Palavras-chave
Avaliação de desempenho docente
Gestão estratégica de recursos humanos
Instituições de ensino superior
Província de Anhui
Como Citar
Resumo
Objetivo: As recentes reformas na avaliação educacional na China e o rápido avanço da inteligência artificial (IA) evidenciaram limitações significativas nos sistemas tradicionais de avaliação do desempenho docente no nível de graduação, incluindo critérios excessivamente unidimensionais, ênfase desproporcional na produção científica e mecanismos insuficientes de monitoramento e feedback. Com base em pesquisas anteriores do autor sobre reformas na avaliação docente na Província de Anhui, este estudo investiga como a IA pode ser integrada à avaliação do desempenho docente para aprimorar o alinhamento estratégico, a equidade avaliativa e a orientação ao desenvolvimento nas instituições de ensino superior de graduação.
Metodologia/abordagem: O estudo adota uma abordagem de métodos mistos fundamentada na teoria da gestão estratégica de recursos humanos. Inicialmente, realiza-se uma revisão sistemática da literatura nacional e internacional sobre avaliação de desempenho docente, IA na gestão educacional e gestão estratégica de recursos humanos. Em seguida, é desenvolvido um modelo de avaliação de desempenho baseado em IA, adaptado de um framework estratégico de avaliação para docentes de graduação na Província de Anhui, incorporando análise de dados, mecanismos inteligentes de avaliação e sistemas de avaliação multifuente. O modelo proposto é testado empiricamente por meio de dados coletados via questionários aplicados a docentes de instituições de graduação selecionadas na Província de Anhui, utilizando técnicas estatísticas como análises de confiabilidade e validade e modelagem de equações estruturais.
Originalidade/Relevância: Ao aplicar análise inteligente de dados e ferramentas avaliativas multidimensionais, o modelo proposto reduz a dependência excessiva de métricas de produção científica e promove um reconhecimento mais equilibrado das contribuições em ensino, pesquisa e extensão. O estudo responde às exigências das políticas nacionais de superação do modelo avaliativo “five-only” e às insatisfações docentes com os sistemas atuais de avaliação.
Principais resultados: Os resultados indicam que a avaliação apoiada por IA pode melhorar a objetividade, a precisão, o alinhamento estratégico e os mecanismos de feedback, promovendo o desenvolvimento contínuo do corpo docente.
Contribuições teóricas/metodológicas: A integração da IA com a teoria da gestão estratégica de recursos humanos e da avaliação de desempenho oferece um novo referencial para a gestão do ensino superior e apresenta um modelo empiricamente validado para a reforma transformadora da avaliação do desempenho docente, especialmente nas instituições da Província de Anhui.
Referências
Alwaely, S. A., El-Zeiny, M. E., Alqudah, H., Mohammad Alamarnih, E. F., Ibrahim Salman, O. K., Halim, M., & Saleem Khasawneh, M. A. (2023). The impact of teacher evaluation on professional development and student achievement. Environmental & Social Management Journal / Revista de Gestão Social e Ambiental, 17(7). https://doi.org/10.24857/rgsa.v17n7-022
Arcinas, M. M., Meenakshi, M., Bahalkar, P. S., Bhaturkar, D., Lalar, S., Rane, K. P., & Raghuvanshi, A. (2025). An efficient course recommendation system for higher education students using machine learning techniques. Bulletin of Electrical Engineering and Informatics, 14(2), 1468–1475. https://doi.org/10.11591/eei.v14i2.7711
Armstrong, M. (2021). Armstrong’s handbook of human resource management practice (15th ed.). Kogan Page.
Baek, C., & Doleck, T. (2023). Educational data mining versus learning analytics: A review of publications from 2015 to 2019. Interactive Learning Environments, 31(6), 3828–3850. https://doi.org/10.1080/10494820.2021.1943689
Bauer, E., Sailer, M., Niklas, F., Greiff, S., Sarbu-Rothsching, S., Zottmann, J. M., & Fischer, F. (2025). AI-based adaptive feedback in simulations for teacher education: An experimental replication in the field. Journal of Computer Assisted Learning, 41(1), e13123. https://doi.org/10.1111/jcal.13123
Brougham, D., & Haar, J. (2018). Smart technology, artificial intelligence, robotics, and algorithms (STARA): Employees’ perceptions of our future workplace. Journal of Management & Organization, 24(2), 239–257. https://doi.org/10.1017/jmo.2016.55
Chadwick, C., & Dabu, A. (2008). Human resources, human resource management, and the competitive advantage of firms: Toward a more comprehensive model of causal linkages. Organization Science, 20(1), 253–272. https://doi.org/10.1287/orsc.1080.0375
Chandrakant, S. M. (2025). AI-powered teaching assistants: Enhancing educator efficiency with NLP-based automated feedback systems. International Journal of Science and Research Archive, 14(3), 9–18.
Chen, W., & Min, L. (2025). The evaluation model of physical education teaching performance based on deep learning algorithm. Scalable Computing: Practice and Experience, 26(1), 458–466. https://doi.org/10.12694/scpe.v26i1.3858
Chiu, T. K., Xia, Q., Zhou, X., Chai, C. S., & Cheng, M. (2023). Systematic literature review on opportunities, challenges, and future research recommendations of artificial intelligence in education. Computers and Education: Artificial Intelligence, 4, 100118. https://doi.org/10.1016/j.caeai.2023.100118
Creswell, J. W. (1994). Research design: Qualitative, quantitative, and mixed methods approaches. Sage.
Darling-Hammond, L., Amrein-Beardsley, A., Haertel, E., & Rothstein, J. (2012). Evaluating teacher evaluation. Phi Delta Kappan, 93(6), 8–15. https://doi.org/10.1177/003172171209300603
Delery, J. E., & Doty, D. H. (1996). Modes of theorizing in strategic human resource management: Tests of universalistic, contingency, and configurational performance predictions. Academy of Management Journal, 39(4), 802–835. https://doi.org/10.2307/256713
Hu, L. T., & Bentler, P. M. (1999). Cutoff criteria for fit indexes in covariance structure analysis. Structural Equation Modeling, 6(1), 1–55. https://doi.org/10.1080/10705519909540118
Jarrahi, M. H. (2018). Artificial intelligence and the future of work: Human–AI symbiosis in organizational decision making. Business Horizons, 61(4), 577–586. https://doi.org/10.1016/j.bushor.2018.03.007
Kaiser, H. F. (1974). An index of factorial simplicity. Psychometrika, 39(1), 31–36. https://doi.org/10.1007/BF02291575
Kamalov, F., Santandreu Calonge, D., & Gurrib, I. (2023). New era of artificial intelligence in education: Towards a sustainable multifaceted revolution. Sustainability, 15(16), 12451. https://doi.org/10.3390/su151612451
Kasman, K., & Lubis, S. K. (2022). Teachers’ performance evaluation instrument designs in the implementation of the Merdeka curriculum. Jurnal Kependidikan, 8(3), 760–775. https://doi.org/10.33394/jk.v8i3.5674
Kellogg, K. C., Valentine, M. A., & Christin, A. (2020). Algorithms at work: The new contested terrain of control. Academy of Management Annals, 14(1), 366–410. https://doi.org/10.5465/annals.2018.0174
Klimova, B., & Pikhart, M. (2026). Use of artificial intelligence in foreign language education in higher education settings. In Social robots and artificial intelligence in education (pp. 327–351). Springer.
Kline, R. B. (1999). Book review: Psychometric theory (3rd ed.). Journal of Psychoeducational Assessment, 17(3), 275–280. https://doi.org/10.1177/073428299901700307
Lampropoulos, G., & Evangelidis, G. (2025). Learning analytics and educational data mining in extended reality environments: A systematic review. Applied Sciences, 15(2), 971. https://doi.org/10.3390/app15020971
Leguina, A. (2015). A primer on partial least squares structural equation modeling (PLS-SEM). International Journal of Research & Method in Education, 38(2), 220–221. https://doi.org/10.1080/1743727X.2015.1005806
Likert, R. (1932). A technique for the measurement of attitudes. Archives of Psychology, 140, 1–55.
Luckin, R., & Holmes, W. (2016). Intelligence unleashed: An argument for AI in education. Open University.
Ministry of Education of the People’s Republic of China. (2020). Overall plan for deepening education evaluation reform in the new era. http://www.moe.gov.cn
Nguyen, A., Ngo, H. N., Hong, Y., Dang, B., & Nguyen, B. P. T. (2023). Ethical principles for artificial intelligence in education. Education and Information Technologies, 28(4), 4221–4241.
OECD. (2013). Teachers for the 21st century: Using evaluation to improve teaching. OECD Publishing. https://doi.org/10.1787/9789264193864-en
Pei, Y., & Lu, G. (2023). Design of an intelligent educational evaluation system using deep learning. IEEE Access, 11, 29790–29799. https://doi.org/10.1109/ACCESS.2023.3260979
Pham, S. T., & Sampson, P. M. (2022). The development of artificial intelligence in education: A review in context. Journal of Computer Assisted Learning, 38(5), 1408–1421. https://doi.org/10.1111/jcal.12687
Podsakoff, P. M., MacKenzie, S. B., Lee, J. Y., & Podsakoff, N. P. (2003). Common method biases in behavioral research. Journal of Applied Psychology, 88(5), 879–903. https://doi.org/10.1037/0021-9010.88.5.879
Qu, H. M. (2024). Campus education administration, teacher motivation, and performance management in China. International Journal of Research Studies in Management, 12(16). https://doi.org/10.5861/ijrsm.2024.1319
Wang, S., Wang, F., Zhu, Z., Wang, J., Tran, T., & Du, Z. (2024). Artificial intelligence in education: A systematic literature review. Expert Systems with Applications, 252, 124167.
Wang, S., Wang, Y., & Solhi, M. (2026). Teacher–student interpersonal behaviours and GenAI feedback on students’ achievement emotions in EFL writing. European Journal of Education, 61(1), e70395.
Yildiz Durak, H., & Onan, A. (2025). A systematic review of AI-based feedback in educational settings. Journal of Computational Social Science, 8(4), 96.
Zand, J., Suvakov, M., Overgaard, S. M., Kozikowski, C. G., Jimison, R. C., Nelson, K. B., & Garovic, V. D. (2026). Building artificial intelligence and data literacy across the health care research workforce. Mayo Clinic Proceedings, 101(1), 17–25.
Zawacki-Richter, O., Marín, V. I., Bond, M., & Gouverneur, F. (2019). Systematic review of research on artificial intelligence applications in higher education. International Journal of Educational Technology in Higher Education, 16(1), 39. https://doi.org/10.1186/s41239-019-0171-0
Zhang, C., Hu, M., Wu, W., Chen, Y., Wang, K., Gao, T., & Fu, Q. (2026). AI versus teacher feedback in developing pre-service teachers’ teaching self-efficacy. Teaching and Teacher Education, 172, 105355.
Zhang, T., & Jia, S. (2024). Construction and implementation of application-oriented undergraduate teaching evaluation systems. International Journal of Web-Based Learning and Teaching Technologies, 19(1), 1–19. https://doi.org/10.4018/IJWLTT.338386
Zhu, Y. (2018). Research on the reform of Chinese university teachers’ evaluation system. In Proceedings of the International Conference on Education Science and Social Development. https://doi.org/10.2991/essd-18.2018.50
Este trabalho está licenciado sob uma licença Creative Commons Attribution 4.0 International License.
Copyright (c) 2026 Revista Inteligência Competitiva