Estratégia de ensino e aprendizagem ativa aplicada ao aprendizado de algoritmos e programação : identificação e análise da motivação dos estudantes

• Ano de defesa: 2019
• Autor(a) principal: Franzen, Evandro
• Orientador(a): Bercht, Magda
• Tipo de documento: Tese
• Tipo de acesso: Acesso aberto
• Idioma: por
• Palavras-chave em Português: Aprendizagem ativa; Ensino e aprendizagem; Motivação
• Palavras-chave em Inglês: Motivation; Educational Data Mining; Teaching and learning programming; Problematization; Active Learning
• Link de acesso: http://hdl.handle.net/10183/202383

Esta tese investigou estratégias para melhorar o processo de aprendizagem, que contribuam para reduzir os índices de reprovação e para desenvolver de forma mais efetiva as habilidades associadas à programação de computadores, com o apoio da percepção da dimensão afetiva do aluno, através do reconhecimento da motivação expressa por comportamentos dos alunos em interação. A justificativa para desenvolver esta investigação se origina da dificuldade enfrentada por estudantes em disciplinas de programação, que compõe os cursos de formação da área de computação, que apresentam, em sua maioria, altos índices de reprovação ou desistência. Diante das dificuldades em disciplinas introdutórias de programação, é comum perceber que os estudantes apresentam baixo esforço ou baixa confiança o que leva a uma desmotivação e consequentemente um desempenho abaixo do esperado. Serão apresentados os resultados da aplicação de um método baseado na problematização, e o desenvolvimento e validação de um modelo para o reconhecimento da motivação percebida do estudante. Para atingir os objetivos foi utilizada uma abordagem de pesquisa de natureza aplicada e experimental, baseada em métodos qualitativos, composta por um estudo piloto exploratório e um estudo de caso dos quais participaram 68 estudantes. A realização do estudo piloto demonstrou a viabilidade do método da problematização e a possibilidade de coletar dados para identificar a confiança e o esforço como componentes da motivação, dos estudantes. Para suportar a coleta de dados e a aplicação do método de ensino foi desenvolvido um sistema de apoio denominado PROALG (Problematização Aplicada ao ensino de Algoritmos e programação), que foi empregado para a resolução das atividades. Técnicas computacionais baseadas na mineração de dados educacionais, especialmente as Redes Bayesianas, foram utilizadas para desenvolver o modelo que permitiu determinar os níveis de confiança e esforço para cada atividade e para o estudante. Posteriormente, foi implementado um módulo que utilizou as Redes Bayesianas para determinar a probabilidade dos níveis de esforço e confiança serem categorizado como alto ou baixo. Durante o estudo piloto e o estudo de caso foram aplicados questionários para autorrelato por parte dos estudantes, cujos resultados demonstraram níveis satisfação superiores a 70%, tanto em relação ao método de ensino, quanto ao sistema de apoio. Constatou-se que os princípios adotados na classificação dos estudantes no modelo afetivo se mostraram coerentes com o autorrelato. Os resultados demonstraram também que o uso da problematização aliado ao reconhecimento a motivação é importante para o desenvolvimento de ações que visam estimular uma participação mais ativa e para o incremento da motivação dos estudantes durante a realização das tarefas. Os níveis de motivação mostrados no modelo podem complementar as observações e a percepção do professor e contribuir para identificar os estudantes que necessitam de um maior apoio e estímulo em sua aprendizagem.