IA para Linguagens, Códigos e suas Tecnologias no Ensino Médio

Por que IA em Linguagens, Códigos e suas Tecnologias?

A IA funciona como lente e laboratório para experimentar linguagem, mídia e programação. Ela potencializa práticas centrais: leitura crítica, escrita orientada a gêneros, produção multimodal e pensamento computacional, articulando autorias individuais e coletivas.

Com curadoria docente, a IA apoia personalização, acessibilidade (legendagem, audiodescrição, simplificação de texto) e feedback formativo em escala. O professor orquestra contextos e critérios; a tecnologia amplia possibilidades de investigação e criação.

Na BNCC, as competências de Linguagens dialogam com multiletramentos, cultura digital e pensamento computacional. A IA oferece um terreno fértil para explorar gêneros digitais, semioses variadas (texto, som, imagem, código) e para tornar explícitas estratégias de leitura, revisão e edição. Ao promover iterações rápidas, ela ajuda estudantes a comparar versões, justificar escolhas e consolidar metacognição.

Em termos práticos, turmas podem usar modelos para planejar pautas jornalísticas, elaborar roteiros e storyboards, simular entrevistas, analisar estilo de autor e reescrever trechos em registros diversos. Em mídia e artes, gerar esboços visuais ou trilhas de apoio pode servir como rascunho para criação autoral, sempre com discussão sobre fontes, licenças e créditos. Em código, prompts guiados transformam requisitos em pseudocódigo, casos de teste e documentação, fortalecendo o raciocínio algorítmico.

Essas práticas exigem critérios transparentes de avaliação e ética: explicitar a participação da IA, checar vieses e veracidade, preservar dados sensíveis e valorizar o processo. Rubricas podem considerar intenção comunicativa, adequação ao gênero, revisão humana e qualidade das fontes. Com acessibilidade e inclusão no centro, a IA torna-se ponte entre diferentes ritmos e repertórios, sem substituir a autoria: ela amplia a sala de aula e convida a investigar como linguagem, mídia e código moldam o mundo.

Alinhamento à BNCC: competências e habilidades

Alinhar o uso de IA à BNCC em Linguagens no Ensino Médio exige intencionalidade pedagógica: cada atividade deve nascer de competências e habilidades como multiletramentos, argumentação, análise de discursos, cultura digital, projeto autoral e ética informacional. Comece definindo o porquê e o para quê da tecnologia, mapeando a contribuição específica da IA para leitura, produção e análise de linguagens verbais, visuais e sonoras.

Construa um mapa de alinhamento que conecte objetivos, habilidades, tarefas e evidências. Explicite os produtos esperados e os processos observáveis, apoiando-se em rubricas com critérios como coesão, coerência, adequação ao público e ao gênero, uso responsável de dados, citações e direitos autorais. Isso reforça a autoria, dá transparência aos critérios e orienta o feedback formativo.

Na prática, a IA pode apoiar a comparação de gêneros digitais quanto a finalidade e público, a análise de estratégias retóricas e efeitos de sentido em mídias diversas e a produção de textos multimodais. Em escrita, use a IA como parceira de revisão, pedindo justificativas para sugestões e registrando iterações como metadados do processo. Em cultura digital, explore pensamento computacional em narrativas interativas e em leitura de dados, sempre conectando escolhas técnicas a sentidos e propósitos comunicativos.

Garanta equidade e ética: planeje alternativas de baixo uso de dispositivos, trabalho em duplas, estações de aprendizagem e projeção coletiva quando o acesso for limitado. Oriente o cuidado com dados pessoais, a anonimização de exemplos e a leitura crítica de vieses algorítmicos, integrando discussões sobre LGPD escolar e licenças abertas. Assegure acessibilidade com legendas, transcrições e múltiplas formas de expressão.

Finalize com ciclos de avaliação e melhoria contínua. Organize sequências didáticas com momentos de diagnóstico, prática guiada e criação autoral, prevendo autoavaliação e pares avaliadores ancorados nas habilidades da BNCC. Documente o percurso em portfólios digitais, relate aprendizagens e próximos passos e promova divulgação pública dos produtos, como mostras, blogs ou podcasts, fortalecendo a cidadania digital e a participação social.

Leitura crítica assistida por modelos de linguagem

Modelos de linguagem podem atuar como co-leitores, ampliando o repertório analítico sem substituir a interpretação humana. Com prompts bem orientados, a IA ajuda a localizar tese, intenções comunicativas, público-alvo e contexto de produção, além de tornar visíveis pressupostos e vieses. O objetivo é fomentar metacognição: explicitar como o texto constrói sentido e em que medidas retóricas se apoia, para que o estudante compare, questione e refine seu próprio entendimento.

Um workflow eficaz começa pela formulação de uma pergunta norteadora clara e situada no gênero do texto. Em seguida, solicita-se um mapa de argumentos, mapeando teses, justificativas, contra-argumentos e possíveis falácias, e pedem-se trechos literais que sustentem cada ponto, com indicação de parágrafo. Depois, a IA é instada a avaliar a qualidade das evidências (dados, fontes, apelos de autoridade), a distinguir fato de opinião e a ponderar o que ficou implícito ou omitido. Por fim, propõe-se uma síntese provisória que contraponha perspectivas e identifique lacunas para investigação posterior.

Comparações entre fontes potencializam a leitura crítica. Ao analisar a mesma notícia em dois veículos, o modelo pode destacar enquadramentos, escolhas lexicais e diferenças de ênfase, sugerindo como pequenas alterações de vocabulário mudam a percepção do leitor. Em textos científicos, pode apontar objetivos, métodos e limites do estudo; em publicidade, evidenciar apelos emocionais, promessas e estratégias de autoridade. A turma pode ainda pedir reescritas com vieses hipotéticos para perceber como o tom e a estrutura retórica se transformam, reforçando o letramento midiático.

Para garantir rigor e ética, é essencial registrar prompts, versões e decisões tomadas durante a análise, além de exigir que a IA apresente justificativas ancoradas no texto. O docente orienta checagens cruzadas, pede referências quando citadas e sinaliza possíveis alucinações, promovendo validação humana constante. Assim, estudantes aprendem a usar a IA como lente metodológica e não como atalho, desenvolvendo autonomia, argumentação e responsabilidade no uso de dados, inclusive em contextos com acesso limitado, onde a mediação docente e recursos off-line mantêm o foco no processo de leitura.

Escrita assistida: do planejamento à revisão

Integrar IA como parceira de escrita significa tratar o texto como processo, não como produto final. Do planejamento à revisão, ela pode ajudar a gerar ideias, organizar tópicos, simular leitores críticos e propor reescritas, enquanto o estudante mantém a autoria ao tomar decisões informadas. A chave é explicitar objetivos e limites pedagógicos desde o início, garantindo que cada intervenção da IA sirva ao propósito comunicativo e aos critérios de qualidade definidos pela turma.

No planejamento, formule prompts que fixem objetivo, público, gênero, tom, tese e contra-tese, além de critérios de sucesso. Peça à IA um esboço de estrutura e um mapa de tópicos, identificando lacunas de informação e possíveis fontes. Use o brainstorming para ampliar repertório de exemplos e contraexemplos e, se necessário, para adaptar o registro a diferentes mídias. Registre as escolhas feitas e o porquê, construindo um memorial de projeto que acompanhará o texto.

No rascunho, trabalhe com uma rubrica explícita: introdução com tese, desenvolvimento com evidências verificáveis, consideração de vozes divergentes e conclusão que retoma a intenção comunicativa. Solicite à IA sugestões parágrafo a parágrafo, pedindo justificativas para cada movimento retórico e indicando limites de extensão, vocabulário e referências. Intercale trechos escritos pelo estudante com resumos e reformulações propostos pela IA, sempre anotando o que foi aceito, editado ou descartado para preservar voz autoral e coerência.

Na revisão, conduza a IA por checklists de clareza, coesão, precisão factual, adequação ao gênero e originalidade. Peça indicações de cortes, fusões de parágrafos, variações de títulos, fortalecimento de verbos e criação de transições. Use a ferramenta como parceira de checagem: solicite perguntas desafiadoras ao argumento, hipóteses alternativas e pontos que necessitam de fonte. Combine essa etapa com leitura em voz alta, revisão por pares e verificação de referências para garantir qualidade e ética informacional.

Por fim, adote um ritual de transparência: documente quando e como a IA contribuiu, anexando prompts relevantes, versões comparadas e fontes consultadas. Inclua uma nota de autoria que descreva as decisões do estudante e a justificativa para cada revisão substantiva. Esse rastro fortalece a responsabilidade, facilita a avaliação processual e ensina práticas de pesquisa abertas. Ao tornar visível a colaboração humano–IA, a escola promove escrita mais crítica, situada e responsável, alinhada às competências de leitura, argumentação e cultura digital.

Produção multimodal: texto, áudio, imagem e vídeo

A produção multimodal ganha fôlego quando a IA é usada como parceira de planejamento e prototipagem. Ela ajuda a rascunhar briefings, estruturar roteiros, sugerir tom e ritmo, e transformar ideias em storyboards iniciais com descrições de cena e anotações de enquadramento. Esses rascunhos não são ponto de chegada: cabem aos estudantes as escolhas estéticas, a pesquisa de referências culturais e a curadoria de fontes, exercitando autoria, coesão e intenção comunicativa.

No fluxo do texto ao vídeo, a IA pode propor uma sequência de planos, indicar ângulos e movimentos de câmera e gerar imagens de referência para o storyboard. É possível ensaiar variações de narração, títulos e lower thirds, assim como testar paletas de cores e tipografias compatíveis com a identidade do projeto. Para a trilha, vale explorar esboços com geração de música e efeitos, sempre verificando licenças. Aspectos éticos devem ser tratados desde o início: consentimento de pessoas filmadas, créditos, direitos autorais, uso de Creative Commons e registro de fontes no cue sheet e nos metadados.

Em áudio e podcast, a IA apoia a criação de pauta, a organização de quadros e a revisão de clareza, coesão e duração. Protótipos de vinhetas e teasers podem ser gerados com síntese de voz e música assistida por IA, enquanto ferramentas de limpeza reduzem ruído e equalizam volumes. Recomenda-se manter vozes humanas na versão final para autenticidade e identidade do programa, usando a síntese apenas como maquete criativa. Um ciclo de escuta crítica — com marcadores de tempo e notas — orienta cortes, reforço de argumentos e ajustes de ritmo.

Para acessibilidade, a IA acelera legendas, transcrições e traduções, mas a revisão humana garante precisão semântica, marcação de falas e sincronia. A audiodescrição deve priorizar informação visual relevante, evitar redundâncias e respeitar o tempo entre falas. Em imagens, textos alternativos claros fortalecem a navegação por leitores de tela; no vídeo, legendas abertas facilitam o acompanhamento em contextos ruidosos. Em contextos bilíngues, é possível publicar versões com dublagem assistida, mantendo os créditos de vozes e sinalizando trechos gerados artificialmente.

Gestão e avaliação se beneficiam de checklists e rubricas transparentes: propósito comunicativo, adequação de linguagem, coerência entre mídias, ética de dados e qualidade técnica. O trabalho em versões — com convenções de nomes e changelog — torna o processo avaliável e colaborativo. Em escolas com poucos dispositivos, priorize fluxos de baixa exigência: storyboard em papel fotografado, captação com celular, edição leve e uso pontual de IA para rascunhar, resumir e revisar. O objetivo é que a tecnologia amplie repertórios e torne o processo criativo mais visível, sem substituir a autoria estudantil.

Programação criativa e narrativa interativa

Programação criativa e narrativa interativa aproximam linguagem e código ao convidar estudantes a construir histórias que respondem a cliques, voz, escolhas e dados. A Inteligência Artificial atua como par-programadora e revisora, explicando conceitos, sugerindo funções e comentando trechos, enquanto o aluno decide arquitetura, tom e estética. O trabalho começa com a definição do propósito narrativo, do público e da mídia (web, jogo, chatbot), e com um esboço de mecânicas de interação que sustentem a trama.

Projetos possíveis incluem um poema visual em p5.js, no qual versos se animam e reagem ao mouse ou ao microfone; uma fábula ramificada no Twine, em que cada escolha do leitor altera o percurso moral da história; e um chatbot que encena um narrador pouco confiável, alternando estados emocionais conforme palavras‑gatilho. Para estruturar o processo, valem storyboards e mapas de fluxo de decisões, além de um backlog simples (tarefas de narrativa, código, arte e teste) que permita ciclos curtos de prototipagem e melhoria.

A IA entra em diferentes etapas: no brainstorming de premissas e cenários, na geração de listas de eventos e personagens, na produção de pseudocódigo para mecânicas, na explicação de funções específicas (como desenho no canvas do p5.js) e na depuração de erros comuns. Também ajuda a refinar diálogos, ajustar o tom de um narrador e propor variações de finais; porém, as sugestões devem ser sempre avaliadas pelo grupo, registrando o que foi aceito, modificado ou descartado para preservar autoria e coerência do projeto. Esse registro compõe a documentação técnica e criativa.

Rubricas de avaliação podem combinar quatro eixos: legibilidade do código (nomeação clara, modularização, funções puras quando possível e comentários que expliquem o porquê, não o óbvio), coerência narrativa (voz consistente, progressão causal e finais significativos), usabilidade (fluxo de navegação, acessibilidade por teclado, contraste adequado e feedback imediato) e autoria (fontes citadas, uso ético de assets e licença). Testes com usuários reais, relatórios de bugs e métricas simples de interação (tempo de leitura, cliques, caminhos percorridos) alimentam revisões fundamentadas.

Para turmas com acesso limitado a dispositivos, organize estações rotativas: enquanto um grupo codifica, outros roteirizam, desenham wireframes ou realizam testes em protótipos de papel; ao final, todos rodam o build para validação coletiva. Publicações podem ocorrer em um repositório escolar com créditos e termos de uso, cuidando de privacidade e dados. Como extensões, explore trilha sonora generativa, sprites autorais, ou sensores simples para performances híbridas. O resultado é um laboratório de linguagem, mídia e código que valoriza autoria e pensamento crítico.

Letramento midiático e checagem com IA

O letramento midiático, aliado a ferramentas de Inteligência Artificial, capacita estudantes a identificar afirmações, reconhecer enquadramentos e detectar manipulações — de títulos caça-cliques a imagens geradas ou editadas. A IA entra como coprodutora de atenção: acelera tarefas mecânicas, organiza pistas e oferece múltiplas perspectivas, enquanto o julgamento final permanece humano, fundamentado em critérios explícitos e verificáveis.

Para checar conteúdos, crie uma rotina que combine automação com rigor metodológico. Use a IA para extrair a alegação central, gerar palavras-chave e entidades relevantes, propor perguntas verificáveis e sugerir consultas avançadas. Em seguida, mapeie fontes primárias e secundárias, compare versões do texto ou do vídeo, documente hipóteses e registre as incertezas. Sempre que possível, arquive as páginas (por exemplo, na Wayback Machine) e anote a data-hora das coletas.

• Pipeline: identificar a afirmação → buscar fontes confiáveis → resumir evidências → sinalizar incertezas → citar links.
• Boas práticas: consultas multilíngues, comparação de versões, checagem de imagens (busca reversa e metadados), rastreio de autoria e atualização.

O julgamento final é sempre humano e transparente. Estabeleça uma rubrica pública que descreva o que conta como evidência suficiente, como lidar com contradições e quando classificar o veredito como “não comprovado”. Deixe visíveis as limitações do processo, inclusive vieses algorítmicos, lacunas de dados e riscos de alucinação da IA; incentive o confronto de respostas do modelo com documentos originais.

• Rubrica: rastreabilidade (links e arquivos), diversidade e hierarquia de fontes, qualidade da síntese (clareza e fidelidade), transparência do método (passo a passo publicado), contextualização e atualização.

Em sala de aula, organize duplas com papéis rotativos (checadore(a), revisor(a) metodológico) e um “diário de checagem” onde prompts, versões e decisões ficam registrados. Oriente prompts seguros (sem dados sensíveis), peça justificativas com citações, proíba o uso de detectores de “texto por IA” como prova de autoria e valorize evidências empíricas. Ao final, publique notas de checagem curtas, com veredito, links e uma seção “Como verificamos”.

Para consolidar o aprendizado, proponha rechecagens temporais (o que mudou depois de uma semana?), discussões sobre ética e dano potencial, e oficinas sobre verificação multimodal (texto, áudio, imagem e vídeo). Assim, a IA deixa de ser um oráculo e se torna um instrumento de investigação coletiva, fortalecendo a autonomia crítica e a responsabilidade informacional dos estudantes.

Avaliação formativa com rubricas e analytics

Rubricas claras tornam o feedback objetivo e auditável pela IA. Para isso, descreva níveis de desempenho com verbos observáveis, exemplos positivos e limites do aceitável; rotule os critérios de forma consistente para que possam ser referenciados em prompts e planilhas. Comentários gerados por IA devem apontar evidências no texto, sugerir revisões localizadas e conectar-se diretamente aos objetivos de aprendizagem, preservando a privacidade e o foco no processo.

Defina critérios base como propósito comunicativo, organização textual, estilo e registro, uso de evidências e integridade acadêmica. Para cada critério, detalhe indicadores para diferentes gêneros e mídias (texto, áudio, vídeo, código), incluindo elementos de coesão, adequação ao público, citações e referências. Garanta acessibilidade e justiça avaliativa ao prever variações de linguagem e repertórios culturais dos estudantes, evitando vieses e padronizações indevidas.

Implemente um fluxo de avaliação formativa em ciclos curtos: o professor apresenta a rubrica e exemplares, os estudantes realizam autoavaliação e revisão por pares, e a IA gera comentários alinhados aos critérios e aos objetivos de aprendizagem. O docente media e valida as devolutivas, destacando evidências no texto e propondo próximos passos (feedforward), enquanto o estudante registra metas e revisões em um diário de processo. Esse ciclo fortalece a metacognição e a autoria, tornando claras as expectativas e os caminhos de melhoria.

Use analytics de processo para tornar a aprendizagem visível: número de versões, tempo de edição, variedade e qualidade das fontes consultadas, e padrões de revisão por parágrafo ou seção. Debata com a turma o que esses dados significam e como podem orientar intervenções, evitando vigilância e punições. Dashboards simples ajudam a identificar necessidades comuns, planejar minilições e documentar progresso individual e da turma, favorecendo decisões pedagógicas baseadas em evidências.

Cuide da ética e da privacidade: minimize dados pessoais, anonimizar rascunhos quando possível, obtenha consentimento informado e alinhe-se à LGPD. Ofereça alternativas analógicas quando o acesso for limitado e evite ranqueamentos públicos. Estabeleça contratos de uso responsáveis, registre versões da rubrica e refine os critérios com participação estudantil, fortalecendo autoria, transparência e confiança no processo avaliativo.

Ética, privacidade e autoria na escola

Para incorporar IA de forma responsável na escola, estabeleça políticas claras que definam finalidades pedagógicas, minimização de dados e consentimento informado, em alinhamento com a LGPD e as diretrizes da rede. Mapeie quais dados são coletados, por quem e por quanto tempo, adotando anonimização quando possível e evitando o envio de informações sensíveis. Garanta alternativas offline ou de baixo consumo de dados sem prejuízo avaliativo, e documente fluxos de aprovação, responsáveis e procedimentos de auditoria para que decisões sejam rastreáveis.

Transparência e autoria devem ser práticas cotidianas. Oriente estudantes e docentes a declarar quando a IA foi usada e com qual papel, por exemplo ideação, esboço, análise, tradução, revisão ou geração de imagens e código. Estimule o registro de prompts e versões em anexos ou portfólios, fortalecendo a metacognição e a avaliação processual. Deixe explícitos os limites entre inspiração, cocriação e plágio, e adote rubricas que valorizem a justificativa de escolhas, o raciocínio e as fontes, não apenas o produto final.

No campo dos direitos autorais, reforce a checagem de licenças, a preferência por recursos em Creative Commons ou domínio público e a atribuição adequada de fontes. Ao usar modelos generativos, cite o nome do modelo e a versão, além da data de uso; quando aplicável, inclua links para termos de uso. Oriente turmas sobre direitos de imagem e voz em materiais publicados e sobre a necessidade de verificar permissões antes de remixar conteúdos. Em projetos que envolvam bases próprias, observe contratos, exceções legais e limites de reutilização.

Para mitigar vieses, promova testes com exemplos diversos que representem a comunidade escolar, verifique linguagem discriminatória e revise saídas com diferentes olhares. Utilize checklists de equidade, crie prompts de verificação de fatos e inclua sempre revisão humana antes da publicação. Proteja a privacidade adotando desidentificação, controles de acesso e políticas de retenção restritas, além de acordos com fornecedores que detalhem segurança, local de armazenamento e uso secundário de dados.

Na implementação, invista em formação continuada, acordos de convivência digital e canais de reporte de incidentes. Disponibilize modelos de declaração de uso de IA, guias de citação e planos de contingência para quedas de conexão. Nas avaliações, inclua critérios de ética e impacto, e promova ciclos de melhoria com feedback da comunidade. O objetivo é cultivar uma cultura de autoria responsável, onde a IA potencializa aprendizagens sem abrir mão de direitos, segurança e justiça informacional.

Prompts profissionais: estrutura e exemplos

Prompts robustos reduzem ruído e elevam a qualidade das respostas. Em contexto educacional, defina uma moldura estável com tarefa, público, tom e limites e peça saídas verificáveis. Explicite métricas de sucesso como clareza, precisão e cobertura do conteúdo, solicite referências quando apropriado e delimite escopo temporal e cultural para evitar generalizações. Quanto mais observável for o resultado, mais simples será avaliar e iterar.

Uma estrutura profissional combina blocos claros: persona (papel a ser desempenhado), objetivo (o que precisa ser entregue), contexto (dados, fontes e cenário), restrições (tamanho, estilo, idioma, ética), critérios (rubrica de avaliação), formato de saída (campos nomeados, parágrafos, tópicos) e exemplos (modelos positivos e negativos). Ao declarar cada bloco, você reduz ambiguidades, promove consistência entre turmas e facilita a revisão por pares, pois todos sabem o que comparar e como julgar a qualidade.

Exemplo para leitura crítica: Atue como revisor crítico. Receba um artigo de até 500 palavras. Extraia a tese principal, a hipótese implícita e três contra-argumentos ancorados em trechos do texto, indicando o efeito de sentido de cada citação. Finalize com uma síntese dos pontos fortes e fragilidades argumentativas em até 120 palavras. Entregue em tópicos com cabeçalhos claros. Critérios: identificar com fidelidade a tese, usar citações precisas, evitar anacronismos e manter registro de incerteza quando o texto for ambíguo.

Exemplo para escrita e estilo: Atue como editor. Reescreva o parágrafo mantendo conteúdo, mas adotando voz jornalística, com verbo forte e frases de até 20 palavras. Destaque termos técnicos em itálico e preserve nomes próprios. Devolva duas versões: concisa e expansiva. Exemplo para programação: Atue como professor de Python 3. Gere uma função que normaliza texto em português, explique a complexidade, inclua testes unitários e casos-limite. Não use bibliotecas externas. Formato: bloco de código, seguido de explicação em parágrafos curtos. Em ambos, critérios e formato tornam o resultado auditável.

Para depurar prompts, peça perguntas de esclarecimento antes da resposta final, rode testes A/B com pequenas variações e use uma checklist de conformidade com os critérios definidos. Quando surgirem falhas, isole a etapa problemática e reescreva apenas o bloco correspondente (por exemplo, clarificando restrições de estilo ou ampliando o contexto). Inclua salvaguardas éticas: evitar dados pessoais, citar fontes quando possível e reconhecer incertezas. Ao versionar seus prompts e registrar exemplos de sucesso e insucesso, você cria um repositório reprodutível que acelera planejamento e avaliação em sala de aula.

Roteiro de implementação em 4 semanas

Este roteiro de quatro semanas oferece uma sequência enxuta para começar com segurança e propósito, alinhada às competências de Linguagens e ao uso ético da IA. Em cada etapa, defina critérios de sucesso visíveis, minimize a dependência de ferramentas específicas e documente processos com capturas de tela ou diário de bordo de prompts. Priorize acessibilidade: atividades que funcionem mesmo com poucos dispositivos, alternando trabalho em papel, leitura em voz alta e uso compartilhado de IA generativa.

Semana 1 — Letramento em IA e ética: Mapeie conhecimentos prévios e discuta mitos e fatos sobre modelos generativos, vieses, privacidade e atribuição. Co-construa um contrato de uso em sala, incluindo quando a IA é permitida, como citar saídas e limites do que pode ser enviado à ferramenta. Apresente exemplos-âncora de boa prática (prompt transparente, fonte checada) e de má prática (alucinações, plágio), e elabore uma rubrica simples para avaliar autoria e colaboração com IA. Estabeleça o diário de bordo de prompts e evidências como item obrigatório.

Semana 2 — Leitura crítica com IA: Use a IA como lente para comparar enquadramentos de um mesmo texto, notícia ou obra multimodal: peça resumos por perspectivas distintas e confronte-os com o original. Modele perguntas de verificação como ‘Quem fala?’, ‘Que dados faltam?’ e ‘Quais termos orientam o argumento?’. Produza um relatório breve de evidências com trechos destacados, links e comentários sobre vieses detectados, registrando os prompts usados. Avalie formativamente com checklist de rastreabilidade e rigor textual.

Semana 3 — Escrita assistida: Planeje um ciclo de escrita com etapas explícitas: brainstorming, esboço de estrutura, rascunho, revisão por pares e metarreflexão. Use a IA para gerar alternativas de títulos, mapas de ideias e melhorias de coesão, sempre pedindo que o estudante sinalize qual sugestão aceitou e por quê. Incorpore exemplos-âncora e comandos de estilo, e inclua uma nota de método no final do texto detalhando o papel da IA. A rubrica contempla clareza, adequação de gênero, originalidade e uso responsável da ferramenta.

Semana 4 — Produção multimodal ou narrativa interativa: Escolha um produto final que integre linguagem, mídia e código, como podcast roteirizado, zine digital, vídeo legendado automaticamente ou história interativa em Twine/Scratch. Delineie um storyboard, planeje recursos acessíveis e revise direitos autorais e licenças abertas para textos, imagens e trilhas. Promova uma mostra com feedback público estruturado (cartões de forças e próximos passos) e feche com autoavaliação baseada na rubrica e no diário de bordo. Registre lições aprendidas e possíveis desdobramentos para projetos longos.