (O'Connor, 2024).

O achado central não é que testes padronizados devam ser descartados. É que a precisão deles para revelar a proficiência de crianças pequenas foi questionada quando usados sozinhos como retrato do que os estudantes sabem. O contexto importa: a pesquisa foi feita em uma comunidade indígena australiana e discute equidade naquele cenário. Para professores brasileiros, a pergunta transferível é se o formato da avaliação permite que os estudantes demonstrem o conhecimento que se pretende observar.

Outra pesquisa analisou a compreensão de textos múltiplos entre estudantes espanhóis do 8º ao 10º ano. Os autores compararam leitura impressa e em tablet, com e sem realização simultânea de outras tarefas. A multitarefa prejudicou mais a compreensão intertextual na condição impressa, enquanto os leitores de tablet não apresentaram declínio significativo. Nem o meio nem a multitarefa influenciaram significativamente os escores de metacompreensão; os resultados apontaram dificuldade dos estudantes em avaliar com precisão a própria compreensão e tendência a não perceber informações conflitantes (Altamura, 2026).

Esse resultado chama atenção para a diferença entre desempenho e percepção do próprio desempenho. Se um estudante acredita que compreendeu bem, essa confiança não substitui evidência sobre o que conseguiu relacionar entre textos. A pesquisa ocorreu na Espanha e em uma tarefa específica; não permite concluir que tablet seja sempre melhor, nem que a multitarefa seja inofensiva em qualquer atividade.

Combinar evidências pode ajudar — mas não resolve tudo automaticamente

Em um grande distrito escolar suburbano do Meio-Oeste dos Estados Unidos, pesquisadores testaram uma abordagem bayesiana ingênua que combinava triagem acadêmica e socioemocional-comportamental para prever resultados em avaliação estadual. A amostra incluiu 5.753 estudantes do 3º ao 5º ano, em 19 escolas, ao longo de dois anos letivos. A abordagem combinada teve desempenho semelhante aos indicadores acadêmicos individuais. Todas as abordagens deixaram entre 65% e 87% dos estudantes sem diferenciação clara ao prever desempenho proficiente, e os resultados indicaram que provavelmente não se replicou o achado do estudo anterior (Oddleifson, 2025).

O ponto útil para a escola é que acrescentar fontes de informação não garante, por si só, uma decisão mais precisa. Nesse estudo, a combinação de indicadores não eliminou a necessidade de avaliação adicional para uma parcela elevada dos estudantes. Os instrumentos, os critérios e as taxas-base usados pertencem ao sistema norte-americano; o percentual não deve ser projetado para turmas brasileiras. Mas a questão permanece relevante: quando os dados não distinguem com clareza, é melhor reconhecer a incerteza do que transformar um resultado inconclusivo em rótulo.

Já O'Connor mostra uma combinação de métodos com propósitos complementares: medidas padronizadas para comparar e procedimentos diagnósticos e entrevistas para compreender melhor o raciocínio. Os estudos não são contraditórios. Um trata de prever risco com diferentes triagens; o outro de revelar proficiência matemática em um contexto específico. Juntos, sugerem que a combinação só é útil quando cada fonte acrescenta informação pertinente e quando se sabe como interpretar o resultado.

Correção automatizada: bons resultados, critérios claros e revisão humana

Lee e colegas desenvolveram e validaram um sistema para avaliar desenhos feitos à mão e textos em respostas abertas sobre a natureza particulada da matéria. Participaram 1.028 estudantes do 2º ao 11º ano na Coreia do Sul. Para os desenhos, os modelos apresentaram concordância elevada com avaliadores humanos, com kappa entre 0,732 e 0,926 e acurácia entre 0,820 e 0,942. O desempenho variou conforme a etapa de escolaridade. O modelo final que avaliava desenhos e textos também apresentou concordância elevada, com variações entre classificadores (Lee, 2023).

O estudo mostra que uma resposta visual pode ser avaliada de maneira automatizada em uma tarefa delimitada, mas não autoriza concluir que qualquer desenho ou resposta aberta possa ser corrigido automaticamente com a mesma qualidade. O conteúdo, as categorias de análise e a etapa escolar estavam definidos. Para o professor, é especialmente interessante a ideia de avaliar representações, não apenas respostas de múltipla escolha — sempre mantendo atenção ao que a ferramenta foi treinada para reconhecer.

Uma estrutura mais recente para respostas escritas de química analisou respostas de 834 estudantes do Ensino Fundamental II com uma rubrica analítica dicotômica. O sistema multiagente baseado em grandes modelos de linguagem alcançou 94% de acurácia, em comparação com 78% para um modelo de agente único usando a rubrica original. A detecção de incerteza também se alinhou fortemente às áreas em que os avaliadores humanos indicaram incerteza. Os autores destacam a colaboração: a IA identifica casos pouco claros e os professores revisam as notas incertas (Shin, 2026).

Outra pesquisa propôs a CARO, uma estrutura que usa padrões de confusão para separar modos de erro e produzir ajustes direcionados nas rubricas de correção automatizada. Avaliações empíricas em conjuntos de dados de formação de professores e STEM indicaram desempenho superior aos métodos de referência considerados pelos autores. A motivação é evitar que instruções conflitantes se acumulem e enfraqueçam a lógica de correção do modelo (Chu, 2026). O resumo não traz métricas numéricas de desempenho, mas deixa clara a importância de diagnosticar tipos específicos de erro em vez de tratar toda divergência como igual.

O resultado de Shin se refere a respostas de química e a uma rubrica específica. A diferença entre 94% e 78% é um resultado daquela avaliação, não uma promessa para qualquer ferramenta ou prova. Em conjunto com Chu, o estudo reforça que a qualidade dos critérios e o tratamento dos erros importam tanto quanto a presença de IA. Mesmo uma ferramenta que sinaliza incerteza precisa de critérios transparentes e revisão profissional.

Os estudos lado a lado

Os estudos abaixo mostram perguntas diferentes: como itens e quantidade afetam escores, como várias evidências se comportam e quais limites aparecem na correção automatizada. A tabela sintetiza o que cada pesquisa investigou e relata, sem transformar resultados de contextos específicos em regras universais.

O que os estudos têm em comum e onde diferem?

O ponto em comum é que a nota não se explica sozinha. A relação entre itens pode alterar a informação contida num escore; o comprimento de uma prova afeta a confiabilidade sob condições específicas; e a forma de perguntar pode limitar o que aparece como evidência de aprendizagem. Nos estudos de correção automatizada, rubricas, categorias e identificação de incerteza também influenciam o resultado.

As diferenças são importantes. Ferrando e Ngozika analisam propriedades dos escores e testes; O'Connor compara maneiras de revelar proficiência; Oddleifson examina a classificação de risco; Lee, Chu e Shin trabalham com avaliação automatizada em tarefas delimitadas; Altamura investiga compreensão e metacompreensão durante a leitura. Não é possível ordenar esses métodos numa escala única de “melhor” para “pior”, porque respondem a perguntas diferentes.

Há ainda uma tensão útil: sistemas automatizados podem alcançar concordância ou acurácia elevadas em tarefas específicas, mas a combinação de indicadores não necessariamente reduz a indecisão, como ocorreu no estudo de Oddleifson. Também há perguntas em aberto sobre a transferência dos resultados a outras disciplinas, grupos etários, idiomas e tipos de resposta. A evidência reunida não define um instrumento universal; aponta para a necessidade de alinhar ferramenta, critério e decisão.

O que isso significa para a sala de aula?

Uma forma de aplicar essas evidências é tratar a avaliação como um conjunto de decisões explícitas: que conhecimento se quer observar, que resposta pode mostrá-lo e quanta evidência é suficiente para agir. As sugestões a seguir são aplicações pedagógicas, não recomendações testadas diretamente por todos os estudos.

1. Revise questões que acabam medindo quase a mesma coisa

Aplicação: antes de aplicar uma prova, observe se há itens muito parecidos, que repetem o mesmo caminho de resolução ou dependem de um único enunciado. Por exemplo, numa avaliação de frações, quatro questões quase idênticas podem dar peso excessivo a uma habilidade específica. A pesquisa de Ferrando não estudou provas escolares de frações, mas mostra por que a dependência entre itens pode afetar a interpretação de um escore. A revisão ajuda a perguntar se cada item acrescenta evidência distinta.

2. Planeje o tamanho da avaliação a partir do propósito

Aplicação: se a avaliação servirá para uma decisão importante, pense se há questões suficientes para observar o que pretende medir, sem copiar o número encontrado no estudo de Economia da Nigéria. Por exemplo, para avaliar uma unidade de Ciências, o professor pode distribuir questões entre explicação, interpretação de dados e aplicação de conceitos. O resultado de 51 ou 52 itens não se transfere automaticamente para essa prova. O valor do estudo é lembrar que comprimento e confiabilidade precisam ser considerados junto com o contexto.

3. Combine formatos quando a resposta final não revela o raciocínio

Aplicação: numa atividade de Matemática, além do resultado numérico, peça que o estudante explique uma estratégia ou resolva uma questão diagnóstica curta. Uma resposta errada pode decorrer de uma ideia equivocada, de um erro de procedimento ou de uma leitura apressada; formatos complementares podem ajudar a distinguir essas possibilidades. Essa proposta conversa com a combinação de testes diagnósticos e entrevistas no estudo australiano, mas cabe ao professor adaptar o procedimento à idade, ao conteúdo e ao tempo disponível.

4. Trate a indecisão como um resultado, não como falha do estudante

Aplicação: se os dados de uma triagem não permitem decidir se o estudante precisa de apoio, evite forçar imediatamente uma classificação. Por exemplo, uma nota limítrofe em leitura pode levar a uma atividade breve de compreensão e a nova observação, em vez de uma conclusão definitiva. O estudo norte-americano encontrou muitos estudantes sem diferenciação clara com os procedimentos examinados. Isso não determina o que fazer no Brasil, mas sustenta a ideia prática de reconhecer quando uma medida não basta para decidir.

5. Use rubricas com critérios observáveis e exemplos de resposta

Aplicação: numa resposta aberta, descreva o que conta como evidência de compreensão, em vez de usar apenas termos vagos como “resposta completa”. Por exemplo, uma rubrica de Ciências pode distinguir identificar uma ideia, explicar uma relação e justificar a explicação com evidência. A pesquisa de Shin associa revisão de rubrica e colaboração humano-IA a melhor acurácia naquele sistema; Chu também destaca a necessidade de separar padrões de erro. Mesmo sem IA, critérios explícitos podem tornar a correção mais consistente entre respostas.

6. Revise pessoalmente respostas que a ferramenta considera incertas

Aplicação: se uma ferramenta automatizada estiver sendo usada, crie um procedimento para encaminhar respostas ambíguas a uma revisão humana. Imagine duas respostas de estudantes que usam palavras diferentes para explicar a mesma ideia: a ferramenta pode sinalizar uma delas como incerta, e o professor confere se o sentido foi reconhecido. No estudo de Shin, os casos de baixa confiança frequentemente foram imprecisos e a identificação de incerteza se alinhou às áreas de dúvida dos avaliadores. A revisão humana é parte do processo, não um detalhe dispensável.

7. Pergunte ao estudante como sabe que compreendeu

Aplicação: após uma leitura ou atividade com fontes diferentes, peça que o estudante indique quais evidências apoiam sua conclusão e que informação poderia contradizê-la. Essa conversa não deve substituir a avaliação do desempenho, mas pode mostrar se a confiança corresponde à compreensão demonstrada. A pesquisa espanhola encontrou dificuldade geral de metacompreensão e tendência a não perceber informações conflitantes. Uma rotina de justificar respostas pode ajudar o professor a identificar discrepâncias entre confiança e evidência, embora esse efeito não tenha sido testado como intervenção no estudo.

O que muda no contexto brasileiro?

Os resultados precisam ser lidos considerando seus cenários de origem. Os estudos de Oddleifson, O'Connor, Altamura, Ngozika e Lee ocorreram, respectivamente, nos Estados Unidos, na Austrália, na Espanha, na Nigéria e na Coreia do Sul. As pesquisas de Ferrando, Chu e Shin não têm país identificado no resumo. Já o estudo de Bü foi feito em escolas públicas da província de Kocaeli, na Turquia. Diferenças de currículo, língua, instrumentos e organização escolar impedem transportar diretamente percentuais ou conclusões para uma escola brasileira.

Isso não torna a pesquisa distante. As perguntas são úteis aqui: os itens de uma prova repetem a mesma evidência? Uma nota de triagem permite realmente distinguir quem precisa de apoio? Uma resposta aberta está sendo corrigida por critérios claros? Os estudantes conseguem mostrar compreensão pelo formato escolhido? O professor pode usar essas perguntas sem adotar o instrumento estrangeiro nem suas regras institucionais.

Também é importante respeitar as particularidades dos grupos e dos conteúdos. O estudo de O'Connor chama atenção para a adequação dos procedimentos a crianças pequenas em uma comunidade indígena australiana; ele não descreve estudantes indígenas brasileiros. A lição não é presumir que as realidades sejam iguais, mas verificar se a avaliação permite que os estudantes expressem conhecimentos de formas pertinentes ao seu contexto. Da mesma maneira, resultados de IA em desenhos de partículas ou respostas de química não garantem precisão em redações, problemas matemáticos ou avaliações em português.

O estudo de Bü examinou 337 professores do ensino fundamental — anos finais — e do ensino médio em 25 escolas públicas de Kocaeli. Encontrou relação positiva, moderada e significativa entre TPACK-21 e autoeficácia para avaliação on-line. Algumas pontuações diferiram conforme variáveis como etapa, área, gênero ou uso de tecnologia; as diferenças variaram entre as duas medidas (Bü, 2026). Isso não demonstra que mais tecnologia produza notas mais precisas. Para o cenário brasileiro, é um lembrete de que confiança e conhecimento pedagógico-tecnológico podem se relacionar, mas não substituem análise da qualidade da avaliação.

Quais são os limites desta leitura?

Este artigo se baseia nos resumos de estudos recentes, não na leitura integral dos artigos. Por isso, apresenta os objetivos e resultados tal como foram resumidos, sem reconstruir detalhes de procedimentos que não aparecem nas descrições disponíveis. Os estudos variam em população, instrumento e pergunta de pesquisa; os resultados de uma tarefa específica não podem ser generalizados automaticamente para todas as disciplinas e etapas da educação básica.

Ficam em aberto, entre outras questões, como os resultados se comportam em turmas brasileiras, em avaliações em português e em diferentes condições de aplicação; que evidência sustenta a transferência dos modelos automatizados para outras tarefas; e como manter rubricas claras sem simplificar excessivamente respostas complexas. Também seria preciso ler os estudos completos para examinar com mais profundidade os procedimentos, as limitações, os critérios de comparação e as condições exatas de cada resultado. Isso é especialmente importante antes de adotar uma ferramenta, mudar um sistema de notas ou usar um escore para decisões de grande consequência.

Como o GeraProva ajuda com este assunto?

O GeraProva pode apoiar a criação de provas e atividades, mas a ferramenta não substitui o julgamento do professor sobre objetivos, critérios e interpretação dos resultados. Uma possibilidade é usar o gerador de provas do GeraProva para preparar questões e, em seguida, revisar se elas cobrem aspectos distintos do conteúdo e se combinam com o tipo de evidência desejado. Você pode conhecer a plataforma pelo cadastro grátis.

Perguntas frequentes sobre precisão das notas

Uma prova com muitas questões é sempre mais precisa?

Não necessariamente. O estudo de Ngozika mostrou que, para um teste específico de múltipla escolha de Economia aplicado a estudantes do segundo ano do ensino secundário na Nigéria, foram estimados 51 itens para confiabilidade relativa aceitável e 52 para absoluta. Esses valores dependem das condições daquele estudo e não são uma regra para outras provas. Ferrando também encontrou que dependências locais entre itens podem distorcer estimativas de confiabilidade e reduzir informação. Portanto, além da quantidade, importa observar o que cada questão acrescenta e como os itens se relacionam.

Por que uma nota pode não mostrar tudo o que o aluno sabe?

Porque o resultado depende do formato e das oportunidades de demonstrar conhecimento. Na pesquisa de O'Connor, testes padronizados forneceram uma medida comparável, mas testes diagnósticos e entrevistas ajudaram a evidenciar compreensão conceitual, fluência procedimental e competência estratégica de crianças. O estudo ocorreu numa comunidade indígena australiana e não permite afirmar que todo teste padronizado falha. Ele mostra, em um contexto particular, que diferentes procedimentos podem revelar aspectos diferentes da proficiência. Para a prática, vale perguntar se a tarefa realmente permite observar o conhecimento que se quer avaliar.

Juntar várias fontes de dados torna a classificação mais confiável?

Não automaticamente. No estudo de Oddleifson, uma abordagem que combinava triagem acadêmica e socioemocional-comportamental teve desempenho semelhante ao de indicadores acadêmicos individuais. Entre 65% e 87% dos estudantes permaneceram sem diferenciação clara ao prever desempenho proficiente. O resultado vem de escolas dos Estados Unidos e não pode ser aplicado como percentual esperado no Brasil. Ainda assim, evidencia que somar indicadores não garante que a decisão fique mais clara. É importante definir que pergunta cada fonte responde e reconhecer quando os dados reunidos ainda não permitem classificar com segurança.

É seguro usar inteligência artificial para corrigir respostas abertas?

Os estudos indicam potencial em tarefas delimitadas, não uma garantia geral. Lee e colegas encontraram concordância elevada entre um sistema automatizado e avaliadores humanos ao classificar desenhos e textos sobre partículas, mas o desempenho variou conforme classificadores e etapa escolar. Shin relatou 94% de acurácia em respostas de química com um sistema multiagente e destacou a revisão humana dos casos incertos. Esses resultados não asseguram a mesma precisão em outras disciplinas, idiomas ou formatos. Uma aplicação cuidadosa exige rubrica adequada, análise de erros e revisão profissional das respostas que geram dúvida.

O que significa uma resposta de avaliação ficar sem classificação clara?

Significa que os dados disponíveis não diferenciaram de modo suficiente a situação do estudante segundo o procedimento utilizado. No estudo norte-americano de Oddleifson, muitos estudantes ficaram nessa condição ao prever desempenho proficiente, mesmo com a combinação de diferentes indicadores. Isso não equivale a dizer que o aluno não sabe ou que a avaliação não serve para nada. Significa que aquela evidência não resolveu a decisão e que uma avaliação adicional pode ser necessária. Na prática, é mais responsável reconhecer essa incerteza do que transformar um resultado inconclusivo em uma conclusão definitiva sobre a aprendizagem.

Como posso melhorar a precisão sem transformar cada avaliação em um teste longo?

Uma alternativa é pensar na qualidade e na variedade da evidência, em vez de simplesmente acrescentar questões. Os estudos reunidos apontam para a importância de observar relações entre itens, usar critérios claros, considerar respostas em formatos diferentes e revisar casos incertos. Uma tarefa curta de explicação, uma questão diagnóstica ou a análise de uma estratégia pode complementar uma nota, conforme o objetivo da avaliação. Essas são possibilidades de aplicação pedagógica, não um método universal comprovado pelos estudos. O essencial é que cada evidência ajude a responder a uma pergunta definida sobre a aprendizagem.

Referências

1. Ferrando, Pere J.; Navarro-González, David; Morales-Vives, Fabia (2025). Índices lineares e não lineares de acurácia dos escores e efetividade dos itens para medidas que contêm itens localmente dependentes (Linear and Nonlinear Indices of Score Accuracy and Item Effectiveness for Measures That Contain Locally Dependent Items). Educational and Psychological Measurement. Link.
2. Oddleifson, Carly; Kilgus, Stephen; Klingbeil, David A.; Latham, Alexander D.; Kim, Jessica S.; Vengurlekar, Ishan N. (2025). Utilização de uma Abordagem Bayesiana Ingênua para Identificar Risco Acadêmico com Base em Múltiplas Fontes: Uma Replicação Conceitual (Using a Naive Bayesian Approach to Identify Academic Risk Based on Multiple Sources: A Conceptual Replication). Grantee Submission. Link.
3. O'Connor, Bronwyn Reid (2024). Metodologias para Revelar a Proficiência Matemática de Jovens Estudantes Indígenas Australianos (Methodologies to Reveal Young Australian Indigenous Students' Mathematical Proficiency). Mathematics Education Research Journal. Link.
4. Lee, Jaeyong; Lee, Gyeong-Geon; Hong, Hun-Gi (2023). Avaliação automatizada de desenhos feitos à mão por estudantes em questões abertas sobre a natureza particulada da matéria (Automated Assessment of Student Hand Drawings in Free-Response Items on the Particulate Nature of Matter). Journal of Science Education and Technology. Link.
5. Altamura, Lidia; Stadtler, Marc; Salmerón, Ladislao (2026). Leitura em diferentes mídias e realização de várias tarefas simultaneamente: efeitos sobre a compreensão e a metacompreensão na leitura de múltiplos textos (Reading Media and Multitasking: Effects on Comprehension and Metacomprehension When Reading Multiple Texts). Metacognition and Learning. Link.
6. Ngozika, Ossai Elizabeth (2026). Determinação do comprimento mínimo de teste para uma avaliação confiável usando a Teoria da Generalizabilidade: evidências de um teste de múltipla escolha de Economia (Determining Minimum Test Length for Reliable Assessment Using Generalizability Theory: Evidence from an Economics Multiple-Choice Test). African Educational Research Journal. Link.
7. Chu, Yucheng; Li, Hang; Yang, Kaiqi; Copur-Gencturk, Yasemin; Krajcik, Joseph; Shin, Namsoo; Tang, Jiliang (2026). Otimização de rubricas com reconhecimento de confusões para correção automatizada baseada em LLMs (Confusion-Aware Rubric Optimization for LLM-Based Automated Grading). International Educational Data Mining Society. Link.
8. Shin, Namsoo; Qian, Xunlei; Miller, Cory Susanne; Li, Hang; Chu, Yucheng; Krajcik, Joseph; Tang, Jiliang; Xing, Yue (2026). Uma Estrutura de Avaliação Aprimorada por Inteligência Artificial para Análise das Respostas Escritas de Estudantes de Ciências do Ensino Fundamental II (An Artificial Intelligence-Enhanced Assessment Framework for Analyzing Middle School Science Students' Written Responses). Journal of Educational Measurement. Link.
9. Bü; Isbulan, Onur (2026). Examinando a relação entre o conhecimento tecnológico, pedagógico e de conteúdo (TPACK) dos professores e sua autoeficácia para a avaliação on-line no âmbito das competências do século XXI (Examining the Relationship between Teachers' Technological Pedagogical Content Knowledge (TPACK) and Their Self-Efficacy for Online Assessment and Evaluation within the Scope of 21st Century Skills). Education and Information Technologies. Link.

Se alguma avaliação recente deixou você em dúvida sobre o que a nota realmente mostra, vale revisitar os critérios e observar que outras evidências podem completar o quadro. Boa avaliação — e conte com a gente para pensar os próximos passos.