Preguiça metacognitiva: o impacto da IA generativa na motivação para aprender

Desculpe, mas o link fornecido não contém um conteúdo de artigo válido. Se você enviar outro artigo ou conteúdo, poderei ajudar com o resumo e a tradução.

[GN⁺]

Opiniões no Hacker News

• Parece óbvio. Você aprende muito mais quando dedica tempo a pesquisar por conta própria do que quando recebe a resposta de imediato.
  Pode haver pessoas disciplinadas o suficiente para fazer uma investigação adicional mesmo quando a resposta já é dada, mas a maioria não é assim, e as empresas também querem soluções rápidas, “eficientes” e “competitivas”, em vez de se preocupar com prejuízos de longo prazo.

  • Há registros de que, na Grécia Antiga, a geração mais velha tinha preocupações semelhantes com o uso da escrita. Na tradição oral, o estudioso precisava memorizar tudo, e ler e escrever eram vistos como uma muleta que estragaria a memória dos jovens.
    Agora estamos no limiar de uma nova era em que a leitura é substituída por busca e recuperação via IA, e é válida a preocupação de que a IA possa virar uma muleta e enfraquecer as gerações mais jovens. Ainda assim, não sabemos qual será o resultado, ainda não há sinais de que o uso de IA prejudique resultados de negócios, e a tese maior de que “a AGI causará enormes mudanças sociais” provavelmente está correta.
  • Se a lógica é que se aprende mais pesquisando do que recebendo a resposta diretamente, então não deveríamos obrigar todo mundo a começar pelos primeiros princípios?
    Aprendizado está ligado à curiosidade, e curiosidade não está ligada à dificuldade da pesquisa. Uma pessoa curiosa fará mais perguntas mesmo recebendo a resposta diretamente; uma pessoa sem curiosidade vai parar ali. Todos nós estamos sobre os ombros de gigantes, e isso não é ruim, é bom. Pode haver vantagens em abrir mão dos gigantes e fazer alguém escalar sozinho até aquela altura, mas como forma de transmissão de conhecimento me parece muito menos eficaz.
  • LLMs provavelmente serão uma tecnologia que aumenta o acesso ao conhecimento e, ao mesmo tempo, amplia a lacuna de conhecimento. A internet também foi assim.
    Há 30 anos, esperava-se que acesso imediato ao conhecimento da humanidade tornaria todos mais inteligentes, mas, mesmo com a Wikipedia, a maioria rola vídeos que provocam indignação e não transmitem conhecimento nem fazem bem. Claro que casos como o de alguém no Paquistão programando pelo celular e mantendo um plugin do vim são impressionantes, mas isso é mais um efeito sobre uma minoria que ganhou a oportunidade de usar a ferramenta do que sobre a humanidade média como um todo.
    Um físico disse certa vez, em uma entrevista no YouTube, que agora qualquer físico pode fazer ao ChatGPT perguntas de nível de pós-graduação sobre artigos recentes e transitar pelo conhecimento entre subáreas da física, o que ajuda na pesquisa em física.
  • O fato de não considerar prejuízos de longo prazo lembra as discussões dos anos 2010 sobre contratação de engenheiros júnior. As empresas não querem contratar e treinar júniores, porque há um grande risco de esse investimento não voltar para a empresa que treinou.
    Se uma empresa tira um engenheiro sênior de um projeto para ensinar um júnior, e então o júnior ganha habilidade e experiência e vai para outra empresa, a empresa fica com ROI negativo. No fim, é uma tragédia dos comuns, e hoje é parecido, só que com um mecanismo diferente. Pode surgir uma escassez de engenheiros de software qualificados, mas a forma como o setor aloca engenheiros e manda que trabalhem é tão desperdiçadora que parece haver margem para aguentar essa escassez por um tempo.
  • Por isso uso o ChatGPT principalmente para algo próximo a perguntas socráticas. Coisas como: “tentei A, B e C no contexto C; há alguma opção que deixei passar?”, “você vê alguma parte que ficou de fora em termos de eficiência neste plano?”
    É menos para obter uma resposta e mais para evitar becos sem saída caros.

• Há dois lados nessa questão, e isso pode ser um pouco controverso. Quando pergunto ao ChatGPT sobre qualquer assunto, geralmente acabo fazendo mais perguntas com base na resposta; a maioria são perguntas bobas, mas sinto que, nesse processo, absorvo e analiso informações e então aprofundo por curiosidade.
  Em comparação com pesquisar na internet, há vantagens, mas, quanto mais se aprofunda, muitas vezes você acaba lendo textos em que a opinião de alguém está misturada. Esse texto dá a sensação de já ter decidido quais perguntas são importantes, por qual ângulo olhar e qual é a conclusão. É educativo, mas continuam surgindo perguntas.
  A diferença é a curiosidade. Se você tem curiosidade sobre um assunto, aprende; se não tem, recebe a resposta e fica satisfeito. Isso não é preguiça, e não dá para ter curiosidade sobre tudo.

  • O ChatGPT também é, na verdade, enviesado. Ele tem várias posições políticas e trata alguns assuntos como tabu.
    A diferença é que uma única entidade define a orientação política do modelo, e esse modelo interage com muito mais pessoas do que um único artigo de opinião.
  • Acho que a possibilidade de fazer perguntas sem ser julgado é uma parte subestimada da força dessas ferramentas. Há pessoas intelectualmente seguras o bastante para fazer perguntas “idiotas” a outras pessoas, mas a maioria não é assim, especialmente diante de desconhecidos.
    Acho que nunca fiz uma pergunta no Stack Overflow. Era fácil imaginar como aquela comunidade trataria uma pergunta que me deixasse com medo de parecer burro. Mas, para esses modelos, dá para fazer todo tipo de pergunta idiota sem preocupação nenhuma, e isso é bom.
  • A informação que o ChatGPT pode fornecer, no fim, é apenas o que encontrou na web e o que inventou na hora. Por exemplo, ele não pode ir a uma biblioteca e ler materiais esquecidos que não foram citados na Wikipedia.
    Ter uma discussão “curiosa” com o ChatGPT é, no fim, pesquisar na internet por meio de um filtro que mistura os seus vieses com os vieses do ChatGPT. Pode parecer que você escapou, mas ainda está dentro da internet. A internet agora só responde às perguntas falando; continua sendo a internet.
  • É como um professor gentil que nunca se cansa

• Venho dizendo isso desde que a OpenAI lançou o ChatGPT pela primeira vez. O risco de um LLM que pode ser usado em qualquer lugar e parece ter resposta para qualquer pergunta não está tanto em sua existência em si, mas em seu caráter sedutor
  O perigo real é a tentação de pedir uma resposta diretamente ao LLM mais próximo, em vez de ruminar o problema sozinho, em silêncio. O ato de manipular um problema dentro da própria cabeça, ou seja, o pensamento crítico, é, no fim das contas, uma habilidade, e só melhora com prática deliberada e disciplinada

  • Entendo esse problema, mas no meu uso do ChatGPT ele, na verdade, me ajuda a superar a preguiça em vez de agravá-la
    Quando há um projeto difícil de começar, perguntar ao ChatGPT quase não tem atrito e, quando percebo, já estou trabalhando no projeto, passaram-se 8 horas e ele está concluído. Se fico travado na instalação de uma biblioteca irritante, o ChatGPT resolve e evita que eu me frustre. Mais do que qualquer outra ferramenta, ele me ajuda a entrar e permanecer em estado de flow, e é uma boa forma de evitar a procrastinação
  • Ruminar um problema em silêncio só é produtivo quando se tem a informação correta. Sem informação, no máximo há o risco de perder tempo reinventando a roda
    Para esse uso, um LLM é o mesmo tipo de ferramenta que o Google: um meio de consultar, recuperar e absorver informações. Como no Google, o resultado da consulta não é o fim, mas um meio. Como diz o ditado, “um mês no laboratório pode poupar uma semana na biblioteca”; também dá para poupar perguntando 10 minutos ao Claude/ChatGPT/Copilot. Contratar um tutor particular também é preguiça?
  • Os LLMs me ensinaram de novo algo que eu já sabia até certo ponto por O Guia do Mochileiro das Galáxias: o cerne da solução de problemas é fazer a pergunta certa desde o início
    Não é perigoso poder recuperar respostas rapidamente. Nos anos 90 diziam coisas parecidas sobre o Google, e nos anos 70, sobre calculadoras portáteis. Para mim, os LLMs apenas aceleram o processo que eu, de qualquer forma, faria pesquisando manualmente na internet, e, para pensar criticamente melhor, é preciso fazer mais perguntas
  • A preguiça física parece ajudar aqui. Dá tanto trabalho explicar completamente o problema a um LLM e embrulhar o prompt de modo que saia algum texto aproveitável que acabo pensando por conta própria primeiro
    Normalmente acabo resolvendo diretamente ou lembrando de uma fonte primária melhor

• Há um preprint no arXiv, e no topo da página 18 aparece o que é preguiça metacognitiva: “no contexto da interação humano-IA, definimos preguiça metacognitiva como o aprendiz depender da ajuda da IA, externalizar a carga metacognitiva e conectar de forma menos eficaz processos metacognitivos responsáveis à tarefa de aprendizagem”
  Aqui, “carga metacognitiva” parece ser o esforço cognitivo e metacognitivo necessário para regular efetivamente o processo de aprendizagem quando o aprendiz realiza tarefas que exigem automonitoramento, planejamento e avaliação ativos
  O artigo vê isso como algo semelhante à terceirização cognitiva, em que uma ferramenta assume tarefas cognitivas difíceis; como resultado, a pessoa perde oportunidades de desenvolver habilidades e passa a depender da ferramenta
  https://arxiv.org/pdf/2412.09315

  • Essa definição soa como pais reclamando que alguém usa Google Maps em vez de um mapa dobrável. A capacidade de ler mapas comuns pode ter diminuído, mas, no geral, ficamos melhor
    Chamar isso de “preguiça” é reducionista. “Depender da ajuda de alguma coisa” é justamente o propósito de toda tecnologia

• Há claramente uma ambivalência nessa questão. Por um lado, lembro da conversa de que as crianças ficariam completamente indefesas no mundo real porque “ninguém anda com uma calculadora no bolso”. Depois disso, as calculadoras foram parar no bolso de quase todo mundo, e as crianças ficaram bem
  Por outro lado, também acho importantes as vantagens obtidas no processo de aprender a aprender, de letramento midiático, de pesquisar de forma independente e chegar a conclusões
  A resposta provavelmente está em algum ponto intermediário. É usar LLMs como ferramentas de apoio ao aprendizado, e não como destino final

  • Aprendi a não usar calculadora em provas e tarefas, e por isso ainda consigo fazer contas de cabeça
    Recentemente vi pessoas da Gen Z ficarem confusas com jogos de cartas que exigiam soma ou com cálculo de troco. Para millennials, isso é coisa de nível de ensino fundamental
  • Aprender a aprender, letramento midiático, pesquisa independente e formação de conclusões não vão desaparecer. Novas habilidades — aprender prompts melhores, aprender quando ignorar a IA e aprender a transformar informação em algo prático — vão substituir as habilidades antigas
    Quantas pessoas ainda sabem selar um cavalo, ler as horas sem relógio, costurar uma camisa, fazer tecido, caçar com ferramentas primitivas ou acender fogo? Dá para esconder as crianças da IA, ou dá para ensiná-las a crescer usando a IA. Se quiser ver o que acontece quando se abre mão do que parece futurista demais, é só olhar para os Amish. É uma vida respeitável, mas quantas pessoas lendo isto escolheriam essa vida?
  • Fico surpreso com o fato de as pessoas simplesmente acreditarem sempre no que um LLM diz. Alguns amigos usam o ChatGPT para tudo, do trabalho a perguntas simples
    Um amigo perguntou ao ChatGPT a biografia de um músico, e foi meio assustador ver que ele não conseguia ler a página da Wikipedia com as mesmas informações e fontes. Minha mãe disse que usou o ChatGPT para montar um “guarda-roupa cápsula”, e eu fiquei pensando se não bastava olhar as roupas e descartar o que ela não usa. Por que uma decisão tão simples precisa ser tomada por um computador?
    Não sei bem se LLMs deveriam ser usados como apoio ao aprendizado. Nunca vi por que seriam melhores do que uma busca online ou suas próprias histórias criativas, e gostaria de ouvir casos de uso claros em que LLMs sejam úteis
  • Acho que o exemplo é mais parecido com o da biblioteca. A geração dos meus pais tinha que ir à biblioteca e procurar livros, mas a minha geração ouvia que bastava usar a internet
    Na prática, acho que o padrão para ter conhecimento amplo e conseguir acessar detalhes rapidamente vai subir. Se você consegue verificar detalhes muito rápido quando precisa, há muito valor em entender várias áreas em nível intermediário. À medida que você se aprofunda, a velocidade de aprendizado também vai ficando cada vez mais lenta. Ao fazer algo complexo, mesmo que você conhecesse os detalhes, eles eram importantes o bastante para precisar conferir de novo de qualquer forma
  • Nas escolas, não se ensinam mais réguas de cálculo nem tabelas de logaritmos. Calculadoras e computadores criaram uma grande preguiça metacognitiva até em mim, que ensino cálculo e tenho doutorado em estatística
    Quase não lembro de forma reflexiva o círculo unitário além dos múltiplos de π/4; consigo fazer os múltiplos de π/6, mas sou lento. Mesmo assim, não acho que deixar de lembrar essas coisas instantaneamente tenha me tornado um matemático pior. Posso ser um pouco mais lento para obter respostas de problemas triviais, mas ainda consigo resolver problemas complexos
    Procuro fórmulas de integração em um livrinho de tabelas de integrais ou no Wolfram Alpha. Mesmo que eu consiga derivá-las por conta própria, não acho que vou acertar 100%. A preguiça metacognitiva já se instalou em mim. Mas acho que tudo bem se encontrarmos uma forma de impedi-la antes que se espalhe para uma deterioração cerebral completa. Se ensinarmos os alunos a pensar criticamente e encontrarmos uma forma de fazer a IA nos auxiliar sem nos transformar nos humanos da nave de Wall-E, vamos sobreviver

• O resumo não define o que é preguiça metacognitiva, nem oferece contexto suficiente apenas pela descrição dos resultados anteriores
  Pessoalmente, uma vantagem clara do ChatGPT em relação à busca do Google é poder continuar fazendo perguntas mais sutis sobre a resposta inicial. Em buscas tradicionais, quanto mais buscas de acompanhamento se fazem, menor fica a utilidade marginal da curiosidade em relação ao tempo investido. Quanto mais precisa fica a pergunta, mais difícil é aparecerem resultados que não tenham sido otimizados para SEO; é mais provável encontrar textos genéricos para leitores comuns sem informação nova, ou materiais especializados que exigem um enorme conhecimento técnico de base. LLMs constroem bem a ponte até a resposta que eu quero

  • Se não há definição, dá para ler ao pé da letra. Significa parar de se esforçar para aprender métodos melhores de aprendizado. Se você começa a aprender por um chatbot, acaba dependendo só dele, sem praticar outros métodos
    Já ouvi relatos de engenheiros júnior caindo nessa armadilha. Em vez de expor a colegas suas lacunas de conhecimento, perguntam tudo ao chatbot. Mesmo que o chatbot evite erros grosseiros, o júnior não percebe os erros sutis
  • Achei interessante a expressão “a resposta que eu quero”. Como não é “a resposta correta para a minha pergunta”, essa abordagem parece ter uma chance considerável de levar ao reforço de vieses já existentes
    Soa muito parecido com encontrar um artigo específico da Wikipedia e depois vasculhar as fontes para achar o texto original em que “a resposta que eu quero” apareceu pela primeira vez
  • Alguns dias atrás houve uma história sobre uma rede neural feita em um chip de fóton único. Coloquei o artigo no ChatGPT e usei isso para entender de forma muito mais significativa e abrangente o que aquele chip de fato oferecia, como funcionava, os princípios básicos dos principais componentes e como era a integração do sistema
    É preciso considerar a possibilidade de alucinações, mas ter um explicador incansável disponível a qualquer momento, na verdade, aumenta minha motivação para explorar informações técnicas densas e entender novos conceitos. Por outro lado, parece reduzir minha disposição de começar a escrever em uma página em branco. Acabo explorando o tema com o ChatGPT, obtendo um esboço geral e o conteúdo básico, e então continuo a escrever
  • Às vezes, mesmo quando o ChatGPT “inventa” sua própria realidade, ele parece melhor do que os resultados de busca do Google ou do DuckDuckGo
    Em alguns casos, o LLM até fornece strings específicas para eu colocar em um mecanismo de busca a fim de verificar o conteúdo. A busca está muito quebrada, e continua assim desde por volta de 2014, quando as páginas de resultados do Google começaram a mostrar mais anúncios do que resultados
  • O fato de não tentar criar uma definição própria com base nos exemplos do resumo e no significado da própria expressão parece, em si, um bom exemplo de preguiça metacognitiva. É uma preguiça no processo de pensar por conta própria

• Celulares e notebooks mudaram algumas coisas para mim, como alguém que cresceu sem eles. Uns 20 a 25 anos atrás, percebi que com uma ou duas buscas na web — no máximo duas ou três — dava para descobrir praticamente qualquer fato; e uns 10 a 15 anos atrás passei a ter no bolso um dispositivo conectado que faz isso sempre que eu peço
  Mas, de uns 5 anos para cá, em situações sociais, comecei na maior parte das vezes a conscientemente não fazer isso. Mesmo quando, no meio de uma conversa, fico curioso sobre algum fato trivial, não interrompo o fluxo para tirar a tela e ficar olhando para ela em busca da resposta; simplesmente continuo interagindo com a pessoa
  Nos anos 80 e 90, em ambientes tipo quiz de bar, havia discussões acaloradas sobre pequenos fatos que nenhum dos dois sabia de imediato. Hoje a resposta é fácil demais de encontrar, então isso quase desapareceu; foi algo que se perdeu por completo. Não sinto saudade, mas isso me deixou muito sensível ao quanto minha consciência está presa a fatos acessíveis por busca na web, e não sei se gosto de terceirizar uma parte tão grande do meu cérebro para um lugar fora do meu controle

  • Há muito tempo pensei que talvez o motivo de a Guinness ter criado o “livro dos recordes” fosse justamente responder a esse tipo de pergunta que surgia com frequência em bares
  • Dá para carregar um caderninho, flashcards do Anki ou anotações simples
    Aprender conhecimentos gerais puramente para ajudar a memória também é uma opção
  • Tenho idade suficiente para lembrar de quizzes de bar de uma época em que não dava para pesquisar no celular. Acredito firmemente que os celulares estragaram o quiz de bar
  • É um bom exemplo, mas, se imaginarmos a época dos nossos antepassados, também seria possível dizer algo como: “Lembra daquele jogo em que competíamos para ver quem enxergava o pássaro mais distante? Os óculos estragaram isso”

• Dizem que todo código criado por IA generativa precisa ser revisado por uma pessoa. Ou seja, é preciso verificar se não há erros óbvios e se ela está construindo “a coisa certa” de acordo com os requisitos
  As histórias de profissionais que usam IA generativa dessa forma dizem que ela é uma boa ferramenta para desenvolvedores experientes, que sabem com o que tomar cuidado. Mas, pensando em quem ainda está aprendendo e não sabe o que está fazendo, essas pessoas não sabem com o que tomar cuidado. Elas sabem o que é use-after-free? Sabem que deveriam perguntar como a memória cache funciona? Conhecem os nomes de algoritmos e estruturas de dados? Percebem quando a IA generativa está falando besteira?
  Esse tipo de estudo é difícil, mas importante. Mesmo com uma amostra pequena, é interessante, e fico curioso para saber se alguém conseguirá replicá-lo

  • Ouvi uma história de um amigo que ensina ciência da computação. Este ano, muitos alunos começaram a colocar instruções break desnecessárias em código C
    Algo como while (condition) { do_stuff(); if (!condition) { break; } }. Ao investigar, o ponto em comum era o ChatGPT: todos os alunos que perguntaram como loops funcionavam receberam alguma variação da resposta “para sair do loop, use break()”. Em ciência da computação não fazemos assim; além de ser desnecessário, isso torna provas formais mais complicadas. Por isso, foi preciso incluir na prova a orientação “faça do jeito aprendido em aula” e criar uma exceção pontual geral
  • Quando você conhece X em certo grau, às vezes passa a conseguir fazer Y com X. Coisas que antes você não conseguia fazer se tornam possíveis
    Por exemplo, sou programador, mas sou péssimo em matemática. Quero fazer jogos e de fato consigo fazê-los, mas muitas vezes a matemática torna o progresso muito mais difícil. Já criei e lancei jogos, mas a matemática sempre me atrapalha. Sei exatamente o comportamento e o resultado que quero, mas nem sempre consigo descobrir como chegar lá
    LLMs ajudam bastante a separar essa parte em pequenas caixas-pretas. Eu sei que o resultado está correto, mas não tenho 100% de certeza de como ele chegou ali. Quando eles me dão código errado, consigo perceber, porque sei o que estou procurando e por quê; o que me falta é apenas o “como”. É parecido com uma biblioteca de terceiros que você consegue usar se entende a API pública, mesmo sem compreender totalmente o funcionamento interno, só que é como colocar aquele código na minha base e cercá-lo de testes unitários
  • Quem não consegue captar essas nuances dificilmente se tornará um programador competente, por mais que use LLMs com frequência

• Neste momento estou testando o deepseek-r1, um LLM de raciocínio, com o excelente tutorial rustlings. Ele é bem documentado e as respostas também são fáceis de encontrar online, então serve bem como um teste preguiçoso para avaliar tarefas de programação e ver se chegou a hora de procurar um novo emprego e tratar engenharia de software como hobby
  O motivo de testar com rustlings também é avaliar seu valor como ferramenta de aprendizado para estudantes e futuros colegas. Talvez algo assim seja útil como professor. O compilador Rust também dá conselhos muito bons, então há uma excelente linha de base para comparar com a saída do LLM
  Em resumo, não parece que o deepseek-r1 vá substituir alguém tão cedo. Ele gera uma quantidade enorme de texto, mas a maior parte não faz sentido e quase sempre está terrivelmente errada. Ainda assim, desenvolvedores inexperientes ou iniciantes — especialmente iniciantes — podem ficar confusos e ser levados pelo caminho errado, com o risco de terceirizar o raciocínio para algo que soa plausível, mas na prática não é
  Por enquanto, depender demais da verborragia de um modelo estatístico parece prejudicial à educação e ao desempenho dos futuros desenvolvedores. Talvez venha uma era de ouro para aquela que talvez seja a última geração de engenheiros de software à moda antiga, treinada com café e lágrimas de frustração, obrigada a encarar código e arquitetura diretamente. Afinal, alguém vai ter que consertar o lixo produzido em massa por LLMs

  • Ao fazer essa avaliação, você está considerando todo o processo de raciocínio que o modelo realiza? Pelo que entendo, esses modelos são feitos para falar de forma naturalmente prolixa, explorando vários caminhos e possibilidades antes de chegar a uma conclusão
    O objetivo parece ser menos usar aquela saída diretamente e mais colocar por cima dela uma camada que organize a resposta final.
    Comecei a programar pouco antes de o Stack Overflow explodir em popularidade, e lembro que naquela época também havia um monte de posts de blog dizendo “o Stack Overflow vai criar desenvolvedores preguiçosos” e “é o fim dos desenvolvedores de verdade”. Não estou tentando refutar o argumento; só acho interessante como esse sentimento se repete ao longo do tempo, mudando apenas os detalhes

• Sócrates criticou a escrita no Fedro, de Platão, dizendo que ela “criaria esquecimento na alma dos aprendizes”; Leonard Euler dizia que, em vez de usar tabelas de logaritmos, era preciso derivar os logaritmos a partir de primeiros princípios; e Lord Kelvin via as calculadoras mecânicas como algo que faria os alunos negligenciarem o cultivo da capacidade de raciocínio
  Na autobiografia de Henry Ford, há um trecho em que, em 1907, um fazendeiro disse que os tratores a gasolina “tornariam as crianças preguiçosas e inúteis” e as impediriam de aprender a agricultura; e, em 1877, o New York Times publicou preocupações de professores de que lápis com borracha tornariam os alunos descuidados, por permitir que não pensassem antes de escrever
  Augustus De Morgan dizia que alunos que dependiam de tabuadas impressas não entendiam os números e se tornavam “simples máquinas de calcular”; John Philip Sousa criticou o fonógrafo, dizendo que ele faria as pessoas pararem de aprender instrumentos; e Richard Feynman também se preocupava que, por causa das calculadoras de bolso, os alunos pudessem perder a capacidade de estimar e de entender relações matemáticas
  Poderia continuar. O Claude escreveu 15 exemplos. Daqui a 20 anos, se a IA não matar todos nós, acho que vamos olhar para trás e ver que trabalhar com LLMs não era a muleta que as pessoas hoje imaginam

  • Não acho que nenhuma das oito coisas esteja errada. Especialmente se tentarmos entender o pensamento por trás de cada uma. Naquela época, o tempo passava mais devagar, e desenhar com borracha também é quase outro gênero
  • Fiquei curioso sobre qual foi o prompt