NotebookLM: seu novo assistente de pesquisa acadêmica?

Publicado originalmente em IAEdPraxis: Caminhos Inteligentes para a Educação, em 13 de maio de 2025

O NotebookLM já apareceu por aqui, quando abri minha caixa de ferramentas de Inteligência Artificial e irá aparecer de novo na edição dedicada à “deep research“, a pesquisa profunda. Mas experimentando suas capacidades, e num tom mais prático, compartilho o resultado de algumas de suas funcionalidades. São elas que fazem desta ferramenta a uma das mais indicadas para o estudo acadêmico, na atualidade.

Tomei como exemplo o texto anterior, sobre o dilema da avaliação em tempos de IA. A ideia é dialogar com um conjunto de textos e outros materiais que o próprio usuário envia para a plataforma. Aqui já há uma diferença significativa em relação aos chatbots mais convencionais (ChatGPT, Claude, etc.) que utilizam sua base de treinamento para gerar respostas ou daqueles que acessam a Internet em tempo real (Perplexity) ou bases de dados especializadas (Elicit, Scispace). Como está em seu texto de apresentação, “Veja a fonte, não apenas a resposta”.

Funções disponíveis

De qualquer forma, seja com um único texto ou com um conjunto, este “assistente de pesquisa personalizado” dialoga com estes textos através de “notas”, algumas delas pré-definidas e que têm como objetivo a síntese da informação sendo trabalhada.

Resumo

Auto-explicativo, é uma síntese limitada a aproximadamente um parágrafo, contendo as ideias centrais do texto. Conta também com um resumo mais detalhado, um relatório que deve ser particularmente útil quando se trata de um conjunto de textos.

Guia de estudo

Gera um quiz de resposta curta, uma série de perguntas, além de sugestões para ensaios a partir do texto. No caso das perguntas, também apresenta a chave de resposta. E finalmente, também cria um glossário dos principais termos e conceitos, explicando-os.

Mapa mental

Representação esquemática e visual dos conceitos abordados, organizados em “nós” e “subnós”, ligados a um tema central.

Linha do tempo

De fato, são duas linhas: uma temporal, que organiza cronologicamente os principais acontecimentos relatados. A outra é uma linha de personagens, que identifica autores e/ou instituições intervenientes.

Perguntas frequentes

A partir do conteúdo, são geradas uma série de questionamentos e as respostas associadas, abrangendo todo o conteúdo enviado.

Resumo em áudio

Aqui a coisa fica interessante, pois ocorre não somente a passagem de uma modalidade linguística a outra (texto a áudio), mas também na forma de apresentação. Isto é, o sistema gera um podcast, um diálogo entre dois personagens, que apresentam e sintetizam o texto. Até pouco tempo atrás limitada ao inglês, agora já disponível em outros idiomas.

Como avaliar o resultado?

A partir de um único texto, relativamente curto e adotando o registro de divulgação científica (em contraste com uma linguagem acadêmica especializada), todas as ferramentas entregaram resultados impressionantes. Não somente refletem com precisão as principais discussões trazidas, mas o fazem com texto bastante humano (ao contrário do texto chocho), em bom Português do Brasil.

Do ponto de vista pedagógico, pode ser utilizado pelo professor para gerar materiais de apoio aos estudantes e questões de provas e atividades de avaliação, na readaptação de materiais didáticos. O desafio, como comentado anteriormente, é que os alunos possivelmente vão utilizar IA para respondê-las.

E aí que mora o perigo: o resultado é bom demais, no sentido de que realiza todas estas formas de se sintetizar um texto se aproximando da perfeição. Contudo, ao fazê-lo, elimina a fricção, o esforço de pensamento que consagram métodos como a elaboração de resumos e mapas mentais – este último inclusive substanciado por teorias da cognição.

Em outras palavras, é uma forma de estudar sem estudar, que privilegia o resultado final em detrimento do processo. Para praticantes e aprendizes avançados, que lidam com uma grande quantidade de textos e frequentemente, tem seu apelo de utilidade. Mas o risco é de que, com o tempo, as habilidades de leitura profunda e síntese se percam, o que tem sido chamado descarregamento cognitivo.

Para quem está aprendendo e se desenvolvendo academicamente, porém, o risco é muito maior: o de nunca chegar a desenvolver completamente estas habilidades, navegando somente na superfície de textos acadêmicos. Ler, passivamente, os diferentes tipos de síntese nunca será equivalente a realizá-las.

Finalmente, e de forma geral, para textos mais densos possivelmente a ferramenta pode deixar de captar significados mais profundos e nuances. Em outras palavras, apresenta sínteses que sim, são úteis para uma primeira aproximação, mas que deixam escapar uma compreensão mais profunda.

Pontos fracos

• Considerando o conjunto das sínteses, a quantidade de texto é bastante considerável e excede o texto original (pelo menos neste caso). Esta é uma características dos modelos de linguagem, “falam” demais.

• Não há possibilidade de exportar os resultados para formatos editáveis, nem mesmo dotados de formatação (PDF, Markdown, HTML). Especialmente o mapa mental somente pode ser descarregado como imagem. Com, isso não pode ser importado em editores de mapas mentais, perdendo bastante de sua funcionalidade.

Dito isso, seguem as síntese do texto avaliação em tempos de IA, produzidas pelo NotebookLM. Agora imagimem isso em seu estudo ou pesquisa…é útil? Facilita? Ou apenas “gerador de lero-lero”?

Resumo

O texto discute a Inteligência Artificial (IA) e seu impacto na educação, com foco particular na avaliação. Ele explora como a ascensão da IA Generativa levantou preocupações sobre a integridade acadêmica e o potencial de fraude, levando a respostas iniciais que incluem proibição e detecção. Contudo, o artigo sugere que a relação entre IA e avaliação é mais complexa, apresentando desafios e oportunidades em níveis estudantil, docente e institucional. A discussão aborda o potencial da IA como ferramenta de aprendizado, a necessidade de os professores desenvolverem novas competências e a pressão para as instituições revisarem suas políticas e diretrizes de avaliação.

Resumo em áudio

Guia de estudo

Quiz de Curta Resposta

Instruções: Responda cada pergunta em 2-3 frases, com base no texto fornecido.

1. Qual tem sido a principal preocupação inicial dos educadores e instituições com a chegada da IA Generativa no cenário educacional?

2. Por que a avaliação é considerada um pilar central do processo educativo?

3. Qual é um dos principais desafios da IA no nível dos estudantes?

4. Como a IA pode potencialmente auxiliar os docentes no processo de avaliação?

5. Qual é o principal impacto sistêmico da IA para as instituições de ensino?

6. Além da fraude, quais outros potenciais impactos da IA na avaliação são mencionados no texto?

7. O que o artigo “Developing the Technology-Integrated Assessment Framework” propõe para a avaliação integrada com tecnologia?

8. Qual foi a natureza da “primeira onda” de diretrizes institucionais em resposta à IA?

9. Qual é um dos principais desafios práticos enfrentados pelos educadores ao integrar a IA na avaliação, segundo o texto?

10. Por que o papel do educador é considerado central e insubstituível no contexto da IA e avaliação?

Sugestões de Questões em Formato de Ensaio

Instruções: Escolha uma das questões abaixo e desenvolva um ensaio, utilizando informações do texto e suas próprias reflexões.

1. Analise os impactos da Inteligência Artificial na avaliação em cada um dos três níveis apresentados no texto (estudantes, docentes e instituições).

2. Discuta os desafios e oportunidades em cada nível, e como eles se interconectam.

3. O texto menciona que a IA funciona como um “espelho” e um “martelo” para a avaliação. Explique essa metáfora, detalhando como a IA reflete fragilidades e força o redesenho das práticas de avaliação tradicionais.

4. Discuta os esforços da área da Educação em responder e se adaptar à IA na avaliação, abordando a criação de frameworks, diretrizes institucionais e o repensar da prática pedagógica. Quais são os desafios na implementação dessas respostas?

5. Explore os desafios práticos na integração da IA na avaliação, como a sobrecarga docente, o desafio do redesenho de avaliações e a questão da equidade no acesso às ferramentas de IA. Como esses desafios dificultam a concretização da ajuda prometida pela tecnologia?

6. Reflita sobre a afirmação de que o educador é central e insubstituível no redesenho da avaliação na era da IA. Por que o julgamento pedagógico é crucial e como os educadores podem ir além do “pânico moral” para inovar na avaliação?

Glossário de Termos Chave

• Inteligência Artificial (IA): Sistemas computacionais capazes de realizar tarefas que normalmente requerem inteligência humana, como aprendizado, resolução de problemas e tomada de decisões.

• IA Generativa: Um tipo de inteligência artificial focada na criação de novos conteúdos, como texto, imagens ou música, a partir de dados existentes. ChatGPT é um exemplo.

• Avaliação: Processo educativo utilizado para medir o aprendizado dos estudantes, guiar o ensino e certificar competências.

• Integridade Acadêmica: O compromisso com a honestidade, a confiança, a justiça, o respeito e a responsabilidade em todos os aspectos do trabalho acadêmico. O uso indevido de IA pode comprometer a integridade acadêmica.

• Letramento Digital: A capacidade de usar, entender e criar tecnologias digitais, incluindo ferramentas de IA. Essencial para estudantes e professores na era digital.

• Feedback: Informação fornecida aos estudantes sobre seu desempenho, com o objetivo de ajudá-los a entender seus pontos fortes e áreas de melhoria. A IA pode oferecer feedback rápido.

• Framework (Quadro ou Esquema): Uma estrutura conceitual ou metodológica que orienta a compreensão e a ação em determinada área, como a avaliação integrada à tecnologia.

• Diretrizes Institucionais: Orientações estabelecidas por uma instituição (como uma universidade) sobre um determinado tema, como o uso permitido ou não da IA em atividades acadêmicas.

• Duty of Care (Dever de Cuidado): Um princípio que implica a responsabilidade de proteger o bem-estar dos outros, neste contexto, dos estudantes, incluindo aspectos éticos e de equidade no uso da tecnologia.

• Avaliação Autêntica: Tipos de avaliação que pedem aos estudantes para realizar tarefas que são relevantes e significativas para o “mundo real”, muitas vezes exigindo pensamento crítico, resolução de problemas e colaboração.

• Redesenho de Avaliações: O processo de revisar e modificar os métodos e instrumentos de avaliação para se adaptar a novos contextos ou objetivos, como a integração da IA.

• Pânico Moral: Uma reação exagerada e muitas vezes baseada no medo a uma nova tecnologia ou fenômeno social, levando a proibições ou restrições excessivas.

Chave de Respostas do Quiz de Curta Resposta

1. A principal preocupação inicial tem sido a avaliação, devido ao medo de que os estudantes usem a IA para “colar” e gerar trabalhos que não reflitam seu aprendizado real.

2. A avaliação é um pilar central porque não apenas mede o aprendizado, mas também guia o ensino e certifica competências, sendo fundamental para o processo educativo completo.

3. No nível dos estudantes, um dos principais desafios é a tentação e a facilidade de usar a IA para burlar o processo avaliativo, comprometendo a integridade acadêmica.

4. A IA pode potencialmente auxiliar os docentes otimizando etapas da avaliação, como a criação de rubricas, a avaliação de produções escritas (como apoio) e a formulação de atividades que demandam esforço.

5. Para as instituições, o principal impacto sistêmico é a pressão para uma revisão completa das políticas de avaliação, incluindo diretrizes sobre o uso da IA e programas de formação.

6. Além da fraude, a IA também tem potencial para o desenvolvimento do letramento digital dos estudantes e professores, e força um repensar sobre o propósito da avaliação na era digital.

7. O artigo propõe uma estrutura que vai além das ferramentas, abordando o propósito da avaliação, o “dever de cuidado” com os estudantes (ética e equidade) e a assimilação da tecnologia de forma pedagogicamente sólida e ética.

8. A “primeira onda” de diretrizes institucionais foi variada e reativa, buscando trazer clareza inicial, definir terminologias provisórias e oferecer conselhos práticos aos professores.

9. Um dos principais desafios práticos é a sensação de peso adicional na carga de trabalho dos professores, pois novas tarefas (aprender a usar IA, redesenhar avaliações) são adicionadas sem compensação em outras áreas.

10. O papel do educador é central e insubstituível porque nenhuma ferramenta de IA pode substituir o julgamento pedagógico necessário para desenhar avaliações alinhadas aos objetivos, justas e que sirvam como experiência de aprendizado.

Mapa mental

Linha do tempo

Linha do Tempo Detalhada dos Principais Eventos

• Antes da chegada ampla do ChatGPT & cia.: Discussões sobre o impacto da Inteligência Artificial na Educação existiam, mas a questão da avaliação ainda não havia gerado tanto alarme e debate. Métodos e práticas de avaliação baseados em produção textual ou resolução de problemas padronizados eram amplamente utilizados.

• Chegada ampla do ChatGPT & cia. no cenário educacional: Intensificação da discussão sobre o impacto da IA na Educação em todas as frentes, com destaque especial para a avaliação. Instalação do “fantasma do cola instantânea” nas salas dos professores e instituições. Surgimento de uma reação inicial e predominante de proibir o uso da IA em atividades avaliativas, com a busca por ferramentas de detecção e o retorno a formatos “à moda antiga” (provas orais, presenciais).

• Período Pós-ChatGPT – Início da Análise Acadêmica: Pesquisas acadêmicas começam a emergir, buscando mapear como a IA está impactando a avaliação de forma mais complexa e multifacetada do que a simples equação “IA = cola”.

• Reconhecimento de que a IA toca a avaliação em múltiplas camadas (estudantes, professores, instituições) e de formas que vão além da integridade acadêmica.
  2024:Xia et al. (2024) publicam “A scoping review on how Generative Artificial Intelligence transforms assessment in Higher Education”: Este estudo evidência que os impactos da IA na avaliação se manifestam em diferentes níveis (estudantes, docentes, instituições), cada um com oportunidades e desafios particulares. Destaca a tentação do estudante de usar IA para burlar o processo, a possibilidade do docente otimizar tarefas mas a necessidade de novo “letramento em avaliação com tecnologia” e a pressão sistêmica para instituições revisarem políticas e currículos. Introduz a metáfora da IA como “espelho” (refletindo fragilidades) e “martelo” (quebrando práticas solidificadas).

• Madland et al. (2024) publicam “Developing the Technology-Integrated Assessment Framework”: Proposta de um framework para pensar a avaliação integrada com tecnologia que vai além das ferramentas e tarefas, abordando propósito, “dever de cuidado” (ética e equidade) e assimilação da tecnologia. Busca garantir integração pedagogicamente sólida e eticamente responsável. Inclui perspectivas como os “Cinco Rs” da Educação Indígena.

• El Khoury (2024) publica “Mapping the response to AI and its impact on assessment redesign through document analysis”: Análise de diretrizes de diversas universidades, identificando uma resposta inicial variada e reativa (“primeira onda”) buscando clareza para professores e estudantes. Diretrizes tentam definir terminologia, estabelecer princípios provisórios para o uso da IA e oferecer conselhos práticos. Exemplos incluem a Universidade de Guelph discutindo impactos multifacetados e o British Columbia Institute of Technology questionando o valor de atividades automatizáveis por IA. Observação de que essas respostas são provisórias, a terminologia confusa e a implementação prática enfrenta desafios (como a dificuldade ou impracticabilidade da detecção do uso não autorizado de IA).

• Foung, Lin e Chen (2024) publicam “Reinventing assessments with ChatGPT and other online tools: opportunities for GENAI-empowered assessment practices”: Este estudo, analisando a experiência dos estudantes, revela que a questão da equidade no uso da IA surge do lado de quem é avaliado. Discute a desigualdade de acesso a ferramentas IA premium com capacidades superiores e levanta questões de custo e viabilidade para instituições fornecerem acesso pago em larga escala.

• Criação da “Escala de Avaliação de Inteligência Artificial” (AIAS – Artificial Intelligence Assessment Scale): Framework que categoriza diferentes níveis de uso permitido de IA em atividades acadêmicas, do “sem IA” à “IA exploradora”, para ajudar educadores a determinar como e quando os alunos podem usar IA.

• Em curso: Busca ativa do campo da Educação para responder e se adaptar aos impactos da IA na avaliação. Movimento se manifesta na criação de quadros (frameworks), desenvolvimento de diretrizes institucionais e tentativa de (re)pensar a própria prática pedagógica. Desafios práticos na implementação da IA na avaliação, incluindo a sobrecarga do docente (“peso aditivo”) com novas tarefas e a dificuldade em redesenhar avaliações em larga escala. Evolução constante das diretrizes institucionais, reconhecendo incertezas e a necessidade de ir além da fiscalização.

Elenco de Personagens Principais

• Marcelo Sabbatini: O autor do texto “IA em Foco”. Reflete sobre o impacto da Inteligência Artificial na Educação, especialmente na avaliação, com base em suas observações, experiências (incluindo o uso de slides em cursos e palestras) e referências acadêmicas. Argumenta que a IA não é apenas um risco de “cola”, mas também um estímulo para repensar a avaliação e a prática pedagógica, colocando o educador no centro do processo de redesenho.

• Xia et al.: Autores do artigo “A scoping review on how Generative Artificial Intelligence transforms assessment in Higher Education”. Contribuem para a compreensão do impacto da IA na avaliação no ensino superior, categorizando os impactos em diferentes níveis (estudantes, docentes, instituições) e destacando oportunidades e desafios específicos para cada um.

• Madland et al.: Autores do artigo “Developing the Technology-Integrated Assessment Framework”. Propõem um novo framework conceitual para integrar tecnologia (incluindo IA) na avaliação de forma pedagogicamente sólida e eticamente responsável, indo além de ferramentas e tarefas e considerando o propósito, o “dever de cuidado” e a assimilação da tecnologia.

• El Khoury: Autor do artigo “Mapping the response to AI and its impact on assessment redesign through document analysis”. Analisa as respostas iniciais de diversas universidades ao impacto da IA na avaliação, mapeando diretrizes e identificando a natureza reativa e em evolução dessas respostas.

• Foung, Lin e Chen: Autores do estudo “Reinventing assessments with ChatGPT and other online tools: opportunities for GENAI-empowered assessment practices”. Contribuem com a perspectiva dos estudantes sobre o uso da IA na avaliação, abordando a questão da equidade no acesso a ferramentas IA premium e suas implicações.

• Estudantes: Grupo afetado pelo impacto da IA na avaliação. Podem usar a IA como ferramenta de aprendizado e autoavaliação, mas enfrentam a tentação de usá-la para burlar o processo. Lidam com a questão da integridade acadêmica e a possível desigualdade no acesso a ferramentas IA.

• Docentes (Professores): Grupo afetado pelo impacto da IA na avaliação. Enfrentam o desafio de desenhar avaliações em um cenário com IA, buscando equilibrar o uso da tecnologia com o julgamento humano. Potencialmente podem usar a IA para otimizar tarefas, mas também enfrentam o “peso aditivo” de novas responsabilidades (aprender, redesenhar, monitorar) e a necessidade de desenvolver um novo “letramento em avaliação com tecnologia”.

• Instituições (Universidades): Nível sistêmico afetado pelo impacto da IA na avaliação. Enfrentam a pressão para revisar políticas de avaliação, desenvolver diretrizes, oferecer formação para professores e estudantes sobre o uso ético da IA e repensar o currículo para valorizar habilidades que a IA ainda não domina.

Perguntas frequentes

1. Qual tem sido o principal impacto da IA na avaliação educacional desde o surgimento do ChatGPT?

O principal impacto tem sido um alarme e um debate intensificados sobre a autenticidade do trabalho dos estudantes. Com a capacidade da IA de gerar textos coerentes e resolver problemas, surge a preocupação sobre se um trabalho reflete o aprendizado real do aluno ou se foi gerado por IA. Isso desestabilizou métodos de avaliação tradicionais, especialmente aqueles baseados em produção textual ou problemas padronizados fora do controle direto do professor, levando alguns a proibir o uso de IA e retornar a formatos “à moda antiga” como provas orais ou presenciais.

2. Como a IA impacta a avaliação em diferentes níveis (estudantes, docentes e instituições)?

Nos estudantes, a IA pode ser uma ferramenta para aprendizado e autoavaliação, mas o desafio é a facilidade de usá-la para burlar o processo, exigindo repensar o desenho das tarefas para manter a integridade acadêmica. Para os docentes, a IA oferece potencial para otimizar a avaliação (criação de rubricas, avaliação de textos), mas exige um novo “letramento em avaliação com tecnologia”, aprender a equilibrar a avaliação humana e a assistência da máquina, e focar em habilidades que a IA não domina, demandando tempo e formação contínua. Para as instituições, o impacto é sistêmico, pressionando por revisão de políticas de avaliação, desenvolvimento de diretrizes sobre o uso da IA, programas de formação ética e repensar o currículo para valorizar pensamento crítico, criatividade e aprendizado contínuo.

3. De que forma a comunidade acadêmica tem respondido aos desafios da IA na avaliação?

A comunidade acadêmica tem respondido ativamente através da criação de quadros conceituais (frameworks), desenvolvimento de diretrizes institucionais e tentativas de repensar a prática pedagógica. Exemplos incluem propostas como o “Technology-Integrated Assessment Framework”, que considera o propósito da avaliação e a ética, e a análise de diretrizes universitárias que buscam definir o uso da IA e oferecer conselhos práticos. Embora as respostas iniciais sejam variadas e reativas, há um reconhecimento da necessidade de guias conceituais e metodológicos para integrar a IA de forma pedagogicamente sólida e eticamente responsável.

4. Quais são alguns dos principais desafios práticos na integração da IA na avaliação?

Um desafio prático é que a integração da IA muitas vezes adiciona tarefas aos docentes (aprender novas ferramentas, redesenhar avaliações, monitorar o uso de IA) sem diminuir a carga de trabalho em outras áreas, criando um “peso aditivo”. Outro desafio é o processo de redesenhar avaliações em larga escala para focar em habilidades que a IA não domina, o que demanda tempo, conhecimento em design instrucional e apoio institucional. Além disso, há a questão da equidade no acesso a ferramentas de IA, já que versões premium podem criar disparidades entre os estudantes, e a incerteza das diretrizes iniciais que estão em constante evolução.

5. O que o conceito do “espelho e do martelo” significa no contexto da IA e avaliação?

O conceito do “espelho e do martelo” significa que a IA atua como um espelho que reflete as fragilidades dos métodos de avaliação atuais (aqueles facilmente automatizáveis ou replicáveis por IA) e, ao mesmo tempo, como um martelo que quebra as práticas solidificadas, forçando ou permitindo o redesenho. Entender esses impactos em diferentes níveis (estudantes, docentes, instituições) é crucial para navegar nesse cenário de desafios e oportunidades.

6. As ferramentas de detecção de IA são uma solução eficaz para garantir a integridade acadêmica?

As ferramentas de detecção de IA são mencionadas como uma das reações iniciais
à preocupação com a “cola” instantânea. No entanto, o texto aponta para um artigo sobre “falsos positivos, verdadeiros dilemas” e menciona que algumas instituições reconhecem que a detecção do uso não autorizado de IA pode ser difícil ou impraticável. Isso sugere que focar apenas na “fiscalização” através dessas ferramentas talvez não seja o caminho mais eficaz ou sustentável, indicando a necessidade de abordagens mais abrangentes e menos focadas na detecção e proibição.

7. Como a “Escala de Avaliação de Inteligência Artificial” (AIAS) propõe lidar com o uso de IA em atividades acadêmicas?

A “Escala de Avaliação de Inteligência Artificial” (AIAS) categoriza diferentes níveis de uso permitido de IA em atividades acadêmicas, variando de “sem IA” (proibir completamente o uso) até “IA exploradora” (incentivar a exploração criativa com IA). Esse framework estrutura a forma como os educadores podem determinar quando e como os alunos podem utilizar ferramentas de IA em diferentes tipos de atividades, buscando oferecer um guia para a integração consciente e permitida da tecnologia.

8. Por que o papel do educador é considerado central e insubstituível no cenário da IA e avaliação?

O papel do educador é considerado central e insubstituível porque nenhuma ferramenta de IA pode substituir o julgamento pedagógico essencial para desenhar avaliações alinhadas aos objetivos de aprendizagem, justas para todos os estudantes e que sirvam como experiências de aprendizado. A decisão fundamental sobre o quê, porquê e como avaliar continua sendo uma tarefa inerentemente humana, exigindo a expertise e o discernimento do educador para ir além do pânico moral e inovar em avaliação no contexto da era digital