A integração da Inteligência Artificial (IA), particularmente de modelos generativos como o ChatGPT, na pedagogia linguística representa uma mudança significativa. Este artigo investiga uma aplicação específica: o uso do ChatGPT para auxiliar no desenho de tarefas comunicativas baseadas em conflito para um curso universitário de Expressão Oral no Ensino de Português como Língua Estrangeira (EPLE). A investigação adota uma abordagem descritiva para analisar a interação professor-IA durante o processo de desenvolvimento curricular e avaliar o seu impacto no programa de ensino final.
O estudo situa-se no desenvolvimento prático de um programa de expressão oral em EPLE, no qual o instrutor procurou criar tarefas que estimulem uma interação genuína.
O principal desafio foi desenhar tarefas que fossem além do diálogo ensaiado para fomentar uma interação oral espontânea e significativa. A escolha pedagógica foi basear as tarefas em cenários de conflito (por exemplo, desacordos, negociações, resolução de problemas), que por natureza exigem que os aprendentes utilizem linguagem persuasiva, gerem turnos de fala e expressem opiniões — componentes-chave da competência de interação oral.
A investigação segue uma metodologia descritiva (Olivier de Sardan, 2008; Catroux, 2018). O corpus principal consiste no registo das interações entre o professor-investigador e o ChatGPT durante a fase de desenho das tarefas. Este registo é analisado para identificar características salientes da interação e rastrear como as sugestões da IA foram integradas, modificadas ou rejeitadas no currículo final.
Uma tarefa comunicativa é definida como uma atividade em que o significado é primordial, existe um objetivo comunicativo e o sucesso é avaliado em termos de resultado. A integração da teoria do conflito fornece um enquadramento robusto para o desenho de tarefas. Os cenários de conflito criam uma "lacuna de informação" e uma "razão para comunicar", levando os aprendentes a usar a língua estrategicamente para alcançar um objetivo (por exemplo, resolver uma disputa, ganhar um argumento, encontrar um compromisso), desenvolvendo assim a competência pragmática e interativa.
O desenho destas tarefas considera vários critérios: a autenticidade do cenário de conflito, a exigência cognitiva e linguística adequada ao nível do aprendente, papéis e objetivos claros para os participantes e um resultado definido para avaliar o sucesso da tarefa. O ChatGPT foi utilizado para gerar ideias, refinar e avaliar cenários face a estes critérios.
A interação foi iterativa e dialógica. O professor iniciou o processo com prompts específicos (por exemplo, "Gera um cenário de conflito para aprendentes de chinês de nível intermédio sobre o planeamento de uma viagem em grupo"). O ChatGPT respondeu com esboços narrativos, potenciais inícios de diálogo e descrições de papéis. O professor refinou então os prompts com base nas respostas, pedindo variações, simplificações ou ajustes culturais. A IA atuou como um parceiro colaborativo de geração de ideias e um gerador rápido de protótipos.
A análise sugere que o impacto do ChatGPT foi multifacetado: 1) Eficiência: Acelerou a fase de ideação e rascunho. 2) Diversidade: Aumentou a variedade e criatividade dos cenários de conflito propostos. 3) Scaffolding: Forneceu um ponto de partida que o professor especialista pôde avaliar criticamente e adaptar. O programa final refletiu uma síntese de ideias geradas pela IA e do julgamento pedagógico especializado, em vez de uma adoção direta da produção da IA.
Input (Prompt do Professor) → Processamento da IA (Geração de Cenário) → Avaliação e Adaptação Humana → Output Integrado (Tarefa Final). O filtro crítico da perícia do professor garantiu a solidez pedagógica e a adequação cultural.
Este artigo não trata da IA substituir professores; trata da IA aumentar a carga criativa e cognitiva do desenho curricular especializado. A verdadeira história é o surgimento de uma pedagogia orientada pela engenharia de prompts, com o humano no ciclo. O valor não está na produção bruta do ChatGPT, mas na capacidade do professor de elaborar prompts que o orientem para construções pedagogicamente válidas — como tarefas baseadas em conflito — e depois curadoriar criticamente os resultados. Isto espelha descobertas nas indústrias criativas, onde ferramentas de IA como o DALL-E ou o GPT-3 são mais poderosas quando guiadas por um forte diretor criativo humano (Ammanabrolu et al., 2021, sobre geração narrativa).
A lógica do artigo é sólida, mas revela uma tensão: defende uma abordagem descritiva para mostrar "o que aconteceu", mas a promessa subjacente é prescritiva — implicando que este é um modelo replicável. O fluxo passa do contexto (IA na educação) para um problema específico (desenho de tarefas), depois detalha o método (análise de registos de conversa) e finalmente avalia o impacto. No entanto, para antes de fornecer um enquadramento formalizado para o próprio processo de engenharia de prompts, que é o produto de conhecimento mais transferível.
Pontos Fortes: O foco numa tarefa de ensino de alto valor e exigência cognitiva (desenho, não apenas entrega de conteúdo) é astuto. A escolha de tarefas baseadas em conflito é excelente, pois testa a capacidade da IA para lidar com nuances e dinâmicas humanas. A metodologia descritiva é apropriada para esta exploração em fase inicial.
Pontos Fracos: A análise é inerentemente post-hoc e subjetiva, baseada no registo de interação de um único professor. Não há grupo de controlo (desenho sem IA) nem dados mensuráveis de resultados de aprendizagem para fundamentar a alegação de "impacto" positivo. A discussão dos "impactos" permanece especulativa quanto aos ganhos reais de aprendizagem dos alunos. Arrisca-se a confundir eficiência do processo de desenho com eficácia pedagógica.
Para educadores e instituições: 1) Investir em Literacia de Prompts: A formação para professores deve mudar de "como usar a IA" para "como elaborar prompts pedagógicos". 2) Desenvolver Rubricas de Avaliação: Criar critérios partilhados para avaliar conteúdos educativos gerados por IA, focando-se em princípios pedagógicos, não apenas na correção linguística. 3) Pilotar com uma Hipótese Clara: Não se limitar a descrever o processo; desenhar testes A/B comparando métodos de desenho assistidos por IA e tradicionais, tanto em métricas de eficiência como, crucialmente, no subsequente envolvimento/desempenho dos alunos. 4) Documentar a Cadeia de Prompts: A verdadeira propriedade intelectual é a sequência de prompts que produziu os melhores resultados. Esta deve ser arquivada e partilhada sistematicamente.
A colaboração humano-IA pode ser modelada como uma série de ciclos iterativos. Um aspeto técnico chave é a evolução do prompt. O prompt inicial $P_0$ (por exemplo, "um cenário de conflito") é refinado com base no output $O_n$ e nos objetivos pedagógicos $G$. Isto pode ser conceptualizado como: $P_{n+1} = f(P_n, O_n, G, C)$, onde $C$ representa restrições (nível linguístico, contexto cultural). A função $f$ é a habilidade de engenharia de prompts do professor. A qualidade da tarefa final $T_{final}$ é uma função do output inicial da IA e do número e qualidade das iterações de refinamento: $T_{final} \approx \sum_{i=1}^{n} (\alpha \cdot O_i + \beta \cdot H_i)$, onde $\alpha$ é o peso da IA, $\beta$ é o peso do especialista humano e $H_i$ é o input humano na iteração $i$.
Cenário: Desenhar uma tarefa para aprendentes de nível B1 sobre "negociar um horário de trabalho".
Enquadramento Analítico Aplicado:
1. Desconstrução do Prompt: Prompt do professor: "Gera um diálogo em que dois colegas discordam sobre horários de turnos de fim de semana. Inclui expressões de preferência, sugestão e desacordo moderado. Usa vocabulário de nível B1." Este prompt especifica contexto, conflito, funções linguísticas e nível.
2. Matriz de Avaliação do Output: O output da IA é avaliado face a:
- Adequação Pedagógica: As funções linguísticas-alvo estão presentes?
- Adequação Linguística: O vocabulário/sintaxe está alinhado com o B1?
- Autenticidade do Cenário: O conflito é credível?
- Potencial da Tarefa: Isto pode ser transformado num role-play com objetivos claros?
3. Rastreio da Iteração: O professor nota que o primeiro rascunho da IA usou frases de desacordo excessivamente formais. O próximo prompt refina: "...Usa frases coloquiais mais comuns para desacordo como 'Acho que talvez não vá funcionar' em vez de 'Opõe-me firmemente'." Isto demonstra o enquadramento em ação.
A trajetória aponta para além do desenho de tarefas. Aplicações futuras incluem: 1) Ajuste Dinâmico da Dificuldade: A IA poderia gerar múltiplas versões de um cenário de conflito em tempo real com base no desempenho do aprendente. 2) Cenários de Conflito Personalizados: Usar os interesses do aprendente (obtidos de inquéritos ou interações anteriores) para semear a geração de cenários. 3) IA como Simulador de Role-play: Aprendentes a praticar negociação com um personagem de IA, que adapta a sua estratégia com base na proficiência linguística e persuasão do aprendente, um conceito próximo do trabalho em IA para narrativa interativa (Riedl & Bulitko, 2012).
Direções de Investigação Críticas: Estudos longitudinais que meçam resultados de aprendizagem; desenvolvimento de "bibliotecas de prompts pedagógicos" padronizadas; exploração do desenho de tarefas multimodais (integrando imagens/vídeos gerados por IA em cenários); e investigação séria de questões éticas — garantindo que a IA não reforça estereótipos nas suas narrativas de conflito geradas.