PROMPT-EDU: Roteiro de Comandos de Ajuste Fino para ChatGPT Uma sequência estruturada de prompts para otimizar o ajuste fino do ChatGPT em contextos educacionais

Denise da Vinha Ricieri (primeira autora), Adriana M. G. de Farias, Fabiano Rodrigues de Souza, Raphaela V. G. Barreto · SCIAS Educação, Comunicação e Tecnologia — v.6, n.1, p.107–138, jan./jun. 2024 · DOI: 10.36704/sciaseducomtec.v6i1.8374 · Artigo em periódico científico revisado por pares · e-ISSN: 2674-905X

Pergunta de Pesquisa

Um conjunto estruturado e sequenciado de prompts — o Roteiro Prompt-EDU — pode otimizar de forma confiável o ajuste fino (FT) do ChatGPT para contextos educacionais, inclusive para usuários iniciantes com contas com histórico mínimo de FT?

Metodologia

Delineamento: Estudo experimental descritivo qualitativo testado em múltiplas versões do ChatGPT no Brasil e nos EUA.
Tipos de prompt utilizados: Aprendizagem em Contexto (ICL), Cadeia de Pensamentos (CoT) e prompts demonstrativos (Demo) combinados em sequência estruturada.
Roteiro Prompt-EDU (3 perfis): Prompt de contexto → Prompts Demo-CoT → Prompt educacional (com verbos da Taxonomia de Bloom).
Cenário de teste: Diálogo simulado entre Paulo Freire e Mark Zuckerberg sobre IA e Educação — mesmo cenário do artigo CoBICET 2023, agora usado para validar o desempenho de FT do Roteiro.
Viés abordado: Viés de processamento de idioma não nativo no GPT (pipeline de dupla tradução: idioma de entrada → EN → idioma de saída). Verbos da Taxonomia de Bloom usados para superar a ambiguidade de interpretação verbal.
Contas testadas: IAR1-BRA (Brasil, GPT-3.5) · IAR2-BRA (Brasil, GPT-4) · IAT-EUA (EUA, GPT-4) — contas iniciantes de FT.

Principais Resultados

O Roteiro Prompt-EDU obteve sucesso em todos os marcadores analíticos estabelecidos em todas as contas e versões testadas do ChatGPT.
O desempenho correspondeu aos benchmarks de aprendizado profundo de máquina descritos na literatura anterior para sequências de prompts estruturadas.
Um único prompt Demo + prompt CoT bem estruturado superou o ICL multidemo — replicando os resultados de Chen et al. (2023).
Viés de treinamento detectado e corrigido: conta do Brasil (IAR1-BRA) usava GPT-3.5 no meio do FT — viés isolado e Roteiro adaptado.
Verbos da Taxonomia de Bloom controlaram efetivamente a interpretação da IA dos verbos educacionais na barreira do idioma não nativo (português).
Roteiro comprovado como confiável para usuários iniciantes que otimizam o FT para temáticas do processo ensino-aprendizagem em contextos lusitanos.

O Roteiro Prompt-EDU (3 Perfis)

Perfil 1 — Prompt de Contexto: Estabelece o domínio educacional, a tarefa e a persona da IA como assistente educacional. Define a direção do FT.

Perfil 2 — Prompt Demo-CoT: Fornece uma demonstração de Cadeia de Pensamentos que treina o modelo a raciocinar em termos educacionais antes de produzir a saída.

Perfil 3 — Prompt Educacional: Usa verbos de ação da Taxonomia de Bloom para atribuir uma tarefa de nível cognitivo específico, superando a ambiguidade linguística e produzindo saída educacionalmente válida.

Testado: ChatGPT 3.5 & 4 · Contas Brasil & EUA · Nível iniciante de FT

Conceitos Técnicos e Competências

IA e Aprendizado de Máquina: LLM ChatGPT Ajuste Fino (FT) Deep Learning Arquitetura Transformer PLN Redes Neurais Generalização
Engenharia de Prompt: Aprendizagem em Contexto (ICL) Cadeia de Pensamentos (CoT) Prompts Demo Roteiro Prompt-EDU Prompts Educacionais Sequenciamento de Prompts
Educação e Pedagogia: Taxonomia de Bloom Design Instrucional IA na Educação Viés de Idioma Não Nativo Formação Docente Sistematização

Por que Isso Importa para Educadores

A maioria dos educadores que usa o ChatGPT para planejamento de aulas, criação de conteúdo ou feedback aos alunos trabalha com contas com ajuste fino mínimo — e escreve prompts em português, o que introduz um viés oculto de dupla tradução. O Roteiro Prompt-EDU é a primeira metodologia revisada por pares e testada especificamente desenvolvida para superar ambos os problemas: oferece aos educadores uma forma confiável e sistemática de treinar o ChatGPT para se comportar como um verdadeiro assistente educacional, usando a linguagem internacional da pedagogia (Taxonomia de Bloom) para transpor a barreira do idioma.

Referências Selecionadas

Chen et al. (2023) — ICL com Demo único vs. multidemo · Wei et al. (2022) — Prompting por Cadeia de Pensamentos · Liu et al. (2023) — Pré-treinar, induzir e prever (ACM Comp. Surv.) · Wang et al. (2023) — LLMs como modelos de tópicos implícitos · Vaswani et al. (2017) — Atenção é tudo que você precisa · Liang et al. (2023) — Detectores GPT com viés contra escritores não nativos · Armstrong (2010) — Taxonomia de Bloom revisada · Kasneci et al. (2023) — ChatGPT para o bem? (Learning & Individual Differences) · OpenAI Inc. (2023) — Relatório Técnico GPT-4.

Acesse o Artigo Completo

ResearchGate (acesso aberto): researchgate.net/publication/382859526
Periódico: SCIAS Educação, Comunicação e Tecnologia — v.6, n.1, 2024 — DOI: 10.36704/sciaseducomtec.v6i1.8374

Sobre o Autor

Fabiano Rodrigues de Souza — Doutor em Biotecnologia · Harvard Graduate School of Education · Dois MBAs · Profissional Certificado Kirkpatrick · 2× Prêmio Braskem · Membro de Conselho Editorial desde 2006. Pesquisador na intersecção entre IA, neurociência e educação multilingual.

Veja também — Artigo 1: Simulação de Diálogos e Personagens no ChatGPT-4 (CoBICET 2023) — avaliação multilingual do GPT-4: qualidade das respostas em inglês vs. português, viés de dupla tradução, taxonomia de viés em PLN.
Veja também — Artigo 2: EMO-AI Teaching Loop (UNICAMP X Inovações Curriculares 2025) — microlearning neurodidático via WhatsApp & GenAI: 21% entusiasmo, 19% curiosidade, correlação = 1,0.