https://doi.org/10.5281/zenodo.21309211

Not long ago, I wrote here that AI will force us to take seriously educational ambitions we have been proclaiming since the nineteenth century: understanding, purpose, personal appropriation, the ability to judge, decide, and take responsibility. Those are fine ideas. Defending them in an essay is relatively easy.

Then Monday comes.

Those ideas have to appear in concrete activities, with assignment briefs students can interpret and work that fits the course credits. Students need support (in my case at Universidade Aberta, asynchronously and in writing, through Moodle forums). Everything has to fit the deadlines. And then it has to be assessed. All of this while students use GPTs or other AI systems. I strongly encourage them to do so, but they would still use them if I discouraged them. They may use them well, use them badly... use them critically to explore a difficulty, or simply use them to produce something that fills the allotted space in an assignment. An instructor’s work should not consist of naively drawing boundaries around when the tools may be used, nor should it waste away trying to detect their tracks in pursuit of a chimera. At least I do not think that is a useful way to practise our profession. I am more interested in raising the ambition of what students are to learn and in finding processes that are workable for the general body of students and educators. In other words, processes that are not reserved for those who already have high motivation, commitment, resilience, and dedication. On the contrary, processes that work within the complex reality of human beings as they are, including those who would probably never get there without guidance, support, or enriching experiences.

This essay is about one of my concrete attempts. I carried it out during the 2025/26 academic year, in an Object-Oriented Programming course on the Informatics Engineering degree at Universidade Aberta, with 220 students (give or take: the number does not remain stable over the semester). Do not expect me to present wondrous results showing learning gains. Finding out whether something in education is better than something else, or even better than doing nothing, is an unrewarding, time-consuming task, because we cannot take the same students through the same experience twice. Knowing that will take years and meticulous research into the plans, their execution, and so forth. What I have now is an activity design that was actually used, something real rather than merely imagined. I have the artefacts that gave it form, observations from its implementation, and a considerably clearer idea of what seems to have gone well and what I aspire to improve.

What remained untaught when we taught Object-Oriented Programming

If you come from another field, do not be put off by this being about computer science. I think it will be useful for (almost) everyone. A brief explanation will be enough to establish the context. Object-oriented programming is a way (let us call it that) of organising the structure of computer programs so that they remain easier to understand, modify, and manage as they grow and as many hands and minds start tampering with them, rather than just one skilful software craftsperson. It uses several techniques for this purpose, with names that reflect ideals, such as “encapsulation”, “overloading”, “inheritance”, and “polymorphism”. Their precise meanings do not matter for this essay. It is enough to understand that they are techniques for organising and structuring complex things.

In practice, pressures of scale (the number of students), heterogeneity (the variation in each student’s level of attainment), and time (do I really need to explain?) meant that much of the teaching ended up concentrating on the expression and practice of syntax and techniques. There are good reasons for this, mind you. They are complex, they require repetition and experience, the code has to work, and the most basic errors may stop a student from moving forward. It is possible (common, in fact) to teach encapsulation without the student ever feeling what problem the technique has solved. A student may implement inheritance without developing any criterion for deciding when it will make a program easier to evolve and when it will instead trap the program inside a poor structural decision.

A customary solution is to develop individual projects. When someone tries to give form to an idea that is genuinely their own, the classes stop aping examples prepared by the instructor and begin to reflect responsibilities towards that idea. The devil emerges in the details: is the state of each element coherent? Do we allow something to change or be replicated, or impose it as static and unique? Do we identify common practices, collaboration, and trust, or do small differences generate boundaries and separation? (Easy, computer-science colleagues, I am writing it this way so that people outside computing can follow the general argument.) It is in these details, piece by piece and line by line, that understanding the principles proves useful.

This path of project-based learning has (had?) a logistical problem. Regularly following the projects of more than two hundred students, especially at an online university, would inevitably distribute feedback unevenly (even with tutors supporting groups). Some students would ask questions early, when teaching pressure was lower, and might receive more attention. Others would proceed in silence for weeks, never asking a question or releasing them all in a deluge, all at the same time. Giving every student an individual, detailed, timely appraisal would demand an unbearable effort from the teaching team... and, come to think of it, from the students too: if we are providing public feedback, imagine having to read individual feedback addressed to that many classmates!

AI has altered this state of affairs. It has made it feasible to ask for more concrete realisations, create short feedback cycles for everyone, and devote teaching attention to those aspects where lived experience, knowledge of the class, a reading of the person and the situation, and professional judgement really add something.

I hope it is clear that this context does not belong to computer science alone. Many fields face the challenge of getting complex concepts, techniques, and principles to be genuinely understood, mastered, and applied (”mobilised”, as my Brazilian colleagues so endearingly put it). Project-based learning is common in such situations; this case in object-oriented programming just happens to be my own circumstance.

Two weeks with an idea that fights back

The semester project is not assigned by the instructor. The student proposes it, because the student has to want to make it happen. If the instructor chooses it, all the criteria concerning what matters vanish; they become an illusion, because the real criterion becomes “please the teacher” or “guess what the teacher wants”. Everything therefore begins with a proposal from the student, while the teacher provides only qualitative contours. I asked for personal or professional relevance, for a project rich in structural decisions, and for something that could fit the available time. “I’ll be making an application” is not enough. “I’ll make an innovative application to improve the user experience” says even less by faking it too much. The student needs to discover what they really want to lay bare, what they want to make happen, and why it matters to them.

During the first week, the proposal goes through several forms.

It begins with just one paragraph setting out the project idea. A short one! No Faulkner-length paragraphs (usually hollow in intention; it was already like that before, and is even more so in the age of GPTs). That idea must immediately be made concrete in a 25-to-35-word micronarrative, produced through a structured approach called “micro SciFi-Prototyping” (μSFP, a technique I learnt from Vic Callaghan), which requires thinking about characters, situations, and actions. It is the first of many conversions of the idea. The second changes to an analytical view: what entities exist within the idea, and what behaviours do those entities have, or what behaviours exist between them? The cognitive conversions continue. The student then reveals one or two clearer narratives showing how they imagine their project taking shape in real situations: still very short things, which computer scientists call user stories (a rather naff piece of jargon; people probably think it sounds “more technical”, but it is the term in use). Then another conversion of the idea! The student represents them as visual comic-strips (the posh name is storyboards) and draws one or two sketches (the term is “mockups“ or “low-fidelity prototypes”) of what the screens in the computer applications used in those narratives might eventually look like.

The drawing may be crude: aesthetics are not being assessed. It may also be beautiful; that is for each person to decide. What matters is whether the situation in this visual narrative has really been imagined, whether it is credible and pertinent, whether it makes sense in relation to the original idea as clarified in the micronarrative, and whether the screen sketches reflect what they need to allow to happen in the narrative’s storyboard. With each successive cognitive transformation, the idea finds fewer places to hide inside each person’s mind: well-intentioned sentences start leaving the ideas’ toes and bellies sticking out, while futile adjectives collide with the real world revealed through narratives and sketches.

During the second week, students begin to establish the cognitive connection with the course content, which they had been asked to study from the outset. They must identify the first candidate “classes”, draw a simple diagram of them, and produce small prototypes in Python code. The assignment brief deliberately limits the scale of what is submitted: two or three small classes, one or two methods beyond the constructor (reader: if you do not know what that is, never mind), two or three instances (reader: if you do not know what those are, make a note saying “another technical concept”), and about sixty lines of code. The student does not have to submit everything they produce, because in an environment where AI is available, volume demonstrates no value. They do have to choose examples that are relevant for the purposes of feedback and assessment. We need only enough material to confront all the elements with one another, see whether they are coherent, and find whether they reflect a personal interest, a personal choice, and so forth.

The same project is expressed in several ways. These images come from the example provided to students; they are not student work.

This is quite a literal implementation of something Seymour Papert and Idit Harel associated with constructionism: building knowledge while building an entity that can be subjected to the “test of reality”. Does it hold up in reality? Can it be shown, discussed, and reformulated? In a chapter from the same book, Uri Wilensky proposed that abstract and concrete concepts are not different kinds of things: abstraction is not a fixed property of a concept or object. It depends on the richness of the relationship we construct with it, on the representations, interactions, and connections we manage to establish. A project idea becomes more concrete when the student gives it life and brings it into the real world: when they narrate, draw, model, and program it, and find differences between those forms.

The almost inevitable conflict throughout these transformations has a disclosure function: it demands critical thought and reflection. To use the example, if a character in the idea’s micronarrative can have several places where they store equipment but the class diagram reveals a single global inventory, there is a conflict. If the storyboard says the user is comparing choices but the mockup has space for only one, there is a conflict. If the student claims the inventory is encapsulated (a course concept) but the script reveals that the game master can change it directly, there is a conflict. A project idea, both in general and in its connection to the course content (object orientation), ceases to be a list of words. The student now has a problem of their own to untangle, the greatest problem of all: what do I want?

Two GPTs for structuring dialectics within an open ecosystem

Students could use any GPT throughout the course. I also provided two custom GPTs, accessible through direct links from the course pages. They were neither the “authorised” tools nor “indispensable”. Their purpose was to give every student access to two modes of dialectic already structured around the learning objectives of the course, the tasks, and the object-oriented programming principles under study.

The Digital Socrates asks questions, insists, and looks for inconsistencies between what the student says they want, what they proposed, and the ways in which they have begun to give it form. It should resist the temptation to offer a ready-made solution, although we know preventing it from doing so is impossible; it simply does not tend to jump straight there. The second GPT combines an Aristotelian and Stoic orientation. It helps explore the consequences of each choice and leads the student to decide what limits they accept for their ambitions.

There could have been three GPTs: one for the inconsistency, another for the consequence, and another for the limits. I chose two because the activity had two moments. First, discover the distance between the intention and the form it had been given in the design. Then understand what that distance will do to the project and decide how far it is reasonable to resolve it during the semester.

The GPTs provided bring context and a form of dialogue. The prompts used to configure them are also shared.

This last point matters. Yes, I know: if it did not, I would not have brought it up. But I am stressing it to capture your attention. An academic project does not have to be perfect. Even the meaning of “good” varies across projects, students, and points in the semester. The available time varies, as do prior experience, the risk we are prepared to take, and the effort that is possible or desired; the course concepts surround all of this. A student may retain an option that is simpler now but will make their work harder in future. They need to see that consequence, define the bounds of the compromise, and take responsibility for the decision.

That is why the map requested during the second week had four columns:

Inconsistency → Consequence → Accepted limit → Object-oriented programming principle

The map turns a vague observation into a technical decision. The synthesis connects that decision with the diagram, the code, and the other artefacts.

A generic GPT could also discuss these matters with students; I need not have provided the Digital Socrates and the Aristotelian-Stoic GPT. If the student failed to supply the context of the course and the task, however, they would not obtain an appropriate interaction. The disparity in the quality of those interactions would be enormous across a large group of students. The prepared GPTs lower that barrier. There is also an institutional and data-protection issue. In light of the General Data Protection Regulation (GDPR, well-intentioned but ill-fated), it is unacceptable to require every student to create an account and send personal data to a service outside the European Union merely to use a particular GPT. And if we can avoid imposing costs on students, it is right to give them that freedom. Use of the GPTs I created as OpenAI custom GPTs is therefore optional. In a Prompt Grimoire within the course, I publish the prompts for every GPT I use. I also publish their reference files whenever necessary, allowing students to reproduce the interaction in another system. As alternatives to OpenAI, they may use a service hosted in the European Union, in Portugal, at the institution itself, from another provider of the student’s choice, or even a language model running on their own computer. Tools such as Ollama and LM Studio already make it possible to run models locally without sending conversations to an external service.

Automated feedback for everyone changes the teaching work

The logistical gain from accepting and encouraging the use of GPTs is immediate: every student can obtain detailed, personalised, specific feedback without waiting for an instructor to find the time to get to their project and analyse it in full depth. Yet the presence of GPTs in the course creates a permanent demand upon instructors and tutors... and students. We all have to demonstrate our value beyond what the GPT already provides.

This has interesting consequences for forum dynamics. When faced with a question, I can reply: “This is what the Digital Socrates says when I put your question to it.” And then add: “And this is what I have to say on my own part.” The first response will usually address formal aspects or generic or canonical expectations: an omission, a criterion, an example. The second may recognise a particular intention, relate it to something that happened in another project, distinguish a conceptual difficulty from a reasonable decision, notice that the student is steering clear of an important risk, or say, from experience, where it is worth persisting.

This open use of AI encourages students to share their AI conversations, questions, and results. After all, if “even the teacher does it...”, the conversation no longer remains hidden for fear that it might seem illegitimate. No, colleagues, telling students that they may use it is not enough, because years of hard experience have taught them that teachers do not always practise what they preach. It matters to do it as well as say it. Their classmates can intervene in the same way. They may compare forms of prompting, challenge an answer, or realise that they face similar problems. And a student need not remain silent while waiting for the instructor to validate every small step.

Teaching work does not disappear! It becomes more exposed. If my contribution amounts to the same as the GPT’s, or is even worse, its uselessness becomes evident. The richness of lived human experience has to appear in what we choose, what we value, our reading of the situation, and the way we help this person and this class move forward.

What went well

The first result was establishing feasibility. A process that previously could not even have been requested, because it would have taken several weeks and distributed support very unevenly, fitted within the effort allocated to two weeks. Students had access to immediate and more detailed feedback than the teaching team could individually have provided to more than two hundred people.

The topics proposed were rich and varied. Requiring personal or professional relevance gave the projects a direction that a standard list of topics would not have provided... and where it did not, this allowed us to alert students to the problem early (at the end of those two weeks). The multiple concrete realisations allowed that direction to be discussed, rather than remain hidden, implied by an initial statement no one would ever examine again.

The diversity of perspectives in the class became visible, as did the cloning of ideas. Different projects make the same principles stumble in different places; identical projects following identical progressions expose a lack of authenticity. Abstract course concepts such as “single responsibility” seem self-evident in an example prepared for a class, but in a personal project what counts as a “single responsibility” becomes debatable and needs to be defended.

These examples are merely operational indicators, observations I made. They do not yet show that students learnt more or learnt better. They show that it was possible to provide the general body of students with a kind of journey and feedback that, at this scale, would previously have been reserved for a few—or might not even have been attempted.

What went wrong and was useful for that very reason

Above, when describing what went well, I already included problems: students who proposed projects without personal relevance, and cloned ideas, as I described them, because they had been requested from a GPT without introspection or copied from classmates. That counts as “going well”: a process that reveals problems earlier rather than later is a good process, because it allows timely corrections. In this section, addressing what went wrong, I look at the process itself rather than individuals. These are the aspects that prevent the intended value from emerging.

What troubled me most was having naively included a request for a final synthesis. In that request, I deliberately left room for a less structured voice. I wanted students to explain, outside the straitjacket of a table, the inconsistencies they had found, their consequences, their accepted limits, and the relationship with the principles covered by the course. Sometimes that was what they did. In many submissions, something else happened: generic text, full of the right vocabulary and probably produced by a GPT without personal appropriation. “Optimisation”, “critical reflection”, “innovative approach”, “efficient application of principles”. The words were there; the personal project and the individual’s perspective had disappeared.

OK, you will say: then isn’t it also good that this was revealed early? No. In a generic project, the student may believe that a personal touch is unimportant and that any topic will do for learning. There is some room to believe that they are deluding thenselves into thinking they are doing things well (when they are in fact not); here, however, no student can be in any doubt that they are evading reflection.

What went wrong was that I had not planned my assessment approach with this in mind. I should have. I only did so halfway through the process, once I became fully aware of what was happening. If I assess this text as I would assess a reflection assumed to have been written without AI, I enter a spiral of frustration. I have to ponder whether an intention lurks behind a generality or whether there is only emptiness. I have to wonder whether that lingo (e.g., “trade-off”, “tension”, “signal”) came mindlessly from the GPT, or whether the student liked the idea and did not mind the term. Broadly speaking, I find myself producing feedback for an effort that never took place. In these cases, which are particularly vulnerable to empty rhetoric, the focus of assessment must go straight for the jugular: does this carry personal meaning? Is there a purpose that clearly belongs to the person proposing the project? Is there a decision? Are specific aspects of the project connected with the experience of making it? Is there agency? The feedback only moves on if that is evident; otherwise that is what we discuss, and nothing else.

Synthetic reconstruction: it does not reproduce any real student dialogue or work.

A vague formulation, or one made of buzzwords, should receive unequivocal criticism. That initial feedback sets the tone for the rest of the semester. It shows that the criteria were not decoration on a rubric and clarifies what I mean by reflection: establishing relationships that only this person can establish between their intention, their choices, and what they have built.

The same thing occurred, to a lesser extent but still far too often, in the tables of inconsistencies, consequences, limitations, and adoption of course principles. This likewise required a reorganisation of the approach to assessment and feedback, so that it would focus on these qualities as a prior condition, before exhausting itself in discussion of empty words.

There is also work to be done here on the instructional design. Perhaps these attitudes can be reduced through counterexamples alongside examples of how to carry the activity out. Perhaps GPT feedback can be improved so that it warns students about these defects in advance, rather than waiting for the irreversible moment of human assessment. Perhaps there are other viable approaches.

Cute ideas only become serious when we write the assignment brief

The Object-Oriented Programming case offers no recipe for every field. But I hope it may be useful in many! It shows an approach that can be adapted: begin with something that matters to the student; force the idea to pass through different concrete realisations and varied cognitive transformations; use AI to provide frequent interlocution; look for inconsistencies between intention and realisation; analyse the consequences of those inconsistencies; decide which limits are accepted in resolving them; focus the instructor’s intervention on critical thinking, purpose, individualisation, and the relationship between this person and what they are building.

This is how an apparently simple task—proposing a project topic—came to occupy two weeks without turning into curricular sausage-stuffing. Proposing a project topic became part of the learning itself. The student began to encounter object-oriented programming inside the problem they had chosen to build, before the project was large enough to hide its decisions beneath hundreds of lines of code.

In the previous essay, I ended by asking what process leads a student to value, decide, revise, and assume responsibility. This was one possible answer, applied under real conditions and still imperfect.

This is also where pedagogical guff has to become the trumpets of reality. Once we have championed understanding, appropriation, and critical thinking, we have to decide what happens during the first week, what is submitted in the second, what feedback reaches everyone, where the instructor comes in, and what we do when impeccable prose contains no soul inside it.

References and links

• Papert, S., & Harel, I. (1991). Situating Constructionism. First chapter of Constructionism.

• Wilensky, U. (1991). Abstract Meditations on the Concrete and Concrete Implications for Mathematics Education. In I. Harel & S. Papert (Eds.), Constructionism, pp. 193–204.

• European Data Protection Board. International transfers and international cooperation.

• Ollama and LM Studio, options for running models locally.

https://doi.org/10.5281/zenodo.21309162

Há pouco tempo escrevi aqui que a IA nos obrigará a levar a sério ambições educativas que proclamamos desde o século XIX: compreensão, propósito, apropriação pessoal, capacidade de ajuizar, decidir e assumir. São ideias bonitas. É relativamente fácil defendê-las num texto.

Depois chega a segunda-feira.

As ideias têm de aparecer em atividades concretas, com enunciados que os estudantes consigam interpretar, trabalho compatível com os créditos da unidade curricular. Tem de ser feito o acompanhamento (no meu caso na Universidade Aberta, assincronamente e por escrito em fóruns no Moodle). Tem de caber nos prazos. E é preciso fazer a avaliação. Isto tudo com os estudantes a usar GPT ou outras IA. Eu encorajo-os vivamente a fazê-lo, mas se os desencorajasse usariam na mesma. Podem usá-las bem, usá-las mal... usá-las com sentido crítico, para explorar uma dificuldade, ou simplesmente para produzir qualquer coisa que ocupe o espaço previsto na entrega. O trabalho do professor não deve ser balizar ingenuamente quando usar as ferramentas ou esvair-se a tentar detetar-lhes o rasto, numa quimera. Pelo menos não acho que isso seja uma forma útil de atuar profissionalmente. Interessa-me mais melhorar a ambição da aprendizagem e encontrar processos praticáveis pela generalidade dos estudantes e dos professores. Ou seja, não apenas por quem já tenha elevada motivação, empenho, resiliência e dedicação. Não! Processos que funcionem na complexa realidade dos seres humanos como são, incluindo os que provavelmente não chegariam lá sem orientação, apoio ou vivência de experiências enriquecedoras.

Este texto é sobre uma das minhas tentativas concretas. Fi-la no ano letivo de 2025/26, numa unidade curricular de Programação por Objetos da Licenciatura em Engenharia Informática da Universidade Aberta, com 220 estudantes (mais ou menos: não é estável ao longo do semestre). Não pensem que vou apresentar resultados miríficos de ganhos de aprendizagem. Descobrir se algo é melhor do que outra coisa na educação, ou mesmo melhor que não fazer nada, é tarefa ingrata, demorada, porque não passamos da mesma maneira pelos mesmos alunos duas vezes. Saber isso demorará anos, investigação meticulosa nos planos, na execução, etc. O que tenho agora é um desenho de atividade que efetivamente foi aplicado, algo real, não apenas idealizado. Tenho os artefactos que o materializaram, observações sobre a sua execução e uma ideia bastante mais nítida do que me parece ter corrido bem e do que ambiciono fazer melhor.

O que ficava por ensinar quando ensinávamos Programação por Objetos

Para quem vem de outra área, não se assuste disto ser informática, que me parece que será útil para (quase) todos. Basta uma explicação breve de enquadramento. A programação orientada a objetos é uma forma (chamemos-lhe assim) de organização estrutural dos programas informáticos, que visa torná-los mais compreensíveis, modificáveis e fáceis de gerir à medida que crescem e começa a haver muitas mãos e cabeças a mexer-lhes, não apenas um artesão informático habilidoso. Para isso, usa várias técnicas, com nomes que refletem ideais, como “encapsulamento”, “sobrecarga”, “herança” ou “polimorfismo”. Nesta publicação não importa ao certo o que significam: importa apenas perceber que são técnicas de organização e estruturação de coisas complexas.

Na prática, grande parte do ensino, por pressões de escala (número de alunos), heterogeneidade (variedade do nível de desempenho de cada aluno) e tempo (é preciso explicar?) acabava por se concentrar na expressão e treino da sintaxe e das técnicas. Há boas razões para isso, note-se. São complexas, requerem repetição e experiência, o código tem de funcionar e os erros mais básicos podem impedir o estudante de avançar. É possível (na verdade, comum) ensinar encapsulamento sem que o estudante chegue a sentir que problema resolveu com essa técnica. Pode implementar herança sem formar um critério sobre quando ela facilitará a evolução do programa ou antes o deixará preso a uma má decisão estrutural.

Uma solução costumeira para isto é desenvolver projetos individuais. Quando alguém tenta concretizar uma ideia que seja mesmo sua, as classes, em vez de macaquearem exemplos preparados pelo professor passam a refletir responsabilidades para com essa ideia. O diabo surge nos detalhes: há coerência no estado de cada elemento? Deixa-se que algo possa ser mudado, replicado, ou impõe-se como estático, único? Identificam-se práticas comuns e de colaboração e confiança, ou pequenas diferenças geram fronteiras e separação? (Calma, colegas informáticos, estou a escrever assim para que não informáticos possam seguir o argumento geral.) É nestes detalhes peça a peça, linha a linha, que a compreensão dos princípios se revela útil.

Esse caminho da aprendizagem baseada em projetos tem (tinha?) um problema logístico: acompanhar regularmente os projetos de uma unidade curricular com mais de duzentos estudantes, ainda por cima numa universidade online, distribuiria o feedback de forma inevitavelmente desigual (isto mesmo com tutores a acompanhar grupos). Alguns estudantes colocariam dúvidas mais cedo, com menos pressão docente, e poderiam receber mais atenção. Outros avançariam em silêncio durante semanas, para nunca emitirem dúvidas ou só o fazerem em catadupa, todos ao mesmo tempo. Dar a todos uma apreciação individual, detalhada e atempada exigiria um esforço incomportável da equipa docente... e já agora, dos alunos, porque se estivermos a dar feedback público, imaginem ver o feedback individual a tantos colegas!

A IA alterou este estado de coisas. Tornou viável pedir mais concretizações, criar ciclos curtos de feedback para todos e dedicar a atenção docente aos aspetos em que a experiência vivida, o conhecimento da turma, a leitura da pessoa e da situação, e o juízo profissional realmente acrescentam alguma coisa.

Espero que seja percetível que este contexto não pertence apenas à informática. Em muitas áreas, é um desafio que conceitos, técnicas e princípios complexos possam ser verdadeiramente compreendidos, dominados e aplicados (”mobilizados” como dizem de maneira adorável os colegas brasileiros). A aprendizagem por projetos é comum nessas situações, sendo que este caso na programação orientada a objetos é apenas a minha circunstância pessoal.

Duas semanas com uma ideia a dar luta

O projeto do semestre não é dado pelo professor. É proposto pelo estudante, porque tem de ser o estudante a querer concretizá-lo. Se for dado pelo professor, os critérios do que interessa desaparecem, são todos uma ilusão, porque o verdadeiro critério passa a ser «agradar ao professor» ou «acertar no que o professor quer». Então, tudo começa por uma proposta do estudante, o professor só dá os contornos qualitativos. Pedi que tivesse relevância pessoal ou profissional, fosse rica em decisões de estruturação e coubesse no tempo disponível. «Fazer uma aplicação» não chega. «Fazer uma aplicação inovadora para melhorar a experiência dos utilizadores» ainda diz menos, por fingir mais. O estudante precisa de descobrir o que quer realmente pôr a nu, fazer acontecer e por que motivo isso lhe interessa.

Na primeira semana, a proposta atravessa várias formas.

Começa por apenas um parágrafo com a ideia de projeto. Curto! Nada de parágrafos saramaguianos em extensão (e habitualmente vazios de intenção, já dantes assim era, na era do GPT mais é). Essa ideia tem logo de ser concretizada numa micronarrativa de 25 a 35 palavras, produzida através de uma abordagem estruturada chamada “prototipagem de microficção científica” (PμFC, técnica que aprendi com o Vic Callaghan), que requer pensar em personagens, situações, ações. É a primeira de muitas conversões da ideia. A segunda é mudar para uma visão analítica da ideia: que entidades existem nela, que comportamentos têm essas entidades ou há entre entidades? E as conversões cognitivas continuam: depois o estudante revela para essa ideia uma ou duas narrativas mais claras de como imagina o seu projeto a concretizar-se em situações reais: coisas ainda assim muito curtas, os informáticos chamam-lhes user stories (é um estrangeirismo foleiro, o pessoal provavelmente acha “mais técnico”, mas é o que se usa). Depois nova conversão da ideia!) representa-as como guiões visuais em banda desenhada (o nome chique é storyboards) e desenha um ou dois esboços (o termo é “mockups“ ou “protótipos de baixa fidelidade”) de como imagina que virão a ser os ecrãs das aplicações informáticas usadas nessas narrativas.

O desenho pode ser tosco: a estética não está em avaliação. Também pode ser bonito, fica ao gosto de cada um. Interessa é perceber, nessa narrativa visual, se a situação foi mesmo imaginada e é credível e pertinente, se faz sentido face à ideia original esclarecida na micronarrativa, se os esboços de ecrãs refletem o que devem permitir que aconteça no guião visual da narrativa. A ideia, em cada uma das sucessivas transformações cognitivas, vai deixando de ter onde se esconder dentro da cabeça de cada um: as frases bem-intencionadas já deixam de fora os pés e barrigas das ideias, os adjetivos fúteis colidem com o mundo real revelado nas narrativas e esboços.

Na segunda semana, começa-se a fazer a ligação cognitiva à matéria, cujo estudo tinha sido solicitado desde o início: chega a necessidade de identificar as primeiras “classes” candidatas, um diagrama simples delas e pequenos protótipos delas em código Python. O enunciado limita propositadamente a escala do que se entrega: duas ou três classes pequenas, um ou dois métodos além do construtor (leitor: se não sabes o que é, não faz mal), duas ou três instâncias (leitor: se não souberes o que é regista “outro conceito técnico”) e cerca de sessenta linhas de código. Ou seja, o estudante não tem de entregar tudo o que faz, porque em ambiente de IA disponível o volume não demonstra valor. Tem é de escolher exemplos relevantes para os propósitos de lhe darmos feedback e avaliação: só precisamos de matéria suficiente para confrontar todos os elementos entre si, para ver se são coerentes, se refletem um interesse pessoal, uma escolha pessoal, etc.

O mesmo projeto é expresso de várias maneiras. As imagens pertencem ao exemplo fornecido aos estudantes, não a trabalhos de estudantes.

É uma concretização bastante literal de algo que Seymour Papert e Idit Harel associaram ao construcionismo: construir o conhecimento enquanto se constrói uma entidade que pode ser sujeita ao “teste da realidade”: sustem-se na realidade, pode ser mostrada, discutida e reformulada. Uri Wilensky, num capítulo do mesmo livro, propôs que não há conceitos abstractos e concretos como coisas diferentes: a abstração não é uma propriedade fixa do conceito, do objeto. Depende da riqueza da relação que construímos com ela/ele: das representações, interações e ligações que conseguimos estabelecer. Uma ideia de projeto torna-se mais concreta quando o estudante lhe dá vida, a traz para o mundo real: quando a narra, desenha, modela, programa e encontra diferenças entre essas formas.

O conflito quase inevitável ao longo das transformações tem aqui uma função de revelação, de exigência de pensamento crítico, de reflexão. Recorrendo ao exemplo, se na micronarrativa da ideia uma personagem pode ter vários sítios onde guarda equipamento, mas o diagrama de classes revela que só há um inventário global, temos um conflito. Se o storyboard diz que o utilizador está a comparar escolhas, mas o mockup só revela espaço para uma, temos um conflito. Se o estudante alega que há encapsulamento (conceito da matéria) do inventário, mas o guião revela que o mestre de jogo o pode mudar diretamente, temos um conflito. Uma ideia de projeto, quer em geral que na ligação à matéria (orientação a objetos) deixa de ser uma lista de palavras. O estudante passa a ter um problema seu para deslindar, o maior dos problemas: o que quero eu?

Dois GPT para estruturar a dialética num ecossistema aberto

Os estudantes puderam usar quaisquer GPT ao longo da unidade curricular. Forneci-lhes também dois GPT personalizados, acessíveis por ligação direta nas páginas da unidade curricular. Não eram as ferramentas “autorizadas”, nem eram “indispensáveis”. Serviam para colocar qualquer estudante perante duas modalidades de dialética já estruturadas com os objetivos da unidade curricular, das tarefas e com os princípios de programação por objetos em estudo.

O Sócrates Digital pergunta, insiste e procura incoerências entre aquilo que o estudante afirma querer, o que propôs e as formas como começou a concretizá-lo. Deve resistir à tentação de oferecer uma solução pronta, mas sabemos que impedi-lo é impossível, simplesmente não tende a saltar para aí. O segundo GPT combina uma orientação aristotélica e estoica. Ajuda a explorar as consequências das escolhas e a levar o estudante a decidir que limites aceita para as suas ambições.

Poderiam ser três GPT: um para a incoerência, outro para a consequência, outro para os limites. Optei por dois porque a atividade tinha dois momentos. Primeiro, descobrir a distância entre a intenção e a concretização desenhada. Depois, perceber o que essa distância fará ao projeto e assumir até onde é razoável resolvê-la durante o semestre.

Os GPT fornecidos trazem contexto e uma forma de diálogo. As interpelações usadas para os configurar também são partilhadas.

Este último ponto é importante. Sim, eu sei que se não fosse não se trazia. Mas friso-o para cativar a vossa atenção. Um projeto académico não tem de ser perfeito. Nem sequer algo ser “bom” significa o mesmo para todos os projetos, todos os estudantes e todos os momentos do semestre. Há variação do tempo disponível, da experiência prévia, do risco que estamos dispostos a assumir, do esforço possível ou desejado, e à volta de tudo os conceitos da matéria da unidade curricular. Um estudante pode manter uma opção que agora é mais simples mas lhe complicará o trabalho futuro. Precisa é de constatar essa consequência, delimitar o compromisso e assumir essa decisão.

Por isso, o mapa pedido na segunda semana tinha quatro colunas:

Incoerência → Consequência → Limite aceite → Princípio de programação por objetos

O mapa transforma uma observação vaga numa decisão técnica. A síntese liga essa decisão ao diagrama, ao código e aos restantes artefactos.

Um GPT genérico também pode debater estas matérias com os estudantes, não teria sido preciso eu fornecer o Sócrates Digital e o Aristóteles Estoico. Contudo, se o estudante não lhe desse o contexto da disciplina e da tarefa, não obteria uma interação adequada. Num grupo de muitos estudantes, a disparidade de qualidade nessa interação seria enorme. Os GPT preparados reduzem essa barreira. Contudo, há uma questão institucional e de proteção de dados. Não é aceitável, à luz do regulamento geral de proteção de dados (RGPD, o bem-intencionado mas malfadado) que para usar um GPT específico cada estudante tenha de criar uma conta e enviar dados pessoais para um serviço fora da União Europeia. Além disso, se pudermos evitar despesas aos estudantes, será adequado dar-lhes essa liberdade. Assim, não é obrigatório usar os GPT que criei na OpenAI como custom GPTs. Num Grimório de Interpelações existente na unidade curricular, publico as interpelações (os prompts) de todos os GPT que uso. E também os ficheiros de referência, se necessário, permitindo aos estudantes reproduzir a interação noutro sistema. Assim, podem recorrer em alternativa à OpenAI a um serviço alojado na União Europeia, em Portugal, na própria instituição, noutro fornecedor escolhido pelo estudante ou mesmo num modelo de linguagem executado no seu computador. Ferramentas como o Ollama e o LM Studio já permitem executar modelos localmente, sem enviar as conversas para um serviço externo.

O feedback automático para todos muda o trabalho do professor

O ganho logístico de assumir e encorajar o uso dos GPT é imediato: cada estudante pode obter feedback detalhado, personalizado, específico, sem aguardar que um docente encontre tempo para chegar ao seu projeto e o analisar em toda a profundidade. Mas a presença dos GPT na unidade curricular cria uma exigência permanente para professores e tutores... e alunos. Temos todos de demonstrar o nosso valor para além do que o GPT já proporciona.

Isto tem consequências interessantes nas dinâmicas em fórum. Perante uma dúvida, posso responder: «Isto é o que o Sócrates Digital diz quando lhe apresento a sua questão». E depois acrescentar: «E isto é o que tenho a dizer da minha parte». A primeira resposta resolve habitualmente aspetos formais ou expetativas genéricas ou canónicas: uma omissão, um critério, um exemplo. A segunda pode reconhecer uma intenção particular, relacioná-la com algo que aconteceu noutro projeto, distinguir uma dificuldade conceptual de uma decisão razoável, perceber que o estudante está a evitar um risco importante ou dizer-lhe, com base em experiência, onde vale a pena insistir.

Este uso aberto da IA encoraja os estudantes a partilharem as suas consultas, dúvidas e resultados. Pois se «até o professor o faz...» a conversa deixa de ficar escondida por receio de parecer ilegítima. Não, colegas, não basta dizer aos estudantes que podem usar, porque os alunos têm anos de constatar a duras penas que nem tudo o que os professores dizem é o que cumprem. É importante além de o dizer, fazê-lo. Os colegas também podem intervir da mesma maneira. Podem comparar formas de interpelar, contestar uma resposta ou perceber que enfrentam problemas semelhantes. E o estudante não precisa de permanecer em silêncio à espera da validação do professor para cada pequeno passo.

O trabalho docente não desaparece! Fica é mais exposto. Se a minha intervenção se limitar a fazer o mesmo que o GPT ou pior, a inutilidade disso torna-se evidente. A riqueza da vivência e experiência humana tem de aparecer no que se escolhe, no que se valoriza, na leitura da situação e na forma como se ajuda aquela pessoa e aquela turma a avançar.

O que correu bem

O primeiro resultado foi constatar a viabilidade. Um processo que anteriormente nem se podia pedir, porque exigiria várias semanas e distribuiria o acompanhamento de forma muito desigual coube no esforço previsto para duas semanas. Os estudantes tinham acesso a feedback imediato e mais detalhado do que aquele que a equipa docente poderia proporcionar individualmente a mais de duzentas pessoas.

Os temas propostos foram ricos e diversos. A exigência de relevância pessoal ou profissional deu aos projetos uma direção que uma lista comum de temas não teria... e nos que não deu, permitiu cedo (ao fim dessas duas semanas) alertar os estudantes para esse problema. As várias concretizações permitiram que essa direção fosse discutida, em vez de permanecer escondida, subentendida numa declaração inicial que ninguém voltaria a examinar.

Também se tornou visível na turma a diversidade de perspetivas e a clonagem de ideias. Projetos diferentes fazem tropeçar os mesmos princípios em lugares diferentes; projetos idênticos com progressões idênticas destapam a falta de autenticidade. Conceitos abstratos da matéria, como a “responsabilidade única”, parecem evidentes num exemplo preparado para uma aula, mas num projeto pessoal, aquilo que conta como «uma responsabilidade» torna-se discutível e precisa de ser defendido.

Estes exemplos são meros indícios operacionais, observações que fiz. Ainda não demonstram que os estudantes aprenderam mais ou melhor. Demonstram que foi possível proporcionar à generalidade da turma um tipo de percurso e de feedback que, nesta escala, antes estaria reservado a alguns ou nem se ousaria tentar proporcionar.

O que correu mal e por isso mesmo foi útil

Acima, no que correu bem, já incluí problemas: estudantes que propunham projetos sem relevância pessoal, ideias clonadas, como lhes chamei, por terem sido pedidas ao GPT sem introspeção ou copiadas de colegas. Isso é correr bem! Porque um processo que revela problemas cedo, não tarde, é um processo bom, que permite introduzir correções atempadas. O que correu mal são problemas não de indivíduos, mas do próprio processo. São os aspetos que não permitem que emerja o valor pretendido.

O que mais me custou foi o ter ingenuamente incluído um pedido de síntese final. No pedido dela, deixei deliberadamente um espaço de voz menos estruturado. Queria que os estudantes explicassem, fora do espartilho de uma tabela, a incoerência encontrada, as consequências, o limite assumido e a relação com os princípios da matéria. Às vezes foi isso que fizeram, mas em muitas entregas aconteceu outra coisa: texto genérico, cheio de vocabulário correto, provavelmente produzido por um GPT sem apropriação pessoal. «Otimização», «reflexão crítica», «abordagem inovadora», «aplicação eficiente dos princípios». As palavras estavam lá; o projeto pessoal, a perspetiva do indivíduo desaparecera.

OK, dirão: mas então aqui também é bom que isto tenha sido revelado cedo! Não: num projeto genérico, o estudante pode achar que o cunho pessoal não é importante e qualquer tema serve para aprender. Há uma margem de ingenuidade de que possa estar a agir bem (não estando), mas aqui não fica nenhum estudante em dúvida de que está a fugir à reflexão.

O que correu mal foi que não planeei o meu ato de avaliação a contar com isso. Devia tê-lo feito. Só o fiz a meio do processo, quando me imbuí de consciência do que se passava. Se eu avaliar esse texto como avaliaria uma reflexão presumivelmente escrita sem IA, entro numa espiral de frustração. Tenho de refletir sobre se por trás de uma generalidade se esconde uma intenção ou apenas vacuidade. Tenho de pensar se aquele “trade-off” veio do GPT acefalamente ou se o aluno gostou da ideia e não se incomodou com o termo. Em geral, tenho de andar a produzir feedback para um esforço que não existiu. Então, neste casos mais frágeis à retórica vazia, o foco da avaliação tem de ir diretamente à jugular: há sentido pessoal, há um propósito pertencente claramente ao proponente, há decisão, há aspetos específicos do projeto ligados ao que se viveu a fazê-lo? Há agência? O feedback só avança se isso for evidente, senão é isso que se discute, nada mais.

Recriação sintética: não reproduz qualquer diálogo ou trabalho efetivo de um estudante.

Uma formulação vaga ou feita de palavras da moda deve receber uma crítica inequívoca. Esse feedback inicial marca o tom para o resto do semestre. Mostra que os critérios não eram decoração para a rubrica e esclarece o que entendo por reflexão: estabelecer relações que só aquela pessoa pode estabelecer entre a sua intenção, as suas escolhas e aquilo que construiu.

O mesmo ocorreu, em menor grau mas ainda assim demasiado frequente nas tabelas de incoerências, consequências, limitações e adoção de princípios da matéria. Requereu igualmente uma reorganização da abordagem de avaliação e feedback para se focar nestas qualidades como ponto prévio, antes de se desgastar a discutir vacuidades.

Também aqui há trabalho de reflexão quanto ao desenho instrucional. Talvez seja possível minorar estas atitudes com contraexemplos, não apenas exemplos de execução. Talvez seja possível aprimorar o feedback por GPT para alertar previamente para este tipo de defeitos, não apenas no momento irreversível da avaliação humana. Talvez haja outras abordagens viáveis.

As ideias bonitas só são a sério quando escrevemos o enunciado

O caso de Programação por Objetos não oferece uma receita para todas as áreas. Mas espero que possa ser útil para muitas! Mostra uma abordagem que pode ser adaptada: partir de algo que importe ao estudante; obrigar a ideia a atravessar concretizações diferentes, transformações cognitivas variadas; usar a IA para proporcionar interlocução frequente; procurar incoerências entre intenção e realização; analisar consequências dessas incoerências; decidir quais os limites aceites para a resolução dessas incoerências; reservar a intervenção docente para o sentido crítico, o propósito, a individualização e a relação entre aquela pessoa e o que está a construir.

Foi assim que uma tarefa aparentemente simples — propor um tema de projeto — passou a ocupar duas semanas sem se transformar em enchimento de chouriços curricular. A proposta de um tema de projeto tornou-se parte da própria aprendizagem. O estudante começou a encontrar a programação por objetos dentro do problema que quis construir, antes de o projeto ter dimensão suficiente para esconder as decisões sob centenas de linhas de código.

No texto anterior, terminei perguntando que processo leva o estudante a valorar, decidir, rever e assumir. Esta foi uma resposta possível, aplicada em condições reais e ainda imperfeita.

É também aqui que as tangas pedagógicas se convertem na roupagem da realidade. Depois de defendermos compreensão, apropriação e sentido crítico, temos de decidir o que acontece na primeira semana, o que se entrega na segunda, que feedback chega a todos, onde entra o professor e o que fazemos quando a prosa impecável não contém alma lá dentro.

Referências e ligações

• Papert, S., & Harel, I. (1991). Situating Constructionism. Primeiro capítulo de Constructionism.

• Wilensky, U. (1991). Abstract Meditations on the Concrete and Concrete Implications for Mathematics Education. Em I. Harel & S. Papert (Eds.), Constructionism, pp. 193–204.

• European Data Protection Board. International transfers and international cooperation.

• Ollama e LM Studio, opções para executar modelos localmente.

DOI 10.5281/zenodo.20394597

Edit: thank you, Aidan Kehoe, for suggesting a native-speaker editorial change to the title.

Perhaps artificial intelligence will finally force us to take seriously an old educational ambition.

Not the tiny ambition of using one more tool, nor the dazzled eagerness to stamp “Now with lemon scent and AI” on everything we already do. I mean an older ambition: deep understanding, reflection, the creation of personal meaning, developing the ability for transfer across contexts, for active participation in a community, for critical thinking decision-making. In short: the ambition of teaching for the development of each person and their purpose. Teaching for freedom: the freedom to decide that comes from awareness and knowledge.

That ambition was not born now with AI. It was not even born in this century or the last. We can see it clearly in John Dewey’s My Pedagogic Creed1, from 1897.

John Dewey, excerpts from “My Pedagogic Creed” (1897).

But Dewey was not an alien from outer space; and modern education has not remained frozen since then. Over these more than one hundred and twenty years, many people, schools, pedagogical movements, universities, and education systems — including in environments caricaturized as rigid but that are in fact demanding, such as corporate and military settings — have tried to move teaching from repetition to understanding, from mechanical training to adequacy to what is experienced, from the canonical answer to situated thinking, from pre-determined action to contextualised decision... and even towards developing individuals’ ability to consciously determine their own personal and cognitive evolution. Yes, I am thinking of proposals such as Paulo Freire’s pedagogy of autonomy, Seymour Papert’s constructionism, or Virginia Kastrup’s inventive cognition, among many others.

Education has changed enormously. Just look at today’s materials, objectives, technologies, modes of participation, disciplines, relationship with work and society; look at the presence of projects, laboratories, online platforms, networks, and digital resources. Today’s school is not the school of one hundred years ago. Nor of seventy years ago. Nor of fifty.

But it is also true that it has not changed as much as it aspired to.

There is a simple reason, although there is nothing simplistic about it: turning a pedagogical ambition into everyday practice is much harder than merely proclaiming that one will adopt it. It branches far beyond what happens directly between the educator and the learner.

There are logistical difficulties: preparatory and follow-up tasks, large classes, packed calendars, many assignments or activities for a teacher to follow, many students needing guidance and advice, in short... many tasks, something terribly difficult to organise, requiring time and attention.

There are systemic difficulties: contradictory objectives that must be answered (”cover the syllabus”, “prepare students for higher-education admission exams”, “make sure they understand at least this, even if we do not reach that”, “avoid complaints”, “do not fall behind with grading”, “have a life”, etc.), inequalities, institutional pressures, opportunistic behaviours, different levels of availability or willingness to collaborate.

There are organisational difficulties: how can teachers and students be managed when learning is less standardised? How can parents or team managers follow open-ended processes, with no exact endpoint, with no clear references for comparison? How can we compare activities that are not alike, or that respond to different purposes? How can fairness be ensured when what is valued is more subtle, complex, and undefined, with more opinion-based criteria, than a predicted answer or a planned state?

And there are governance difficulties: making sense of what is happening, following it, deciding, and intervening when the scale is not just one class or one team we deal with, but a whole school, a whole university, a company, a region, a country.

That is why, throughout this long ambition for change, education has relied on operational shortcuts. Patches, let us call them: responses to the realities and contingencies that made it possible to operate at scale.

The habit of focusing assessment on delivered products is one of those shortcuts.

An essay, a test, a report, a solved exercise, a computer program, a presentation. All this required effort and could function as a reasonable approximation of the thinking we could not observe directly. It was not perfect. It never was. But it was useful enough to organise teaching, assessment, certification, management, and governance.

Another shortcut followed from that one, although it was rarely admitted, and perhaps people even swore that it did not happen: letting form affect substance. Well-built rhetoric, an answer neatly aligned with the rubric, code that ran on the first try, an elegant synthesis, or a well-formatted report, all often seemed acceptable indicators of effort and dedication, and therefore indicators of understanding. In other words: a shoddy piece of work, in any of these dimensions, might be expected to contain more factual or argumentative errors; a piece of work with carefully crafted grandiloquence might be approached with the expectation that it came from someone with stronger work habits and therefore, more probably, with problems at a higher level rather than serious inaccuracies. This helped manage the focus, and therefore the time and effort, of assessment, interpretation, feedback...

AI, fortunately, destroys these shortcuts. First it corrodes them, then it undoes them.

When AI, whether free or very cheap (for example, monthly costs below the price of a night out with friends), can produce fluent text, plausible code, organised syntheses, convincing images, work plans, and well-turned explanations; when AI can tick all the requested points in a prompt or rubric, and reach all the expected technical quality, the appearance of competence is assured. Not because writing well, programming well, or presenting well has become irrelevant. On the contrary: those abilities still matter. It is just that displaying the baseline of competence in a product is now assured. The final product, by itself, has become too fragile as an approximation of the thinking of the person who submits it.

If we ignore this, the outcome is a worsening of superficiality, of course: with AI, someone who knows they are only required to submit an assessment “product” can produce vacuities — things that shine, but represent nothing from anyone. Answers without reflection. The most immediate and generic options. A focus on products as samples of what one thinks, of what one knows, does not distinguish between those who know how to question, revise, choose, and judge, and those who merely accept the first plausible formulation. But the existence of AI also does something useful: it removes the comfort of continuing to treat appearance as if it were relevant to understanding.

There is a phrase I have been using in presentations and other public sessions: reach for understanding, not rhetoric. I think we can draw on several analogies. For example, the arrival of the calculator in mathematics. In the 1970s, some feared that calculators would destroy the learning of mathematics, as a January 6, 1975 article in Time neatly summarised2. The fear had a logic: if the machine does the arithmetic, what happens to the student’s competence in doing it? Does it become useless? Will people become unable to use mathematics? Yes and no. Yes, most people stopped being able to do the kind of calculations people used to do. But society itself changed in its uses and expectations of what mattered, and school changed with it. Instead of regular arithmetic calculation at ever more complex levels, which came to be done mechanically, all children now train mental calculation techniques that were once mostly practised in grocery shops or among traders: estimates, quick approximations to decide or detect problems, immediate calculations for intuitive response... and society opened new paths: bookkeepers became accountants, mere record-keeping for final reporting gave way to scenario simulation, assessment of alternatives, exploration of possibilities, modelling the world with numbers. We can think of what happened to art when photography and cinema appeared, what happened to hunting when agriculture emerged, what happened to farm work with mechanisation.

With the emergence of AI finally accessible to society at large, we are facing a transition at this level. A large part of academic and professional production can now be automated: writing, explaining, summarising, programming, drawing, arguing, revising, translating, planning. Society will therefore change, expectations will change too, and so will what we learn.

If all we want is an undifferentiated but competent product, AI will quickly become that finishing machine for everyone. If we want understanding or reflection, we must create processes in which understanding or reflecting is necessary in order to conduct them. Processes in which assuming, differentiating, judging, imagining, valuing, and maintaining coherence or changing position are part of the path.

In other words, before we exhaust ourselves imagining how to assess old objectives in a new world, we need to discover the new objectives and design instruction for them. For that, we need to re-centre learning on value.

A decision does not occur in a vacuum. For a person to be the one deciding, they need an objective of their own. To have an objective that is their own, they need to appropriate it. Only then can they have criteria to evaluate alternatives. Criteria that are not merely words inherited from someone else, but criteria that arise from valuing something of their own: an idea, a problem, a community, a work, a question, a person (perhaps themselves), a future they long for.

This is the old ambition that AI makes almost inevitable: we are facing an unprecedented pedagogical opportunity. Yes, AI can do much (or all) of the student’s current work: Excel also does the bookkeeper’s sums. Yes, AI can also replace much of what the teacher does today: photography also came to take all the portrait miniatures and locket portraits. But AI can also make it practicable to create or expand a learning ecology where students, teachers, peers, tools, materials, ideas, institutions, and artificial agents interact to reach goals of appropriation, understanding, valuation, and initiative that today we can only dream of. A cognitive ecosystem (as I call it with my colleague Eliane Schlemmer3, whom I thank for awakening me to the relevance of this idea) today not only in some distant future: an educational context that is a habitat, where knowledge emerges from the relations among the entities that inhabit it, not only from or in someone’s isolated head.

To make this concrete, we need to change the design of educational activities.

It is not enough to tell students to use or not use AI. It is also not enough to tell them to be creative or to choose projects that are “theirs” or “that interest you”. Giving freedom without providing structure ends up being negligence and abandonment: yes, some students move forward with intrinsic energy; but others hesitate, or avoid differentiating themselves, through discouragement, fears or hesitations, scheming, or simply a lack of horizons. Personal appropriation needs space, purposes, resources, constraints, interlocutors, moments of intellectual confrontation, and criteria that help make ambition practicable. And perhaps many other things we still need to discover.

For example, in an object-oriented programming course in a software engineering degree, the question is no longer simply whether the code runs with object-oriented syntax and mechanics. The code must run with those aspects, of course. But that is so little — it always was so little. What matters today, as it mattered before, though perhaps we did not dare to aspire beyond utopia, is that the student has an objective for their project, understands themselves, reflects on why they choose one structure rather than another, is able to assume a decision about the structure of the program, identifies future consequences far beyond the immediate, and identifies the constraints they face and the limits they must assume in relation to them.

Another example: in a literature review for a master’s dissertation or doctoral thesis, it matters little if the student is merely accumulating more or less well-written summaries of a collection of texts. That is so little — it always was so little. The ambition today can be the one that existed decades ago, before the massification of these degrees, and that today had almost been pushed back into utopia: that each student, in that review process, truly discovers the terrain before them. Not only the diversity of concepts, contexts, and perspectives, but their contradictions, their alternatives and complementarities, the areas that remain unclear, the possibilities. And in that discovery, they will have to discover themselves: faced with that contradictory, nebulous, vast terrain, what do they really want, what is their intention? What are they willing to dare, what ambition do they take on? The literature review can once again be, as it should always have been, a discovery of intellectual meaning.

These examples need development, not merely one paragraph each. They will come here in future texts of their own. Today I will stay with the idea I have developed as a starting point: AI leads us towards an education in which the delivered product does not represent learning, but rather stages of a process, of a path.

This does not mean that assessment becomes a kind of infinite surveillance of the process, which would be a perversion, an elimination of the construction of value, imprisoned in a myriad indicators to satisfy. It means that we should focus on designing processes that, if followed, promote quality and value. A process in which there is appropriation, purpose, confrontation, reformulation, creation, and transfer across contexts then lets us see more clearly what interests us. Each part of that process helps us glimpse these aspects.

Please do not read this as a celebration of AI, as if we were setting off fireworks and running after the spent sticks. I do not ignore that any transformation carries risks, problems, challenges, and yes, suffering as well as joys. What I assume is that AI forces us to be more demanding about what we call learning. Since the nineteenth century, so-called “modern” education has aspired to form people capable of understanding, judging, participating, creating, and acting. For a long time, that ambition has been limited by the difficulty of making it concrete in large systems, with finite resources and contradictory demands, but I have already spoken of that above and will not return to it here.

Those difficulties remain, in this time of AI, but the balance has shifted. It becomes unsustainable to continue confusing appearance with thought. And, if we know how to work with them, new forms of support, questioning, simulation, revision, creation, and discussion open up.

That is why the most useful question for a teacher today is neither “was it really the student who did this?” nor “what product should students submit?”, but rather:

What old educational ambition does this process finally take seriously?

And, since we are at it (“since we are at it”, I admit, being the riskiest and most expensive phrase in a process):

What process leads the student to value, decide, revise, and assert?

If AI pushes us towards these questions, perhaps it will make us adopt something we have been promising that was just about to arrive, since the nineteenth century.

DOI 10.5281/zenodo.20394412

Talvez a inteligência artificial nos obrigue, finalmente, a levar a sério uma antiga ambição da educação.

Não a ambição pequenina de usar mais uma ferramenta, não a ambição do deslumbramento, da ânsia de carimbar “Lava com cheiro a limão e IA” em tudo o que já se faz. Uma ambição mais antiga: a de compreensão profunda, de reflexão, de criar um sentido pessoal, de desenvolver a capacidade de transferência entre contextos, de participação ativa numa comunidade, de decisão com critério, enfim: a ambição de ensinar para o desenvolvimento pessoal e do propósito de cada um. Ensinar para a liberdade: a liberdade de decidir que advém da consciência e conhecimento.

Essa ambição não nasceu agora com a IA. Nem sequer nasceu neste século. Podemos vê-la claramente em John Dewey, no seu My Pedagogic Creed1, de 1897.

(...) o indivíduo, gradualmente, passa a participar nos recursos intelectuais e morais que a humanidade conseguiu congregar. (...) um herdeiro do capital acumulado da civilização. (...) a base primária da educação está nas capacidades da criança em ação, segundo as mesmas linhas construtivas gerais que deram origem à civilização. (...) tornar a criança consciente da sua herança social é capacitá-la para realizar esses tipos fundamentais de atividade que fazem da civilização aquilo que ela é. (...) a ciência tem valor porque confere a capacidade de interpretar e controlar a experiência já vivida. Deve ser introduzida, não como um novo corpo de matéria a estudo, mas como forma de revelar os fatores já envolvidos na experiência anterior e para proporcionar ferramentas pelas quais essa experiência possa ser regulada de forma mais fácil e eficaz. — John Dewey, 1897, O Meu Credo Pedagógico

Mas nem Dewey é um extraterreste isolado, nem a educação moderna ficou congelada desde então. Ao longo destes mais de cento e vinte anos, muitas pessoas, escolas, movimentos pedagógicos, universidades e sistemas educativos — inclusivamente em ambientes caricaturalmente rígidos mas na verdade exigentes, como os empresariais e militares — tentaram deslocar o ensino da repetição para a compreensão, do treino mecânico para a adequação ao que se vivencia, da resposta canónica para o pensamento situado, da ação pré-determinada para a decisão contextualizada… e até para desenvolver a capacidade do indivíduo determinar conscientemente a sua própria evolução pessoal e cognitiva (sim, estou a pensar em propostas como a pedagogia da autonomia, de Paulo Freire, o construcionismo de Seymour Papert, ou a cognição inventiva de Virgínia Kastrup, entre muitos outros).

A educação mudou imenso. Basta olhar hoje para os materiais, os objetivos, as tecnologias, os modos de participação, as disciplinas, a relação com o mundo do trabalho e a sociedade, a presença de projetos, laboratórios, plataformas online, redes e recursos digitais. A escola de hoje não é a escola de há cem anos. Nem a de há setenta. Nem a de há cinquenta.

Mas também é verdade que não mudou tanto quanto ambicionava.

Há uma razão simples, embora nada simplista: transformar uma ambição pedagógica numa prática quotidiana é muito mais difícil do que apenas proclamar que se vai adotá-la. É algo que se ramifica por espaços muito além do que aquilo que se passa diretamente entre um educador e um aluno.

Há dificuldades logísticas: tarefas preparatórias e consequentes, turmas numerosas, calendários preenchidos, muitos trabalhos ou atividades para um professor acompanhar, muitos estudantes a precisar de orientação e aconselhamento, enfim… muitas tarefas, de dificílima organização, a requerer tempo e atenção.

Há dificuldades sistémicas: objetivos contraditórios a que é preciso dar resposta (“cumprir o programa”, “preparar para os exames de acesso ao superior”, “que entendam bem pelo menos isto, mesmo que não se chegue àquilo”, “que não surjam reclamações”, “que não me atrase nas notas”, “que possa ter vida em família”, etc.) , desigualdades, pressões institucionais, comportamentos oportunistas, níveis diferentes de disponibilidade ou vontade de colaboração.

Há dificuldades organizacionais: como se podem gerir professores e alunos quando a aprendizagem é menos padronizada? Como podem pais ou gestores de equipas acompanhar processos abertos, sem término exato, sem referências de comparação? Como se comparam atividades que não são parecidas ou respondem a propósitos diferentes? Como se garante que há justiça quando se valoriza algo mais subtil, complexo e indefinido, com critérios mais opinativos, do que uma resposta prevista ou um estado planeado?

E há dificuldades de governação: conseguir perceber, acompanhar, decidir e intervir quando a escala não é apenas a de uma turma, de uma equipa com quem lidamos, mas de uma escola inteira, uma universidade inteira, uma empresa, uma região, um país.

Por isso, ao longo de todo este tempo de ambição de mudança, a educação recorreu a atalhos operacionais. Remendos, chamemos-lhes: respostas às realidades e contingências para se poder funcionar em larga escala.

O hábito de focarmos a avaliação na entrega de produtos é um desses atalhos.

Um texto, um teste, um relatório, um exercício resolvido, um programa de computador, uma apresentação. Tudo isto requeria esforço e podia funcionar como uma aproximação razoável ao pensamento que não conseguíamos observar diretamente. Não era perfeito. Nunca foi. Mas era suficientemente útil para organizar o ensino, a avaliação, a certificação, a gestão e a governança.

Outro atalho decorrente desse, embora raramente assumido, ou até fossem feitas juras de que tal não acontecia, era de deixar a forma afetar a substância: a retórica bem montada, a resposta bem alinhada com as rubricas, o código que corria à primeira, a síntese elegante ou o relatório bem formatado pareciam, muitas vezes, indícios aceitáveis de empenho e dedicação, logo indícios de compreensão. Ou seja: um trabalho atamancado, em qualquer destas dimensões, poderia ser visto com uma expetativa de conter mais erros factuais ou argumentativos; um trabalho com uma prosápia bem trabalhada poderia ser encarado com expetativa de vir de alguém que tivesse mais hábitos de trabalho e, por isso, mais provavelmente incorrendo em problemas de nível mais elevado do que em incorreções graves. Isto permitia gerir o foco (e dessa forma, o tempo e esforço) do labor de avaliação, interpretação, comentário…

A IA felizmente destrói estes atalhos. Primeiro corrói-os, mas logo a seguir desfá-los.

Quando a IA, seja gratuitamente seja com custos muito baixos (por exemplo, custos por mês inferiores a um jantar de amigos) consegue produzir texto fluente, código plausível, sínteses organizadas, imagens convincentes, planos de trabalho e explicações bem gizadas, e picar todos os pontos pedidos num enunciado ou rubrica, atingir toda a qualidade técnica expectável, a aparência de competência está assegurada. Não porque tenha passado a ser irrelevante escrever bem, programar bem ou apresentar bem. Pelo contrário: essas capacidades continuam a importar, só que apresentar num produto a linha basilar de competência fica assegurada. O produto final, por si só por si, tornou-se demasiado frágil como aproximação ao pensamento de quem o entrega.

Se ignorarmos isto, o efeito é agravar a superficialidade, claro: com a IA, alguém que sabe que só lhe é exigido que entregue um “produto” de avaliação pode produzir vacuidades: coisas que brilham, mas não representam nada de ninguém. Respostas sem reflexão, as opções mais imediatas e generalistas. O foco nos produtos como amostragem do que se pensa, do que se sabe, não permite distinguir entre quem sabe interpelar, rever, escolher e ajuizar, e quem apenas aceita a primeira formulação plausível. Mas também faz algo útil: retira-nos o conforto de continuarmos a tratar a aparência como se fosse relevante para entendimento.

Há uma frase que tenho usado em apresentações e outras sessões públicas: alcançar o entendimento, não a retórica. Creio que podemos fazer mão de várias analogias. Por exemplo, com a chegada da calculadora à matemática. Nos anos 70, havia quem receasse que a calculadora destruísse a aprendizagem da matemática, como bem o resumia um artigo de 6 de janeiro de 1975 na revista Time2. O receio tinha uma lógica: se a máquina faz a contas, o que acontece à competência do aluno para tal? Torna-se inútil? Ficarão as pessoas incapazes de usar a matemática? Sim e não. Sim, as pessoas deixaram de conseguir, na sua maioria, fazer o tipo de contas que se faziam dantes. Mas a própria sociedade mudou no uso e expetativas daquilo que interessava, e a escola com ela. Em vez de cálculo aritmético regular a níveis cada vez mais complexos, que passou a ser feito maquinalmente, todas as crianças treinam técnicas de cálculo mental, dantes só treinadas ou passadas em mercearias ou entre negociantes: estimativas, aproximações rápidas para decidir ou detetar problemas, cálculos imediatos para resposta intuitiva… e na sociedade abriram-se novos caminhos: os guarda-livros passaram a ser contabilistas, o mero registo para relato final passou a dar lugar à simulação de cenários, à avaliação de alternativas, à exploração de possibilidades, à modelação do mundo com números. Podemos pensar no que ocorreu à arte quando surgiu a fotografia e o cinema, o que aconteceu à caça quando surgiu a agricultura, o que sucedeu ao trabalho dos campos com a mecanização.

Com a emergência da IA finalmente acessível à sociedade em geral, estamos perante uma transição deste nível. Grande parte da produção académica e profissional passa a poder ser automatizada: escrever, explicar, resumir, programar, desenhar, argumentar, rever, traduzir, planear. Então a sociedade mudará, as expetativas também e aquilo que vamos aprender também.

Se queremos apenas um produto indiferenciado mas competente, a IA será rapidamente essa máquina de acabamento para todos. Se queremos compreensão ou reflexão, temos de criar processos em que compreender ou refletir seja necessário para os conduzir. Processos em que assumir, diferenciar, ajuizar, idealizar, valorar e manter a coerência ou mudar de posição façam parte do caminho.

Ou seja, antes de nos esvairmos a imaginar como avaliar os objetivos antigos num mundo novo, precisamos de descobrir os objetivos novos e fazer o desenho instrucional para eles. Para isso, precisamos de recentrar a aprendizagem no valor.

Uma decisão não ocorre no vazio. Para ser ela a decidir, uma pessoa precisa de um objetivo seu. Para ter um objetivo que seja seu, precisa de se apropriar dele. Assim pode ter critérios para avaliar alternativas. Critérios que não sejam apenas palavras herdadas de alguém, critérios que advenham de dar valor a alguma coisa sua: a uma ideia, a um problema, a uma comunidade, a uma obra, a uma pergunta, a uma pessoa (talvez a si mesma), a um futuro que se anseia.

Esta é a ambição antiga que a IA torna quase inevitável: estamos perante uma oportunidade pedagógica inédita. Sim, a IA pode fazer muito (ou todo) o trabalho atual do estudante: o Excel também faz as somas do guarda-livros. Sim, a IA também pode substituir muito do que faz hoje o professor: também a fotografia passou a fazer todas as fotografias “tipo passe” ou “à la minute”. Mas a IA também pode tornar praticável criar ou ampliar uma ecologia de aprendizagem onde estudantes, professores, colegas, ferramentas, materiais, ideias, instituições e agentes artificiais interagem para atingir objetivos de apropriação, compreensão, valoração e iniciativa que hoje só podemos sonhar. Um ecossistema cognitivo, como digo com a minha colega Eliane Schlemmer3, a quem agradeço ter-me despertado para a pertinência desta ideia hoje, não apenas num futuro longínquo: um contexto educativo que é um habitat, onde o conhecimento emerge das relações entre estas entidades que o habitam, não apenas da ou na cabeça isolada de alguém.

Para concretizarmos isto, temos de mudar o desenho das atividades educativas.

Não basta dizer aos estudantes para usarem ou não usarem IA. Também não basta dizer para serem criativos nem para escolherem projetos “seus” ou “que vos interessem”. Só dar liberdade sem proporcionar estrutura acaba por ser negligência e abandono: sim, alguns estudantes avançam com energia intrínseca; mas outros hesitam, ou evitam diferenciar-se, por desânimo, receios vários, calculismo ou simples falta de horizontes. A apropriação pessoal precisa de espaço, propósitos, recursos, restrições, interlocutores, momentos de confronto intelectual e critérios que ajudem a tornar a ambição praticável. E talvez muitas outras coisas que teremos de descobrir.

Por exemplo, numa unidade curricular de programação por objetos no ensino superior de engenharia informática, a questão deixa de ser apenas se o código corre com a sintaxe e mecânicas de orientação a objetos. O código tem de correr com esses aspetos, claro. Mas isso é pouco — sempre foi pouco. Importa hoje, como importava antes, mas se calhar não se ambicionava além da utopia, que o estudante tenha um objetivo para o seu projeto, que se perceba a si mesmo, que reflita por que motivo escolhe uma estrutura e não outra, que consiga assumir uma decisão de estruturação do programa, que identifique consequências futuras muito além do imediato, que identifique os constrangimentos que tem e os limites que deve assumir face a eles.

Outro exemplo: numa revisão da literatura para uma dissertação de mestrado ou tese de doutoramento, interessa pouco se o aluno estiver apenas a acumular resumos mais ou menos bem escritos de uma coletânea de textos. Isso é pouco — sempre foi pouco. A ambição pode hoje ser a que era há décadas, antes da massificação destes graus, e que hoje estava quase remetida à utopia: que cada aluno nesse processo de revisão descubra realmente o terreno que tem perante si: não apenas a diversidade de conceitos, contextos e perspetivas, mas as suas contradições, as suas alternativas e complementaridades, as zonas que ficam pouco claras, as possibilidades. E nessa descoberta, terá de se descobrir a si mesmo: perante esse terreno contraditório, nebuloso, vasto, o que quer, realmente, qual será o seu intuito? A que está disposto a atrever-se, o que assume ambicionar? A revisão de literatura pode voltar a ser, como deveria sempre ter sido, um descobrir de sentido intelectual.

Estes exemplos carecem de desenvolvimento, não de apenas um parágrafo cada um. Esses virão aqui futuramente, em textos próprios. Fico-me hoje pela ideia que desenvolvi como ponto de partida: a IA leva-nos a uma educação em que o produto entregue não representa a aprendizagem, mas sim etapas de um processo, de um caminho.

Isto não significa que a avaliação passa a ser uma espécie de vigilância infinita do processo, o quer seria uma perversão, uma eliminação da construção de valor, aprisionada numa miríade de indicadores a cumprir. Significa que nos devemos focar em desenhar processos que promovam, se seguidos, a qualidade e o valor. Um processo em que há apropriação, propósito, confronto, reformulação, criação e transferência entre contextos deixa depois ver melhor aquilo que nos interessa. Cada parte desse processo ajuda-nos a vislumbrar estes aspetos.

Por favor, não leiam isto como um festejo à IA, a lançarmos foguetes e a apanhar as canas. Eu não ignoro que qualquer transformação acarreta riscos, problemas, desafios, e sim, sofrimento além de alegrias. Assumo é que a IA nos obriga a ser mais exigentes com o que chamamos aprendizagem. Desde o século XIX que a educação dita “moderna” ambiciona formar pessoas capazes de compreender, ajuizar, participar, criar e agir. Durante muito tempo, essa ambição tem vindo a ser limitada pela dificuldade de a concretizar em sistemas grandes, com recursos finitos e exigências contraditórias, mas disso já falei acima e a isso não regresso aqui.

Essas dificuldades mantêm-se, neste tempo de IA, mas com um equilíbrio alterado. Torna-se insustentável continuar a confundir aparência com pensamento. E abre, se as soubermos trabalhar, novas formas de apoiar, interpelar, simular, rever, criar e discutir.

Por isso, a pergunta mais útil para um professor, hoje, não é nem “será que foi o aluno que fez isto?” nem “que produto devem entregar os estudantes?”, mas sim:

Que ambição educativa antiga este processo leva finalmente a sério?

E, já agora (“já agora” que, reconheço, é a frase mais arriscada e cara de um processo):

Que processo leva a que o estudante tenha de valorar, decidir, rever e assumir?

Se a IA nos empurrar para estas perguntas, talvez nos faça adotar algo que já andávamos a prometer desde o século XIX que vinha aí já a seguir.

Portugal está a definir as estratégias nacionais de investigação e inovação no âmbito da criação da nova Agência para a Investigação e Inovação, AI². De uma forma pouco praticada em Portugal, este processo está muito aberto a contributos públicos: podemos sugerir, votar, argumentar, numa plataforma de debate e votação online.

Estas estratégias vão influenciar a forma como o financiamento público de ciência e inovação será aplicado, afetando o país futuro que queremos criar. Além de definir domínios estratégicos, também dá forma e molde aos tipos de investigação que terão condições reais para se desenvolver e como.

Já muita gente contribuiu, pelo que optei por colocar três propostas que apontem para aspetos a meu ver ignorados mas muito mais transformadores do país do que os meramente administrativos. Venho aqui apelar a que colegas do ensino superior, da investigação, dos centros de I&D, das empresas e das instituições locais as lessem, comentassem e, se concordarem, as apoiassem.

As três propostas têm um ponto em comum: procuram evitar que na nova agência se reproduzam os enviesamentos do sistema atual.

A primeira proposta é de articulação com o tecido socioeconómico local e regional de baixa densidade. Defende que projetos de investigação e inovação devem poder ser valorizados quando contribuem para inserir doutorados no tecido socioeconómico local e regional de baixa densidade. Não se trata apenas de levar a ciência ao território, a lógica é de criar incentivos concretos para que empresas desses concelhos participem em projetos de I&D e desenvolvam capacidades internas, próprias, para produção de maior valor, mais diferenciadora, mais competitiva, mais transformadora do nosso país tão macrocéfalo. Ou seja, dar incentivos para que haja participação das empresas fora dos grandes centros, que envolva a criação de infraestruturas e emprego científico nesses territórios.

A segunda proposta é de criar regras e painéis próprios para propostas interdisciplinares e transdisciplinares. Aborda um problema muito conhecido por quem trabalha em zonas de interseção científica: a investigação interdisciplinar e transdisciplinar é frequentemente elogiada nos discursos estratégicos, mas depois é avaliada por painéis de financiamento organizados de forma setorial. Avaliada por regras, pessoas e tabelas, matrizes e outros instrumentos que têm a perspetiva de apenas um setor. O resultado… já todos conhecemos, é previsível e constatável: quem trabalha entre áreas científica acaba elogiado mas penalizado. As equipas são levadas a manter uma linha disciplinar clássica, para sobreviver institucionalmente, tratando a investigação interdisciplinar como atividade lateral, quase como desvio ou devaneio, isto quando é aí que estão dos problemas científicos e sociais mais relevantes.

A terceira proposta é que haja uma percentagem pequena de financiamento reservado para propostas ousadas e de rotura. A ideia parte de uma frase simples muito referida, que parafraseio como “a lâmpada não surgiu por otimização da vela”. A avaliação científica competitiva tende a ser conservadora. Se há regras, baseiam-se no que já se faz, por isso, sendo a avaliação competente e honesta, favorece frequentemente propostas que sejam reconhecíveis, metodologias já legitimadas e trajetórias próximas do que cada área considera normal. Por isso, defendo que uma pequena percentagem do financiamento seja reservada a propostas ousadas ou de rotura, sujeitas apenas a uma verificação mínima de credibilidade, vulgo “sanity check”, e depois atribuída por sorteio, não por avaliação tradicional, precisamente para reduzir o viés da tradição.

Estas propostas nascem da ideia de que precisamos de critérios diferentes para obter resultados diferentes. Se queremos que todo o nosso território se desenvolva e contribua para o país, precisamos de incentivos para o seu desenvolvimento, não de esmolas. Se quando queremos mesmo que haja interdisciplinaridade, precisamos de ter painéis e regras adequados a ela. Se queremos que haja rasgos de inovação e diferença, temos de dar ar ao que ainda não está sustentado, não podemos avaliar a novidade absoluta com as métricas do passado.

Por isso, deixo-vos o convite à leitura, comentário e crítica das três propostas. E, se assim o entenderem, apoiem-nas. São detalhes, é certo. Creio, contudo, que são detalhes que podem ser mais transformadores e determinantes do que muitas parangonas habituais.

• Articulação com o tecido socioeconómico local e regional de baixa densidade

• Regras e painéis próprios para propostas interdisciplinares e transdisciplinares

• Percentagem pequena de financiamento reservado para propostas ousadas e de rotura