universidade do vale do itajaÍ centro de ciÊncias ...siaibib01.univali.br/pdf/julia...
Post on 08-Feb-2019
215 Views
Preview:
TRANSCRIPT
UNIVERSIDADE DO VALE DO ITAJAÍ CENTRO DE CIÊNCIAS TECNOLÓGICAS DA TERRA E DO MAR
CURSO DE CIÊNCIA DA COMPUTAÇÃO
ANÁLISE DA INFLUÊNCIA DE PARÂMETROS AFETIVOS EM UM SISTEMA COMPUTACIONAL DE APOIO A APRENDIZAGEM DE
ALGORITMOS
Área de Informática na Educação
por
Júlia Marques Carvalho da Silva
André Luís Alice Raabe, M.Sc. Orientador
Itajaí (SC), dezembro de 2005
i
UNIVERSIDADE DO VALE DO ITAJAÍ
CENTRO DE CIÊNCIAS TECNOLÓGICAS DA TERRA E DO MAR CURSO DE CIÊNCIA DA COMPUTAÇÃO
ANÁLISE DA INFLUÊNCIA DE PARÂMETROS AFETIVOS EM UM SISTEMA COMPUTACIONAL DE APOIO A APRENDIZAGEM DE
ALGORITMOS
Área de Informática na Educação
por
Júlia Marques Carvalho da Silva
Relatório apresentado à Banca Examinadora do Trabalho de Conclusão do Curso de Ciência da Computação para análise e aprovação. Orientador: André Luís Alice Raabe, M.Sc.
Itajaí (SC), dezembro de 2005
AGRADECIMENTOS
São tantas as pessoas a agradecer que nem sei por onde começar... Esse Trabalho de
Conclusão de Curso não durou apenas um ano, mas foi um trabalho fruto dos cinco e longos anos
de universidade.
Começo agradecendo aos colegas que me acompanharam durante toda a trajetória, estando
presentes hoje ou não. Amigos e amigas que fiz, e que por diversas razões tiveram que deixar a
convivência diária. Minha irmãzinha de sobrenome e primeira amiga no curso Yara Neres Marques
da Silva, amiga de lições de vida Márcia Kono, e amiga para todas as horas Ledice Valle. Agradeço
também pela amizade que perdura até hoje, e espero que para todo o sempre, e que outras rodadas
de boliches e longas conversas do Tio Marcelo (Miotto).
Agradeço também pela amizade que se transformou em laços fraternos: os colegas que
acabaram virando irmãos. Obrigada maninho Mathias pelas caronas, conversas, pizzas, futebol
torcendo pelo Grêmio, e por estar presente sempre que precisei.
Não posso deixar de citar o meu outro irmãozinho Raphael Nascimento, amigo nos
momentos mais difíceis e inesquecíveis. Continuarei admirando seu caráter e profissionalismo onde
estiver.
Aos que em breve estarão comigo colando grau, meus mais sinceros parabéns e
agradecimento pela rotina de aulas e idas e vindas de Praiana, sem vocês isso não teria tido a menor
graça. Obrigada meu amigão Jeferson pelos bate-papos, pela compreensão, por ser meu amigo nos
momentos de dificuldade e de vitória. Sabes que pode contar comigo para o que der e vier.
Agradeço a dupla dinâmica Everton Seara e Julio Quirino. Jamais esquecerei dos sanduíches
no L2S na época de vacas magras, das discussões e das viagens (filosóficas ou terrestres). Vocês
têm um caminho de sucesso pela frente. Que venha o Mestrado, Everton! Que venha a
Especialização, sr. Julio. Ah, quero fazer um agradecimento especial ao sr. Julio, pela paciência, por
me aturar no dia a dia, pelos almoços, pelas idas ao centro, e principalmente por me ajudar no
momento de dificuldade ao torcer no pé e cair em prantos, indo parar na emergência em pleno ano
de TCC.
iii
Agradeço a Cateane Scarpa pela amizade, dedicação e pela pessoa maravilhosa que és.
Desculpe por qualquer atitude descontrolada durante o curso. Serei eternamente grata a ti, pois você
foi meu cupido. Te adoro! (me convida pro casório!)
Um muito obrigada a Gisele Bianchini por emprestar seu talento ao desenhar a figura mais
especial neste TCC, a minha filha Alice. E ao Tio Gomes pela paciência nos momentos de
impressão
Obrigada a todos amigos e colegas que conviveram comigo durante o curso. Obrigada aos
calouros e ex-calouros de Algoritmos por viabilizarem a existência do ALICE, sem vocês isso não
seria possível.
Obrigada também aos programas de incentivo a pesquisa, sem eles não teria chego até aqui:
Art. 170, ProBIC, Extensão...
Agradeço também a Univali, por ter me dado tantas oportunidades. Cresci muito e espero
crescer ainda mais.
Também sou muito grata a Coordenação do Curso e Direção de Centro, por viabilizar o meu
ingresso no campo científico, e pelo conhecimento fornecido através de seu corpo docente. Ao
Luca, especialmente, por tudo. Obrigada pela força nos momentos difíceis e por confiar em mim.
Estarei sempre de coração aberto (e de rostinho preparado) para divulgar o curso.
Obrigada aos professores por nos ensinarem das mais diversas formas: cobrando,
conversando, sendo amigos ou sendo rígidos. Muito obrigada à Fabiane Barreto Vavassori Benitti
pelas oportunidades e por ser um exemplo em docência.
Obrigada Tia Elis, você não foi minha professora em sala de aula, mas foi uma professora da
vida. Obrigada por sempre me incentivar a lutar pelos meus sonhos, pelo ombro amigo, por me dar
abrigo e brigadeiro.
Obrigada pela disposição e carinho em usar o ALICE, sem você o TCC não
teria tido tal sucesso.
Obrigada ao meu orientador André Luís Alice Raabe. Minha gratidão é muito maior que
qualquer coisa nesse universo. Você me deu oportunidade sem ao menos conhecer-me direito,
batalhou por mim, elogiou sempre. Às vezes vestiu a camiseta de pai de verdade, dando bronca sem
deixar que eu parasse de voar. Se hoje estou aqui, é graças a você. O meu sucesso no curso se deve
iv
a chance que você me deu de trabalhar durante esse tempo todo ao seu lado, aprendendo dia após
dia. Obrigada!
Agradeço ao meu namorado Edson Dalfovo pela paciência incondicional. Obrigada pelas
conversas, quer dizer, por me ouvir, pois ao seu lado sou uma matraca, né? Obrigada pelo amor,
compreensão, carinho, ... nem que eu queira, conseguirei retribuir tudo o que você me faz. Ti amu!
Obrigada aos meus pais pelo apoio durante toda a faculdade. Sem vocês não teria
conseguido chegar até aqui. Obrigada por sempre me fazerem acreditar que o maior bem nessa vida
é a Educação.
Obrigada a Deus pela saúde e força!
v
SUMÁRIO
LISTA DE ABREVIATURAS............................................................... vii LISTA DE FIGURAS............................................................................ viii LISTA DE TABELAS ...............................................................................x RESUMO...................................................................................................xi ABSTRACT ............................................................................................ xii 1. INTRODUÇÃO.....................................................................................1 1.1. OBJETIVOS.........................................................................................................3 1.1.1. Objetivo geral ....................................................................................................3 1.1.2. Objetivos específicos .........................................................................................3 1.2. METODOLOGIA................................................................................................3 1.2.1. Etapas realizadas durante o TCCI ..................................................................4 1.2.2. Etapas realizadas no TCCII.............................................................................4 1.2.3. Verificação da hipótese .....................................................................................5 1.3. ESTRUTURA DO TRABALHO........................................................................6
2. FUNDAMENTAÇÃO TEÓRICA .......................................................7 2.1. APRENDIZAGEM DE ALGORITMOS ..........................................................7 2.1.1. Problemas na aprendizagem de algoritmos....................................................7 2.1.2. Ferramentas de apoio no aprendizado..........................................................12 2.2. SISTEMAS TUTORES INTELIGENTES......................................................14 2.2.1. STI no ensino de Programação ......................................................................15 2.2.2. Assistentes Inteligentes de Ensino..................................................................18 2.3. EMOÇÃO, AFETIVIDADE E COMPUTAÇÃO AFETIVA .......................20 2.3.1. Computação Afetiva e sua relação com a aprendizagem ............................22 2.3.2. Modelos utilizados para o tratamento de emoções ......................................24 2.4. AMBIENTE ALICE..........................................................................................26 2.4.1. ALICE 2003 .....................................................................................................27 2.4.2. ITA ALICE ......................................................................................................28 2.4.3. Perfis de usuário ..............................................................................................36 2.4.4. Arquitetura do ambiente ALICE ..................................................................43 2.4.5. Suporte pedagógico .........................................................................................60 2.5. CONSIDERAÇÕES SOBRE O CAPÍTULO..................................................62
3. PROJETO............................................................................................64 3.1. DEFINIÇÃO DAS EMOÇÕES A SEREM TRATADAS..............................64 3.1.1. Instrumento para coleta das informações afetivas ......................................65 3.1.2. Assistente de diagnóstico afetivo do aluno....................................................69 3.1.3. Validação do instrumento...............................................................................74 3.2. INCLUSÃO DAS EMOÇÕES NO ITA ALICE.............................................77
vi
3.2.1. Modificações no modelo do aluno..................................................................77 3.2.2. Modificações no modelo do domínio .............................................................80 3.2.3. Modificações no assistente de modalidade de mediação .............................80 3.2.4. Modificações no assistente de interface.........................................................89 3.3. IMPLEMENTAÇÃO.........................................................................................93
4. O EXPERIMENTO REALIZADO ...................................................94 4.1. PREPARAÇÃO .................................................................................................94 4.2. REALIZAÇÃO ..................................................................................................94 4.3. COLETA DOS DADOS ....................................................................................95 4.4. TABULAÇÃO E ANÁLISE DOS RESULTADOS........................................95 4.4.1. Caracterização das amostras .........................................................................95 4.4.2. Caracterização do desempenho dos alunos na sala de aula ........................96 4.4.3. Perfil de utilização do ambiente pelos alunos...............................................99 4.5. ANÁLISE DA HIPÓTESE .............................................................................104 4.5.1. Variáveis indicativas de desempenho..........................................................106 4.5.2. Variáveis indicativas de empenho................................................................108
5. CONCLUSÕES E TRABALHOS FUTUROS................................112 REFERÊNCIAS BIBLIOGRÁFICAS.................................................115 ANEXO 1 Questionário MSLQ.........................................................120 ANEXO 2 Artigo.................................................................................127
LISTA DE ABREVIATURAS
ALICE Algorithm Learning Internet-based Computer Environment AMBAP Ambiente de Apoio ao Aprendizado de Programação AWTM Aplicação Web para Teste de Mesa BITS Bayesian Intelligent Tutoring System CAI Computer Aided Instruction CGI Common Gateway Interface CORBA Common Object Request Broker Architecture CTTMar Centro de Ciências Tecnológicas da Terra e do Mar EaD Educação a Distância EAM Experiências de Aprendizagem Mediadas ER Entidade-Relacionamento GDSE Grupo de Desenvolvimento de Software Educacional ICAI Intelligent Computer Aided Instruction ILA Interpretador de Linguagem Algorítmica ILE Intelligent Learning Environments ITAs Intelligent Tutoring Assistant system JITS Java Intelligent Tutoring System MCE Modificabilidade Cognitiva Estrutural MS-DOS Microsoft Disk Operating System MSLQ Motivated Strategies for Learning Questionnaire OCC Modelo apresentado por Ortone, Clore e Collins PHP Hypertext Preprocessor ProBIC Programa de Bolsas de Iniciação Científica SAAP Sistema de Apoio à Aprendizagem de Programação STI Sistemas Tutores Inteligentes TCC Trabalho de Conclusão de Curso UNIVALI Universidade do Vale do Itajaí
LISTA DE FIGURAS
Figura 1. Gráfico de situações finais dos alunos nos semestres .......................................................... 1 Figura 2. Arquitetura tradicional de um STI ..................................................................................... 14 Figura 3. Pré-requisitos do conceito Para-Faça ............................................................................. 16 Figura 4. Arquitetura de um ITA....................................................................................................... 19 Figura 5. Interface do ambiente ALICE em 2003 ............................................................................. 27 Figura 6. Estrutura do ambiente ALICE em 2003............................................................................. 28 Figura 7. Interface ITA ALICE na visão do aluno ............................................................................ 29 Figura 8. Mapa conceitual de pré-requisitos entre conceitos ............................................................ 32 Figura 9. Tela apresentando o material básico sobre Conceito de Algoritmos .............................. 34 Figura 10. Tela de saudação ao acessar o ambiente .......................................................................... 36 Figura 11. Casos de uso do administrador......................................................................................... 37 Figura 12. Casos de uso do professor ................................................................................................ 38 Figura 13. Tela apresentando o perfil e o desempenho de um aluno ................................................ 40 Figura 14. Tela de configuração dos dados do aluno e conceitos em que apresenta dificuldade de
aprendizagem............................................................................................................................. 41 Figura 15. Casos de uso do aluno ...................................................................................................... 42 Figura 16. Arquitetura do ambiente ALICE...................................................................................... 43 Figura 17. Estrutura organizacional do conteúdo instrucional .......................................................... 45 Figura 18. Diagrama de atividades do assistente de detecção de plágio de respostas....................... 48 Figura 19. Diagrama de atividade do assistente de análise de algoritmos ........................................ 49 Figura 20. Árvore de decisão de modalidade de mediação ............................................................... 51 Figura 21. Gráfico de valores fuzzy ................................................................................................... 53 Figura 22. Mensagem enviada ao professor alertando problemas de aprendizagem ........................ 56 Figura 23. Diagrama das atividades realizadas para seleção da mensagem da personagem Alice aos
alunos......................................................................................................................................... 56 Figura 24. Escolha da mensagem de saudação da tutora Alice ......................................................... 57 Figura 25. Escolha do corpo da mensagem da tutora Alice .............................................................. 58 Figura 26. Escolha da mensagem de incentivo da tutora Alice......................................................... 59 Figura 27. Exemplos de mensagens da tutora Alice.......................................................................... 60 Figura 28. Fórmula para determinação do grau emoção utilizando o instrumento proposto ............ 69 Figura 29. Gráfico com as oscilações das emoções ao decorrer das atividades ................................ 72 Figura 30. Fórmula para determinação da dedicação do aluno ......................................................... 73 Figura 31. Formulário eletrônico de avaliação do estado afetivo inicial........................................... 75 Figura 32. Modelo ER (Área referente às informações do aluno)..................................................... 77 Figura 33. Casos de uso inseridos no perfil do aluno........................................................................ 79 Figura 34. Modelo ER
inclusão da tabela nota conceito ............................................................. 80 Figura 35. Alteração no assistente para identificação de dificuldades de aprendizagem.................. 81 Figura 36. Estrutura inicial da árvore de decisão .............................................................................. 82 Figura 37. Árvore de decisão caso o aluno apresente desempenho bom nas avaliações .................. 83 Figura 38. Árvore de decisão caso o aluno apresente desempenho médio nas avaliações................ 84 Figura 39. Árvore de decisão caso o aluno apresente desempenho ruim nas avaliações .................. 86 Figura 40. Seleção das tarefas conforme ação mediadora................................................................. 87 Figura 41. Modelo ER
inclusão da tabela tarefa ......................................................................... 88 Figura 42. Casos de uso incluídos no perfil de aluno........................................................................ 89 Figura 43. Modelo ER (Área referente aos diálogos da tutora)......................................................... 90 Figura 44. Caso de uso alterado no perfil do professor ..................................................................... 91
ix
Figura 45. Novo menu de tarefas do administrador .......................................................................... 92 Figura 46. Composição final da mensagem aos alunos..................................................................... 92 Figura 47. Diagrama de Instalação do ambiente ALICE................................................................... 93 Figura 48. Teste Z para comparação entre médias .......................................................................... 105 Figura 49. Teste Z para comparação entre proporções.................................................................... 105 Figura 50. Erro padrão e Teste Z da nota média em avaliações...................................................... 107 Figura 51. Erro padrão e Teste Z da nota média em exercícios ...................................................... 107 Figura 52. Erro padrão e Teste Z de número médio de acessos de materiais de referência ............ 109 Figura 53. Erro padrão e Teste Z de número médio de acessos de materiais complementares ...... 109 Figura 54. Erro padrão e Teste Z de número médio de exercícios realizados................................. 110
x
LISTA DE TABELAS
Tabela 1. Resumo das ferramentas de apoio à aprendizagem de algoritmos .................................... 13 Tabela 2. Nodos e pontuação do conceito Para-Faça ........................................................................ 17 Tabela 3. Estrutura do ambiente ITA ALICE.................................................................................... 30 Tabela 4. Unidades e conceitos da disciplina de Algoritmos e Programação I................................. 31 Tabela 5. Descrição dos casos de uso do administrador.................................................................... 37 Tabela 6. Descrição dos casos de uso do professor........................................................................... 38 Tabela 7. Descrição dos casos de uso do aluno................................................................................. 42 Tabela 8. Descrição dos casos de uso do aluno................................................................................. 43 Tabela 9. Informações contidas no modelo do aluno conforme classificação .................................. 46 Tabela 10. Funções de pertinência de cada conceito......................................................................... 54 Tabela 11. Exemplos de mensagens de saudação e parâmetros para sua exibição ........................... 57 Tabela 12. Exemplos de corpo de mensagens e parâmetros para sua exibição................................. 59 Tabela 13. Exemplos de mensagens de incentivo e parâmetros para sua exibição ........................... 60 Tabela 14. Instrumento para coleta dos dados afetivos ..................................................................... 66 Tabela 15. Ajustes realizados conforme ações no ambiente ............................................................. 70 Tabela 16. Equações de ajuste conforme acontecimento no ambiente.............................................. 71 Tabela 17. Comportamento das equações de ajuste a partir dos resultados de um aluno ................. 72 Tabela 18. Resultados da aplicação dos questionários para identificação da afetividade ................. 76 Tabela 19. Dicionário de dados das alterações referente às informações do aluno........................... 78 Tabela 20. Dicionário de dados da tabela nota_conceito ............................................................... 80 Tabela 21. Dicionário de dados da tabela tarefa ............................................................................ 89 Tabela 22. Dicionário de dados das alterações referente aos diálogos da tutora............................... 91 Tabela 23. Perfil dos alunos que utilizam o ambiente ALICE .......................................................... 96 Tabela 24. Valores coletados das emoções no início e final de cada semestre ................................. 96 Tabela 25. Dados estatísticos relativo a quantidade de exercícios realizados................................... 97 Tabela 26. Ocorrência de problemas de aprendizagem..................................................................... 98 Tabela 27. Dados estatísticos relativo a proporção de mediação .................................................... 100 Tabela 28. Dados estatísticos relativo a quantidade de exercícios realizados e notas obtidas ........ 100 Tabela 29. Dados estatísticos relativo a quantidade de materiais de referência acessados ............. 101 Tabela 30. Dados estatísticos relativo ao tempo de permanência por seção ................................... 103 Tabela 31. Dados estatísticos relativo a quantidade acessos extra-classe ....................................... 103 Tabela 32. Estimativa ponderada e Teste Z relativo a mediação recebida pelos alunos ................. 108 Tabela 33. Erro padrão e Teste Z relativo ao tempo de permanência por seção ............................. 110 Tabela 34. Estimativa ponderada e Teste Z relativo a quantidade de acessos realizados extra-classe
................................................................................................................................................. 111
RESUMO
SILVA, Júlia Marques Carvalho da Silva. Análise da Influência de Parâmetros Afetivos em um Sistema Computacional de Apoio a Aprendizagem de Algoritmos. Itajaí, 2005. no f. 140. Trabalho de Conclusão de Curso (Graduação em Ciência da Computação) Centro de Ciências Tecnológicas da Terra e do Mar, Universidade do Vale do Itajaí, Itajaí, 2005.
O aprendizado de Algoritmos é considerado desafiador pelos estudantes de cursos tecnológicos. Os principais motivos para esse fato são: o alto nível de abstração do conteúdo e a dificuldade dos docentes em detectar e atender as dificuldades de aprendizagem dos alunos. Acredita-se que além destes fatores, aspectos emocionais como auto-estima, motivação, empenho, aversão entre outros podem ser determinantes no desempenho do aluno. Normalmente estes aspectos são ignorados pelos desenvolvedores de ambientes computacionais de apoio a aprendizagem. O presente TCC apresenta um estudo da influência da inclusão de parâmetros afetivos em um ambiente de apoio ao aprendizado de algoritmos. Buscou-se verificar se o empenho e desempenho dos alunos apresentavam uma mudança significativa com a inserção destes atributos. O experimento foi realizado durante os semestres de 2005/I e 2005/II com os alunos da disciplina de Algoritmos e Programação I, do curso de Ciência da Computação na Universidade do Vale do Itajaí. Este TCC é contextualizado no ambiente ALICE (Algorithm Learning Internet-based Computer Environment), cujo desenvolvimento iniciou-se a partir de um projeto de pesquisa continuado nesta monografia. São apresentadas as mudanças necessárias tanto em sua interface quanto nos modelos do aluno, domínio e estratégias pedagógicas existentes (Assistentes Inteligentes de Ensino). Ao final, são descritos os métodos estatísticos utilizados para comparar duas amostras selecionadas: (i) alunos utilizando o ambiente sem a inclusão da afetividade e (ii) alunos utilizando o ambiente com a afetividade integrada. Os resultados não forneceram evidências suficientes para afirmar que houve uma melhora no empenho e desempenho da segunda amostra, apenas alguns indícios nesta direção foram encontrados.
Palavras-chave: Computação Afetiva. Ambientes Virtuais de Aprendizagem. Ensino de Algoritmos e Programação.
xii
ABSTRACT
The initial programming language learning is a challenge to students of technologic area. The main reason to it is: the high abstraction level of the content and the teachers difficult in detect and support the learning difficulties of their students. In addiction, we believe that emotional issues such as self-esteem, motivation, effort, aversion and others can be determinant in student development. Normally computer learning environment designers ignore these aspects. This monograph presents the study of the influence of the inclusion of affective issues to an environment to support programming learning. The aimed was to verify if effort and performance are positively affected by the inclusion of these attributes. This study is occurring during the 2005/I and 2005/II semester with students of Algorithm and Program I class of Computer Science Course at UNIVALI. This work is focused in ALICE (Algorithm Learning Internet-based Computer Environment) learning environment, whose development was initialized as a project of research and continued with this monograph. Some adaptations was necessary as in the interface as at student and domain model, such as pedagogic strategies. Finally, it was presented some statistics methods used to analyze both samples selected: (i) with students which used the environment without affective, and (ii) with students that used the environment with affective. The results did not provide sufficient evidences to support the idea that there was a higher performance in the second sample, only a few evidences in that direction were found.
Keywords: Affective Computing. Virtual Environment of Learning. Initial Programming Teaching.
1
1. INTRODUÇÃO
A disciplina de Algoritmos e Programação, normalmente lecionada nas primeiras fases de
cursos de áreas tecnológicas, é considerada desafiadora pelos alunos, pois exige o desenvolvimento
de estratégias de solução de problemas com base lógico-matemática. A conseqüência disso é o
elevado número de problemas de aprendizagem, favorecendo a ocorrência de reprovações e
desistências.
Segundo um levantamento realizado nos nove últimos semestres (2000/2 à 2004/2), da
disciplina de Algoritmos e Programação I, lecionada no primeiro período do curso de Ciência da
Computação do Campus I
Itajaí, dentre os 372 alunos observados, cerca de 43% foram
reprovados, seja por abandono ou por desempenho abaixo da média para aprovação.
O gráfico apresentado na Figura 1 detalha a distribuição dos alunos e respectivas situações
(aprovação, desistência ou reprovação) em cada um dos semestres analisados.
21
30
1318
21
33
13
23
15
20
11
18
19 10
3
16
13
9
1016
136
9
8
11
15
9
0
10
20
30
40
50
60
2000/2 2001/1 2 0 0 1 / 2 2002/1 2002/2 2003/1 2003/2 2004/1 2004/2
Se m e str e s
Qu
an
tid
ad
e d
e A
lun
os
Alunos Apr ov a dos Alunos Re pr ov a dos Alunos De siste nte s
Figura 1. Gráfico de situações finais dos alunos nos semestres
Esse índice de reprovações pode ser considerado alto, comparando com outras disciplinas do
mesmo curso, porém reflete uma situação específica da disciplina que é a propensão aos problemas
de aprendizagem.
2
Em busca de soluções para essa realidade, algumas pesquisas têm dado o enfoque à
construção de ferramentas computacionais para auxiliar a aprendizagem de algoritmos (Seção
2.1.2), entretanto em sua maioria não foram desenvolvidas para identificar as dificuldades de cada
aluno, tratando os usuários da mesma maneira. Atender às necessidades específicas de cada aluno,
através de um ambiente de ensino aprendizagem computadorizado, tem sido o principal foco da
área de pesquisa de Sistemas Tutores Inteligentes (STI). Ampliando essa visão, pesquisas recentes
(YACEF, 2002; KINSHUK et al., 2001; LESTA e YACEF, 2002) vêm apresentando sistemas que
visam assistir tanto a alunos quanto a professores, são os chamados Assistentes Inteligentes de
Ensino (ITAs
Intelligent Tutoring Assistant systems).
Com base nesse paradigma, desde 2003, vem sendo desenvolvido, no Grupo de
Desenvolvimento de Software Educacional (GDSE) da Universidade do Vale do Itajaí, um
ambiente virtual de ensino-aprendizagem que almeja oferecer um acompanhamento individualizado
sobre o desempenho do aluno em cada um dos itens do conteúdo programático abordado na
disciplina de Algoritmos e Programação I, bem como fornecer aos alunos um repositório de
materiais didáticos básicos e complementares e exercícios práticos.
O ambiente, denominado ALICE, possui os componentes básicos de um STI / ITA (modelo
do aluno, modelo do domínio, modelo do tutor, interface) já implementados e funcionais sendo
utilizados por 72 alunos no corrente semestre (2005/I).
Contudo, até o momento, o acompanhamento dos alunos é realizado considerando apenas
aspectos referente ao desempenho e comportamento, analisados através do ambiente e pelas
observações realizadas pelo professor em sala de aula. As questões afetivas, tão importantes e
presentes no processo de ensino-aprendizagem, são desconsideradas. Conseqüentemente, alunos
que apresentam problemas dessa natureza acabam não sendo identificados e tratados distintamente.
Ainda, existe a crença de que problemas de origem emotiva influenciam significativamente
na motivação e empenho do aluno. Em sala de aula esses problemas são comumente tratados pelo
professor, porém normalmente é ignorado pelos ambientes computadorizados de apoio a
aprendizagem.
A justificativa para a inclusão de parâmetros afetivos dá-se pelo fato de ser notável a
existência de alunos que possuem aptidão necessária para a disciplina, contudo sentem-se
bloqueados e descrentes de seu potencial diante das dificuldades encontradas. Busca-se através
3
deste trabalho, que o ambiente ALICE possa auxiliar nesse aspecto tal como um professor faria. Isto
é, desenvolver estratégias a fim de adequar-se aos sentimentos dos alunos para obter um melhor
desempenho e empenho.
1.1. OBJETIVOS
1.1.1. Objetivo geral
Incluir características afetivas no Modelo do Aluno do ITA ALICE.
1.1.2. Objetivos específicos
Os objetivos específicos deste Trabalho de Conclusão de Curso são:
Pesquisar e descrever sistemas computacionais que utilizem aspectos emocionais e
motivacionais para o ensino e a aprendizagem;
Selecionar um conjunto de estados afetivos que se manifestam nos alunos e que
podem ser identificados e mensurados;
Propor e utilizar um modelo de aluno que contemple aspectos instrucionais e
afetivos;
Implementar o modelo e integrá-lo ao ITA ALICE;
Realizar experimentos de avaliação com professores e alunos;
Verificar a seguinte hipótese: A inclusão de características afetivas influencia
positivamente no empenho e desempenho dos alunos ; e
Documentar o desenvolvimento e resultados.
1.2. METODOLOGIA
A metodologia deste TCC divide-se em etapas realizadas no TCCI e no TCCII. Uma seção
específica foi definida para explicar os métodos estatísticos que serão utilizados para verificação da
hipótese mencionada nos objetivos específicos. Essa divisão foi realizada neste caso, pois muitas
atividades tradicionalmente realizadas no TCCII necessitaram ser antecipadas a fim de viabilizar a
obtenção dos objetivos propostos.
4
O presente TCC consiste no desenvolvimento e análise da inclusão de parâmetros afetivos
como melhoria no processo de ensino-aprendizagem dos alunos da disciplina de Algoritmos e
Programação I. De modo geral, fez-se necessário a execução de atividades, tais como, leituras,
aplicação de instrumentos de pesquisa, inclusão dos aspectos afetivos em um ambiente
computacional e análises estatísticas comparando as situações de afetividade ou não.
1.2.1. Etapas realizadas durante o TCCI
A pesquisa bibliográfica desenvolvida foi fundamental para o conhecimento de estudos
similares ao proposto, além de fornecer o embasamento para a análise dos problemas de
aprendizagem de algoritmos, das aplicações de Sistemas Tutores Inteligentes e da Computação
Afetiva.
Quanto à Computação Afetiva, o estudo buscou identificar modelos e métodos de coleta e
tratamento da afetividade em sistemas computacionais possibilitando a verificação da viabilidade da
inclusão de atributos afetivos, e a definição de quais emoções seriam consideradas e tratadas no
escopo do ambiente ALICE.
Selecionou-se o questionário Motivated Strategies for Learning Questionnaire (Seção
2.3.2.2) como ponto de partida para a coleta das emoções dos alunos. Esse questionário foi
adaptado conforme as necessidades desta pesquisa e foi validado em um experimento prático
envolvendo 45 alunos voluntários, que já utilizavam o ambiente ALICE.
Foram definidas as alterações necessárias para inclusão dos atributos afetivos no escopo do
ambiente, as quais foram modeladas através da construção de diagramas de entidade-
relacionamento e diagramas de casos de uso para funcionalidades incluídas ou modificadas. Isso
direcionou a implementação dessas alterações e permitiu a integração com o ambiente em
utilização.
Por fim, coletou-se os dados da amostra 1 (Seção 1.2.3) a fim de viabilizar os testes
comparativos.
1.2.2. Etapas realizadas no TCCII
Durante o TCCII foram realizadas as seguintes etapas:
Implementação: ajustes e melhorias necessárias para o funcionamento do ambiente;
5
Preparação e realização do experimento: para a realização do experimento foi
necessária a preparação do ambiente, no qual envolve as seguintes etapas: (i)
cadastramento dos alunos no ambiente ALICE, (ii) preenchimento das informações
iniciais sobre o aluno (repetente, experiente, trabalha, etc.) e seu perfil afetivo; (iii)
disponibilização de materiais e exercícios e incentivar a participação dos alunos para
que seja possível a coleta de dados; e
Coleta e análise dos dados: com o ambiente em uso, os dados foram ser coletados a
partir do terceiro mês, de forma similar a realizada no semestre de 2005/I, para a
comparação entre as amostras da aprendizagem sem e com atributos afetivos.
1.2.3. Verificação da hipótese
A fim de validar a hipótese: A inclusão de características afetivas influencia positivamente
no empenho e desempenho dos alunos , foram utilizados métodos estatísticos descritos a seguir.
As amostras podem ser caracterizadas da seguinte forma:
Amostra 1: Alunos das turmas 1 e 2 (74 alunos) de Algoritmos que utilizaram o
ambiente Alice sem atributos afetivos durante os meses de fevereiro, março e abril
de 2005; e
Amostra 2: Alunos das turmas 1 e 2 (63 alunos) de Algoritmos que utilizaram o
ambiente Alice com atributos afetivos durante os meses de agosto, setembro e
outubro de 2005.
As variáveis comparadas entre as amostras foram divididas dividem se em dois grupos:
1. Variáveis indicativas de desempenho:
Nota média nas avaliações;
Nota média nos exercícios;
Proporção de alunos que recebem mediação de competência; e
Proporção de alunos que recebem mediação de transcendência.
2. Variáveis indicativas de empenho:
Número médio de acessos fora do horário de aula;
6
Número médio de acessos aos materiais de referência;
Número médio de acessos aos materiais complementares;
Número médio de exercícios realizados; e
Tempo médio de acessos por seção.
O teste estatístico selecionado foi o Teste Z, pois através dele podem ser comparadas as
diferenças de médias e proporções. O grau de confiança aplicado foi de 95 %.
A coleta dessas informações foi realizada diretamente da base de dados do ambiente ALICE,
onde alguns dados encontravam-se previamente disponibilizados por meio de relatórios, outros
necessitaram o uso da ferramenta Microsoft Excel 2003 como suporte à realização dos cálculos
estatísticos e produção dos gráficos.
1.3. ESTRUTURA DO TRABALHO
Este trabalho encontra-se organizado na seguinte estrutura: (i) breve introdução
apresentando o TCC; (ii) fundamentação teórica contemplando temas pertinentes a este, tais como,
a aprendizagem de algoritmos, Sistemas Tutores Inteligentes e Computação Afetiva; (iii) descrição
das funcionalidades do ambiente ALICE; (iv) identificação e coleta dos aspectos afetivos
incorporados ao ambiente; (v) análise e modelagem das alterações realizadas a fim de incluir
afetividade no ambiente; (vi) implementação das modificações; (vii) análise estatística comparativa
de uso. DE SEÇÃO. Não remova esta quebra de seção]
7
2. FUNDAMENTAÇÃO TEÓRICA
A fundamentação teórica do presente trabalho aborda os seguintes temas: (i) aprendizagem
de algoritmos e ferramentas de apoio; (ii) introdução aos Sistemas Tutores Inteligentes e aos
Assistentes Inteligentes de Ensino, analisando aplicações direcionadas ao ensino de programação;
(iii) conceitos e pesquisas na área de Computação Afetiva; (iv) apresentação do ambiente ALICE e
suas funcionalidades.
2.1. APRENDIZAGEM DE ALGORITMOS
Um algoritmo consiste em uma seqüência finita e lógica de passos para a resolução de um
problema. Para que um computador possa executar um algoritmo, é necessário que a especificação
de suas instruções seja codificada em uma linguagem formal, tornando-se um programa (BORATTI
e OLIVEIRA, 1999).
A disciplina denominada de Algoritmos e Programação caracteriza-se por ser de
fundamental importância para os acadêmicos de cursos da área tecnológica, pois promovem o
desenvolvimento do raciocínio lógico e a prática da programação, necessários para a continuidade
do processo de formação.
O conteúdo programático da disciplina normalmente aborda os temas: Conceitos
Fundamentais, Representação de Dados, Operações, Instruções Primitivas, Desvio Condicional,
Laços de Repetição, Tipos Compostos, e Modularização; e a carga horária varia entre 60 e 120
horas aula (quando a prática da programação é exigida em conjunto). A disciplina é considerada
desafiadora por grande parcela dos alunos em virtude de possuir um alto índice de problemas de
aprendizagem, desistências e reprovações. Ainda, são diversas as pesquisas que relacionam
trabalhos multidisciplinares envolvendo as áreas de Tecnologia, Educação, Ciência Cognitiva e
Psicologia da Programação, na busca de elucidar a natureza dos problemas de aprendizagem, nas
quais são apresentados a seguir (LEMOS, BARROS e LOPES, 2003).
2.1.1. Problemas na aprendizagem de algoritmos
Em geral, a disciplina de Algoritmos e Programação destaca-se por exigir do docente e seus
auxiliares uma forte demanda de interação a fim de atender, acompanhar, mediar e avaliar
individualmente os alunos. No entanto, na maioria dos casos, esta necessidade torna-se inviável de
8
ser atendida por motivos didático-organizacionais como, por exemplo, a grande quantidade de
alunos em uma turma.
Outra razão para a presença dos problemas de aprendizagem de algoritmos é a ausência ou
ineficácia das estratégias de solução de problemas utilizadas pelos alunos. Segundo Nurrenberg
(1997, apud FALKEMBACH, 2003), os professores normalmente não se encontram preparados
para ensinar os alunos a resolverem problemas, e como conseqüência esses não adquirem aptidão
necessária para analisar enunciados, traçar conjecturas, identificar variáveis de entrada e saída e
assim por diante.
Menezes e Nobre (2002) apontam três problemas gerais da disciplina: (i) o elevado número
de acadêmicos por turma, que inviabiliza a realização de um acompanhamento individualizado; (ii)
avaliações que ocorrem apenas por meio de provas escritas ou trabalhos individuais, não
promovendo uma evolução gradual da aprendizagem; (iii) heterogeneidade da turma, disparidade de
conhecimento e ritmo de aprendizagem.
Dentre as dificuldades vivenciadas pelos professores de algoritmos em sala de aula,
Menezes e Nobre (2002) relacionam: (i) a capacidade de reconhecer habilidades inatas de seus
alunos; (ii) apresentar técnicas de resolução de problemas; (iii) promover o desenvolvimento da
capacidade de abstração do aluno, permitindo-o selecionar as estruturas de dados coerentes; (iv)
facilitar a cooperação e colaboração entre os alunos.
Rodrigues Jr. (2004), aponta um outro problema relacionado ao desconhecimento da
importância da disciplina para a formação do acadêmico. Esse fato é comum tanto em alunos sem
experiência prévia, pois não têm a dimensão da aplicação dos conteúdos na prática, quanto aos
alunos que já programam em alguma linguagem, pois não possuem consciência científica e
metodológica do trabalho, apresentando apenas conhecimento suficiente para o desenvolvimento de
soluções de natureza restrita.
Já sob o ponto de vista dos acadêmicos, Tobar et al. (2001) definem alguns motivos que
acarretam a frustração perante a disciplina: (i) a preocupação excessiva com detalhes de sintaxe da
linguagem sendo usada; (ii) a falta de uma visão do que se quer solucionar, de idealizar soluções
adequadas, de mapear essas soluções em passos seqüenciais e de abstrair o funcionamento dos
mecanismos escolhidos; (iii) o estabelecimento de um raciocínio lógico visando à resolução de
9
problemas, com base em um modelo incremental, em relação à complexidade e à estratégia de
refinamentos sucessivos.
Na disciplina de Algoritmos e Programação, do curso de Ciência da Computação da
Universidade do Vale do Itajaí, foi realizada uma análise sistemática das relações de ensino-
aprendizagem durante os últimos nove semestres, apresentado em (RAABE e SILVA, 2005).
Através dela foram relacionados outros aspectos que contribuem para a dificuldade de
aprendizagem de algoritmos, dentre eles destacam-se três grupos distintos: problemas de natureza
didática, problemas de natureza cognitiva, e problemas de natureza afetiva.
2.1.1.1. Problemas de natureza didática
Os problemas de natureza didática são aqueles que envolvem a diversidade de cultura e de
experiência dos alunos ingressos, a excessiva quantidade de alunos por turma que inviabiliza um
atendimento e avaliação individual, a dificuldade de exprimir e compreender a lógica desenvolvida,
e a ausência de materiais de referência de qualidade aos alunos. Além disso, têm-se problemas
particulares, que dizem respeito à escolha equivocada do curso (RAABE e SILVA, 2005).
Grande número de alunos: As turmas apresentam em média 40 a 50 alunos o que
inviabiliza um atendimento individualizado e um feedback mais efetivo, além de
limitar a quantidade de avaliações que se pode realizar;
Dificuldade do professor compreender a lógica do aluno: Uma vez desenvolvido o
raciocínio lógico, torna-se mais difícil pensar outras maneiras de solucionar um
problema. Como conseqüência, o professor tem grande dificuldade em compreender
a lógica individual de cada aluno subjacente às construções equivocadas dos
algoritmos;
Diferença de experiência e ritmo de aprendizagem entre os alunos: Muitos alunos
que ingressam na disciplina já possuem alguma experiência em programação e ou
trabalham na área tecnológica, enquanto que outros não possuem nenhum
background, o que acaba gerando uma alta demanda de flexibilização na projeção
das aulas perante alunos com conhecimento diversificado;
Ambiente de realização das provas: A realização das provas é normalmente o
momento onde o aluno percebe a diferença entre observar e fazer. Isso é um fator
determinante na disciplina onde muitos alunos têm a sensação de estar entendendo,
10
mas não percebem sua incapacidade de construir os algoritmos sozinhos. Aliado a
essa realidade, a realização de prova em um período limitado de tempo, a pressão e o
estresse certamente não favorecem o desenvolvimento do raciocínio dos alunos;
Pouco uso dos monitores da disciplina: Os alunos com dificuldades de aprendizagem
raramente procuram a ajuda dos monitores da disciplina, mesmo havendo uma
divulgação sistemática dos horários e locais de atendimento. Acredita-se que uma
razão para essa ocorrência seja a pouca credibilidade às orientações provenientes dos
monitores depositadas pelos alunos;
Ausência de bons materiais: Existem muitos livros de algoritmos, mas geralmente
eles apresentam o conteúdo de uma forma que o aluno tem dificuldade de assimilar.
Os livros acabam sendo usados mais pelos professores para organização do currículo
e seleção de exercícios. É provável que o mesmo problema que faz o docente não
compreender a lógica equivocada de certos alunos se manifeste nos autores de livros
os quais não conseguem escrever de maneira acessível ao aluno aprendiz. Além
disso, dificilmente são encontrados livros que sejam direcionados para o ensino
autônomo; e
Alunos desorientados sobre a escolha do curso: Como a disciplina é lecionada no
primeiro semestre, muitos alunos não têm uma visão correta sobre o perfil do curso e
acabam descobrindo isso durante a disciplina. Em muitos casos, uma visão
equivocada sobre o curso cria um ambiente de incompreensão e de descaso frente
aos desafios da disciplina.
2.1.1.2. Problemas de natureza cognitiva
Os problemas classificados como de natureza cognitiva consistem em aspectos que
normalmente estão atrelados a vivência precedente ao ingresso à universidade. São encontrados em
alunos cujos estudos foram interrompidos há algum tempo, ou que o ensino médio não os permitiu
desenvolver adequadamente as faculdades cognitivas (RAABE e SILVA, 2005).
Alunos sem perfil para solução de problemas: Muitos alunos não desenvolveram
adequadamente estratégias para solução de problemas durante o ensino médio, e por
isso apresentam maior dificuldade com a disciplina. Isso se manifesta fortemente na
dificuldade de interpretação dos enunciados dos problemas;
11
Alunos sem base operatório-formal: aparentemente o raciocínio operatório formal,
base para compreensão do raciocínio lógico, não foi adequadamente desenvolvido no
ensino médio, no entanto faltam dados empíricos que comprovem esta realidade;
Conteúdo sem proximidade com o conteúdo escolar: A lógica algorítmica é algo
totalmente novo para a maioria dos alunos, e com isso os mesmos não conseguem
estabelecer relações com conteúdos apreendidos anteriormente, principalmente a
matemática.
2.1.1.3. Problemas de natureza afetiva
Um aluno pode estar convicto da sua escolha quanto ao curso, ter aptidão para resolução de
problemas que envolvem raciocínio lógico, e mesmo assim não consegue obter o sucesso na
disciplina. Nesses casos, o foco deve ser direcionado a possíveis causas afetivas que interferem no
desenvolvimento (RAABE e SILVA, 2005).
Goleman (1996, apud VICENTE, 2003) cita que alunos que apresentam sentimentos de
ansiedade, raiva ou depressão tem dificuldade em aprender. Esses estados afetivos criam um
bloqueio na mente não permitindo que a informação passada pelo professor seja captada de forma
eficiente.
A diversidade de problemas desta natureza é alta, entretanto neste trabalho optou-se por
classificar esses pela sua freqüência, isto é, ocorrem esporadicamente ou manifestam-se ao longo de
toda a disciplina (RAABE e SILVA, 2005).
Ocasionais: Problemas esporádicos de ordem pessoal que afetam o aluno impedindo
que este consiga se concentrar nas explicações, influenciando seu desempenho nas
avaliações. Algumas origens para esses são: brigas familiares, dificuldades
financeiras, ausência de vaga de trabalho, etc.; e
Constantes: Problemas de ordem afetiva que se manifestam durante todo o decorrer
da disciplina em maior ou menor grau. Baixa auto-estima, pouca motivação, aversão
ao conteúdo ou ao professor e insegurança são exemplos de emoções que podem
afetar negativamente à aprendizagem do aluno.
12
Atender às necessidades dos alunos dada à diversidade de problemas possíveis torna-se uma
tarefa praticamente inviável para os docentes. Neste sentido, a proposição de ferramentas
computacionais que possam assistir o professor nesta tarefa é de grande valia.
2.1.2. Ferramentas de apoio no aprendizado
O uso de ferramentas que apóiem tanto o ensino de algoritmos e pseudo-linguagens, quanto
a alguma linguagem de programação específica, tem sido o foco do trabalho de muitos
pesquisadores motivados em solucionar as dificuldades educacionais (CASTRO et al., 2002).
Desta forma, realizou-se um levantamento sobre as ferramentas de apoio ao ensino de
algoritmos. Dentre as aplicações encontradas, constatou-se que elas podem ser divididas em duas
categorias: ferramentas sem a aplicação de técnicas de Inteligência Artificial, e ambientes
inteligente de suporte a aprendizagem de algoritmos, os quais são apresentados na Seção 2.2.1.
2.1.2.1. Ferramentas sem Inteligência Artificial
A primeira ferramenta a ser apresentada é denominada de ILA (Interpretador de Linguagem
Algorítmica), cujo projeto foi iniciado no ano de 1990 com o objetivo de minimizar problemas de
construção de algoritmos. Caracteriza-se por ser um interpretador implementado para plataforma
MS-DOS, o qual permite testar algoritmos desenvolvidos em português estruturado (EVARISTO e
CRESPO, 2000).
Posteriormente, surgiu o AMBAP - Ambiente de Apoio ao Aprendizado de Programação -
(ALMEIDA et al., 2002) que utiliza a tecnologia desenvolvida no ILA. O ambiente oferece
ferramentas auxiliares ao ensino de programação, sob a perspectiva da resolução de problemas. Ele
permite ao aluno desenvolver e executar seu programa utilizando linguagem algorítmica através de
um simulador. Seu desenvolvimento foi realizado em Java e ao todo oferece um interpretador (para
fluxograma, pseudo-código, assembly), um editor e um tradutor.
Já o Portugol/Plus é uma ferramenta desenvolvida em Pascal para plataforma DOS que visa
estimular o aprendizado de lógica de programação utilizando o Portugol. Para tanto, o sistema
apresenta um editor e um compilador de algoritmos. O editor é baseado nos editores de texto da
plataforma DOS, permitindo a manipulação dos algoritmos. Já o compilador é formando pelo
analisador léxico e sintático, que gera ao final um programa em Pascal. (ESMIN, 1998)
13
O AnimaAlgo (MARTINS, 2004) é um software que possibilita aos alunos compreender
melhor o funcionamento de um algoritmo através da visualização gráfica durante sua execução.
Permite a escrita, compilação e visualização de árvores sintáticas geradas a partir de um algoritmo
fornecido.
A ferramenta CIFluxProg (SANTIAGO e DAZZI, 2004) é um construtor e interpretador de
algoritmos, que tem como diferencial a possibilidade de realização de testes de mesa. Nela é
possível a implementação e teste de soluções desenvolvidas em Portugol ou em fluxograma. Sua
vantagem é de permitir a flexibilização do processo de aprendizagem de algoritmos, através da
demonstração do funcionamento de seus códigos na prática.
Outra aplicação pesquisada foi a AWTM
Aplicação Web para realizar Teste de Mesa em
algoritmos
(MEDEIROS e DAZZI, 2002), que reúne informações sobre o desenvolvimento de
algoritmos, materiais de apoio, exemplos e links úteis. Ela possibilita a edição, verificação de erros
e execução de teste de mesa de algoritmos utilizando o próprio browser, através de um componente
ActiveX inserido na página HTML. A ferramenta destaca-se por disponibilizar recursos presentes
em aplicativos desktop dentro do contexto web. Em um ambiente integrado, e sem requerer
instalação de programas, o aluno consulta materiais de referência e realiza testes com os algoritmos
desenvolvidos.
A partir da pesquisa sobre as ferramentas existentes, apresentada resumidamente na Tabela
1, pode-se observar que no geral elas consistem em editores textuais ou gráficos para escrita de
programas, com interpretadores e compiladores no auxílio de testes dos algoritmos, sendo que sua
maioria é direcionada ao atendimento às necessidades dos alunos, sem fornecer apoio às tarefas do
professor.
Tabela 1. Resumo das ferramentas de apoio à aprendizagem de algoritmos
Ferramenta Plataforma Características ILA MS-DOS Ambiente de teste de algoritmos. Não oferece editor. AMBAP Desktop (Java) Simulador de código com editor, interpretador e tradutor. Portugol/Plus MS-DOS (Pascal) Editor e compilador de algoritmos em Portugol. Gera código
em Pascal. Anima Algo Desktop (Windows) Gerador gráfico de árvore sintática do programa. Possui editor
e compilador. CIFluxProg Desktop (C++) Ferramenta para edição e execução de algoritmos em Portugol
e fluxogramas. AWTM Web (ActiveX) Aplicação Web. Oferece links para materiais complementares
e possui editor, verificador de erros e teste de mesa.
14
2.2. SISTEMAS TUTORES INTELIGENTES
Os Sistemas Tutores Inteligentes (STI) são programas computacionais dedicados ao ensino,
que utilizam técnicas da Inteligência Artificial (VICARI e GIRAFFA, 2003). Sua principal
característica é a flexibilização proporcionada frente às necessidades de aprendizagem de um
determinado aluno em um dado momento, estabelecendo assim um diferencial em relação aos
precursores históricos, os sistemas CAI (Computer Aided Instruction).
Nos sistemas CAI, a interação não se modificava em função das respostas e do desempenho
dos alunos, a instrução programada era seguida independente das ações do usuário. Para aprimorar
esta limitação, foram incluídas técnicas de inteligência Artificial surgindo então os ICAI (Intelligent
Computer Aided Instruction). Atualmente esses sistemas são chamados de Sistemas Tutores
Inteligentes (STI) e Ambientes Inteligentes de Aprendizagem (ILE - Intelligent Learning
Environments).
A arquitetura tradicional de um STI, ilustrada na Figura 2, contempla três entidades
fundamentais: o modelo do domínio, o modelo do aluno e o modelo do tutor; que são exibidas ao
aluno através de uma interface.
Figura 2. Arquitetura tradicional de um STI
Fonte: Adaptado de Vicari e Giraffa (2003)
No modelo do domínio é armazenado o conteúdo instrucional, modelado conforme o
propósito da aprendizagem. Em um ambiente web, esse conteúdo pode ser formado por documentos
hipertextos, imagens e animações acrescidas de atributos que possibilitam ao modelo do tutor tomar
decisões referentes ao processo de acompanhamento do aluno.
O modelo do aluno é constituído de informações sobre o aluno, classificadas geralmente em
estáticas (nome, idade, conhecimento inicial, etc.) ou dinâmicas (informações sobre o desempenho e
estado cognitivo do aluno).
15
Já no modelo do tutor são definidas as estratégias pedagógicas, isto é, quais ações que o
sistema deve tomar considerando uma configuração específica do modelo do aluno e do domínio.
Tais ações normalmente refletem a crença sobre o processo de aprendizagem a ser adotado pelo
tutor, ou seja, a teoria pedagógica que apóia as suas decisões.
A troca de informações entre os modelos permite que o aluno receba um conteúdo
instrucional adaptado a sua necessidade por meio de uma interface, na qual depende diretamente da
tecnologia selecionada para construção do ambiente computacional, e em alguns casos podem
utilizar agentes animados para humanizar a comunicação com o aluno.
Os STI podem direcionar a aprendizagem dos alunos, com base em um plano de estudos
proposto pelo professor, ou com base no resultado de testes dos aprendizes. Além disso, deve ser
capaz de se adaptar aos níveis e estilos de aprendizagem do estudante, apresentando as informações
mais adequadas a esses. (FRIGO, POZZEBON e BITTENCOURT, 2004)
Akhras e Self (2002) descrevem que um STI combina dinamicamente as informações dos
três componentes para tomar decisões adequadas em situações específicas em uma seção de
tutoramento. Geyer et al. (2001), complementam sustentando que os STI podem ser bastante
flexíveis, apresentando adaptação dinâmica conforme o perfil do aprendiz e permitindo um ensino
individualizado ao ritmo dele.
Outras arquiteturas distintas da tradicional têm sido propostas, onde algumas se apresentam
apenas conceitualmente, enquanto outras são direcionadas à implementação computacional,
entretanto geralmente persiste a necessidade de armazenar informações sobre o aluno, o domínio e
as estratégias de ensino-aprendizagem.
2.2.1. STI no ensino de Programação
Através de pesquisa realizada em busca de aplicações de STI que promovam o ensino de
programação, foram encontrados alguns sistemas que são detalhados nessa seção. São eles: SAAP,
o PROOGRAMA, o Bayesian Intelligent Tutoring System (BITS), o Java Intelligent Tutoring
System (JITS), e o E-TCL.
Castro et al. (2002) apresentam o SAAP (Sistema de Apoio à Aprendizagem de
Programação), cujo enfoque é na interação com os alunos e identificação semi-automática de
grupos ou padrões de soluções, facilitando o processo de feedback. O sistema utiliza a abordagem
16
de sistemas multi-agentes, além de disponibilizar ferramentas de apoio independentes como, por
exemplo, verificação de consistências em scripts.
O PROOGRAMA (GIRAFFA, MARCZAK e ALMEIDA, 2003) é um ambiente que visa
auxiliar nas tarefas de sala de aula dos alunos de uma disciplina de algoritmos. Ele oferece um
conjunto de ferramentas virtuais que têm o objetivo de auxiliar na comunicação e gerenciamento de
informações. Para isso, utilizam-se agentes para monitorar e gerenciar informações como a
divulgação de atividades, prazos de entrega e habilitação/desabilitação de recebimento de soluções.
Ainda, caracteriza-se por disponibilizar links, materiais, notas, downloads de ferramentas, mural de
avisos e agenda de compromissos.
O Bayesian Intelligent Tutoring System (BITS) é um STI para web aplicado ao ensino de
programação de computadores através da linguagem C++. Para a concepção do modelo do domínio,
os conceitos que compõem o ensino de C++ foram classificados e estabelecidos co-relações
ponderadas entre eles. Por exemplo, para que um aluno compreenda o conceito do laço de repetição
Para-Faça, é necessário que ele já tenha adquirido conhecimento sobre atribuição, operadores
relacionais e operadores de incremento e decremento, pois estes compõem o laço. A Figura 3
apresenta os pré-requisitos do conceito do laço de repetição Para-Faça, e a Tabela 2 exibe os nodos
e pontuação de nível de conhecimento ou desconhecimento armazenado no modelo do aluno (Butz,
Hua e Maguire, 2004).
Figura 3. Pré-requisitos do conceito Para-Faça
Fonte: adaptado de Butz, Hua e Maguire (2004).
Atribuição Operadores Relacionais
Operadores de incremento e decremento
Para - Faça
17
Tabela 2. Nodos e pontuação do conceito Para-Faça
Nodos Para-faça Atribuição Operadores
Relacionais Operadores de Incremento e Decremento
Conhecido Desconhecido
Conhecido 0.75 0.25 Conhecido Desconhecido 0.39 0.61 Conhecido 0.50 0.50
Conhecido
Desconhecido Desconhecido 0.22 0.78 Conhecido 0.50 0.50 Conhecido Desconhecido 0.29 0.71 Conhecido 0.40 0.60
Desconhecido
Desconhecido Desconhecido 0.15 0.85
Fonte: Adaptado de Butz, Hua e Maguire (2004)
Os nodos e pontuação são aplicados à tomada de decisão realizada pelo sistema através da
aplicação de redes Bayesianas que determinam o conhecimento do aluno através da interligação dos
conceitos por ele conhecido. O sistema permite o livre arbítrio na escolha do conceito que o aluno
deseja aprender, entretanto são alertados quais os pré-requisitos necessários caso o aluno ainda não
tenha apresentado qualificação suficiente para este. Isso é possível, pois o sistema classifica cada
um dos conceitos em três categorias de conhecimento: (i) o aluno apresenta conhecimento
suficiente para avançar; (ii) o aluno está apto para leitura; e (iii) o aluno não está preparado para
leitura. (BUTZ, HUA e MAGUIRE, 2004).
Outra ferramenta encontrada, denominada de Java Intelligent Tutoring System (JITS),
destina-se ao ensino da linguagem Java a alunos que estejam iniciando sua aprendizagem. Por
também ser um STI, a técnica de Inteligência Artificial aplicada é a lógica fuzzy, implementada
através de um módulo que visa mensurar a partir de resoluções de questões, o quão distante o aluno
encontra-se da resposta correta. Logo, é necessária que para cada problema cadastrado, seja
informada a sua solução (SYKES e FRANEK, 2003).
Os passos que envolvem o funcionamento do JITS consistem em: (i) o aluno envia o código-
fonte do problema resolvido; (ii) o sistema verifica se o código apresenta erros sintáticos; (iii) caso
existam erros no passo 2, o módulo contendo a lógica fuzzy é executado a fim de determinar
distância da resposta correta em relação a fornecida pelo aluno; (iv) caso contrário, é construída a
árvore sintática, e o código é compilado e executado, para então o módulo fuzzy ser executado; (v)
ao final o diagnóstico descritivo é construído, e em caso de sucesso o sistema seleciona o problema
seguinte.
18
Por fim, outro STI existente é o E-TCL, direcionado ao ensino de linguagens de
programação, cuja implementação dá-se em Java utilizando tecnologia CORBA e CGI. Esse
sistema permite que vários professores cooperem entre si, gerenciando a estrutura de comandos das
diversas linguagens, além de descrever diferentes diálogos e estilos de tutoramento para um
determinado comando (EL-KHOULY, FAR e KOONO, 2000, p. 27).
No E-TCL, os alunos acessam o sistema através da Internet, selecionando a linguagem que
desejam aprender, bem como a forma que o conteúdo deve ser disponibilizado e como preferem
compartilhar seu conhecimento com os colegas. A técnica da Inteligência Artificial empregada
nesse sistema é de agentes que assistem professores e alunos separadamente.
Conclui-se assim que ambas as ferramentas com ou sem a aplicação de técnicas de
Inteligência artificial, não consideram os aspectos afetivos do aluno. Entretanto, esse fato era
esperado tendo em vista que a Computação Afetiva é uma área nova, onde os primeiros resultados
ainda estão sendo construídos.
2.2.2. Assistentes Inteligentes de Ensino
A concentração de esforços no aluno é uma das características fundamentais em um STI. Os
programas com essa arquitetura têm como objetivo auxiliar na promoção do aprendizado, cabendo
ao professor apenas gerenciar o conteúdo instrucional.
Entretanto, Yacef (2002) afirma que auxiliar professores e instrutores a lecionar melhor é
uma atividade tão importante quanto ensinar os alunos. E, Kinshuk et al. (2001) citam que tem
havido um interesse crescente em integrar o professor como usuário final de um STI.
A partir desta necessidade foi criada uma especialização dos STI, os Assistentes Inteligentes
de Ensino (ITAs - Intelligent Teaching Assistant systems). O ITA é orientado a ambos, alunos e
professores. Ele auxilia os estudantes assim como os STI tradicionais, mas também assistem ao
professor em suas tarefas (LESTA e YACEF, 2002, p. 421).
O objetivo fundamental dos ITA é assistir aos professores, disponibilizando informações
através de um ambiente, que permita identificar e auxiliar os alunos individualmente, e escolher
materiais e atividades que possam auxiliar na superação das dificuldades. Ao assistir o professor, o
aluno estará sendo beneficiado também pela melhoria da capacidade de atendimento. Além disso,
propõe a automatização de tarefas, e facilitação de consultas referente ao desempenho e interações
19
realizadas pelos alunos, auxiliando na proposta de novos exercícios e materiais personalizados
(YACEF, 2002).
A arquitetura de um sistema ITA engloba, além dos modelos presentes no STI, o módulo do
professor e a interface do professor. O módulo do professor é formado por informações sobre o
processo de monitoramento do aluno no STI e análise do desempenho obtido. A interface é o meio
por onde ele interage, como mostra a Figura 4.
Interface do professor
ITA
Módulo do professor
STI
Estratégia
pedagógica
Modelo do
aluno
Modelo do
domínio
Interface do aluno
Análise/Síntese
Monitoramento
Figura 4. Arquitetura de um ITA
Fonte: adaptado de YACEF (2002)
Em um ITA a estratégia pedagógica passa a ser compartilhada entre o STI e o professor
humano que, assistido pelas ferramentas do módulo do professor, pode interferir influenciando o
processo decisório, ou seja, que ação tomar para mediar a aprendizagem. Desta forma o professor
permanece presente e no controle do processo de ensino-aprendizagem (Yacef, 2002). Nota-se que
a principal mudança está em focalizar os esforços para a construção de ferramentas que possam
assistir ao professor em suas tarefas.
Lesta e Yacef (2002) apresentam um estudo comparando os resultados obtidos por duas
turmas ao longo de 1 ano, onde uma delas não recebeu suporte de um sistema baseado em ITA para
apoio o desenvolvimento da lógica e a outra usou o sistema proposto pelas autoras.
Analisando os resultados apresentados na pesquisa, os alunos que receberam o suporte de
um sistema ITA, obtiveram um crescimento de 22% nas notas de trabalhos realizados
semanalmente, enquanto nas provas, as notas aumentaram em 27%.
Os resultados positivos servem como uma motivação a mais para a realização do presente
TCC, pois se espera que o ambiente proposto venha a contribuir com a aprendizagem, assim como
contribuiu no trabalho de Lesta e Yacef (2002).
20
2.3. EMOÇÃO, AFETIVIDADE E COMPUTAÇÃO AFETIVA
Conforme Goleman (1999), emoção é qualquer agitação ou perturbação da mente,
sentimento, paixão; qualquer estado mental veemente ou excitado. Há uma centena de emoções,
juntamente com suas combinações, variações, mutações e matizes. Na verdade, existem mais
sutilezas de emoções do que as palavras que temos para defini-las .
Já afetividade significa resumidamente como todo o domínio das emoções propriamente
ditas, dos sentimentos das emoções, das experiências sensíveis e, principalmente da capacidade em
se poder entrar em contato com as sensações (BERCHT, 2001).
Ainda segundo Bercht (2001), ambos os termos têm sido alvos de pesquisa desde seis
séculos antes de Cristo, através de estudiosos como Lao-Tzu e Sócrates. Contudo a aplicação desses
em sistemas computacionais é recente, mais especificamente com o surgimento da área conhecida
por Computação Afetiva, datada pelo ano de 1995, a partir de estudos de Rosalind Picard, do
Instituto de Tecnologia de Massachussets.
A computação afetiva é uma linha de pesquisa da computação que estuda como os sistemas
computacionais podem detectar, classificar e responder às emoções humanas. Para isso, reúne
conhecimento de outras áreas, como a inteligência artificial, ciência cognitiva e psicologia.
(HASSIN, AZIZ e NORWAWI, 2004).
Seu surgimento ocorreu a partir de uma necessidade de tornar os computadores aptos a
interagir o mais próximo possível dos humanos. Isso inclui a forma de raciocinar e como captar e
transmitir as emoções.
Bercht (2001) cita algumas áreas de investigação da Computação Afetiva:
1. Emoções humanas: construção de mecanismos, sistemas e artefatos que auxiliem a
aprendizagem das emoções humanas;
2. Sensoriamento de sinais de emoções humanas: desenvolvimento de artefatos
vinculados a sistemas computacionais que buscam receber e traduzir sinais de
emoções humanas;
3. Reconhecimento de padrões de expressões afetivas: identificação das emoções,
através de comportamentos ou palavras, através do computador;
21
4. Entendimento e modelagem da experiência emocional: como aplicar as informações
sobre as emoções humana capturadas;
5. Síntese de emoções em máquina: visa o desenvolvimento de sistemas
computacionais com emoções internas reais;
6. Aplicações da Computação Afetiva: essa área busca identificar potenciais aplicações
computacionais que possam utilizar informações sobre o modelo afetivo do usuário
em interação, sintetizando as emoções;
7. Interfaces com computadores afetivos: analisa tecnologias e conceitos de interação
homem-máquina necessária a partir da aplicação de sistemas com aspectos emotivos;
8. Comunicação afetiva: pesquisa formas de comunicação apoiadas por computador
realizado com ou sobre afeto, reconhecendo e transmitindo expressões emocionais; e
9. Computadores afetivos e usáveis (wearable): são computadores possíveis de serem
vestidos, similar a roupas ou acessórios, capazes de reconhecer as diversas condições
biofisiológicas e comportamentais.
Analisando as áreas de investigação, pode-se concluir que o presente TCC incorpora
conhecimentos nas linhas de: (i) Reconhecimento de padrões de expressões afetivas (por analisar o
comportamento do aluno, identificando possível padrão de comportamento que resulte num estado
afetivo); (ii) Interfaces com computadores afetivos (a interface desenvolvida no ambiente visa
estimular o interesse do aluno ao aprendizado, baseado nos estados afetivos); (iii) Comunicação
afetiva (a personagem Alice engloba em seu diálogo com o aluno, informações referentes aos
aspectos afetivos identificados).
Vicente (2003) defende que a computação afetiva pode ser dividida em três áreas:
Detecção das emoções: a capacidade dos computadores em identificar emoções;
onde a captura das emoções pode ocorrer através de ações na interface e sensores (na
percepção da escrita, gestos, olhos, mãos, postura, toque, etc.);
Simulação das emoções: a capacidade dos computadores representarem emoções;
alguns exemplos são as máquinas utilizadas para entretenimento, como o Tamagochi
ou o cachorro Aibo, que simulavam vontades e ações humanas; e
22
Geração de emoções artificialmente: possibilitar que o computador tenha emoções de
verdade, pois a capacidade de um computador detectar e simular emoções não
significa que ele as tem.
2.3.1. Computação Afetiva e sua relação com a aprendizagem
As emoções têm uma relação próxima à educação, pois o estado afetivo de um aprendiz
interfere diretamente na motivação e aptidão em se aprender algo. Um aluno que tem sua
curiosidade despertada sobre o que se deseja aprender permite que a compreensão ocorra de
maneira mais tranqüila (FLORES, 1998).
Segundo Murray (1971), as emoções são reações fisiológicas e psicológicas que influenciam
na percepção, aprendizagem e desempenho.
Piaget (1977, apud FLORES, 1998) aborda de forma mais profunda a correlação entre
aprendizagem e afetividade, citando que estas são inseparáveis, e o desenvolvimento da inteligência
está relacionado diretamente a estes dois processos. Para o autor, ainda, a afetividade estabelece o
comportamento do indivíduo, enquanto os aspectos cognitivos fornecem o meio ou instrumento
necessário à aprendizagem.
Existe uma correlação positiva entre o domínio afetivo e o cognitivo, isto é, quando um elemento varia positiva ou negativamente, o outro varia no mesmo sentido. Assim, quando existem interesse e atitudes favoráveis, por parte do aluno, para realizar alguma aprendizagem cognitiva, esta ocorre mais fácil, rápida e eficazmente, sendo o inverso também verdadeiro; ou, quando o aluno conhece e compreende bem os conceitos ministrados em uma matéria ou disciplina, ele tende a interessar-se mais por ela, e a manter, em relação a ela, atitudes favoráveis (CARNEIRO e LÜCK, 1985).
Essa relação entre a afetividade e a aprendizagem certamente manifesta-se nos ambientes
computadorizados de apoio a aprendizagem, sendo a área de computação afetiva a primeira a
abordar explicitamente.
Embora a Computação Afetiva seja considerada uma área pouco conhecida, podem ser
encontrados estudos nas mais diversas áreas de aplicação. Nessa seção são apresentados alguns
trabalhos que relacionam a aplicação da computação afetiva no apoio a aprendizagem.
O primeiro trabalho a ser descrito é de Picard (1995) onde a autora apresenta um estudo
inicial sobre a área da Computação Afetiva, elucidando conceitos sobre emoção e seus aspectos
psicológicos e cognitivos, formas de reconhecimento e algumas áreas de aplicação.
23
No que diz respeito à relação da área com o processo de ensino-aprendizagem, Picard (1995)
afirma que o estado afetivo negativo, mesmo oriundo de razões externas ao contexto do
aprendizado, interfere nesse e pode acarretar na desistência. Dentre os sentimentos presentes,
destacam-se a frustração, a ansiedade e a perturbação.
A autora ainda descreve que o sucesso do aprendizado depende das estratégias de ensino que
estimulem a curiosidade dos alunos, que deve provocar fascinação sobre o que se está estudando.
Somente assim, é gerada motivação, um dos grandes desafios educacionais na atualidade,
confirmando um dos objetivos da computação afetiva que propõe que as interfaces sejam capazes
de responder às emoções.
Na pesquisa realizada por Hassin, Aziz e Norwawi (2004), afirma-se que no processo de
educação a distância, os alunos têm a propensão de apresentar estados afetivos negativos devida a
separação física entre os participantes. A solução descrita pelo autor, para esse caso, é a construção
de agentes interativos que utilizem aspectos afetivos no processo de mediação entre alunos e
professores. Para isso, o agente deve perceber sensações de confusão ou frustração do aluno,
estimulando-o a estudar mais. O autor ainda defende que de forma similar aos professores, o
sistema não deve conhecer todas as respostas, mas se comportar como um parceiro do aluno.
Ambos devem aprender juntos.
Outra forma de incluir aspectos da computação afetiva no ensino ocorre através dos sistemas
tutores inteligentes. Esses sistemas têm a possibilidade de fornecer informações essenciais para que
a integração da afetividade seja realizada.
Sob essa percepção encontra-se o trabalho de Vicente e Pain (2000), onde são desenvolvidos
diálogos que tem por objetivo promover a aprendizagem por meio de um sistema computacional.
Os chamados diálogos educacionais facilitam a compreensão das interações educacionais
humanas, além de desenvolver sistemas tutores que se comuniquem com os alunos de forma mais
natural e eficiente.
Os autores utilizam um histórico de interações e as características dos alunos para
determinar que diálogo deva ser adotado, nas quais se encontram:
Perfil do aluno: fantasia, desafio, controle e independência; e
24
Estado de motivação do aluno: satisfação, relevância, confiança, esforço, interesse
sensorial e cognitivo.
Essas características possuem nuances diferentes (muito alta, acima da média, e abaixo da
média), e o cruzamento entre elas determinam qual regra será escolhida, e então promovido o
diálogo. Por fim, as informações são atualizadas conforme o comportamento do aluno em um
diálogo, ou por meio de uma pré-configuração realizada pelo próprio aluno.
Cabe ainda citar que esse trabalho não relaciona um domínio específico para aprendizagem,
apresentando apenas simulações de emoções e ações do aprendiz diante um processo genérico de
resolução de problemas.
O sistema citado e demais sistemas tutores inteligentes que incluem características afetivas
dos modelos são chamados de sistemas tutores afetivos, conforme trabalhos apresentados por
Alexander (2004) e Vicente (2003). Os sistemas tutores afetivos modelam tanto os estados afetivos
quanto os cognitivos do aprendiz.
Para que se possam desenvolver sistemas que utilizam afetividade, é necessário pesquisar
métodos de captura das emoções do usuário. Diversos são os meios de se capturar as expressões do
corpo humano, contudo não é qualquer método que atende as necessidades de um sistema. E, por
isso, dois métodos de captura destacam-se por ser de fácil integração a arquitetura de um STI: a
submissão de questionários eletrônicos, e o registro de ações do aluno durante a interação (JAQUES
E VICCARI, 2004).
2.3.2. Modelos utilizados para o tratamento de emoções
Nessa seção são apresentados dois modelos que permitem o tratamento computacional das
emoções. O primeiro modelo é utilizado para o reconhecimento de emoções a partir de um conjunto
de parâmetros de entrada. O segundo instrumento é um questionário dirigido à identificação de
questões afetivas determinadas a partir dos objetivos e das estratégias de aprendizagem adotados
pelos alunos.
Johns e Silverman (2001) afirmam que existe uma ampla variedade de ferramentas para
modelar emoções, disponíveis na área da Psicologia, sendo alguma delas: (i) Lazarus; (ii) Roseman
e (iii) Ortone, Clore e Collins (OCC). Dentre os modelos citados, o mais difundido e aceito em
pesquisas é o modelo OCC. Esse vem sendo amplamente utilizado em estudos onde se utiliza a
25
computação aliada as emoções (EGGES, KSHIRSAGAR e MAGNENAT-THALMANN, 2003;
BARTNECK, 2002; JOHNS e SILVERMAN, 2001; PRENDINGER e ISHIZUKA, 2001)
2.3.2.1. Modelo OCC
O OCC é um modelo oriundo de estudos da área da Psicologia, que se baseia na teoria
cognitiva das emoções. Ele é o modelo mais adotado pela comunidade pesquisadora da Computação
Afetiva por permitir implementar computacionalmente os estados afetivos através da inferência das
emoções do aprendiz a partir de suas ações na interface do sistema.
O modelo contempla ao todo 22 emoções, classificadas em positivas (alegria, esperança,
alívio, orgulho, gratidão e amor) ou negativas (aflição, medo, desapontamento, raiva e ódio), onde
cada uma delas é armazenada por valor numérico, e a sua intensidade é representada por valores
dentro de limites estabelecidos que não possam ser ultrapassados (ROMANO e WONG, 2004).
Jaques (2004) descreve que no OCC as emoções surgem a partir da relação entre o
acontecimento de um evento e a vontade de que esse ocorresse dado os objetivos definidos por uma
pessoa. Isto é, não basta que algo ocorra no universo de alguém, mas o quanto esse alguém desejava
ou não que o evento acontecesse.
2.3.2.2. Questionário MSLQ
O Motivated Strategies for Learning Questionnaire (MSLQ) é um instrumento que verifica
a auto-regulação dos alunos, permitindo determinar os objetivos e as estratégias de aprendizagem
individuais. Ele se baseia na visão cognitiva da motivação e aprendizagem (JAQUES, 2004).
O questionário contempla a identificação da característica de auto-regulação do aluno, isto é,
a capacidade do aluno direcionar seu próprio aprendizado ou ser passivo na recepção da instrução
(SOUTO, 2003).
O instrumento é composto por um conjunto de sentenças, onde o aprendiz deve assinalar em
qual intensidade ou ocorrência a sentença corresponde de acordo com as suas percepções referentes
ao seu modo de pensar e estudar. As sentenças abordam desde questionamentos sobre a maneira que
o aluno mantém seus estudos, até qual a sua reação diante uma avaliação e resultados obtidos.
Assim, ao responder esse, o aluno deve estar ciente e ser verdadeiro quanto às atitudes do seu
cotidiano de estudo.
26
A utilização do questionário foi a opção adotada na pesquisa de Jaques e Viccari (2004),
pois segundo as pesquisadoras o instrumento viabiliza a determinação dos objetivos e das
estratégias de ensino individual baseados na visão cognitiva da motivação e da aprendizagem dentro
de um ambiente computacional.
Através das respostas foi possível identificar os alunos que buscam adquirir novas
habilidades e conhecimentos, daqueles que desejam apenas serem aprovados na disciplina com
notas medianas. Suas emoções seriam determinadas pelo cumprimento dos eventos que acarretam
os seus objetivos, tais como: o cumprimento de uma tarefa pelo aluno, o envio de uma resposta
incorreta em um exercício, ou uma solicitação de ajuda.
Com isso, Jaques e Viccari (2004) verificaram que as seguintes emoções seriam viáveis de
se modelar: alegria, aflição, satisfação, desapontamento, gratidão, raiva e timidez. O sentimento de
alegria dá-se pelo cumprimento de uma tarefa com resultados acima do esperado, por exemplo. Ao
contrário, o aluno apresenta o estado de desapontamento.
Ainda, o mapeamento das emoções dessa pesquisa foi fundamentado no modelo OCC,
utilizando questionários adaptados do MSLQ como instrumento de captura e diagnóstico dos estilos
de aprendizagem e objetivos individuais.
2.4. AMBIENTE ALICE
O ALICE é um ambiente virtual baseado na perspectiva do ensino a distância, cujo objetivo
é de auxiliar o aprendizado dos alunos da disciplina de Algoritmos e Programação através da
Internet (SILVA e RAABE, 2004). Ele emprega a abordagem semi-presencial, na qual visa agregar
características tanto do ensino presencial quanto do virtual, contemplando as características mais
relevantes de cada um:
Presencial: cria laços entre os participantes, possibilita o mapeamento de grupos e
cada um conhecer o outro; e
Virtual: permite a flexibilidade de tempo e lugar, visam à construção colaborativa do
conhecimento, trabalhos em grupo e locais para produção.
Sendo assim, o ambiente é utilizado como uma ferramenta complementar ao ensino
presencial, possibilitando aos alunos estender os limites de tempo e espaço da sala de aula, exercitar
27
seus conhecimentos com maior freqüência e interagir com colegas, monitores e professores na
busca de soluções.
As subseções a seguir descrevem as versões do ambiente ALICE fomentados pelos
programas Artigo 170 e ProBIC (Programa de Bolsas de Iniciação Científica - UNIVALI),
realizados nos anos de 2003 e 2004, respectivamente.
2.4.1. ALICE 2003
Na busca de alternativas que reduzissem os problemas mencionados na Seção 2.1.1, em
2003 foi iniciado um projeto de iniciação científica para o desenvolvimento de um ambiente virtual
sob as perspectivas da Educação a Distância (EaD) via Internet, denominado de ALICE (Algorithm
Learning Internet-based Computer Environment). A proposta desta versão do ambiente era de
complementar o conteúdo ministrado em sala de aula, permitindo aos alunos determinar onde e
quando estudar, e também de atender as dificuldades de aprendizagem individuais. Além disto, a
ferramenta proveu meios para que os alunos e professores interagissem entre si. A interface do
ambiente está ilustrada na Figura 5.
Figura 5. Interface do ambiente ALICE em 2003
Fonte: SILVA e RAABE (2004)
28
Na primeira versão, o ambiente ALICE era estruturado conforme mostrado na Figura 6.
Figura 6. Estrutura do ambiente ALICE em 2003
O conteúdo instrucional fora distribuído em aulas, onde cada uma apresentava uma série de
textos. Por exemplo: uma aula de introdução a algoritmos poderia conter textos sobre conceito de
algoritmos, ferramentas de auxílio, como são executados os programas dentro do computador, etc.
Também eram disponibilizados exercícios compostos por questões objetivas (com alternativas ou
do tipo verdadeiro ou falso) e dissertativas (algoritmos ou discursivas). O processo de correção
ocorria automaticamente para questões objetivas, e manualmente (pelo professor) para as
dissertativas.
Na seção de material de apoio podia ser disponibilizado qualquer tipo de arquivo com o
intuito de complementar a aprendizagem: apostilas, ferramentas, códigos-fonte, etc. O quadro de
avisos permitia ao professor alertar os alunos sobre algum assunto referente às aulas presenciais:
aulas em laboratório, entrega de trabalhos e realização de provas. Por fim, a ferramenta de correio
possibilitava a troca de mensagens textuais entre os participantes.
2.4.2. ITA ALICE
No ano de 2004, o projeto foi continuado enfatizando o desenvolvimento de um assistente
inteligente, ampliando a potencialidade de ambiente virtual para um STI da modalidade ITA. Dessa
forma, foi possibilitado ao professor acompanhar o desempenho dos alunos em cada um dos itens
AMBIENTE ALICE
TEXTOS
EXERCÍCIOS
QUESTÕES ALTERNATIVAS
QUESTÕES ALGORITMOS
MATERIAL DE APOIO
QUESTÕES VERDADEIRO / FALSO
QUESTÕES DISCURSIVAS
QUADRO DE AVISOS
AULAS
CORREIO
29
do conteúdo programático da disciplina. Ainda, houve uma reestruturação completa no ambiente,
envolvendo desde a interface e seções, até a forma de registro das informações do aluno e estratégia
pedagógica adotada.
2.4.2.1. Reestruturação das seções
A estrutura organizacional de conteúdos e ferramentas foi revista em relação ao projeto do
ano anterior, tornando o ambiente mais próximo à realidade dos alunos. Buscou-se uma
aproximação aos sites que tem por objetivo auxiliar no aprendizado de linguagens de programação
através de repositório de materiais de exemplos e textos explicativos. Para representar essa metáfora
a interface foi reconstruída, conforme ilustra a Figura 7. Além disso, novas seções foram criadas,
conforme é ilustrada na estrutura apresentada na Tabela 3.
Figura 7. Interface ITA ALICE na visão do aluno
30
Tabela 3. Estrutura do ambiente ITA ALICE
Materiais Ferramentas de Gerenciamento de Ensino-Aprendizagem
Ferramentas de Comunicação
Assistentes
- De Referência - Complementares (Dicas, Tutoriais, Apostilas, Links, Códigos-Fonte, Parede da Fama, Downloads, Recreio
- Chamada - Notas - Gestão de Dificuldades de Aprendizagem - Acompanhamento - Praticando
- Correio - Meus Dados - Sensor de Presença - Recados do Professor
- Detecção de Plágio - Diagnóstico de Algoritmos - Modalidade de Mediação - Identificação de Dificuldades de Aprendizagem - Personagem Alice
Os materiais de referência e complementares apresentam informações de apoio à
aprendizagem. As ferramentas de gerenciamento visam assistir ao professor em suas tarefas
cotidianas de sala de aula e exclusivas do ambiente: registro de chamada, notas de avaliações,
informarem percepções dos alunos, confeccionar e corrigir exercícios, etc. As ferramentas de
comunicação servem para os alunos descreverem suas características, trocarem mensagens,
receberem recados do professor e perceberem a presença de colegas no ambiente.
Outra etapa desse projeto consistiu no desenvolvimento de materiais didáticos adequados ao
ensino a distância. Optou-se por disponibilizar dois tipos de materiais: de referência e
complementar. O de referência, desenvolvido durante o projeto, é composto por documentos
hipertexto e animações ilustrativas seguindo a proposta da ementa da disciplina dividida em oito
unidades: Conceitos Fundamentais, Representação de Dados, Operações, Instruções Primitivas,
Desvio Condicional, Laços de Repetição, Tipos Compostos, e Modularização.
Cada uma das unidades foi subdividida em conceitos (ilustrada na Tabela 4) e os pré-
requisitos estabelecidos. Essa relação de pré-requisitos entre conceitos auxilia na identificação da
origem dos problemas de aprendizagem e fornece uma diretriz para a seqüência de aprendizagem do
aluno.
31
Tabela 4. Unidades e conceitos da disciplina de Algoritmos e Programação I
Unidades de Aprendizagem Conceitos 1.1. Conceito de Lógica e de Algoritmos 1.2. Como o Computador entende e executa os Programas
1. Conceitos Fundamentais
1.3. Ferramentas de representação de Algoritmos 2.1. Tipos 2.2. Variáveis
2. Representação de Dados
2.3. Constantes 3.1. Operações Aritméticas 3.2. Divisões Inteiras 3.3. Operações Relacionais 3.4. Operações Lógicas 3.5. Prioridade de operadores
3. Operações
3.6. Testes Lógicos 4.1. Atribuição 4.2. Saída de Dados 4.3. Entrada de Dados
4. Instruções Primitivas
4.4. Algoritmos Seqüenciais 5.1. Desvio Condicional Simples 5.2. Desvio Condicional Composto 5.3. Desvio Condicional Aninhados
5. Desvio Condicional
5.4. Condições excludentes e não excludentes 6.1. Laço com teste lógico no início 6.2. Contadores 6.3. Somadores 6.4. Laço com teste lógico no final
6. Laços de Repetição
6.5. Laço com variável de controle 7.1. Vetores 7.2. Matrizes
7. Tipos Compostos
7.3. Estrutura (struct) 8.1. Procedimentos 8.2. Funções 8.3. Passagem de Parâmetros 8.4. Escopo de variáveis
8. Modularização
8.5. Recursividade
Além disso, elaborou-se um mapa conceitual relacionando os conteúdos e seus requisitos.
Desta forma, tornou-se possível à organização do conteúdo de maneira estruturada. O Mapa
Conceitual 1com a relação de pré-requisitos entre unidades é ilustrada na Figura 8.
1 O Mapa Conceitual é uma apresentação sinótica dos conceitos científicos essenciais e alguns conceitos subordinados e com conexões entre eles, visualizando relações (ACAFE, 2005).
32
Figura 8. Mapa conceitual de pré-requisitos entre conceitos
ad U
nid
ades
1.1.
Con
ceit
o d
e L
ógic
a e
de A
lgor
itmo
s
1.2
. C
om
o o
Com
put
ado
re
nten
de
e ex
ecu
ta o
sP
rogr
ama
s
1.3.
Fe
rra
me
nta
s de
rep
res
enta
ção
de
Alg
oritm
os
2.1.
Tip
os
2.2.
Var
iáv
eis
2.3
. Co
nsta
nte
s
3.1
. Op
eraç
ões
Ari
tmét
icas
3.2
. Div
isõ
es I
ntei
ras
3.3.
Ope
raç
ões
Re
lac
iona
is
3.4
. O
per
açõ
es L
ógic
as
3.5.
Pri
orid
ade
deo
per
ado
res
3.6.
Te
ste
s Ló
gico
s
4.1.
Atr
ibu
ição
4.2
. S
aíd
a d
e D
ad
os
4.3
. En
trad
a de
Da
dos
4.4
. Alg
ori
tmos
Seq
üen
ciai
s
5.1.
Des
vio
Con
dic
ion
al
Sim
ples
5.2.
Des
vio
Con
dici
ona
lC
om
post
o
5.3
. De
svio
Co
ndic
iona
lA
nin
had
os5
.4.
Co
ndi
ções
ex
clud
ent
es e
não
exc
lude
nte
s
6.1
. La
ço c
om
te
ste
lóg
ico
no
iní
cio
6.2.
Con
tado
res6.3
. S
om
ado
res
6.4.
La
ço
co
m t
este
lóg
ico
no
fina
l6.
5.
Laç
o c
om
var
iáv
elde
co
ntro
le
7.1
. Ve
tore
s
7.2
. Ma
triz
es
7.3.
Est
rutu
ra (
str
uct)
8.1
. P
roc
edi
men
tos
8.2.
Fun
çõe
s
8.3
. Pa
ssa
gem
de
Par
âme
tros
8.4.
Esc
opo
de
var
iáv
eis
8.5
. Re
curs
ivid
ade
33
O mapa permite estabelecer dois tipos de correlações entre os conteúdos. O primeiro
(representado pela linha contínua) refere-se ao pré-requisito conceitual, ou seja, que conceito é
necessário conhecer para que se entenda um próximo conceito. A outra ligação (linha tracejada)
indica a existência de um pré-requisito temporal, isto é, de que forma o conteúdo deve ser
apresentado.
Os pré-requisitos temporais normalmente são ajustados a cada edição da disciplina conforme
a seqüência de estudos definido pelo professor, enquanto que os conceituais geralmente não
mudam. Um exemplo é o conceito 6.5. Laço com variável de controle , cujos pré-requisitos
conceituais são atribuição e algoritmos seqüenciais , entretanto organizacionalmente esse
conceito é somente abordado após 6.4. Laço com teste lógico no final .
Esses vínculos possibilitam o ambiente diagnosticar que se um aluno tem dificuldades em
6.5. Laço com variável de controle , o problema possa estar no aprendizado de atribuição e
algoritmos seqüenciais , contudo não é porque ele aprendeu esses conceitos que é o momento
adequado para ele aprender laços de repetição. Desta forma, o conceito 6.5 só é disponibilizado ao
aluno, nas suas atividades práticas, após aprender 6.4. Laço com teste lógico no final .
Cada conceito é apresentado aos alunos sob forma de hipertexto contendo explicações
textuais seguidas de exemplos animados. A Figura 9 ilustra uma tela de exemplo do conceito
Conceito de Algoritmos .
34
Figura 9. Tela apresentando o material básico sobre Conceito de Algoritmos
Já os materiais complementares são arquivos textuais, códigos-fonte com exemplos, jogos
para desenvolvimento do raciocínio lógico, etc.; distribuídos em oito categorias, acessíveis
publicamente ou apenas para os alunos da disciplina: Dicas, Tutoriais, Apostilas, Links, Códigos-
fonte, Parede da Fama, Downloads e Recreio.
Dentre as ferramentas de comunicação há a possibilidade de cada aluno informar seu perfil
que estará disponível aos demais participantes. Também contempla informações gerais (nome, e-
mail, data de nascimento), de uso do sistema (notificação de novos exercícios e novas mensagens),
e de interesse ao professor (experiência prévia, disponibilidade de estudo, etc.).
A outra forma de socialização ocorre por meio de troca de mensagens textuais através de um
sistema de correio interno. Semelhante aos e-mails, pode-se visualizar as mensagens novas, que
ficam destacadas, as mensagens recebidas e enviadas, além de excluir ou responder uma
determinada mensagem.
35
O ambiente ainda oferece uma personagem para promoção de novos meios de socialização.
A personagem denominada Alice é disponibilizada na tela inicial saudando alunos e professores.
Uma descrição mais completa detalhada do funcionamento da Alice é encontrada na Seção
2.4.4.4.6.
A interface dispõe ainda de sensores que alertam o usuário quanto à presença de outros
participantes no momento, a chegada de mensagens novas, recados do professor (somente para os
alunos), e a existência de exercícios para correção (somente para os professores).
Outra informação disposta na interface é referente a pontuação do aluno no ambiente. Os
pontos foram criados a fim de motivar e incentivar a participação e empenho dos alunos. O valor
deles é determinado pelo aproveitamento obtido nos exercícios resolvidos, isto é, consiste no
somatório das notas recebidas nas questões. Se em uma questão o aluno obteve nota 8, oito pontos
serão somados a pontuação dele. Além de conferir sua pontuação, o aluno poderá visualizar a
pontuação de seus colegas, através de um ranking.
Algumas destas funcionalidades podem ser visualizadas na Figura 10, que apresenta a tela
inicial na visão do aluno.
36
Figura 10. Tela de saudação ao acessar o ambiente
2.4.3. Perfis de usuário
O ambiente possui três perfis de usuário: administrador, professor e aluno; que são descritas
na seqüência.
2.4.3.1. Administrador
O administrador do ambiente gerencia informações necessárias à utilização, como os
cadastros de alunos, professores, disciplinas e cursos. Semelhante ao funcionamento de uma
universidade, um curso possui diversas disciplinas, onde cada uma pode ser lecionada por um ou
mais professores e conter alunos. Cabe a esse usuário estabelecer quais alunos tem acesso a quais
disciplinas.
Sensor que indica a presença de colegas no ambiente
Sensor que indica a existência de novas mensagens
Saudação da personagem Alice
Ranking de pontuação
37
Assim, percebe-se que o ALICE, embora seja dedicado ao ensino de algoritmos, pode ser
aplicado a outros cursos e disciplinas, desde que se tenha o trabalho de adequar o modelo do
domínio.
As funcionalidades disponíveis a usuários do tipo administrador são apresentadas na Figura
11 e detalhados na Tabela 5.
ud Administrador
Administrador
UC 01 - Cadastra alunos
UC 02 - Cadastra professores
UC 03 - Cadastra disciplinas
UC 04 - Cadastra cursos
Figura 11. Casos de uso do administrador
Tabela 5. Descrição dos casos de uso do administrador
Caso de Uso Descrição UC 01 Cadastra alunos Realiza inclusão, alteração e exclusão de alunos. Habilita o
acesso dos alunos a disciplinas. UC 02 Cadastra professores Realiza inclusão, alteração e exclusão de professores.
Habilita o professor às suas disciplinas. UC 03 Cadastra disciplinas Realiza inclusão, alteração e exclusão de disciplinas. UC 04 Cadastra cursos Realiza inclusão, alteração e exclusão de cursos.
2.4.3.2. Professor
O perfil de professor é considerado o mais complexo do ambiente, pois além do
gerenciamento do conteúdo instrucional, ele é responsável pela configuração e acompanhamento do
desempenho do aluno.
A Figura 12 mostra os Casos de Uso das funcionalidades disponíveis ao professor, cujo
detalhamento segue na Tabela 6. Os casos foram agrupados conforme sua interferência nos modelos
do domínio ou aluno, e quais se referem às ferramentas de comunicação.
38
ud Professor
Professor
UC 02 - Cadastra exercícios
UC 03 - Corrige exercícios
UC 04 - Cadastra unidades
UC 05 - Cadastra conceitos
UC 06 - Cadastra chamada
UC 07 - Cadastra notas
UC 08 - Env ia recado
UC 09 - Troca mensagens
UC 10 - Gerencia perfil do aluno
UC 11 - Visualiza acesso dos alunos
UC 12 - Gerencia dados pessoais
Cadastra Materiais
+ UC 01.1 - Cadastra dicas
+ UC 01.2 - Cadastra tutoriais
+ UC 01.3 - Cadastra apostilas
+ UC 01.4 - Cadastra links
+ UC 01.5 - Cadastra códigos-fonte
+ UC 01.6 - Cadastra parede da fama
+ UC 01.7 - Cadastra downloads
+ UC 01.8 - Cadastra recreio
Modelo do Domínio Modelo do Aluno
Ferramentas de Comunicação
UC 13 - Gerencia comunicação da personagem Alice
Figura 12. Casos de uso do professor
Tabela 6. Descrição dos casos de uso do professor
Caso de Uso Descrição UC 01 Cadastra materiais Realiza inclusão, alteração e exclusão de materiais. Pode-se
alterar a ordem de exibição do material. Os cadastros são realizados conforme a classificação: dica, tutorial, apostila, link, código-fonte, parede da fama, download ou recreio. Gera um recado informando a existência de novo material.
UC 02 Cadastra exercícios Cadastra questões conforme tipo: algoritmo, discursiva, verdadeiro ou falso, ou alternativa. Seleciona questões por conceito associado para montar um exercício. O exercício deve ser destinado a todos os alunos de uma disciplina ou a um aluno exclusivamente.
UC 03 Corrige exercícios Após o aluno submeter um exercício respondido, este fica disponível para correção do professor, caso houver alguma questão dissertativa (algoritmo ou discursiva). O professor analisa a resposta do aluno, atribuindo uma nota e um comentário. Realizado isso, o exercício corrigido fica disponível para consulta do aluno.
UC 04 Cadastra unidades Realiza a inserção, alteração e exclusão das unidades de uma disciplina. Pode-se alterar a ordem de exibição.
UC 05 Cadastra conceitos Realiza a inserção, alteração e exclusão de conceitos de uma unidade. Visualização da quantidade de acessos aos conceitos, quantidade de alunos de exercitaram o conceito e quantos apresentaram problemas de aprendizagem, quantidade de questões e materiais cadastrados, e nota média em exercício para cada conceito.
39
Tabela 6. Descrição dos casos de uso do professor (continuação)
Caso de Uso Descrição UC 06 Cadastra chamadas Realiza a inserção, alteração e exclusão de chamadas referentes
às aulas presenciais. Relacionam uma chamada a materiais, exercícios e conceitos abordados. Permite o envio de e-mails aos alunos ausentes.
UC 07 Cadastra notas Realiza a inserção, alteração e exclusão das notas de avaliações realizadas presencialmente. Relaciona para cada avaliação, os respectivos conceitos abordados.
UC 08 Envia recado Realiza a inserção, alteração e exclusão de recados que o professor deseja informar os alunos.
UC 09 Troca mensagens Realiza a composição, leitura e envio de mensagens. Visualiza mensagens recebidas e enviadas. Permite a exclusão de mensagens.
UC 10 Gerencia perfil do aluno
Realiza a inclusão, alteração e exclusão de alunos. Gerenciamento do perfil do aluno quanto ao seu comportamento em sala de aula: presença e participação durante as aulas, dificuldades apresentadas em um determinado conceito durante uma avaliação ou através de percepções do professor. Dados gerenciados:
1. Pessoais: Nome, e-mail, senha, professor que o aluno tem aula;
2. Experiência: conhecimentos em programação, horas de trabalho semanais, reincidência na disciplina;
UC 10 Gerencia perfil do aluno
3. Comportamento: comparecimento às aulas, tentativa de realização de exercícios propostos, permanência e atenção durante a aula;
4. Cognitivo: conceitos que o aluno apresenta problemas de aprendizagem.
UC 11 Visualiza acessos dos alunos
Visualiza os acessos por aluno, sendo permitida a verificação de: acessos por seção (páginas), último acesso realizado, quantidade de acessos, acessos por visitas, e detalhamento dos acessos em cada sessão.
UC 12 Gerencia dados pessoais
Alteração dos dados pessoais.
UC 13 Gerencia comunicação da personagem Alice
Cadastra as mensagens que são apresentadas aos alunos conforme modelo do aluno e parâmetros (ex: horário de exibição, acesso recorrente, dia da semana, etc.). As mensagens são compostas em três partes, com as seguintes informações para cada uma:
1. Saudação: texto, nível de prioridade, acesso, horário inicial e final, e dia da semana vinculado.
2. Corpo: texto, nível de prioridade, acesso no dia, freqüência de acesso, freqüência de exercício, aluno trabalha, data de feriado (caso estiver vinculado a um).
3. Adicional: texto, nível de prioridade, acesso no dia, tipo de mensagem.
40
O professor informa as unidades e conceitos que a disciplina contém, conforme o plano de
ensino. Essas informações são a base do ambiente em uma determinada disciplina, pois as questões,
materiais, chamadas e desempenho do aluno são analisados e referenciados a cada um dos
conceitos.
Outro ponto de destaque no perfil do professor, é a possibilidade de visualizar as
informações fornecidas por cada aluno sobre seu conhecimento e disponibilidade, e os dados sobre
o desempenho do aluno na disciplina, conforme mostra a Figura 13.
Figura 13. Tela apresentando o perfil e o desempenho de um aluno
Assim, é possível acompanhar o desempenho em cada conceito e ao longo de cada exercício
submetido. O professor pode interferir no modelo do aluno, informando quais conceitos o aluno
apresentou dificuldade em sala de aula. Dessa forma, ao indicar um próximo exercício ao aluno
serão consideradas tanto as dificuldades identificadas pelo sistema quanto às informadas pelo
professor a partir de observações em sala de aula, conforme ilustra a Figura 14. Um detalhamento
quanto a aplicação dessas informações no ambiente podem ser conferidas na Seção 2.4.4.4.3
Assistente de modalidade de mediação.
41
Figura 14. Tela de configuração dos dados do aluno e conceitos em que apresenta dificuldade de aprendizagem
A seção denominada Praticando é onde os exercícios são confeccionados e corrigidos.
Eles são compostos de questões objetivas (múltipla escolha e verdadeiro / falso) e dissertativas
(algoritmos e discursivas). As objetivas são corrigidas pelo ambiente automaticamente, no momento
da submissão feita pelo aluno. As dissertativas passam a ser disponibilizadas aos professores para
correção.
Essa é uma das áreas com maior quantidade de ferramentas de apoio ao professor e ao aluno
do ambiente. Além de exibir questões e gravar as respostas submetidas pelos alunos, há a execução
de diversos assistentes atuando no diagnóstico dos algoritmos submetidos, identificação dos
conceitos em que o aluno apresenta dificuldade de aprendizagem, proposição automática de novos
exercícios, e escolha do tipo de mediação a ser utilizada. Esses e os demais assistentes são
detalhados na Seção 2.4.4.4.
42
O professor também é responsável por configurar as mensagens da tutora ALICE,
personagem que promove a comunicação entre os serviços internos, e apresenta-se através da
interface. A configuração consiste no cadastro das mensagens que são exibidas quando os alunos ou
professores acessam o sistema. Conforme o perfil do participante que acessa, é exibida uma
determinada mensagem. Essa funcionalidade é detalhada na Seção 2.4.4.4.6 Assistente de interface
(personagem Alice).
2.4.3.3. Aluno
No ambiente ALICE os alunos têm a disposição o acesso de materiais, realização de
exercícios, troca de mensagens, visualização de colegas e gerenciamento de dados pessoais, como
apresenta a Figura 15.
ud Aluno
Aluno
UC 01 - Acessa materiais
UC 02 - Realiza exercícios
UC 06 - Troca mensagens
UC 07 - Visualiza colegas
UC 08 - Gerencia dados pessoais
UC 03 - Visualiza exercício corrigido
UC 04 - Visualiza desempenho por
conceito
UC 05 - Visualiza desempenho por
exercício
Figura 15. Casos de uso do aluno
Tabela 7. Descrição dos casos de uso do aluno
Caso de Uso Descrição UC 01 Acessa materiais O aluno acessa o material disponibilizado pelo professor.
Esse material pode ser tanto o conteúdo básico quanto arquivos de apoio à aprendizagem. Os materiais são exibidos pelo próprio ambiente ou disponibilizados para download.
UC 02 Realiza exercícios O aluno responde os exercícios disponibilizados a ele fornecidos pelo professor ou pelo ambiente. É permitido ao aluno responder apenas uma vez cada exercício.
UC 03 Visualiza exercício corrigido
O aluno consulta a correção dos exercícios realizados. São apresentadas as questões, a resposta enviada pelo aluno, a nota obtida e um comentário do professor sobre a resposta.
43
Tabela 8. Descrição dos casos de uso do aluno
Caso de Uso Descrição UC 04 Visualiza desempenho por conceito
O aluno visualiza seu desempenho em cada um dos conceitos. É exibido o conceito, aproveitamento (classificado em bom , médio ou ruim ), nota e número de questões respondidas.
UC 05 Visualiza desempenho por exercício
O aluno visualiza o desempenho obtido em cada conceito para cada exercício realizado. É mostrado o nome do exercício, e para cada conceito, o aproveitamento obtido (classificado em bom , médio ou ruim ).
UC 06 Troca mensagens Composição, leitura e envio de mensagens. Visualiza mensagens recebidas e enviadas. Permite a exclusão de mensagens.
UC 07 Visualiza colegas O aluno visualiza os colegas que estão conectados no ambiente no momento.
UC 08 Gerencia dados pessoais
Alteração dos dados pessoais, tais como e-mail, data de nascimento, perfil (se trabalha, se programa, etc.) e configurações de notificação de novas mensagens e novos exercícios.
2.4.4. Arquitetura do ambiente ALICE
O ambiente ALICE, sob o ponto de vista computacional, é considerado um sistema ITA,
devido ao suporte dado a alunos e professores simultaneamente, conforme pode ser observado na
Figura 16.
Figura 16. Arquitetura do ambiente ALICE
44
A arquitetura apresenta o modelo do aluno, o modelo do domínio e o modelo do tutor
(representado pela estratégia pedagógica e os assistentes que atuam na automatização de tarefas do
professor). Ainda contém ferramenta de análise e monitoramento dos alunos. A interface do aluno é
composta pela personagem Alice, uma assistente visível aos alunos que tem como papel motivar
sua visitação ao ambiente.
2.4.4.1. Modelo do domínio
O ALICE é um ambiente que se baseia em uma estrutura semelhante a adotada pelas
universidades, que contém cursos, e disciplina dentro desses. Nesse caso, a disciplina de Algoritmos
e Programação I, encontra-se inserida dentro do curso de Ciência da Computação. Logo, percebe-se
que embora este trabalho enfoque o ensino de algoritmos, o ambiente está preparado para comportar
outros domínios.
Na seqüência, cada disciplina contém as unidades de ensino que estabelecem as divisões do
conteúdo programático. Por sua vez, as unidades possuem diversos conceitos a serem abordados,
que são os conteúdos propriamente.
O conceito é o principal elemento no modelo do domínio, pois todos os demais elementos
que compõem o domínio são relacionados a um ou vários conceitos. Isto é, os materiais base e
complementar, bem como as questões, são vinculados aos conceitos, o que viabiliza um diagnóstico
mais preciso do item no qual o aluno apresenta dificuldade e como atendê-la.
Além disso, os conceitos também são relacionados aos tokens 2 que eles introduzem em um
algoritmo, permitindo a atuação dos assistentes que analisam os algoritmos submetidos pelos
alunos.
Por fim, tem-se o registro das chamadas, ou seja, o processo de verificação de alunos
presentes e ausentes, que pode ser armazenado no ALICE, no qual o professor tem a possibilidade
de relacionar suas aulas ministradas com os conceitos e materiais disponíveis.
O modelo do domínio abrange o conteúdo instrucional organizado na estrutura representada
pela Figura 17.
2 Token é um bloco primitivo de uma estrutura textual, é o primeiro passo da interpretação de um texto. Geralmente são definidos por expressões regulares.
45
Curso
DisciplinaDisciplinaDisciplina
UnidadeUnidade
Conceito
Mapa Conceitual
Conceito
Material de Referência
Material Complementar
Questões
Tokens
Chamadas
Figura 17. Estrutura organizacional do conteúdo instrucional
2.4.4.2. Modelo do aluno
O modelo do aluno contém informações, ilustradas na Tabela 9, e classificadas em:
Estáticas: alteram conforme atualização realizada pelo professor ou aluno, dos dados
do aluno; e
Dinâmica: alteram conforme ações no ambiente.
46
Tabela 9. Informações contidas no modelo do aluno conforme classificação
Informações ou Atributos
Estatísticas Dinâmicas
Pessoal
Nome
Turma
É repetente?
Mensagens enviadas
Comportamental
Falta às aulas?
Conversa durante as aulas?
Tenta responder os exercícios?
Trabalha mais de 20 horas por semana?
Sessões acessadas
Chamadas registradas
Nat
urez
a
Cognitiva
Têm experiência em programação?
Notas nas avaliações
Desempenho nos conceitos
Exercícios realizados
Em relação às informações dinâmicas, o conteúdo acessado, a realização dos exercícios, e o
desempenho obtido neles são registrados conforme as ações do aluno. Contudo, o professor também
interfere no modelo, não apenas informando as notas das avaliações, mas também intercedendo na
identificação das dificuldades de aprendizagem nos diversos conceitos, afetando no respectivo
desempenho; ou ainda registrando o comportamento dos alunos em sala de aula.
É possível classificar os dados que compõe o modelo em: (i) pessoal (informações
pertinentes à identificação do aluno no ambiente); (ii) comportamental (atitudes registradas em sala
de aula e no ambiente); (iii) cognitivo (relacionado ao desempenho em avaliações presenciais e
exercícios respondidos no ALICE).
2.4.4.3. Estratégia Pedagógica (Modelo do tutor)
O modelo do tutor contém as regras que orientam o processo decisório do sistema. A partir
das informações do modelo do aluno e do domínio, o tutor seleciona uma estratégia mais adequada.
Deve-se salientar que nessa abordagem de ITA, o processamento do tutor é realizado pelos
assistentes que auxiliam o professor.
Os assistentes desenvolvidos atuam: no processamento de respostas dos exercícios enviados
pelos alunos, englobando desde a análise de conceitos presentes, até a detecção de respostas
similares e dificuldades de aprendizagem apresentadas, auxiliando na escolha de um próximo
exercício a ser proposto; na seleção da estratégia mediadora a ser aplicada conforme o perfil do
aluno; e também no incentivo à visitação ao ambiente, baseado no estilo do aluno dentro e fora do
ambiente.
47
2.4.4.4. Assistentes
Com o objetivo de automatizar algumas tarefas do professor, foram criados assistentes que
utilizam técnicas de Inteligência Artificial, como árvores de decisão e lógica fuzzy. Os assistentes
realizam:
Detecção de plágio de respostas;
Análise de algoritmos submetidos por alunos;
Tomada de decisão sobre o tipo de mediação;
Identificação de dificuldades de aprendizagem;
Confecção de exercícios personalizados; e
Assistente de interface (Personagem Alice).
Esse último, diferentemente dos demais, caracteriza-se por ser um assistente apresentado
visualmente aos alunos através da personagem Alice, que foi desenvolvido a fim de motivar o aluno
ao aprendizado por meio do ambiente (Seção 2.4.4.4.6). Cada um dos assistentes é detalhado nas
subseções a seguir.
2.4.4.4.1. Assistente de detecção de plágio
O assistente para detecção de plágio de respostas visa alertar o professor quanto a possíveis
cópias de respostas de exercícios (cola). A análise permite reconhecer os tipos de cópias mais
freqüentes: a cópia na íntegra e a cópia onde apenas os nomes de variáveis são alterados. Na
ocorrência de algum plágio, registra-se no ambiente e é alertado ao professor no momento da
correção, cabendo a ele decidir se houve cópia, apenas coincidência, ou uma situação prevista como
um exercício já realizado em sala de aula. O funcionamento do assistente é ilustrado através do
diagrama de atividades da figura 18.
48
ad Assistente de Detecção de Plágio
Inicio
Submete exercício
Solicitou detecção? Análise léxica daresposta do aluno
Há respostas de colegas?Análise léxica das
respostas dos colegas
Compara respostas
Fim
Similaridade?
Armazena na base
Sim
Sim
Não
Não
Não
Sim
Figura 18. Diagrama de atividades do assistente de detecção de plágio de respostas
Após o aluno enviar as respostas de um exercício, é identificada a existência de questões na
qual o professor, ao confeccionar o exercício, solicitou a ajuda do assistente a fim de identificar
casos de plágio de respostas.
Havendo a solicitação, é realizada uma análise léxica de cada resposta do exercício
submetido. Na seqüência são localizadas as respostas dos colegas, onde cada uma é analisada
também, e assim comparada à resposta submetida. Encontrando similaridade entre duas soluções é
registrada uma ocorrência no modelo do aluno, o qual será exibido ao professor no momento da
correção efetiva da resposta, cabendo a esse a tomada de decisão.
Para que seja possível a apresentação das informações ao professor, faz-se necessário
armazenar na base do ALICE os resultados da detecção, que contém: o exercício e a questão
analisada, e o identificador do colega na qual o aluno realizou a cópia, e o tipo de cópia (na íntegra
ou da estrutura).
2.4.4.4.2. Assistente de análise de algoritmos submetidos pelos alunos
O assistente para diagnóstico de algoritmos tem como objetivo realizar uma análise prévia
da resposta submetida. Para que isso ocorra, é fundamental que ao cadastrar uma questão, o
49
professor indique quais conceitos (com respectivos identificadores, ou tokens, definidos
previamente) a resposta deve apresentar. Assim, cada resposta passa por uma análise léxica onde
um conjunto de tokens é identificado e, caso um dos indicados na questão não constarem no
conjunto, o professor é alertado, pois é possível que haja erro na resposta. Salienta-se que o
assistente não realiza a correção do algoritmo, sendo que essa tarefa compete ao professor. Ele
apenas fornece um auxílio (assiste o professor) na correção. A Figura 19 mostra o diagrama de
atividades do assistente de análise de algoritmos.
ad Assistente de Análise de Algoritmos
Início
Submete exercício
Análise léxicaSolicitou análise?
Busca conceitos dasolução do professor
Há todos os conceitos? Busca conceitos exigidosna questão
Há todos os conceitos?
Armazena na base
Fim
Armazena na base
Sim
NãoSim
Não
NãoSim
Figura 19. Diagrama de atividade do assistente de análise de algoritmos
O funcionamento de assistente é inicializado a partir da submissão de um exercício resolvido
por um aluno. Primeiramente, é verificado se o professor solicitou a execução do assistente para
auxiliá-lo na correção. Caso afirmativo, é realizada a análise léxica que permite identificar os tokens
na resposta do aluno, a fim de compará-los com exigidos pela questão e com os presentes na
solução informada pelo professor.
Semelhante ao Assistente de Detecção de Plágio, faz-se necessário armazenar o diagnóstico
realizado durante a análise, guardando as seguintes informações: exercício e questão analisada, os
conceitos ausentes na resposta em relação aos solicitados pelo professor no cadastramento da
50
questão, e os conceitos ausentes aos exigidos no momento do cadastro realizado pelo professor, se
houver.
2.4.4.4.3. Assistente de modalidade de mediação
No ambiente ALICE cada aluno é diagnosticado conforme as características apresentadas no
modelo do aluno. O diagnóstico estabelece qual estratégia mediadora deve ser aplicada. As
estratégias mediadoras foram fundamentadas na teoria da mediação de Feuerstein (1994),
apresentada sucintamente na Seção 2.4.5.
Neste contexto, foram selecionadas duas formas de mediação: de transcendência e de
competência. A mediação de transcendência promove o desenvolvimento lógico através de
exercícios com um grau de complexidade maior, desafiando o aluno e estimulando a autonomia no
aprendizado.
Já a mediação de competência busca trazer o aluno para conhecer a disciplina. Nesse caso,
apresentam-se exercícios básicos, ampliando as chances de acerto e assim aumentando sua auto-
estima (sensação de competência).
Nessa versão do ambiente ALICE, a modalidade de mediação afeta na decisão das questões
a serem escolhidas pelo assistente para confecção de exercícios personalizados (ver Seção 2.4.4.4.5
Assistente para confecção de exercícios personalizados).
A estratégia para decidir que atitude mediadora adotar, baseia-se nos seguintes atributos:
1) Experiência: É verificado se o aluno possui experiência em programação e se ele é
repetente na disciplina;
2) Disponibilidade de estudo: É verificado se o aluno trabalha mais de 20 horas semanais;
3) Empenho: É verificado, pelo professor, se o aluno falta às aulas, sai de sala durante a
aula, conversa com os colegas em momentos inoportunos. Ainda é registrado se o aluno
tenta resolver os exercícios em aula;
4) Desempenho nos exercícios: verificado pela correção das questões objetivas e
algoritmos; e
5) Desempenho nas avaliações: verificado pelas notas do aluno em sala de aula.
51
Os atributos 1 e 2 são preenchidos pelo aluno em seu primeiro acesso no sistema, podendo
ser atualizado a qualquer momento. O atributo 3 é fornecido pelo professor através de observações
em sala de aula. O desempenho do aluno, atributos 4 e 5, são computados pelo sistema, tendo como
base a resolução dos exercícios propostos no ambiente e as notas das avaliações que são cadastradas
pelo professor.
A partir dos atributos foi construída uma árvore de decisão baseada em regras de produção
que selecionarão a mediação de transcendência ou competência. As regras são executadas sempre
que um dos atributos é modificado.
A árvore de decisão foi desenvolvida com base nos conhecimentos do professor da
disciplina (especialista). Cada regra foi definida a partir da experiência adquirida durante nove
edições anteriores da disciplina.
Possui experiência
Disponibilidade
Desempenho exercícios
Desempenho avaliações
Mediar Transcendência
Mediar Transcendência
Mediar Competência
Disponibilidade
EmpenhoMediar
TranscendênciaMediar
Competência
Mediar Competência
Mediar Transcendência
Figura 20. Árvore de decisão de modalidade de mediação
Considera-se de forma geral que o aluno que estiver apto para receber mediação de
transcendência poderá aproveitar melhor a disciplina, pois está relacionando os problemas
solucionados com situações cotidianas.
Em contrapartida, o aluno que ainda apresenta dificuldades de compreensão das noções
lógicas básicas necessárias ao desenvolvimento das soluções, pode estar se encaminhando para uma
situação de desmotivação por estar sentindo-se incapaz de sobrepujar os desafios da disciplina.
Acredita-se que este aluno esteja em situação de abandono potencial.
52
O fato de um aluno possuir experiência prévia normalmente confere a ele a possibilidade de
receber mediações de transcendência, pois ele já possui o domínio prévio das estruturas lógicas
necessárias e pode ser mais exigido.
Um outro indicador de mesma natureza é o bom desempenho nas avaliações. Os alunos
dessa categoria normalmente podem receber mediações de transcendência, pois demonstram ter
desenvolvido a noções básicas para solucionar problemas mais complexos.
Aqueles alunos que não têm experiência e não têm bom desempenho nas avaliações, podem
ainda demonstrar um bom desempenho nos exercícios, fato que indica que a nota da prova pode não
refletir o real estágio de desenvolvimento do aluno. Nesses casos verificam-se duas situações: o
aluno tem disponibilidade para ser exigido, e assim o será (receberá mediação de transcendência);
ou então o aluno não tem disponibilidade (o que pode explicar o fraco desempenho nas avaliações)
portanto pode estar em uma situação de potencial desmotivação e por isso receberá mediação de
competência.
Já os alunos que não possuem experiência e tem desempenho ruim nas avaliações e nos
exercícios receberão mediação de competência por serem desistentes em potencial, salvo o caso
destes alunos demonstrarem empenho, pois se acredita que os alunos poderão sobrepujar suas
dificuldades se tiverem o devido empenho.
2.4.4.4.4. Assistente para identificação de dificuldades de aprendizagem
O ALICE possui um assistente responsável por identificar os conceitos que cada aluno
apresenta dificuldades de aprendizagem. Logo, para que o assistente funcione de maneira eficiente,
é necessário que o professor informe quais são os conceitos trabalhados em cada questão
cadastrada.
O funcionamento do assistente consiste nas seguintes etapas:
1) O aluno responde a um exercício (confeccionado pelo professor ou pelo Assistente para
Confecção de Exercícios Personalizados);
2) É realizado um monitoramento que aguarda a finalização de sua correção, que pode
acontecer tanto no momento da submissão, se houver apenas questões objetivas, quanto
53
após a correção do professor, se houver questões dissertativas. Cada questão é pontuada
entre uma faixa de 0 a 10; e
3) Finalizada a correção, o assistente realiza um diagnóstico que consiste nos passos
abaixo:
a) Desempenho do aluno em cada conceito: são identificados todos os conceitos
trabalhados nos exercícios, e para cada um é contabilizado o número de questões na
qual apareceram e somadas as notas obtidas em cada resposta. Essas somas são
adicionadas aos valores já contidos na base de dados, de forma que cada alteração da
base resulte em um novo registro. Isso viabiliza a geração de relatórios do
desempenho gradual do aluno. Já que a cada nova submissão é gerado um novo
registro, o que não exclui a informação anterior, e permite a consulta do desempenho
do aluno em diversos momentos do semestre; e
b) Cálculo do valor fuzzy: A aplicação da lógica fuzzy dá-se pela flexibilidade por ela
provida, em dimensionar níveis intermediários de verdade. Por exemplo, um aluno
com média 5.8, embora seja menor que a nota média para aprovação (nota 6), não
significa necessariamente que o mesmo não está apto. Nesse caso o aluno está mais
próximo da aprovação do que da reprovação. A lógica fuzzy permite modelar estas
questões.
Após realizar o cálculo do desempenho do aluno, é calculado o valor fuzzy para cada
conceito. O valor foi determinado através de funções de pertinência regidas pelo
gráfico, apresentado na Figura 21, e equações exibidas na Tabela 10:
Figura 21. Gráfico de valores fuzzy
54
Tabela 10. Funções de pertinência de cada conceito
f(x) = 1 se 0 x 2 Para o conceito Ruim:
f(x) = -x + 3 se 2 > x 3 f(x) = 0,5x -1 se 2 x < 4 f(x) = 1 se x = 4 Para o conceito Médio: f(x) = -0,5x + 3 se 4 > x 6 f(x) = x - 5 se 5 x 6
Para o conceito Bom: f(x) = 1 se 6 > x 10
Ressalta-se, que esse assistente aplica a lógica difusa apenas para classificação do
desempenho do aluno, não sendo essa técnica aplicada nos demais processos do ambiente ALICE.
A classificação de desempenho através dessa lógica permite que casos onde alunos com notas
próximas aos lineares de bom , médio ou ruim sejam tratados de forma mais igualitária.
Na prática, o benefício é percebido quando um aluno, cuja nota encontra-se inferior à média
determinada (valor 6 em uma escala de 0 a 10), seja considerado como quase bom e não como
aluno mediano. Dessa forma, um aluno que apresenta nota 5,85 será considerado com conhecimento
próximo a outro que a nota é 6,15.
2.4.4.4.5. Assistente para confecção de exercícios personalizados
O presente assistente é responsável pela geração de novos exercícios a cada finalização de
correção realizada, obedecendo às necessidades de aprendizagem individuais. Para tanto, requer o
cadastro das mesmas informações solicitadas pelo Assistente para Identificação de Dificuldades de
Aprendizagem, isto é, faz-se necessário fornecer para cada questão a ser resolvida os conceitos a ela
vinculados. Além disso, o Assistente para Confecção de Exercícios Personalizados precisa que
várias questões de um mesmo conteúdo sejam cadastradas no ALICE para que ele possa ter mais
opções de escolha na seleção das questões que irão compor os exercícios personalizados.
Inicialmente são verificados os conceitos em que um determinado aluno apresenta
dificuldade de aprendizagem. Um conjunto de regras de produção foi desenvolvido, a fim de
estabelecer qual será o conceito a ser proposto ao aluno pelo sistema. Caso o aluno apresente um
bom desempenho nos conceitos até então trabalhados, é oferecido um novo conceito, respeitando as
relações de pré-requisito estabelecidas pelo mapa conceitual que auxilia na modelagem do domínio.
Caso contrário, a dificuldade de aprendizado encontrada será trabalhada.
55
Para isto, dois tipos de regras foram definidas: uma quando não há dependência de conceitos
anteriores (pré-requisitos) e outro quando há dependência conceitual:
Se D# = ruim ou D# = médio então questão = C#
Se D# = bom então questão = C(# + 1)
Quando não há pré-requisito
Se (D# = ruim ou D# = médio) e (D(# do pré-requisito) = ruim ou D(# do pré-requisito) = médio)
então questão = C(# do pré-requisito)
Se (D# = ruim ou D# = médio) e (D(# do pré-requisito) = bom) então questão = C#
Se D# = bom então questão = C(# + 1)
Quando há pré-requisito
Sendo:
C# = Representa o conceito a ser analisado. Ex: C4.4. Algoritmos Seqüenciais;
D# = Representa o desempenho obtido em um determinado conceito; e
Questão = nova questão a ser disponibilizada.
Caso haja mais de um conceito habilitado para o aluno receber questões, é obedecida a
ordem de pré-requisitos temporais, privilegiando os que estiverem mais no início da disciplina.
Na seqüência, são escolhidas as questões para o novo exercício, as quais devem obedecer
aos seguintes requisitos:
i. Não podem ter sido respondidas previamente por este aluno;
ii. Não podem ter vínculo com conceitos em que o aluno não está apto a
trabalhar;
iii. Não devem ser componentes de outros exercícios desenvolvidos pelo
professor ou pelo ambiente para este aluno; e
iv. Devem respeitar a modalidade de mediação definida para o aluno.
56
As questões que satisfizerem esses requisitos são sorteadas e no máximo 3 serão escolhidas
para formar o exercício. Caso não existam questões disponíveis, é enviada uma mensagem
alertando o professor, informando que o aluno necessita de atenção e questões para os conceitos
identificados, exemplificada na Figura 22.
Figura 22. Mensagem enviada ao professor alertando problemas de aprendizagem
Uma observação a ser registrada a respeito da escolha por três questões em cada exercício
confeccionado, deve-se ao fato de que exercícios pequenos facilitam tanto sua realização por parte
do aluno quanto à correção (quando é necessária a ação pelo professor), tornando o processo mais
interativo.
2.4.4.4.6. Assistente de interface (personagem Alice)
O último assistente disponibilizado pelo ambiente, consiste na personagem Alice que é
responsável por transmitir as mensagens motivadoras aos alunos através da interface.
Cada mensagem é composta em três partes textuais: saudação, corpo, e incentivo, conforme
é apresentada na Figura 23. O ambiente dispõe de um banco de dados com diversas mensagens que
são exibidas conforme o perfil determinado, gerenciado pelo administrador.
ad Ativ idades
Saudação Corpo Inv entiv o aparticipação
Busca informaçõessobre o aluno
Acessa página principal Mostra mensagem
Figura 23. Diagrama das atividades realizadas para seleção da mensagem da personagem Alice aos alunos
57
Inicialmente é realizada uma busca no modelo do aluno capturando as informações
relevantes sobre ele e seu comportamento no ambiente. Os dados são determinantes na escolha das
mensagens que serão exibidas aos alunos.
A saudação é escolhida conforme a freqüência do aluno no dia ou a hora de acesso, ilustrado
na Figura 24. Alguns exemplos de saudações são apresentados na Tabela 11.
ad Mensagem de saudação
Início
Já acessou hoje? Sorteia saudaçãoconforme horário corrente
Sorteia saudação deretorno ao ambiente
Retorna ao fluxo principal
[Não]
[Sim]
Figura 24. Escolha da mensagem de saudação da tutora Alice
Tabela 11. Exemplos de mensagens de saudação e parâmetros para sua exibição
Parâmetros Exemplos de Mensagem Prioridade Acesso no
dia Horário inicial
Horário final
Dia da semana
Olá, <NOME_DO_ALUNO>, já almoçou? Eu já fiz o meu lanchinho!
Alta Tanto faz 12:00 14:00 Tanto faz
Voltou, <NOME_DO_ALUNO>?
Alta Sim Tanto faz Tanto faz Tanto faz
Boa noite, <NOME_DO_ALUNO>!
Baixa Tanto faz 18:00 23:59 Tanto faz
Oi, <NOME_DO_ALUNO>!
Baixa Tanto faz Tanto faz Tanto faz Tanto faz
O corpo da mensagem é determinado pelas seguintes informações: data de nascimento do
aluno, assiduidade no sistema e na submissão de exercícios, atualização da página (refresh), horas
de trabalho do aluno, retorno ao ambiente no mesmo dia. Estas são analisadas e conforme o perfil
do aluno, é sorteado o corpo. A decisão é efetuada conforme o esquema apresentado na Figura 25.
58
ad Corpo da Mensagem
Início
Sorteia corpo demensagem de aniversário
Sorteia corpo demensagem de mais ativ o
Sorteia corpo demensagem de atualização
de página
Sorteia corpo demensagem conforme
perfil
Retorna ao fluxo principal
Aniversariante? Mais ativo no sistema? Atualizou a página?
Trabalha mais de 20 horas?
Já acessou no dia corrente?
Acessa freqüentemente?
Responde exercícios com freqüência?
[Não]
[Não]
[Não]
[Não]
[Não][Não]
[Sim][Sim][Sim]
Figura 25. Escolha do corpo da mensagem da tutora Alice
Na seleção do corpo da mensagem são verificados os parâmetros:
Aniversariante: aluno completa aniversário no dia do acesso;
Mais ativo no ambiente: o aluno, dentre todos os alunos participantes, é o que mais
participa enviando exercícios, acessando materiais, etc.;
Atualizou a página: o aluno está apenas atualizando a página sucessivamente para
visualizar as mensagens selecionadas pela tutora;
Trabalha mais de 20 horas: o aluno trabalha em média 8 horas diário, então são
buscadas mensagens que mais se aproxime do perfil dele;
Já acessou no dia: o aluno já acessou o ambiente no dia, então é apresentada uma
mensagem comentando sobre o seu retorno;
Acessa freqüentemente: o aluno tem costume em acessar o ambiente, logo é
incentivado que continue assim; e
Responde exercícios com freqüência: o aluno mantém uma rotina de envio de
exercícios, e portanto, deve ser congratulado.
59
Sendo assim, a Tabela 12 apresenta exemplos de mensagens considerando apenas alguns dos
parâmetros.
Tabela 12. Exemplos de corpo de mensagens e parâmetros para sua exibição
Alguns Parâmetros Exemplos de Mensagem Prioridade Acesso Freqüência Realiza
exercícios
Trabalha Aniversário
A-ha! Atualizando a página? Pensa que eu não vi?
Alta Refresh Tanto faz Tanto faz Tanto faz Não
Hoje tem festaaaa!!! Parabéns a você, nesta data querida, muitas felicidades, muitos anos de vida!
Muito alta Tanto faz Tanto faz Tanto faz Tanto faz Sim
Olha aí meu aluno favorito (hihihi) !!!!
Alta Tanto faz Sim Sim Tanto faz Não
Muito trabalho nos últimos dias? Ah, venha me visitar mais vezes como antes!
Baixa Tanto faz Era freqüente
Tanto faz Sim Não
Por fim, é apresentada uma mensagem opcional que alerta alguma atualização do ambiente
desde a última visita do aluno, apresentada na Figura 26. As variáveis verificadas são: mensagens,
exercícios, recados do professor, e materiais. Caso existam atualizações, a mensagem é exibida,
cujos exemplos podem ser visualizados na Tabela 13.
ad Mensagem de incentiv o a participação
Início
Sorteia mensagem deincentiv o
Novas mensagens do correio?
Novos exercícios?
Novos recados?
Novos materiais?
Retorna ao fluxo principal
[Sim]
[Sim]
[Sim]
[Sim]
Figura 26. Escolha da mensagem de incentivo da tutora Alice
60
Tabela 13. Exemplos de mensagens de incentivo e parâmetros para sua exibição
Parâmetros Exemplos de Mensagem Tipo
Tenho um exercício novo para você responder, preparado para mais este desafio? Vamos lá, tente resolver!
Exercício
Ah, não esqueça de verificar as mensagens!
Correio
E atenção, <NOME_DO_ALUNO>. Tem recado novo de seu professor!
Recado
Dê uma passadinha nos <TIPO_DE_MATERIAL>, tem novidades lá!
Material
A imagem que representa a personagem Alice é exibida de acordo com o horário corrente.
Caso o acesso ocorre no período da manhã, ela é exibida tomando café, já em um acesso à noite ela
pode aparecer de pijama, ou acessando ao meio-dia a tutora mostra-se almoçando, etc.
A partir da reunião das três partes e da escolha da imagem, o resultado pode ser conferido
em alguns dos exemplos apresentados na Figura 27.
Figura 27. Exemplos de mensagens da tutora Alice
2.4.5. Suporte pedagógico
O suporte pedagógico do ambiente Alice está fundamentado na teoria das Experiências de
Aprendizagem Mediadas (EAM) (FEUERSTEIN, 1994). Conforme essa teoria, as EAM consistem
na forma de atingir a Modificabilidade Cognitiva Estrutural (MCE).
Para Feuerstein (1994), o ser humano possui uma tendência natural à modificação de suas
estruturas cognitivas, sendo essa modificação um resultado das adaptações do ser as situações de
experiência. A inteligência é vista como o resultado do processo adaptativo, ou seja, a modificação
das estruturas cognitivas para atender as demandas de novas modalidades de experiências.
61
A presença de um mediador é fundamental para organizar, direcionar e dosar a intensidade
da experiência de aprendizagem do mediado. A esse processo deu-se o nome de Experiência de
Aprendizagem Mediada (CHAVES, 2002).
Para que uma mediação atinja o status de EAM deve possuir obrigatoriamente três
parâmetros:
(i) Intencionalidade e reciprocidade: Um dos primeiros elementos necessários é que o
mediador tenha uma intenção com relação ao mediado e não apenas ofereça ao
indivíduo a oportunidade de ver ou interagir com algum conteúdo. Assim que o
mediado reconhece a intenção do mediador e a importância de sua atuação
selecionando e formatando a experiência, a reciprocidade é atingida;
(ii) Significado: É onde reside toda a transmissão mediada de valores, atitudes culturais e
pessoais do mediador para com o mediado. Ensinar é provocar nos indivíduos a
busca por significados, sejam eles no âmbito individual ou coletivo; e
(iii)Transcendência: A mediação de transcendência ocorre quando mediador e mediado
caminham para além de um evento causa ou objetivo particular. Transcender é
extrapolar um aprendizado para outras situações na qual o apreendido pode ser
aplicado novamente.
No ambiente ALICE, as mediações de intencionalidade/reciprocidade são manifestadas de
duas formas: (i) através da atuação do assistente de seleção de exercícios, pois esse possui
implicitamente a intenção de possibilitar aos alunos trabalharem os conceitos que apresentam
dificuldades; (ii) através da atuação do professor ao interferir no modelo do aluno com a intenção de
que este receba assistência adequada do sistema.
As mediações de significado ocorrem quando da interação do aluno com os materiais
didáticos (básicos e complementares) e também através das orientações fornecidas por docentes e
monitores na correção dos exercícios.
A mediação de transcendência é realizada nas situações em que o aluno é considerado apto
para transcender os objetivos de aprendizagem de um determinado conteúdo, relacionando-o com
aspectos e problemas do cotidiano. Até o momento isso é feito através da proposta de exercícios
mais complexos que possibilitam ao aluno transcender.
62
Feuerstein (1994) apresenta ainda outros nove critérios de mediação: Mediação do
sentimento de competência; Mediação da regulação e controle do comportamento; Mediação do
comportamento de compartilhar; Mediação da individuação e individualização psicológica;
Mediação da busca por objetivos e metas; Mediação do desafio: a busca pela novidade e
complexidade; Mediação da conscientização do ser humano como modificável; Mediação da busca
pelas alternativas otimistas; e Mediação do sentimento de pertencer. Dentre esses critérios de
mediação, selecionou-se um em especial que possui uma estreita relação com a história de
aprendizagem dos alunos de algoritmos: a mediação do sentimento de competência.
Conforme observações realizadas pelo professor especialista, tem-se verificado ao longo de
diversas edições da disciplina que muitos alunos que possuem a aptidão para solução de problemas,
ao enfrentarem as primeiras dificuldades ficam desmotivados e descrentes quanto a sua
competência para serem aprovados na disciplina. A mediação do sentimento de competência busca
justamente assistir a estes alunos trazendo situações onde estes identifiquem aquilo que já
apreenderam, sentindo-se competentes.
Adotou-se essa modalidade de mediação como sendo oposta a mediação de transcendência
por possuírem objetivos antagônicos no contexto da disciplina: uma pretende incentivar o aluno a
transcender e ir além, enquanto a outra visa ampliar a motivação a auto-estima do aluno fornecendo
a esses atividades demonstrem o que ele já aprendeu.
2.5. CONSIDERAÇÕES SOBRE O CAPÍTULO
Ao longo desse capítulo foi descrita a importância do aprendizado da disciplina de
algoritmos para alunos ingressos em cursos tecnológicos. Ainda, foram levantados diversos
aspectos que tornam o processo de ensino-aprendizagem dificultoso tanto para os alunos quanto
para os professores, razão para o qual é crescente o esforço de pesquisadores em busca de soluções
pedagógicas e computacionais.
A maioria dessas ferramentas visa auxiliar o aluno no desenvolvimento da lógica,
possibilitando edição e teste de algoritmos. Algumas chegam a ampliar essa visão, incluindo
materiais de suporte e outras funcionalidades. Entretanto, percebe-se que não existem exemplares
que atendam os alunos individualmente, tal qual um professor faria em sala de aula. Elas
desconhecem o perfil de seu usuário, tratando-o sem distinção.
63
O atendimento personalizado, respeitando o ritmo de aprendizagem e conhecimento
adquirido vem ao encontro da perspectiva dos Sistemas Tutores Inteligentes, os quais se preocupam
em ensinar conforme o perfil do aluno.
Atualmente vem sido pesquisados sistemas tutores que apóiem tanto os alunos quanto os
professores, os ITAs. Esses sistemas visam fornecer uma integração da participação de ambas as
partes para promover a aprendizagem envolvendo-os no desenvolvimento do conhecimento e
tomada de decisões pedagógicas.
Contudo, os sistemas citados representam apenas informações referentes ao estado cognitivo
do aluno. Logo, com a missão de incluir emoções nos sistemas computacionais, foi criada a área de
Computação Afetiva. Ela estuda os mecanismos de capturar, organizar e responder as emoções
humanas através de sistemas computacionais, seja por meio de sensores ou através da interface.
Incluir as emoções em um sistema computacional direcionado aprendizagem de algoritmos é
importante, uma vez que certos problemas de aprendizagem possuem sua natureza afetiva. E,
conforme visto, a afetividade interfere na aprendizagem, pois alunos com problemas deste tipo
tendem a apresentar dificuldades em aprender.
Enfim, o presente TCC busca incorporar em um ambiente virtual de aprendizagem de
algoritmos, parâmetros afetivos ao modelo do aluno, de forma que possa verificar se a inclusão e o
tratamento das emoções afeta positivamente no empenho e desempenho dos alunos.
[FIM DE SEÇÃO. Não remova esta quebra de seção]
64
3. PROJETO
O desenvolvimento do projeto envolveu a realização das seguintes etapas: (i) definição das
emoções consideradas e de que forma a coleta deveria ser procedida; (ii) elaboração e aplicação de
um instrumento para inicializar os valores dos atributos afetivos no modelo do aluno do ambiente
ALICE; (iii) análise e modelagem das alterações necessárias no ambiente até então desenvolvido;
(iv) construção de um algoritmo de diagnóstico afetivo; (v) descrições de demais melhorias no
ALICE realizadas durante o TCC; (vi) descrição da implementação.
3.1. DEFINIÇÃO DAS EMOÇÕES A SEREM TRATADAS
Sob o ponto de vista dos pedagogos, a relação da afetividade entre o professor e o aluno,
converge na forma que o primeiro atende e se relaciona com o segundo. Isto é, como o professor
percebe e atinge as necessidades de cada um de seus alunos, respeitando sua personalidade
(FLORES, 1998).
Entretanto, através de um ambiente educacional apoiado por computador, a afetividade está
relacionada a ação de conhecer o comportamento, o estado cognitivo e emocional dos alunos,
aproximando a máquina ao cotidiano deles. Assim, espera-se que esses vejam o ambiente não
apenas como uma fonte de aprendizado, mas como um sistema que os entenda e aceite.
Logo, a partir de um estudo sobre as emoções apresentadas por Goleman (1999), foram
selecionadas as emoções desejáveis para análise através de um ambiente de ensino, e que além de se
encaixar no contexto educacional vivido em sala de aula, tivessem sido utilizadas em outros
trabalhos da área de computação afetiva, possuindo mecanismos para serem mensuradas. Dessa
forma, selecionou-se as quatro emoções a seguir:
Confiança (ou autoconfiança): o quanto o aluno se sente confiante a respeito de seus
conhecimentos perante a disciplina. Segundo Snyder (1991, apud Goleman, 1999,
pg. 99), estudantes autoconfiantes, em momentos de dificuldade, buscam trabalhar
mais e estudam as diversas possibilidades de atingir o sucesso; contudo os que
apresentam sentimentos opostos (incerteza, insegurança, desconfiança, descrédito)
demonstram pouca determinação e tendem desistir facilmente;
65
Preocupação: o quanto o aluno preocupa-se em obter um resultado positivo no final
do semestre, e dessa forma, como a sua preocupação se transcorre ao longo do
semestre através das notas alcançadas em avaliações e exercícios. Slipp (1991, apud
Goleman, 1999, pg. 97) cita que quanto mais a pessoa é propensa a preocupações,
pior é o seu rendimento acadêmico, independentemente da forma de medição: notas
em provas, média de pontos obtidos, etc.;
Aversão: o quanto o aluno rejeita a disciplina, emoção geralmente encontrada em
alunos que apresentam certa experiência no assunto e assim não percebem a
importância de seu aprendizado, ou apresentada em alunos cujos resultados nas
avaliações não transcorrem com êxito. Carneiro e Lück (1985) revelam ainda que a
aversão por alguma matéria pode ser desenvolvida devida a uma experiência
negativa vivenciada durante o aprendizado, como, um processo penoso ou impessoal
por parte do professor; e
Dedicação: o quanto o aluno presta atenção em sala de aula, e quanto tempo é
reservado para estudo fora dela, e o quão frequentemente ele utiliza os recursos de
aprendizagem disponíveis.
Selecionadas as emoções, foi estabelecida a forma de captura inicial das emoções e ajustes
necessários ao transcorrer o semestre, conforme as alterações realizadas no modelo do aluno.
3.1.1. Instrumento para coleta das informações afetivas
Inicialmente foram estudados os instrumentos de coleta de atributos afetivos utilizados em
outras pesquisas, já apresentados brevemente na Seção 2.3.1. Dentre os trabalhos discutidos, a
pesquisa de Jaques e Viccari (2004) é a que mais se aproxima com o que se deseja realizar neste
trabalho.
Essa proximidade dá-se pelo fato de ambos os trabalhos estarem dirigidos à inclusão de
afetividade em modelos de sistemas tutores. Ainda, parte das informações consideradas em Jaques e
Viccari (2004), como por exemplo, os acessos realizados pelos alunos, já se encontram disponível
no atual ambiente ALICE.
Portanto, o instrumento MSLQ (Seção 2.3.2.2) foi selecionado por permitir avaliar os
objetivos e estratégias de aprendizado do aluno, através de frases onde o aluno assinala um grau de
66
veracidade em cada. O questionário, originalmente em inglês, foi traduzido e adaptado a realidade e
forma de estruturação do ensino superior brasileiro, além de focalizar no estudo deste TCC. O
instrumento é apresentado na Tabela 14.
Tabela 14. Instrumento para coleta dos dados afetivos
Questão Emoção Relação Nível Aversão Inversamente
Proporcional Médio
Confiança Indeterminável
Preocupação Diretamente Proporcional
Médio
1. Eu tento adaptar meu jeito de estudar conforme a matéria e as solicitações do professor.
Dedicação Diretamente Proporcional
Alto
Aversão Diretamente Proporcional
Baixo
Confiança Inversamente Proporcional
Alto
Preocupação Indeterminável
2. Quando eu recebo a prova corrigida, sempre acho que fui pior que meus colegas.
Dedicação Não tem relação Aversão Não tem relação
Confiança Não tem relação
Preocupação Diretamente Proporcional
Médio 3. Estudo em um local onde eu possa me concentrar.
Dedicação Diretamente Proporcional
Alto
Aversão Indeterminável
Confiança Não tem relação
Preocupação Diretamente Proporcional
Alto 4. Procuro me esforçar ao máximo na disciplina, mesmo sem gostar do que estou estudando.
Dedicação Diretamente Proporcional
Alto
Aversão Inversamente Proporcional
Baixo
Confiança Diretamente Proporcional
Alto
Preocupação Diretamente Proporcional
Médio
5. Prefiro materiais que despertem minha curiosidade, mesmo que sejam mais complexos.
Dedicação Diretamente Proporcional
Alto
Aversão Inversamente Proporcional
Alto
Confiança Indeterminável
Preocupação Diretamente Proporcional
Baixo 6. Acredito que os materiais sugeridos em sala
de aula sejam úteis para o meu aprendizado.
Dedicação Diretamente Proporcional
Baixo
67
Tabela 14. Instrumento para coleta dos dados afetivos (continuação)
Questão Emoção Relação Nível Aversão Indeterminável
Confiança Inversamente Proporcional
Alto
Preocupação Diretamente Proporcional
Alto
7. Quando recebo uma prova, penso nas conseqüências se eu falhar.
Dedicação Não se relaciona Aversão Inversamente
Proporcional Alto
Confiança Não se relaciona
Preocupação Não se relaciona 8. Gosto do assunto lecionado na disciplina.
Dedicação Indeterminável Aversão Inversamente
Proporcional Médio
Confiança Indeterminável
Preocupação Diretamente Proporcional
Alto 9. Encontro tempo para estudar antes da prova.
Dedicação Diretamente Proporcional
Médio
Aversão Não tem relação
Confiança Inversamente Proporcional
Alto
Preocupação Diretamente Proporcional
Alto 10. Fico preocupado e aflito ao receber uma
prova.
Dedicação Não tem relação Aversão Inversamente
Proporcional Alto
Confiança Indeterminável
Preocupação Diretamente Proporcional
Alto 11. Procuro manter uma rotina de estudos.
Dedicação Diretamente Proporcional
Alto
Aversão Inversamente Proporcional
Alto
Confiança Inversamente Proporcional
Baixo
Preocupação Diretamente Proporcional
Alto
12. Tiro minhas dúvidas (com professor ou colegas) para ter certeza que entendi a matéria.
Dedicação Diretamente Proporcional
Alto
Aversão Indeterminável
Confiança Diretamente Proporcional
Baixo
Preocupação Diretamente Proporcional
Baixo 13. Procuro sentar no mesmo lugar na sala de
aula.
Dedicação Diretamente Proporcional
Baixo
68
Tabela 14. Instrumento para coleta dos dados afetivos (continuação)
Questão Emoção Relação Nível Aversão Inversamente
Proporcional Alto
Confiança Diretamente Proporcional
Alto
Preocupação Indeterminável
14. Gosto de conteúdos que me permitam aprender coisas novas.
Dedicação Diretamente Proporcional
Médio
Aversão Inversamente Proporcional
Baixo
Confiança Não se relaciona
Preocupação Diretamente Proporcional
Baixo 15. Sinto-me interessado na área do meu curso.
Dedicação Diretamente Proporcional
Baixo
Aversão Diretamente Proporcional
Médio
Confiança Inversamente Proporcional
Alto
Preocupação Diretamente Proporcional
Alto 16. Quando o conteúdo é difícil de entender,
desisto e estudo apenas as partes fáceis.
Dedicação Diretamente Proporcional
Baixo
Aversão Diretamente Proporcional
Alto
Confiança Inversamente Proporcional
Médio
Preocupação Inversamente Proporcional
Alto 17. Desisto de estudar se vou mal nas avaliações.
Dedicação Inversamente Proporcional
Alto
Aversão Diretamente Proporcional
Alto
Confiança Inversamente Proporcional
Médio
Preocupação Indeterminável
18. Quando vou mal em alguma avaliação coloco a culpa na matéria ou no professor.
Dedicação Inversamente Proporcional
Alto
Conforme visto na tabela, cada questão foi relacionada as emoções selecionadas, na qual o
vínculo pode-se dar diretamente proporcional, inversamente proporcional, impossível de
determinar, ou sem relação. Existindo ligação entre questão e emoção, determinou-se o nível em
que ocorria (baixo, médio ou alto).
69
3.1.2. Assistente de diagnóstico afetivo do aluno
O processo de diagnóstico afetivo do aluno envolve dois momentos: (i) Diagnóstico Afetivo
Inicial, onde o aluno preenche o formulário que determina seu estado afetivo inicial; e (ii) Ajustes
nas Emoções, onde conforme as ações do aluno no ambiente e acontecimentos percebidos em sala
de aula pelos professores, que devem ser registrados no ambiente, o estado afetivo é alterado. Logo,
foi desenvolvido um assistente que atua na realização do diagnóstico nesses dois momentos.
3.1.2.1. Diagnóstico afetivo inicial
O primeiro diagnóstico envolve a determinação do grau inicial que cada emoção é
apresentada pelo aluno. Para isso, primeiramente foram resolvidas as relações entre emoções cujos
vínculos eram inversamente proporcionais, invertendo os mínimos e máximos.
Após isso, sentenças foram agrupadas de acordo com a emoção a ser identificada. Por
exemplo, o grau de emoção aversão é determinado pelo somatório do produto entre o grau de
concordância de cada sentença e seu respectivo peso, dividido pelo somatório de pesos. A fim de
normalizar o intervalo com valores entre 0 e 1, o valor resultante foi decrescido em 1 e dividido
pela quantidade de emoções trabalhadas no instrumento (Seção 3.1.1). A fórmula que descreve esse
processo é apresentada na Figura 28.
Grau da emoção = emoções
n
nn
bba 1
an = grau de concordância da sentença da emoção verificada
bn = peso da sentença verificada
emoções= quantidade de emoções trabalhadas no instrumento
n = idenficador da emoção
Figura 28. Fórmula para determinação do grau emoção utilizando o instrumento proposto
Cabe mencionar que a normalização dos valores encontrados para a faixa entre 0 e 1 visa
facilitar o processo de cálculos, principalmente quando forem realizadas as equações de ajuste das
emoções.
70
3.1.2.2. Ajustes das emoções
A partir dos valores iniciais estabelecidos, o ambiente verifica o modelo do aluno a respeito
de seu desempenho em exercícios e avaliações registradas no ambiente, buscando ajustar os valores.
Os ajustes ocorrem quando: (i) um exercício é corrigido; (ii) uma nota é informada; (iii) quando o
professor altera o perfil do aluno conforme percepções obtidas em sala de aula; ou ainda, (iv)
conforme as ações mediadoras são realizadas dentro do ambiente.
Ao longo do uso do ambiente ALICE e do desempenho obtido em sala de aula, as emoções
oscilam positiva ou negativamente. O aluno que apresenta notas acima da média tende a elevar seu
nível de confiança, enquanto emoções como aversão e preocupação diminuem. Ao contrário, um
aluno que obtém resultados inexpressivos na disciplina, passa a desenvolver ou aumentar sua
aversão, por exemplo.
Compreende-se ainda, que os resultados obtidos em avaliações são mais significativos para
os alunos do que seu desempenho em um exercício cotidiano. Isto é, suas emoções oscilam mais
intensamente em uma nota de prova ou trabalho comparado às atividades do dia-a-dia. Desta forma,
o ambiente deve considerar este comportamento conforme os acontecimentos registrados nele,
sejam por ações do professor quanto pelos alunos.
Assim, conforme o registro de uma nota de avaliação for realizado ou um exercício for
corrigido, o ambiente deve se adequar às emoções do aluno. Para a realização desse ajuste, foram
elaboradas regras onde para cada um dos eventos, os ajustes ilustrados na Tabela 15 ocorrerão.
Tabela 15. Ajustes realizados conforme ações no ambiente
Emoção Acontecimento Confiança Preocupação
Aversão Se avaliação boa (aumenta) (diminui) (diminui)
Se avaliação média - (não altera) (aumenta) - (não altera)
Se avaliação ruim (diminui) (aumenta) (aumenta)
Se exercício bom (aumenta) - (não altera) (diminui)
Se exercício médio / ruim - (não altera) (aumenta) (aumenta)
Na prática, essas alterações, de aumento ou redução do nível das emoções, que ocorrem a
partir de um evento, são especificadas através de equações. Os comportamentos obtidos por elas
refletirão nas modificações dos valores, de forma que os mesmos nunca ultrapassem o limite de
valor 1, devido ao limiar estabelecido pela normalização vista anteriormente. As alterações nas
emoções tendem a ser em menor grau quando o aluno está próximo dos limites máximo e mínimo,
71
pois se entende que nesses casos a emoção encontra-se mais estável. Por exemplo, um aluno muito
confiante não se abala tão facilmente quanto outro de confiança média. Assim como um aluno com
pouca aversão não irá facilmente mudar de opinião (considerando que os fatores que disparam o
ajuste são as notas de exercícios e avaliações).
Baseado nestas diretrizes, foram estabelecidas equações que realizam o ajuste das emoções
conforme os eventos ocorridos. Estas equações foram obtidas através de um processo de observação
empírica das mudanças ocorridas nos valores das emoções em experimentos simulados. As
equações a serem disparadas a cada evento são ilustradas na Tabela 16.
Tabela 16. Equações de ajuste conforme acontecimento no ambiente
Tipo Nível Equações
Bom
çõesqtdeAvalia
notaconfiançaconfiançaconfiança
02,0**1
çõesqtdeAvalia
notaopreocupaçãopreocupaçãopreocupaçã
02,0**
çõesqtdeAvalia
notaaversãoaversãoaversão
02,0**
Médio çõesqtdeAvalia
notaopreocupaçãopreocupaçãopreocupaçã
01,0**1
Ava
liaçã
o
Ruim
çõesqtdeAvalia
notaconfiançaconfiançaconfiança
02,0**
çõesqtdeAvalia
notaopreocupaçãopreocupaçãopreocupaçã
02,0**1
çõesqtdeAvalia
notaaversãoaversãoaversão
02,0**1
Bom
ciosqtdeExercí
notaconfiançaconfiançaconfiança
01,0**1
ciosqtdeExercí
notaopreocupaçãopreocupaçãopreocupaçã
01,0**
ciosqtdeExercí
notaaversãoaversãoaversão
01,0**
Exe
rcíc
ios
Médio ou Ruim
ciosqtdeExercí
notaconfiançaconfiançaconfiança
01,0**
ciosqtdeExercí
notaopreocupaçãopreocupaçãopreocupaçã
01,0**1
ciosqtdeExercí
notaaversãoaversãoaversão
01,0**1
72
Conforme descrito anteriormente e analisando as equações, nota-se que a alteração nas
emoções dos alunos, quando referente a um exercício tende, a afetar a metade do que afetaria caso
fosse uma avaliação (exceto se a nota da avaliação for mediana).
O comportamento dessas equações na prática pode ser conferido através de um experimento
de validação realizado a partir dos resultados obtidos por um aluno no final do semestre de 2005/I,
apresentado na Tabela 17. A letra E indica que a atividade realizada foi um exercício, e A
representa que foi uma avaliação (prova ou trabalho).
Tabela 17. Comportamento das equações de ajuste a partir dos resultados de um aluno
Emoções Inicial
E1 Nota: 6,6
E2 Nota: 8,6
E3 Nota: 9,2
E4 Nota: 6,6
A1 Nota: 10
A2 Nota: 7
A3 Nota: 9,5
E5 Nota: 5
A4 Nota: 1,8
A5 Nota: 6
Confiança 0,65
0,673
0,687
0,697
0,702
0,761
0,778
0,792
0,784
0,752
0,758
Preocupação
0,75
0,7
0,669
0,649
0,638
0,51
0,474
0,444
0,45
0,472
0,461
Aversão 0,178
0,166
0,159
0,154
0,151
0,121
0,113
0,105
0,114
0,151
0,147
O gráfico da Figura 29 apresenta a oscilação das emoções do aluno em cada uma das
atividades realizadas, permitindo analisar graficamente as variações.
0
0,1
0,2
0,3
0,4
0,5
0,6
0,7
0,8
0,9
1
Inicial Exercício1
Exercício2
Exercício3
Exercício4
Avaliação1
Avaliação2
Avaliação3
Exercício5
Avaliação4
Avaliação5
6,66 8,66 9,2 6,6 10 7 9,5 5 1,8 6
Confiança Preocupação Aversão
Figura 29. Gráfico com as oscilações das emoções ao decorrer das atividades
Analisando o gráfico, percebe-se que o sentimento de confiança cresceu a partir da
realização das avaliações, estabilizando-se ao final. A aversão começou e terminou em níveis
semelhantes, embora tenha apresentado uma diminuição, devido os bons resultados obtidos nas
avaliações iniciais. Já a preocupação foi a emoção cujos valores mais oscilaram, decrescendo
significativamente devido às notas obtidas acima da média.
73
A emoção denominada dedicação possui comportamento diferente das demais, pois se
entende que um aluno é dedicado pelas suas atitudes e não apenas pelos resultados. Sendo assim, o
cálculo da dedicação ocorre conforme a realização de dois tipos de eventos: (i) quando o professor
atualiza as informações do aluno ou quando o aluno responde ao questionário afetivo; ou (ii)
quando o aluno realiza ou o ambiente gera uma tarefa ou exercício. As fórmulas de atualização da
emoção são apresentadas na Figura 30.
1) Professor atualiza informações sobre o aluno ou o aluno responde ao questionário afetivo:
3
_____ saladesainãoexerciciosfazconversanãoT professor
6
_3*2* anteriorDedicaçãoDedicação
TT ioquestionárprofessor
2) Aluno realiza exercício ou tarefa:
#_
#_
_
_
propostatarefa
realizadatarefa
propostoexercício
realizadoexercício
ambienteT
#__
__propostatarefapropostoexercício
anteriorambienteambiente TTanteriorDedicaçãoDedicação
Figura 30. Fórmula para determinação da dedicação do aluno
Uma observação a ser registrada é que quando o aluno é cadastrado no ambiente, considera-
se que a emoção inicial dele é de 0,5 para as variáveis em que é necessária a intervenção humana,
ou seja, referente ao questionário afetivo e às observações do professor sobre o aluno. O motivo
desta opção deve-se ao fato que o professor não conhece o aluno logo no início das aulas, e só
poderá tecer um comentário sobre ele a partir de um determinado tempo de observação. Decidiu-se
também considerar 0,5 para o questionário a fim de não impossibilitar que o aluno explore o
ambiente e realize exercícios, na dependência do questionário ser respondido.
No momento em que for solicitado o preenchimento do questionário afetivo, ou que o
professor informar suas percepções sobre o aluno, a dedicação deverá ser atualizada. Para isso, é
realizada uma média aritmética dos parâmetros informados pelo professor a partir de observações
74
do comportamento em sala de aula (se o aluno conversa, busca resolver os exercícios propostos, e
mantém-se em sala durante as aulas). Caso o formulário das emoções seja preenchido, o cálculo é
realizado conforme descrito na Figura 28 (Fórmula para determinação do grau emoção utilizando o
instrumento proposto). Com esses resultados é calculado o valor da dedicação, onde as informações
fornecidas pelos alunos possuem ponderação de valor 3, acrescido do resultado das percepções do
professor, cuja ponderação é de valor 2, e o valor anterior da dedicação diagnosticada pelo
ambiente. A escolha dos graus de ponderação deve-se ao fato de acreditar-se que os humanos, no
caso aluno e professor, identifiquem melhor esse sentimento do que um ambiente. Nesse momento,
o ambiente tem um papel maior em atualizar essa emoção, do que defini-la propriamente, isto é,
cabe a ele averiguar a evolução ou desleixo do aluno nos estudos.
Já quando é realizada ou gerada alguma tarefa ou exercício, o ambiente atualiza o valor da
dedicação do aluno. Para isso, primeiramente é realizada uma média entre a relação dos exercícios
realizados e os propostos, e as tarefas realizadas e propostas. O símbolo # na fórmula indica que
são desconsideradas as tarefas que solicitam a resolução de exercícios, pois os mesmos já estão
sendo contabilizados na fórmula. A separação entre exercícios e tarefas, dá-se pelo fato que nem
todo o exercício gera necessariamente uma tarefa, como no caso de um exercício ser gerado pelo
professor a toda turma.
Com o valor gerado é realizada uma subtração do valor anterior, obtendo-se a diferença do
crescimento ou retrocesso do desempenho. Esse resultado é dividido pela soma das atividades
propostas (exercícios e tarefas), e ao final soma-se ao valor da dedicação anterior.
Essa fórmula comporta tanto a um aluno que não realiza as atividades, como àquele que se
esforça e mantém-se ativo. O cálculo responsável por esse comportamento dá-se pela diferença
entre o valor atual de T ambiente e T anteriorambiente_
, no qual oscila positivamente quando o aluno faz as
atividades ou negativamente, ao deixar de realizá-las.
3.1.3. Validação do instrumento
A fim de validar o instrumento para a futura utilização na segunda amostra de alunos, o
questionário foi disponibilizado no ambiente. O acesso desse formulário dá-se por meio de um link
apresentado no menu acessível na visão do aluno, conforme pode ser observado na Figura 31.
75
Figura 31. Formulário eletrônico de avaliação do estado afetivo inicial
Em cada acesso ao ambiente ALICE, os alunos eram convidados a preencher o questionário,
enquanto o mesmo não estivesse completamente respondido. A partir do momento em que as
respostas às perguntas fossem preenchidas, o questionário não é mais apresentado ao aluno após sua
entrada no ambiente.
Para cada sentença o aluno respondeu a uma dessas seguintes alternativas, qual mais se
aproxima às suas convicções: (i) Sempre; (ii) Na maioria das vezes; (iii) Às vezes; (iv) Raramente;
(v) Nunca. Ao processar os resultados, cada uma das opções é convertida em valores, entre 1 e 5, na
qual determina o grau de emoção do aluno, além de realizar um cálculo em conjunto aos pesos
preestabelecidos a fim de ponderar. Desta forma, torna-se viável a possibilidade de mensurar
emoções, isto é, transformar o quanto se sente para uma escala mensurável.
Ao todo, foram recebidos 45 formulários respondidos, onde a quantidade de alunos que
selecionaram cada opção nas questões, é apresentada na Tabela 18.
76
Tabela 18. Resultados da aplicação dos questionários para identificação da afetividade
Opções Questão Sempre Na maioria das
vezes Às vezes Raramente Nunca
1. 11 24 8 2 - 2. 4 9 15 13 4 3. 12 18 7 6 2 4. 18 18 7 2 - 5. 29 9 6 1 - 6. 20 10 15 - - 7. 30 8 5 2 - 8. 14 25 4 2 - 9. 7 8 18 9 3 10. 13 8 13 7 4 11. 4 12 20 8 1 12. 17 15 8 5 - 13. 25 13 5 2 - 14. 34 10 - - 1 15. 34 7 3 1 - 16. 3 1 8 15 18 17. 1 2 4 9 27 18. 1 1 9 15 19
Através dos resultados obtidos a partir dos questionários respondidos pelos alunos, aplicou-
se as fórmulas descritas em 3.1.2.1 Diagnóstico afetivo inicial. Em seguida, obteve-se o valor médio
em cada uma das emoções. Considerando uma escala de 0 a 1, encontrou-se:
Confiança: Muito alta (0,85);
Dedicação: Média (0,66);
Preocupação: Alta (0,73); e
Aversão: Baixa (0,21).
Esses valores indicam que os alunos de forma geral apresentam emoções que favorecem a
aprendizagem, ou seja, consideram-se confiantes e satisfeitos com a disciplina, a aversão a ela é
baixa, além de compreenderem a importância dela, observado pela alta preocupação e média
dedicação.
77
3.2. INCLUSÃO DAS EMOÇÕES NO ITA ALICE
A presente seção apresenta a descrição das alterações realizadas no ambiente ALICE para a
inclusão dos aspectos afetivos. De forma geral, a inclusão de atributos afetivos no modelo do aluno
acarretou na criação de novas tabelas e relacionamentos no banco de dados, além de gerar novos
casos de uso para todos os usuários do sistema. Os assistentes de modalidade de mediação e de
interface (personagem Alice) tiveram suas funcionalidades alteradas e um novo assistente para
diagnóstico afetivo foi criado.
3.2.1. Modificações no modelo do aluno
Conforme ilustrado na Figura 32, as tabelas em branco foram criadas, enquanto as
destacadas em cinza são as que já existiam no modelo ER.
aluno
ID_PESSOA (FK)
NR_PONTOSFL_PROGRAMAFL_TRAB20HFL_REPETENTEFL_FALTAFL_EXERCICIOFL_SAI_SALAFL_CONVERSAFL_MEDIACAODS_MEDIACAO
pessoa
ID_PESSOA
NM_PESSOANM_LOGINNM_SENHADT_NASCIMENTONM_EMAILFL_TIPOARQ_FOTOFL_ATIVONR_RGNR_CPFFL_ONLINEFL_MAIL_MENSAGEMFL_MAIL_EXERCICIO
conceito
ID_CONCEITO
ID_UNIDADE (FK)NM_CONCEITODS_CONCEITOID_DISCIPLINA (FK)ID_CURSO (FK)ID_PESSOA (FK)NR_PRIORIDADE
aluno_conceito
ID_PESSOA (FK)ID_CONCEITO (FK)DT_TTI (FK)
NR_PONTOSFL_FUZZYNR_QUESTOESDT_TTFID_ALUNO_EXERCICIO (FK)
mediacao
ID_MEDIACAO
NM_MEDIACAO
mediacao_aluno_conceito
ID_MEDIACAO (FK)ID_PESSOA (FK)ID_CONCEITO (FK)DT_TTI (FK)
DT_TTFVL_MEDIACAO
emocao
ID_EMOCAO
NM_EMOCAO
emocao_aluno
ID_PESSOA (FK)ID_EMOCAO (FK)DT_TTIDT_TTI_MIC
DT_TTFVL_EMOCAODT_TTF_MIC
enquete
ID_ENQUETE
DS_ENQUETE
enquete_opcao
ID_ENQUETE_OPCAO
DS_ENQUETE_OPCAOVL_PESOID_ENQUETE (FK)
aluno_enquete
ID_ENQUETE_OPCAO (FK)ID_ALUNO (FK)
enquete_emocao
ID_EMOCAO (FK)ID_ENQUETE (FK)
VL_NIVELFL_RELACAO
Figura 32. Modelo ER (Área referente às informações do aluno)
A tabela emocao armazena os nomes das emoções trabalhadas no ambiente, tais como:
aversão, preocupação e confiança. A tabela emocao_aluno registra os valores (entre 0 e 1) de
cada aluno para cada emoção. Esse registro é realizado de forma temporal, o que permite
acompanhar as modificações dos aspectos emocionais ao longo da disciplina.
Cabe registrar que a inclusão de dois atributos nessa tabela ( dt_tti_mic e dt_ttf_mic ),
para o armazenamento dos tempos em microssegundos, ocorreu a partir da realização dos testes a
78
fim de ajustar os valores das emoções dos alunos. Como o processamento realizado (atualização das
emoções) encontra-se em unidades inferiores a um segundo, não foi suficiente utilizar apenas esse
valor para diferenciar os registros no banco de dados, já que em um mesmo segundo várias
transações são realizadas, resultando em conflitos e registros duplicados.
De forma similar à tabela emocao , a tabela mediacao guarda os nomes das mediações
utilizadas, por exemplo: mediação de competência, mediação de significado. Já a
mediacao_aluno_conceito é uma tabela responsável pelo armazenamento dos resultados obtidos
na execução das regras de produção, nas quais determinam a forma de mediação a ser seguida por
cada aluno em cada conceito da disciplina. Essa tabela também possui atributos temporais que
permitem o monitoramento de alterações do perfil do aluno no decorrer da disciplina.
Para o armazenamento das informações coletadas através do questionário elaborado (ver
3.1.1), foi necessária a construção de tabelas que registrassem esses dados, são elas: enquete ,
enquete_opcao e aluno_enquete . A tabela enquete registra as perguntas realizadas aos alunos,
enquanto a tabela enquete_opcao guarda as possíveis opções para cada uma das perguntas, e
tabela_emocao relaciona as questões com as emoções possíveis de identificar por ela. Por fim, a
tabela aluno_enquete armazena a opção selecionada pelo aluno em cada pergunta. As descrições
dos atributos das tabelas são apresentadas no dicionário de dados da Tabela 19.
Tabela 19. Dicionário de dados das alterações referente às informações do aluno
Tabela Atributo Descrição id_emocao Código da emoção emocao nm_emocao Nome de emoção id_pessoa Código do aluno id_emocao Código da emoção
dt_tti Data de início da transação do registro em DD/MM/AAAA
dt_tti_mic Data de início da transação do registro em microssegundos
dt_ttf Data de fim da transação do registro em DD/MM/AAAA
emocao_aluno
dt_ttf_mic Data de fim da transação do registro em microssegundos
id_mediacao Código da mediação mediacao
nm_mediacao Nome da mediação
79
Tabela 19. Dicionário de dados das alterações referente às informações do aluno (continuação)
id_mediacao Código da mediação id_pessoa Código da pessoa que a mediação se refere id_conceito Código do conceito que a mediação se refere dt_tti Data de início da transação do registro dt_ttf Data de fim da transação do registro
mediacao_aluno_conceito
vl_mediacao Valor da mediação id_enquete Código da enquête
enquete ds_enquete Sentença (pergunta) da enquête id_enquete Código da enquête id_emocao Código da emoção que a sentença identifica
vl_nivel
Nível da sentença. O quanto a pergunta se aproxima da emoção que se deseja determinar: 1 baixo 2 médio 3 alto
enquete_emocao
fl_relacao
Indica o tipo de relação entre a emoção e a questão:
1 diretamente proporcional 2 inversamente proporcional 3 indeterminável 4 não tem relação
id_enquete_opcao
Código da opção ds_enquete_opcao
Descrição da opção da sentença
vl_peso
Peso da opção, por exemplo: 1 Muito baixo 2 Baixo 3 Médio 4 Alto 5 Muito alto
enquete_opcao
id_enquete Código da enquete que a opção se refere id_enquete_opcao
Código da opção selecionada pelo aluno aluno_enquete
id_aluno Código do aluno
Além de alterações no banco de dados, o caso de uso referente ao preenchimento do
formulário com dados afetivos necessitou ser modificado, ilustrado na Figura 33.
ud Aluno
UC 09 - Preenche formulário afetiv o
Aluno
Figura 33. Casos de uso inseridos no perfil do aluno
Esse caso refere-se à ação de responder a um formulário contendo 18 questões que inicializa
o perfil afetivo do aluno no ambiente ALICE (ver Figura 31).
80
3.2.2. Modificações no modelo do domínio
Durante o projeto e implementação deste TCC, verificou-se a necessidade de identificar os
conceitos presentes nas avaliações realizadas em sala de aula, que anteriormente registravam apenas
dados referentes a ela (data, descrição, etc.) sem vínculo com demais conceitos da disciplina.
Assim, uma tabela intermediária a nota e conceito foi incluída, como mostra a Figura 34e
dicionário de dados da Tabela 20.
conceito
ID_CONCEITO
ID_UNIDADE (FK)NM_CONCEITODS_CONCEITOID_DISCIPLINA (FK)ID_CURSO (FK)ID_PESSOA (FK)NR_PRIORIDADE
nota
ID_NOTA
ID_DISCIPLINA (FK)ID_CURSO (FK)ID_PESSOA (FK)NM_NOTADS_NOTADT_DIVULGACAO
nota_conceito
ID_NOTA (FK)ID_CONCEITO (FK)
Figura 34. Modelo ER
inclusão da tabela nota conceito
Tabela 20. Dicionário de dados da tabela nota_conceito
Tabela Atributo Descrição id_nota Código da nota
nota_conceito id_conceito Código do conceito
3.2.3. Modificações no assistente de modalidade de mediação
Dentre os assistentes disponíveis no ALICE, houve a necessidade de incluir os parâmetros
afetivos no processo decisório da estratégia mediadora. Logo, o Assistente de modalidade de
mediação foi revisto e atualizado.
A fim de determinar a mediação que o aluno deve receber do ambiente, foi reconstruída uma
árvore de decisão baseada no perfil afetivo, cognitivo e comportamental, provenientes do modelo
do aluno. Ainda, essa árvore define, conforme os itens do conteúdo programático da disciplina, qual
deve ser a estratégia pedagógica a ser adotada para cada um.
Anteriormente, esse assistente diagnosticava o aluno, classificando-o apenas como aluno
bom, mediano ou ruim no conceito. A alteração permite ampliar esta classificação, identificando
além do aproveitamento obtido, que tipo de mediação o aluno deve receber para um determinado
conceito, conforme ilustra a Figura 35.
81
Conceito
A
Conceito
B
Conceito
C
Mediação
X
ANTES
ATUALMENTE
Conceito
A
Mediação
X Mediação
Y
Conceito B
Mediação
Y Mediação
Z
Figura 35. Alteração no assistente para identificação de dificuldades de aprendizagem
Esse tipo de identificação possibilita a integração do assistente com a personagem Alice e a
exibição de suas mensagens de maneira mais personalizada, indicando além da existência de um
problema de aprendizagem, qual é o conteúdo relacionado.
Outro aspecto a ser relatado, é que a partir de uma análise conceito-a-conceito, um aluno
deixa de ser classificado como um todo, isto é, o aluno deve receber determinado tipo de mediação
para qualquer que seja o conceito a ser trabalhado. Essa estruturação melhora o processo de
atendimento as necessidades de aprendizagem, permitindo identificar uma estratégia de ensino para
cada um dos conceitos.
A execução da árvore é realizada em diversos momentos durante a utilização do ambiente, e
visa atualizar as estratégias de mediação que devem ser obedecidas. Esses momentos são:
Alteração do perfil do aluno: o aluno ou o professor pode inserir ou alterar
determinadas informações a respeito do perfil do aluno, de caráter comportamental
(disponibilidade, atitudes em sala de aula, etc.) ou cognitivo (dificuldades percebidas
em sala de aula a respeito de alguns dos itens do conteúdo programático e afetivo
modificando explicitamente o estado das emoções);
Correção de um exercício: ao corrigir um exercício são percebidas alterações no
desempenho da aprendizagem contidas do modelo cognitivo do aluno; e
Registro de resultado em uma avaliação: similar a correção do exercício, neste
momento são atualizados os resultados obtidos em determinados conteúdos.
A presente árvore amplia as decisões de mediação em relação a sua antecessora, ver Seção
2.4.4.4.3. Modificaram-se as ações mediadoras relacionadas a partir da inclusão de duas novas
82
formas de mediação: mediação de significado e mediação de intencionalidade; que visam estender a
estratégia pedagógica além da seleção de exercícios, explorando os conteúdos em hipertexto.
No ambiente ALICE, a mediação de significado ocorre através da sugestão de materiais
textuais de referência e complementares que procuram amenizar a dificuldade de aprendizagem
apresentada pelo aluno. A sugestão é realizada na tela inicial do ambiente, por meio de uma lista de
tarefas que o aluno deve realizar. Um detalhamento maior é encontrado na Seção 3.2.3.1 Tarefas.
Já a mediação de intencionalidade, dentro do ambiente, visa explanar ao aluno possíveis
causas que determinam algum resultado negativo, ou ainda explora questões sobre aplicações
práticas do conteúdo. A linguagem a ser utilizada prioriza um diálogo informal, onde a personagem
Alice conversa com o aluno.
O início da árvore ocorre a partir da determinação do nível de desempenho médio obtido
pelo aluno nas avaliações realizadas em sala de aula, cuja classificação obedece às condições:
bom , médio ou ruim , conforme Figura 36.
ud Modelo Afetivo
Desempenho Av aliação
Bom Médio Ruim
Figura 36. Estrutura inicial da árvore de decisão
E, baseando-se nessa origem e devido à extensão da árvore, a mesma foi distribuída em três
partes: (i) o aluno apresenta desempenho bom nas avaliações, segue árvore ilustrada na Figura 37;
(ii) o aluno apresenta desempenho regular nas avaliações, segue árvore ilustrada na Figura 38; (iii) o
aluno apresenta desempenho ruim nas avaliações, segue árvore ilustrada na Figura 39.
83
ud Modelo Afetiv o
Desempenho Av aliação
Confiança
Disponibilidade ou Experiência
Mediar Intencionalidade e Transcendência
Mediar Intencionalidade e Competência
Preocupação
Mediar Transcendência
e Intencionalidade
Mediar Transcendência
e Significado
Não
Bom
NãoSimSim
NãoSim
Figura 37. Árvore de decisão caso o aluno apresente desempenho bom nas avaliações
Seguindo a árvore cujo aluno apresenta desempenho classificado como bom , é verificado
se o aluno considera-se confiante perante a disciplina. A verificação desta e das demais emoções
analisadas na árvore consiste no resultado Sim para os alunos que tiverem o valor 0,5 ou superior
na respectiva emoção, e Não para quem apresentar valor inferior a 0,5.
Prosseguindo, aqueles que estão confiantes são aptos a receberem mediação de
transcendência. Sendo então verificado se este deve receber em conjunto a mediação de
intencionalidade ou de significado, caso apresente ou não características de preocupação.
Caso o aluno não mostrar o índice mínimo de confiança em seu modelo, deve-se mediar
intencionalidade, pois há insegurança quanto ao que se está aprendendo, que pode ser suprida
através de explanações e uma abordagem prática sobre a disciplina. Ainda, é conferido se o aluno
tem disponibilidade ou experiência, que determinará se o aluno está apto a solucionar problemas
mais elaborados ou se deve concentrar em enunciados simplificados.
A Figura 38 ilustra o ramo da árvore nos quais os alunos cujo desempenho é classificado
mediano, devem ter suas mediações determinadas.
84
ud Modelo Afetiv o
Av ersão
Mediar Competência e
Intencionalidade
Desempenho Exercícios
Disponibilidade
Mediar Intencionalidade e Competência
Dedicação
Mediar Intencionalidade,
Competência e Significado
Confiança
Mediar Intencionalidade e Transcendência
Mediar Competência e
Significado
Possui experiência
Mediar Intencionalidade e Transcendência
Desempenho Av aliação
Preocupado
Preocupado
Mediar Intencionalidade,
Significado e Competência
Mediar Intencionalidade e Competência
Mediar Intencionalidade,
Significado e Competência
Mediar Intecionalidade e
Competência
Desempenho Exercícios
Não
Não
Médio / Ruim
Não
Sim
Sim
Médio
NãoSim
NãoSim
Sim Não
Bom
Sim
Não
Médio ou Ruim
Sim
Bom
Figura 38. Árvore de decisão caso o aluno apresente desempenho médio nas avaliações
Conforme apresentado na árvore, depois de identificado o desempenho médio é verificado a
presença de aversão por parte do aluno. Esta emoção foi priorizada devido a percepções que
indicam que alunos que não gostam da disciplina estão mais aptos a abandoná-la, sendo assim
essencial cativa-los por meio de explicações e exercícios fundamentais.
85
Aos alunos que não apresentarem aversão, é então analisado seu conhecimento prévio sobre
o assunto, onde em caso afirmativo, determina que o aluno tem condições de compreender suas
dificuldades de aprendizagem. Sendo então verificado seu desempenho nos exercícios realizados no
ambiente, comprovando se o aluno apenas fracassa nas avaliações ou se já possui um histórico de
deficiências nos exercícios também. Essa análise apontará a necessidade de envolver o aluno em
exercícios básicos ou com um grau de complexidade maior.
Retornando no caso de alunos inexperientes, posteriormente avalia-se seu nível de
aproveitamento nos exercícios, onde esse seja regular ou baixo deverão ser mediados explorando
conceitos e questões fundamentais. Contudo, havendo um desempenho bom nos exercícios, o aluno
é encaminhado às explicações quanto ao seu desempenho.
Na seqüência, averigua-se a disponibilidade do aluno para estudo, onde não havendo, o
ambiente irá expor práticas simplificadas. Ao contrário, é examinada a dedicação do aluno, a partir
das percepções do professor em sala de aula. Alunos não dedicados, todavia preocupados com o seu
desempenho deverão receber mediação que trabalhe conceitos base, enquanto os despreocupados
concentrarão seus estudos em exercícios que estimulem o conteúdo elementar.
Aos alunos classificados como dedicados é verificada a presença de confiança em seus
aspectos afetivos. Caso o aluno ainda tenha incerteza de seu conhecimento, serão apresentados
textos e questões de caráter essencial ao aprendizado. Isso ocorre de forma similar aos alunos que se
sentem confiantes, entretanto com resquícios de preocupação.
Já aqueles que não apresentam preocupação, poderão receber questões que reflitam
enunciados elaborados, tendo em vista que este tipo de aluno apresenta disponibilidade necessária
para estudo, é considerado dedicado, além de apresentar bom desempenho em exercícios.
86
ud Modelo Afetiv o
Av ersão
Mediar Competência e
Intencionalidade
Possui experiência
Disponibilidade
Mediar Intencionalidade, Transcendência e
Significado
Mediar Intencionalidade e Transcendência
Confiança
Mediar Intencionalidade,
Competência e Significado
Desempenho Exercícios
Mediar Competência,
Intencionalidade e Significado
Desempenho av aliação
Desempenho Exercícios
Mediar Intencionalidade,
Competência e Significado
Mediar Competência e
Intencionalidade
Sim
NãoSim
Não
Não
Ruim
RuimBom ou Médio
Sim
Ruim/Médio
Sim Não
Bom
Figura 39. Árvore de decisão caso o aluno apresente desempenho ruim nas avaliações
Por fim, o aluno cujo resultado obtido nas avaliações for considerado ruim , é verificado a
presença de aversão. Encontrada essa emoção, media-se competência e intencionalidade buscando
resgatar o aluno para a vontade de aprender através da apresentação de exercícios elementares e
explicando o fundamento de algoritmos na sua vida acadêmica.
A ausência de aversão implica na verificação de experiências anteriores na área da
programação, onde caso não haja, o aluno receberá mediação de competência e intencionalidade.
Além disso, esses alunos poderão receber mediação de significado caso apresentem desempenho
mediano ou ruim nos exercícios realizados no ambiente. Essa mediação deve-se ao fato de apoiar
melhor os alunos que desconhecem os conceitos fundamentais da disciplina.
Os alunos que apresentarem conhecimento prévio do domínio estarão aptos a adquirir
mediação de intencionalidade, isto é, mensagens explicativas da importância da disciplina. Na
seqüência, esses irão ser averiguados quando a sua disponibilidade durante a semana.
Apresentando, verifica-se o desempenho nos exercícios, onde o conceito bom ou médio
87
determinará o recebimento de um conjunto de questões elaboradas que contextualizam o conteúdo
em sala de aula através de uma visão prática e cotidiana em conjunto a textos base, enquanto a
presença do conceito ruim indicará que o aluno deverá ter seu ambiente focado em exercícios e
textos fundamentais.
Entretanto, os alunos que não disporem de tempo dedicado aos estudos serão verificados
quanto o grau de confiança perante a disciplina. Os alunos que apresentarem esse sentimento serão
atendidos por meio de exercícios com um grau de complexidade maior, pois os mesmos já
indicaram ter um conhecimento prévio no assunto além de provocar o aluno para que esse não
considere a disciplina fácil, e consequentemente, não merecendo grandes esforços de aprendizagem.
Ao contrário, aqueles que ainda não se sentem confiantes, serão mediados a fim de explorar os
tópicos de uma maneira simplificada.
3.2.3.1. Tarefas
A fim de complementar a estratégia de mediação selecionada pelo assistente, foi incluída o
conceito de tarefas para os alunos.
As tarefas são atividades sugeridas aos alunos a fim de complementar seu aprendizado além
da seleção dos exercícios. Elas são estabelecidas pelo ambiente conforme o diagnóstico do
Assistente de Modalidade de Mediação. Para cada estratégia mediadora, determinadas tarefas
podem ser escolhidas, conforme pode ser observado na Figura 40.
Figura 40. Seleção das tarefas conforme ação mediadora
88
Caso seja selecionada a mediação de intencionalidade, é realizada uma consulta ao modelo
do aluno verificando suas dificuldades e agregando esse conhecimento no diálogo da personagem
Alice, conforme foi apresentado na seção 2.4.4.4.6 Assistente de interface (personagem Alice).
A mediação de significado sugere ao aluno uma leitura em textos que abordem o conteúdo
no qual ele apresenta dificuldades. Em um primeiro momento é fornecido um texto básico, e caso o
aluno leia o material, mas persista com dificuldades, é apresentada uma apostila escrita por outro
autor. Até o momento, caso o aluno não tenha dificuldades, não serão sugeridas essas leituras.
A mediação de transcendência visa estimular o aluno que apresenta bom índice de
aprendizagem e tem condições de realizar exercícios mais elaborados. Dessa forma, inicialmente o
aluno é apresentado a exercícios, e no momento em que aguarda a correção dele é fornecido um
código-fonte com exemplos claros sobre o conteúdo que ele apresenta dificuldade. Caso, ele já
tenha atingido conhecimento suficiente no conceito, apresenta-se então algum item da parede da
fama, que consistem em códigos mais elaborados.
A mediação de competência, quando selecionada, atua na seleção de exercícios
fundamentais, indicados para quem está iniciando o aprendizado ou têm dificuldades em
compreendê-lo.
A fim de contemplar esses aspectos, realizou-se inclusão da tabela tarefa no modelo de
dados, mostrada na Figura 41.
pessoa
ID_PESSOA
NM_PESSOANM_LOGINNM_SENHADT_NASCIMENTONM_EMAILFL_TIPOARQ_FOTOFL_ATIVONR_RGNR_CPFFL_ONLINEFL_MAIL_MENSAGEMFL_MAIL_EXERCICIO
tarefa
ID_TAREFA
ID_REFERENCIA (FK)ID_TIPO_TAREFA (FK)ID_PESSOA (FK)FL_TAREFA
material
ID_MATERIAL
ID_DISCIPLINA (FK)ID_CURSO (FK)ID_PESSOA (FK)NM_MATERIALDS_MATERIALID_TIPO_MATERIAL (FK)DT_MATERIALID_LINGUAGEM (FK)FL_MATERIALID_PESSOA_ENVIOU (FK)NR_PRIORIDADENM_AUTOR
exercicio
ID_EXERCICIO
ID_TIPO_EXERCICIO (FK)ID_DISCIPLINA (FK)ID_CURSO (FK)ID_PESSOA (FK)NM_EXERCICIODS_EXERCICIOFL_EXERCICIONR_PRIORIDADEID_ALUNO (FK)DT_EXERCICIO
tipo_material
ID_TIPO_MATERIAL
NM_TIPO_MATERIALNM_PAGINA
Figura 41. Modelo ER
inclusão da tabela tarefa
89
As descrições dos atributos das tabelas são apresentadas no dicionário de dados da Tabela
19.
Tabela 21. Dicionário de dados da tabela tarefa
Tabela Atributo Descrição
id_tarefa Código da tarefa id_referencia Código do exercício, material ou conceito
id_tipo_tarefa Especifica se a tarefa é um material, exercício ou conceito
id_pessoa Código do aluno
tarefa
fl_tarefa Status da tarefa: 0 não realizada 1 realizada
No perfil do aluno foram incluídos dois novos casos: (i) consulta de tarefas a realizar; e (ii)
realização das tarefas solicitadas. Esses novos casos de uso são ilustrados na Figura 42.
ud Aluno
UC 10 - Consulta Tarefas
UC 11 - Realiza Tarefa
Aluno
Figura 42. Casos de uso incluídos no perfil de aluno
3.2.4. Modificações no assistente de interface
Outra modificação realizada no ambiente ocorreu nos diálogos estabelecidos pela
personagem Alice com o aluno. Percebeu-se que essa área seria de grande valia para estabelecer
uma mediação de intencionalidade, podendo ampliar os aspectos puramente comportamentais
abordados até então, incorporando questões afetivas e cognitivas sobre o aluno.
Dessa forma, foram incluídas 2 tabelas, dialogo_cognitivo e dialogo_emocao , e a tabela
dialogo_mensagem foi renomeada para dialogo_comportamento . As alterações são destacadas
na Figura 43.
90
dialogo
ID_DIALOGO: INT(11)
DS_DIALOGO: TEXTFL_PRIORIDADE: TINYINTFL_ACESSO: TINYINTID_TIPO_DIALOGO: TINYINT
dialogo_adicional
ID_DIALOGO: INT(11)
FL_ADICIONAL: CHAR(1)
dialogo_comportamento
ID_DIALOGO: INT(11)
FL_FREQUENCIA: TINYINTFL_EXERCICIO: TINYINTFL_TRABALHA: TINYINTDT_FERIADO: DATE
dialogo_saudacao
ID_DIALOGO: INT(11)
HR_INICIO: TIMEHR_FIM: TIMEFL_DIA_SEMANA: TINYINT
tipo_dialogo
ID_TIPO_DIALOGO: TINYINT
NM_TIPO_DIALOGO: TINYTEXT
dialogo_cognitivo
ID_DIALOGO: INT(11)
ID_CONCEITO: int(11)
conceito
ID_CONCEITO: int(11)
ID_UNIDADE: INTEGERNM_CONCEITO: VARCHAR(100)DS_CONCEITO: VARCHAR(255)ID_DISCIPLINA: int(11)ID_CURSO: int(11)ID_PESSOA: int(11)NR_PRIORIDADE: INTEGER
emocao
ID_EMOCAO: int
NM_EMOCAO: VARCHAR(50)
dialogo_emocao
ID_DIALOGO: INT(11)
VL_EMOCAO: tinyintID_EMOCAO: int
Figura 43. Modelo ER (Área referente aos diálogos da tutora)
A tabela dialogo_comportamento teve seu nome alterado para especificar a fim de
esclarecer melhor para o que ela se destina, isto é, abriga as mensagens relacionadas ao
comportamento do aluno perante o ambiente e seu cotidiano.
Já as informações cognitivas, sobre o desempenho do aluno, são tratadas na tabela
dialogo_cognitivo . Aqui, as mensagens sobre dificuldades de aprendizagem apresentadas por um
determinado aluno são selecionadas para serem exibidas ao aluno.
Por fim, a tabela dialogo_emocao estará vinculada às emoções apresentadas positiva ou
negativamente pelo aluno. Por exemplo, a emoção dedicação pode estar presente ou ausente em um
aluno, assim nessa tabela, ambos estados são contemplados.
O dicionário de dados destas três tabelas é descrito na Tabela 22.
91
Tabela 22. Dicionário de dados das alterações referente aos diálogos da tutora
Tabela Atributo Descrição id_dialogo Código do diálogo fl_frequencia Nome de emoção fl_exercicio Flag indicando freqüência de exercícios fl_trabalha Flag indicando se o aluno trabalha
dialogo_comportamento
dt_feriado Caso a mensagem se refira a uma data específica id_dialogo Código do diálogo
dialogo_cognitivo id_conceito Código do conceito id_dialogo Código do diálogo id_emocao Código da emoção dialogo_emocao vl_emocao Presença ou ausência da emoção
Essas alterações afetam diretamente em apenas um caso de uso UC 13
Gerencia
Comunicação da personagem Alice , conforme Figura 44, na qual o professor deve gerenciar a
comunicação da tutora.
ud Professor
Professor
UC13 - Gerencia comunicação da personagem Alice
Figura 44. Caso de uso alterado no perfil do professor
Anteriormente o caso atendia o gerenciamento dos três segmentos pela qual a mensagem era
composta. Agora, conforme pode ser visto na Figura 45, o administrador tem a disposição cinco
partes para gerenciamento:
Saudação: onde o professor cadastra a mensagem de saudação inicial, ex: Olá! ,
Bom dia, <nome_do_aluno!> ;
Emoção: onde o professor cadastra mensagens que serão exibidas caso o aluno
apresente ou não determinada emoção;
Cognitivo: onde o professor cadastra mensagens relacionadas às dificuldades de
aprendizagem apresentadas por um aluno;
Comportamental: onde o professor cadastra mensagens vinculadas ao
comportamento do aluno (freqüência de acessos e resolução de exercícios, por
exemplo) em relação ao ambiente ALICE; e
92
Incentivo: onde o professor inclui mensagens que serão exibidas conforme o
surgimento de novos materiais, mensagens, exercícios ou recados de um professor.
Figura 45. Novo menu de tarefas do administrador
As mensagens são exibidas ao aluno depois de realizado o login para entrar no ambiente. A
exibição dessas ocorre juntamente com a aparição da personagem Alice ao lado de um quadro-
negro. A Figura 46 ilustra essa situação.
Figura 46. Composição final da mensagem aos alunos
Saudação
Cognitivo
Comportamental
Emocional
Tarefas para o aluno
93
Ainda analisando a figura, pode-se perceber que ao final da mensagem são exibidas três
tarefas na qual o aluno deve realizar. Conforme a realização dessas exibe-se mais tarefas.
3.3. IMPLEMENTAÇÃO
O ambiente ALICE, bem como a implementação da modelagem descrita anteriormente,
utiliza páginas web PHP (Hypertext Preprocessor) em conjunto ao banco de dados MySQL. Ambas
as tecnologias foram providas pelo Centro de Ciências Tecnológicas da Terra e do Mar (CTTMar)
da UNIVALI, como é ilustrado na Figura 47.
AlunoAluno
Professor
Servidor Web PHPCTTMar
Servidor MySQL
Figura 47. Diagrama de Instalação do ambiente ALICE
Por este TCC dar continuidade a implementação de projetos anteriores (seções 2.4.1 e
2.4.2), ele baseou-se na biblioteca PHPLib desenvolvida pelos pesquisadores do curso de Ciência
da Computação do CTTMar. A biblioteca permite o desenvolvimento rápido e padronizado de
páginas, e consequentemente, sistemas web. Seu funcionamento é baseado em arquivos de
configuração (de layout HMTL, banco de dados, e funções de uso comum), que devem ser incluídos
em cada página a ser constituída. Segundo a padronização adotada, pressupõe-se que para cada
domínio existam três tipos de páginas:
Listagem: São listados os atributos do âmbito resumidamente, possibilitando o fácil
acesso aos detalhes e formulário completo para edição por meio de links;
Detalhe: Descreve todos os atributos de um determinado registro do domínio; e
Cadastro: Permite a inclusão, alteração ou exclusão de um registro do domínio.
Um maior detalhamento sobre o PHPLib pode ser encontrado em SEÁRA (2005).
94
4. O EXPERIMENTO REALIZADO
A seguir são apresentadas as etapas que foram realizadas a fim de efetuar o experimento no
qual se verificou a influência da inclusão de parâmetros afetivos no ambiente ALICE. Conforme
mencionado inicialmente, o experimento ocorreu com duas turmas da disciplina de Algoritmos e
Programação , do primeiro período do curso de Ciência da Computação da Universidade do Vale
do Itajaí.
4.1. PREPARAÇÃO
A preparação dos experimentos consiste em um conjunto de ações que garantem a
consistência dos dados e resultados finais. Nesse caso, foi necessário realizar no ambiente ALICE
os seguintes passos:
1. Criar os alunos e professores: foram cadastrados no ambiente os usuários do tipo
aluno e professor;
2. Criar as turmas: foram cadastradas duas turmas em cada um dos semestres letivos
(2005/I e 2005/II), associando os respectivos participantes;
3. Registro das ações dos alunos: foi criado mecanismo que registrasse as ações dos
alunos no banco de dados.
Além disso, houve a necessidade de apresentar o ambiente aos alunos, fornecendo-lhes seus
logins e senhas para o primeiro acesso. O evento ocorreu durante a segunda semana de cada
semestre, realizado pelos professores da disciplina. Nesse mesmo momento, foi aplicado o
questionário desenvolvido para identificação inicial das emoções.
4.2. REALIZAÇÃO
Definiu-se que o experimento seria realizado durante 11 semanas, percorrendo os meses de
fevereiro/março/abril
para a amostra 1, e agosto/setembro/outubro
para a amostra 2. Na
UNIVALI, esta disciplina possui 120 horas aula, ministradas em 15 semanas letivas no período
noturno, sendo 4 horas aula na terça-feira e 4 horas aula na sexta-feira. O experimento compreendeu
88 horas aula correspondendo a mais de dois terços da disciplina.
95
As unidades do domínio ministradas neste período compreenderam desde Conceitos
Fundamentais até Laços de Repetição . Considera-se estas unidades como sendo fundamentais
para a formação do raciocínio lógico-algorítmico e também aquelas onde as dificuldades de
aprendizagem tornam-se empecilhos para compreensão dos conceitos subseqüentes.
As aulas da disciplina foram ministradas nos Laboratórios de Informática (aproximadamente
30% da carga horária) e também em sala de aula. Em ambas as amostras, as duas turmas que
participaram do experimento, em cada um dos semestres, foram conduzidas de maneira bastante
similar, no que tange ao conteúdo programático, plano de aula, trabalhos e provas realizadas. Esta
similaridade entre as disciplinas já vinha ocorrendo a vários semestres por conta de um esforço
conjunto dos professores para padronizar os processos.
Conforme previsto no cronograma do TCC, o experimento foi encerrado na última semana
do mês de abril (Amostra 1) e na primeira semana do mês de outubro (Amostra 2). Os alunos
seguiram utilizando o ambiente até o final da disciplina, mas os registros realizados e os dados
coletados correspondem apenas ao período da realização do experimento.
4.3. COLETA DOS DADOS
A coleta dos dados foi realizada através de consultas SQL realizadas diretamente no Banco
de Dados (MySQL) que registra todas as transações do ambiente.
Os dados coletados encontravam-se em forma textual e foram importados para o Microsoft
Excel para a construção de tabelas, somatórios e verificação das correlações.
4.4. TABULAÇÃO E ANÁLISE DOS RESULTADOS
4.4.1. Caracterização das amostras
A primeira amostra foi composta de 74 (N1=74) alunos, enquanto a segunda foi composta de
63 (N2=63) alunos. Em ambos os casos, os alunos foram distribuídos em duas turmas da disciplina.
A divisão entre as turmas obedeceu a um critério alfabético, porém os alunos puderam trocar de
turma durante a primeira semana caso tenham argumentos consistentes para isso.
A Tabela 23 caracteriza algumas informações referentes ao perfil dos alunos em cada uma
das amostras. Esses dados foram coletados no início dos semestres letivos, através de um
questionário disponibilizado, durante o primeiro contato realizado com o ambiente.
96
Tabela 23. Perfil dos alunos que utilizam o ambiente ALICE
Variável Analisada Amostra 1 - Turma 2005/I
Amostra 2 - Turma 2005/II
Número de alunos inscritos 74 63 Homens 85,14% (63) 88,89% (56)
Relação de homens e mulheres Mulheres 14,86% (11) 11,11% (7)
Porcentagem de alunos que já cursaram a disciplina ao menos uma vez (repetentes)
18,92% (14) 19,05% (12)
Porcentagem de alunos que trabalham mais de 20 horas semanais
54,05% (40) 63,49% (40)
Porcentagem de alunos que apresentam conhecimento prévio em programação
20,27% (15) 26,98% (17)
Também foi identificado o perfil emotivo dos alunos da Amostra 2. Conforme já
apresentado na Seção 3.1.1, na Amostra 1 o questionário afetivo foi aplicado apenas para validação
do mesmo. Dessa forma, o perfil aqui identificado refere-se a coleta realizada com os alunos no
início e ao final do segundo mês de aula do semestre 2005/II. Cabe ressaltar que nesse período, os
alunos apresentavam pouca noção a respeito do tema que seria abordado. A Tabela 24 apresenta os
valores coletados referente às emoções.
Tabela 24. Valores coletados das emoções no início e final de cada semestre
Amostra 2 - Turma 2005/II ( 2 =63) Emoções
Início Fim Aversão 0,34 0,27 Confiança 0,44 0,51 Dedicação 0,50 0,69 Preocupação 0,56 0,55
Analisando os resultados, nota-se que a aversão decaiu ao decorrer das aulas, ou seja, ao
conhecer melhor a disciplina e suas dificuldades os alunos tendem a simpatizar mais com ela. O
sentimento de confiança dos alunos quanto ao conhecimento que estavam adquirindo aumentou
devido a familiarização dos alunos com o conteúdo abordado. Em relação a dedicação dos alunos,
os alunos aumentaram sua dedicação no decorrer da primeira metade da disciplina. Por fim,
verificando os resultados sobre o estado de preocupação dos alunos, os dados indicam que a
Amostra 2 mostrou pouca variação de preocupação.
4.4.2. Caracterização do desempenho dos alunos na sala de aula
4.4.2.1. Notas em avaliações
97
Em relação ao aproveitamento do aluno em sala de aula, verificaram-se as notas obtidas em
avaliações realizadas nos dois semestres. Como as atividades foram diferentes entre as amostras, tal
como os pesos a elas atribuídos, optou-se por determinar a média aritmética simples, onde todas as
avaliações foram tratadas de forma semelhante. Logo, a Tabela 25 apresenta as notas médias e
desvio padrão obtido em cada semestre.
Tabela 25. Dados estatísticos relativo a quantidade de exercícios realizados
Amostra 1 - Turma 2005/I
( 1 = 74) Amostra 2 - Turma 2005/II
( 2 =63) Medida Média ( 1) Desvio ( 1) Média ( 2) Desvio ( 2) Notas em Avaliações 7,01 3,10 7,58 2,62
4.4.2.2. Ocorrência de problemas de aprendizagem
Outro aspecto verificado foi a ocorrência de problemas de aprendizagem entre os alunos.
Para cada aluno é possível identificar suas dificuldades, a partir do resultado obtido em exercícios e
os registros realizados pelos professores em sala de aula. Os problemas encontrados foram
relacionados por conceitos para cada uma das amostras, conforme apresentado na
98
Tabela 26.
Tabela 26. Ocorrência de problemas de aprendizagem
Total de Alunos
Problemas Identificados
Problemas Identificados
pelo Professor Conceitos
A1 A2 A1 A2 A1 A2 1.1. Conceito de Algoritmos 65 57 3 10 - - 1.2. Como o Computador entende e executa os Programas
51 40 3 1 - -
1.3. Ferramentas de Representação de Algoritmos
43 29 1 1 - -
2.1. Tipos 64 28 3 - 1 - 2.2. Variáveis 64 33 3 2 1 - 2.3. Constantes 64 42 6 1 - - 3.1. Operações Aritméticas 63 42 5 - 1 - 3.2. Divisões Inteiras 60 34 3 5 1 4 3.3. Operações Relacionais 60 14 1 3 - 3 3.4. Operações Lógicas 60 15 2 6 1 4 3.5. Prioridade de Operadores 60 18 2 3 - 3
99
3.6. Testes Lógicos 61 11 3 1 2 1 4.1. Atribuição 61 28 5 - 3 - 4.2. Saída de Dados 61 34 6 1 2 1 4.3. Entrada de Dados 61 34 3 1 1 1 4.4. Algoritmos Seqüenciais 63 44 2 - 1 - 5.1. Desvio Condicional Simples 61 10 5 3 1 1 5.2. Desvio Condicional Composto 60 11 2 1 2 1 5.3. Desvio Condicional Aninhados 60 11 3 2 3 2 5.4. Condições Excludentes e Não Excludentes
1 5 1 - 1 -
6.1. Laço com Teste Lógico no Início
4 10 1 2 - 1 6.2. Contadores - 8 - 1 - 1 6.3. Somadores 1 8 - 1 - 1 6.4. Laço com Teste Lógico no Final - 4 - 1 - 1 6.5. Laço com Variável de Controle 5 7 2 2 - 1 7.1. Vetores 4 7 2 2 1 7.2. Matrizes - 1 - - - - 7.3. Estrutura (struct) 1 - - - - - 8.1. Procedimentos - 5 - - - - 8.2. Funções 4 7 3 - - - 8.3. Passagem de Parâmetros - 5 - - - - 8.4. Escopo de Variáveis - 1 - - - - 8.5. Recursividade - - - - - -
A tabela anterior lista os conceitos apresentados na Tabela 4 (Tabela 4. Unidades e conceitos
da disciplina de Algoritmos e Programação I) e os valores obtidos para a Amostra 1 (A1) e a
Amostra 2 (A2). A primeira variável refere-se ao número total de alunos que realizaram alguma
atividade que envolvesse o tema em questão. A segunda estabelece quantos alunos apresentaram
problema de aprendizagem no conceito em algum momento durante a sua aprendizagem. Por fim, a
terceira indica o número de problemas de aprendizagem, dentre os apresentados pela segunda
variável, que foram registrados pelos professores através das observações realizadas em sala de
aula.
Dentre os problemas diagnosticados, nota-se que a maioria deles foi encontrada pelo próprio
ambiente. Isto porque o docente só registrou aquelas dificuldades que o sistema não havia
detectado. Dentre os conceitos em que os alunos apresentaram dificuldades perante o professor
estão aqueles que precedem a construção de seus primeiros algoritmos (4.4. Algoritmos
Seqüenciais).
4.4.3. Perfil de utilização do ambiente pelos alunos
100
Foram registradas informações para caracterizar o uso do ambiente pelos alunos. São elas:
mediações recebidas; exercícios realizados (notas e quantidade); acesso aos materiais (referência e
complementar); tempo de permanência por seção; e número de acessos extra-classe. A seguir estas
são tabuladas a fim fornecer parâmetros para comparação entre as amostras. Para cada variável é
apresentada sua totalidade (variáveis quantitativas), média aritmética e desvio padrão.
4.4.3.1. Mediações recebidas
Dentre as quatro formas de mediação realizadas pelo ambiente ALICE, duas delas estavam
disponibilizadas nos dois semestres, sendo assim possível compará-las: mediação de competência e
de transcendência. A Tabela 27 apresenta a proporção de alunos que recebam tais mediações.
Tabela 27. Dados estatísticos relativo a proporção de mediação
Amostra 1 - Turma 2005/I
( 1 = 74) Amostra 2 - Turma 2005/II
( 2 =63) Mediação Proporção (p1) Proporção (p2) Competência 0,30 (22) 0,44 (28) Transcendência 0,70 (52) 0,56 (35)
Analisando os dados, percebe-se que a proporção de alunos mediados por competência foi
maior na segunda amostra, isto é explicável, pois no segundo semestre os alunos foram inicialmente
mediados por competência em todos os conceitos, enquanto na Amostra 1 esta característica não foi
pré-estabelecida.
Retomando a explanação realizada na Seção 3.2.3, houve uma mudança na forma de seleção
de estratégia mediadora. Anteriormente, o aluno era mediado através de uma única estratégia,
contudo em um segundo momento, as estratégias começaram a serem selecionadas para cada
conceito da disciplina.
4.4.3.2. Exercícios realizados
A Tabela 28 mostra indicadores estatísticos a respeito da realização de exercícios através do
ambiente ALICE. As listas de exercícios fornecidas pelos professores durante as aulas, seja para
resolução em sala, quanto extra-classe, não foram contabilizadas.
Tabela 28. Dados estatísticos relativo a quantidade de exercícios realizados e notas obtidas
Amostra 1 - Turma 2005/I ( 1 = 74)
Amostra 2 - Turma 2005/II ( 2 =63)
101
Medida Total Média ( 1) Desvio ( 1) Total Média ( 2) Desvio ( 2)
Exercícios Realizados
525 7,09 4,93 788 12,50 11,86
Notas nos Exercícios
- 7,44 2,16 - 7,06 2,56
Os dados indicam que a Amostra 1 apresentou 525 exercícios realizados pelos 74 alunos, o
que gera a média de 7,09 exercícios por aluno. Já na Amostra 2, os 63 alunos resolveram 788
exercícios, obtendo a média de 12,50 exercícios solucionados por acadêmico. Sendo assim, pode-se
concluir que os alunos da segunda amostra foram mais participativos, submetendo uma média muito
superior do que a primeira.
Ainda, nota-se através da análise de desvio padrão, que a Amostra 1 conteve maior
homogeneidade entre os alunos, ou seja, os acadêmicos solucionaram uma quantidade semelhante
de exercícios no geral. Enquanto isso, na Amostra 2 houve maior disparidade, alguns alunos
resolveram um grande número de exercícios e outros pouco participaram.
Quanto as notas nas questões resolvidas a primeira turma obteve a nota média de 7,44 e
desvio padrão de 2,16, e a segunda apresentou 7,06 de média e 2,56 de desvio padrão, não
apresentando diferença significativa (conforme elucidado na conclusão do experimento).
4.4.3.3. Acesso aos materiais
Outro aspecto comparado entre as amostras, refere-se aos materiais por elas acessados. A
Tabela 29 apresenta os indicadores estatísticos de acesso aos materiais de referência e
complementares para cada turma.
Tabela 29. Dados estatísticos relativo a quantidade de materiais de referência acessados
Amostra 1 - Turma 2005/I ( 1 = 74)
Amostra 2 - Turma 2005/II ( 2 =63)
Medida Total Média ( 1) Desvio ( 1) Total Média ( 2) Desvio ( 2)
Acessos aos Materiais de Referência
2349 31,74 39,28 1576 21,29 19,22
102
Acessos aos Materiais Complementares
2858 45,36 46,56 1301 20,65 16,76
Quanto aos materiais de referência, nota-se que no primeiro semestre houve 2349 acessos ao
todo, cuja média foi de 31,74 e o desvio padrão de 39,28. A segunda turma apresentou os seguintes
valores: 1576 acessos, média de 21,29 e desvio de 19,22. Percebe-se que a primeira amostra teve
maior necessidade em consultar materiais de consulta e referência, enquanto que a segunda amostra
não teve o mesmo nível de necessidade, ou de interesse.
Já referente aos materiais complementares, a Amostra 1 atingiu 2858 acessos, 45,36 de
média e 46,36 de desvio. Enquanto isso se obteve 1301 acessos, média de 29,65 e desvio de 16,76
na Amostra 2.
Vale ressaltar que para a análise dessa variável foi necessário reduzir o ruído proveniente do
mau uso do ambiente pelos alunos. Os mesmos, por curiosidade ou razões particulares, testaram a
vulnerabilidade ao acessar um mesmo conteúdo várias vezes em um mesmo momento, acarretando
em um elevado número de registro de acessos dentro de um único período de tempo. Tal fato é
compreensível ao considerar que o público alvo consiste em alunos da área tecnológica e, portanto,
inquietos por descobrir possíveis furos do sistema.
A redução buscou eliminar acessos que ocorreram em um mesmo período de tempo, usuário
e máquina acessada (consultando o IP
Internet Protocol3 - do computador)
4.4.3.4. Tempo de permanência
Por fim, calculou-se o tempo de permanência dos alunos nas seguintes seções disponíveis no
ambiente: correio, exercícios, materiais de referência e complementares.
A análise estatística apresentada pela Tabela 30 visa identificar quanto tempo o aluno
dispensou em cada atividade realizada. É possível notar através dessa que a seção que obteve maior
tempo médio de permanência dos alunos foi Recreio , fato compreensível tendo em vista que esta
é composta por jogos para o desenvolvimento do raciocínio lógico que demandam certo tempo para
sua conclusão.
3 O IP, ou Internet Protocol, é o protocolo da Internet que identifica, localiza e estabelece conexão entre computadores ligados à Internet (FERRAZ, ALBURQUERQUE e ALBURQUERQUE, 2002).
103
Tabela 30. Dados estatísticos relativo ao tempo de permanência por seção
Amostra 1 - Turma 2005/I ( 1 = 74)
Amostra 2 - Turma 2005/II ( 2 = 63)
Medida Média ( 1) Desvio ( 1)
Média ( 2) Desvio ( 2)
Correio 00:13 00:57 00:33 01:49 Exercício 00:58 02:34 01:02 02:49
Apostila 00:53 02:10 00:49 01:51 Código Fonte 01:11 03:03 00:46 01:45 Dica 00:47 00:59 01:58 01:59 Donwload 00:54 02:23 01:05 02:42 Link 00:22 01:22 00:21 00:31 Parede da Fama 00:56 02:20 01:00 02:41 Recreio 01:39 02:07 02:59 03:54
Materiais Complementares
Tutorial 00:58 02:30 01:06 02:51 Conceito 00:26 01:34 00:38 01:33 Materiais de
Referência Unidade 00:34 01:56 00:58 02:27
Percebe-se um pequeno indício de que a amostra 2 gastou mais tempo em atividades de
consulta relacionadas as tarefas designadas pelo professor. Por exemplo, acesso as dicas, aos
tutoriais, assim como usaram mais tempo solucionando problemas lógicos no recreio. Em
contrapartida a amostra 1 mostrou-se mais interessada em materiais complementares como códigos
fonte.
4.4.3.5. Número de acessos fora do período de aula
Outro aspecto verificado foi referente ao número de acessos realizados extra-classe. Esta
análise buscou todos os acessos, isto é, todas as entradas dos alunos no ambiente, excluindo o
período compreendido pelo horário de aula: terças e sextas-feiras entre 19 e 22:30 hs. A Tabela 31
ilustra os acessos efetuados por dia da semana.
Tabela 31. Dados estatísticos relativo a quantidade acessos extra-classe
Amostra 1 - Turma 2005/I
( 1 = 1777) Amostra 2 - Turma 2005/II
( 2 =1101) Dia da Semana Proporção (p1) Proporção (p2) Segunda-feira 0,12 (221) 0,17 (184) Terça-feira 0,18 (319) 0,16 (182) Quarta-feira 0,15 (263) 0,16 (172) Quinta-feira 0,14 (243) 0,17 (192) Sexta-feira 0,12 (222) 0,18 (196) Sábado 0,14 (238) 0,10 (105) Domingo 0,15 (271) 0,06 (70)
104
Percebe-se que a quantidade de acessos extra-classe é grande em ambas as amostras. Isto
indica uma das principais vantagens de utilizar o ambiente ALICE, a possibilidade de ampliar os
momentos de interação do aluno com o conteúdo e com a resolução de problemas, e também com
os mediadores (professores e monitores). A diferença não aparenta ser significativa entre as turmas
conforme será elucidado na Seção 4.5.2.4.
4.5. ANÁLISE DA HIPÓTESE
Para a análise dos dados e verificação da hipótese deste TCC, faz-se necessária a aplicação
de testes estatísticos que indiquem a sua aceitação ou rejeição. Foi selecionado o Teste Z, que é
aplicado em situações onde dadas duas amostras, cujo N seja superior a 30, verificar qual delas
obteve melhor resultado
(LARSON e FARBER, 2004). Alguns exemplos de aplicações seriam as
análises dos exercícios realizados e materiais acessados. Adaptando esse conceito para o contexto
aqui descrito, o teste auxilia na verificação da influência positiva da afetividade no empenho e
desempenho dos alunos da segunda turma.
O cálculo pode ser aplicado para comparação de duas médias ou comparação de duas
proporções. O seguinte roteiro foi aplicado para cálculo do valor Z com relação a comparação de
médias:
1. Foram definidas as hipóteses nula e alternativa. De modo geral a hipótese nula é de que a
variável analisada não é maior na segunda amostra (H0: µ1 µ2) e a hipótese alternativa
de que a segunda amostra é significativamente maior (H : µ1 < µ2 );
2. Para cada variável analisada, obteve-se o
(tamanho da amostra),
(média) e
(desvio
padrão) da totalidade dos alunos da amostra;
3. Após foi calculado o erro padrão utilizando a equação 1 da Figura 48;
4. Já o valor de Z calculado foi obtido através da equação 2 da Figura 48;
5. Comparou-se o valor de Z calculado com o valor de Z crítico relacionado ao nível de
confiança definido (95%). Por tratar-se de um teste monocaudal esquerda 4, neste nível
confiança, o valor crítico de Z é -1,96, e conseqüentemente, a região de rejeição da
hipótese nula exige valore de Z < -1,96 (LARSON e FARBER, 2004).
4 Segundo Larson e Farber (2004): Se a hipótese alternativa Ha contiver o símbolo de menor do que (<), o teste de hipótese será um teste monocaudal esquerda .
105
(1) Erro padrão:
nnxx2
2
2
1
2
1
21
(2) Teste Z:
xx
z xx21
)(21
Figura 48. Teste Z para comparação entre médias
Já para o Teste Z aplicado a comparação de proporções, deve-se seguir os passos abaixo:
1. Definir as hipóteses nula e alternativa;
2. Obter a o (tamanho da amostra), p (proporção) da totalidade dos alunos da amostra e
(proporção multiplicada pelo tamanho da amostra);
3. Calcular a estimativa ponderada utilizando a equação 1 da Figura 49;
4. Calcular o valor de Z através da equação 2 da Figura 49;
5. Comparar o valor de Z calculado com o valor de Z crítico relacionado ao nível de
confiança definido (95%). Novamente, o teste é considerado como monocaudal esquerda
que para o nível de confiança adotado, o valor crítico de Z é -1,96, e conseqüentemente,
a região de rejeição da hipótese nula é de Z < -1,96.
(1) Estimativa ponderada: nnxxp
21
21 e pq 1
(2) Teste Z:
)11
(*)(*)(
)(
21
21
nn
pp
qp
z
Figura 49. Teste Z para comparação entre proporções
Retomando a metodologia descrita na Seção 1.2, as variáveis abaixo foram selecionadas a
fim de direcionar as conclusões perante a hipótese A inclusão de características afetivas influencia
positivamente no empenho e desempenho dos alunos , foi necessário segmentá-la em variáveis
indicativas, relativas ao empenho e desempenho as quais são analisadas individualmente para tecer
as conclusões:
106
1. Variáveis indicativas de desempenho:
Nota média nas avaliações;
Nota média nos exercícios;
Proporção de alunos que recebem mediação de competência e de transcendência.
2. Variáveis indicativas de empenho:
Número médio de acessos fora do horário de aula;
Número médio de acessos aos materiais de referência e complementares;
Número médio de exercícios realizados; e
Tempo médio de acessos por seção.
4.5.1. Variáveis indicativas de desempenho
4.5.1.1. Nota média nas avaliações
A análise de notas médias das avaliações visa verificar se o desempenho dos alunos
melhorou ou não em sala de aula, podendo ser conseqüência da inclusão de afetividade no ambiente
de apoio utilizados para a aula. A fim de examinar esta afirmação, as hipóteses nula e a alternativa
foram assim estabelecidas:
H0: µ1 µ2
H : µ1 < µ2 (houve um crescimento no desempenho proveniente das notas obtidas nas
avaliações em sala de aula pelos alunos da Amostra 2)
Aplicando o Teste Z, com nível de significância de = 0,05, cujo valor crítico é de -1,96,
tem-se o cálculo apresentado na Figura 50.
107
48,0
6374
62,21,322
2
2
2
1
2
1
21 ns
ns
xx
15,148,0
058,701,7)()(
21
2121
xx
zxx
Figura 50. Erro padrão e Teste Z da nota média em avaliações
Conclui-se que não é possível rejeitar a hipótese nula, pois Z não está na região de rejeição,
ou seja, que a nota nas avaliações não foi influenciada pela inclusão da afetividade.
4.5.1.2. Nota média nos exercícios
Essa análise difere-se da anterior, pois aqui se deseja verificar a qualidade das soluções
formadas pelos alunos. Dessa forma, a hipótese nula e a alternativa constituem-se em:
H0: µ1 µ2 (não houve diferença significativa entre as amostras)
H : µ1 < µ2 (houve um crescimento no desempenho dos exercícios solucionados pelos
alunos da Amostra 2)
Novamente, aplicando o Teste Z, com nível de significância de = 0,05, é obtida o
resultado ilustrado na Figura 51.
41,06374
56,216,222
2
2
2
1
2
1
21 ns
ns
xx
9,041,0
007,744,7)()(
21
2121
xx
zxx
Figura 51. Erro padrão e Teste Z da nota média em exercícios
108
Pode-se concluir através do cálculo que por Z estar fora da região de rejeição, não é possível
rejeitar a hipótese nula. Logo, a inclusão da afetividade não influenciou a nota média em exercícios
realizados através do ambiente.
4.5.1.3. Proporção de alunos que receberam mediação de competência e transcendência
Em relação a forma em que os alunos deveriam ser mediados, comparou-se a proporção de
alunos que receberam mediação de competência ou de transcendência. As demais estratégias de
mediação foram descartadas, pois as mesmas só foram disponibilizadas aos alunos da segunda
amostra, inviabilizando a comparação dos resultados.
Diferentemente das análises anteriores, essa utilizou o Teste Z aplicado a comparação de
proporções. Os valores de p , q e z
são apresentados na Tabela 32.
Tabela 32. Estimativa ponderada e Teste Z relativo a mediação recebida pelos alunos
Mediação p q z
Competência 0,36 0,64 1,45 Transcendência 0,63 0,37 1,42
Observando os valores de Z, pode-se concluir que ambos se encontram fora da região de
rejeição, onde não é possível rejeitar a hipótese nula. Ou seja, a quantidade de alunos mediados por
competência ou por transcendência não foi influenciada pela inclusão da afetividade.
4.5.2. Variáveis indicativas de empenho
4.5.2.1. Número médio de acessos aos materiais de referência e complementares
Buscou-se verificar aqui se a quantidade de materiais, seja de referência ou complementar, é
afetada com a inclusão de parâmetros afetivos. Portanto, as hipóteses estabelecidas são:
H0: µ1 µ2
H : µ1 < µ2 (a segunda amostra acessou mais materiais que a primeira, demonstrando maior
empenho)
A Figura 52 apresenta a aplicação do Teste Z, sob as mesmas condições dos testes
anteriores, para a verificação em materiais de referência.
109
43,7
6374
56,4628,3922
2
2
2
1
2
1
21 ns
ns
xx
83,1
43,7
036,4574,31)()(
21
2121
xx
zxx
Figura 52. Erro padrão e Teste Z de número médio de acessos de materiais de referência
Já os materiais complementares, obteve-se o cálculo da Figura 53.
07,36374
76,1622,1922
2
2
2
1
2
1
21 ns
ns
xx
21,007,3
065,2029,21)()(
21
2121
xx
zxx
Figura 53. Erro padrão e Teste Z de número médio de acessos de materiais complementares
O valor Z calculado em ambos os tipos de materiais, encontra-se fora da região de rejeição,
por isso não se pode rejeitar a hipótese nula. Os cálculos indicam que não há indícios para
confirmar que o número médio de acessos aos materiais foi influenciado pela inclusão da
afetividade.
4.5.2.2. Número médio de exercícios realizados
Nessa variável deseja-se verificar se a inclusão de aspectos afetivos no ambiente influenciou
na quantidade de exercícios solucionados, ou seja:
H0: µ1 µ2
H : µ1 < µ2 (houve um aumento de exercícios solucionados na Amostra 2)
Adotando o nível de significância = 0,05, valores críticos de 1,96 e -1,96, e as regiões de
rejeição são Z < -1,96 e Z >1,96, ao aplicar o Teste Z, tem-se o cálculo exibido na Figura 54.
110
6,1
6374
86,1193,422
2
2
2
1
2
1
21 ns
ns
xx
38,3
6,1
05,1209,7)()(
21
2121
xx
zxx
Figura 54. Erro padrão e Teste Z de número médio de exercícios realizados
O valor Z encontrado foi de -3,38, o que implica em estar na região de rejeição (-3,38 < -
1,96), e portanto, pode-se rejeitar a hipótese nula e aceitar a hipótese alternativa. Logo, esta variável
fornece um indício de que a inclusão de afetividade no ALICE influenciou positivamente na
quantidade de exercícios resolvidos.
4.5.2.3. Tempo de permanência por seção
No Teste Z relativo ao tempo de acesso por seção foram estabelecidas as seguintes
hipóteses:
H0: µ1 µ2
H : µ1 < µ2 (houve um aumento no tempo de permanência por seção na Amostra 2, devido a
inclusão de parâmetros afetivos)
Os resultados obtidos, a partir da aplicação da fórmula do Teste Z já mencionada
anteriormente, são apresentados na Tabela 33.
Tabela 33. Erro padrão e Teste Z relativo ao tempo de permanência por seção
Medida Erro Padrão Teste Z
Correio 1,40 -14,4 Exercício 2,50 -1,86
Apostila 8,37 0,58 Código Fonte 13,85 1,82 Dica 8,58 -1,41 Donwload 8,65 -1,25 Link 8,98 0,14 Parede da Fama 13,02 -0,29 Recreio 8,45 -3,30
Materiais Complementares
Tutorial 9,93 -0,81 Conceito 2,74 -4,48 Materiais de
Referência Unidade 3,99 -6,19
111
Conforme observado na tabela, alguns itens validam a rejeição da hipótese nula enquanto
outros não. Dentre os que rejeitam, encontram-se a seção de Correio (-14,4), Recreio (-3,30) e os
Materiais de Referência: Conceito (-4,48) e Unidades (-6,19). Para estes, os alunos da segunda
amostra tiveram maior tempo de permanência por seção, logo, fornecem mais indícios de que a
inclusão de parâmetros afetivos influenciou positivamente. Já nos demais itens, não é possível
realizar alguma afirmação, pois a hipótese nula não pode ser rejeitada.
No geral, os valores indicam que os alunos leram mais materiais no segundo semestre,
conclusão fundamentada na observação dos valores de Z negativos.
4.5.2.4. Acessos realizados extra-classe
O último Teste Z aplicado refere-se ao número de acessos realizados durante o período em
que os acadêmicos não se encontravam em aula de Algoritmos e Programação. A hipótese descrita
para tal situação determina que:
H0: µ1 µ2
H : µ1 < µ2 (houve um aumento no número de acessos extra-classe na Amostra 2,
ocasionado a partir da inclusão de parâmetros afetivos)
O cálculo aplicado foi o Teste Z para comparação entre proporções, conforme pode ser
observado na Tabela 34.
Tabela 34. Estimativa ponderada e Teste Z relativo a quantidade de acessos realizados extra-classe
Dia da Semana p q z
Segunda-feira 0,14 0,86 -4,55 Terça-feira 0,17 0,83 1,82 Quarta-feira 0,15 0,85 -0,88 Quinta-feira 0,15 0,85 -2,65 Sexta-feira 0,14 0,86 -5,46 Sábado 0,11 0,89 4,08 Domingo 0,11 0,89 9,18
Dentre os dias da semana, os que devem rejeitar a hipótese nula, pois os mesmos encontram-
se fora da região de rejeição (Z < 1,96) são: segunda, quinta e sexta-feira. Quanto aos demais, não
se pode afirmar que os acessos extra-classe foram influenciados pela inclusão dos parâmetros
afetivos.
112
5. CONCLUSÕES E TRABALHOS FUTUROS
A realização deste TCC permitiu explorar, na teoria e na prática, conceitos pouco abordados
pela comunidade científica, principalmente no que se refere à Computação Afetiva. Os modelos
computacionais que tratam aspectos afetivos são novos e estão em fase inicial de estudo. Trabalhos
similares foram localizados apenas no exterior e em nível de doutorado no Brasil, sendo mais raro
ainda encontrar estudos que já apresentassem resultados empíricos da utilização destes modelos em
situações reais de ensino-aprendizagem. Neste sentido este trabalho de conclusão representa uma
contribuição significativa para área de Sistemas Tutores Inteligentes, especialmente com relação à
inclusão de características afetivas.
O trabalho abordou a importância de atender os problemas de aprendizagem de algoritmos.
Isto foi feito a partir da identificação das modalidades de dificuldades de aprendizagem
demonstradas por estes, e de como um ambiente computacional poderia auxiliar a personalizar o
diagnóstico e a atenção a estas dificuldades. Como resultado deste TCC, tem-se uma abordagem
onde os alunos são assistidos tanto pelo professor quanto pelo ambiente computacional, seja em sala
de aula ou por meio de atividades extra-classe realizadas via Internet. Essa parceria tornou-se
possível a partir da implementação da arquitetura ITA no ambiente ALICE, seguindo uma tendência
recente da área de STI, a inclusão do professor como usuário final.
Para possibilitar a realização de uma análise da influência dos parâmetros afetivos na
dinâmica de aprendizagem da disciplina de Algoritmos e Programação, foi necessário realizar
diversas adaptações no ambiente ALICE. A captura e representação das emoções estão entre os
principais focos de atenção desta pesquisa, uma vez que não haviam modelos prontos que pudesse
ser adaptados às necessidades do ambiente ALICE. Os modelos existentes tiveram que ser
adaptados, e novos modelos foram propostos.
As fórmulas definidas empiricamente para ajuste das emoções em resposta a eventos
ocorridos no ambiente computacional correspondem a principal contribuição deste TCC. Vale
ressaltar que este TCC propõe uma forma de trabalhar com as emoções em um ambiente
computacional de apoio a aprendizagem, e não a única ou a melhor forma de fazê-la.
Todos os objetivos propostos foram alcançados. Foram incluídas emoções no modelo do
aluno do ITA ALICE. Foram pesquisados e relatados os trabalhos similares sobre sistemas
113
computacionais que utilizam aspectos afetivos para o ensino e a aprendizagem. As emoções a serem
tratadas (estados afetivos) foram selecionadas a partir da análise dos trabalhos correlatos, assim
como maneiras de capturá-las e mensurá-las.
Um novo modelo do aluno foi proposto para contemplar aspectos instrucionais e afetivos.
Este foi implantado no ITA ALICE permitindo a realização de experimentos práticos com os
professores e alunos da disciplina de algoritmos.
Ao final do trabalho foi apresentado o resultado do experimento realizado durante os
semestres de 2005/I e II. Seu objetivo foi de encontrar indícios onde a inclusão das emoções se
manifestasse significativamente e em direção a favorecer a aprendizagem. A partir dos
experimentos foi possível verificar a hipótese de pesquisa descrita a seguir: A inclusão de
características afetivas influencia positivamente no empenho e desempenho dos alunos .
Das variáveis analisadas poucas demonstraram uma melhora na segunda amostra (a que
considera as emoções). Destas, apenas o número médio de exercícios realizados, os acessos extra-
classe em alguns dias da semana e em algumas das seções foram significativas ( = 0,05). Estas são
variáveis indicativas de empenho. Nenhuma variável indicativa de desempenho apresentou melhora
significativa.
Considera-se, desta forma que a hipótese não pode ser aceita como verdadeira, pois não há
evidências suficientes para isso. Porém existem indícios de que a inclusão das emoções
influenciaram no empenho dos alunos de forma positiva. Faz-se necessário ampliar o número de
observações (em novos experimentos) para que estes indícios mostrem-se significativos ou não.
Dentre os trabalhos futuros para este TCC encontram-se:
Repetir o experimento: novas coletas e análises serão realizadas a fim de verificar
novas hipóteses de pesquisa, onde possivelmente uma nova metodologia será
adotada, comparando dois conjuntos de alunos de um mesmo semestre;
Torná-lo Open Source: já foi iniciado o processo de ajustes e de eliminação de
dependências com a base de dados da UNIVALI, a fim de disponibilizar o ambiente
em código aberto. Além disso, está sendo repensada a interface do ambiente e da
personagem Alice;
114
Tornar a Alice um personagem animado: possibilitar que a personagem seja animada
e com emoções. Testes preliminares utilizando software MSAgent já demonstraram a
viabilidade para tal;
Aplicar técnicas de KD (Knowlegde Discovery): o ambiente atualmente armazena
muitos registros contendo informações dos alunos, pode-se identificar padrões a
partir da análise destes registros, permitindo assim uma nova dimensão para a
identificação de perfis dos alunos;
Incluir raciocínio probabilístico: utilizar técnicas de raciocínio probabilístico para
avaliar alternativas de como melhorar o processo decisório do ambiente;
Espera-se que este trabalho venha a contribuir para a pesquisa na área de Sistemas Tutores
Inteligentes e que amplie o interesse pelo uso da Computação Afetiva como alternativa viável para
o desenvolvimento de trabalhos em Ciência da Computação.
115
REFERÊNCIAS BIBLIOGRÁFICAS
ACAFE (Associação Catarinense das Fundações Educacionais). Disponível em: <http://www.acafe.org.br/newpage/saem/diretrizes/introducao.php>. Acesso em: jul. 2005.
AKHRAS, Fabio; SELF, John. Beyond intelligent tutoring systems: situations, interactions, processes and affordances. In: Instructional Science, 30, 2002, Netherlands. Netherlands: Kluwer Academic Publishers, 2002.
ALEXANDER, S. T. V. Emulating human tutor empathy. In: IIMS Postgraduate Conference, 2004, Albany, New Zealand. Proceedings Disponível em: <http://www.massey.ac.nz/~iimspg/ conference/proceedings/ 12.pdf>. Acesso em: mar. 2005.
ALMEIDA, Eliana S. de; COSTA, Evandro de B.; SILVA, Klebson dos S. ; PAES, Rodrigo de B.; ALMEIDA, André Atanasio M.; BRAGA, Julian D. Herrera. AMBAP: um ambiente de apoio ao aprendizado de programação. In: CONGRESSO DA SOCIEDADE BRASILEIRA DE COMPUTAÇÃO, 22, 2002, Florianópolis. Anais... Florianópolis: UFSC, 2002. 1 CD-ROM.
BARTNECK, Christoph. Integrating the OCC model of emotions in embodied characters. In: WORKSHOP ON VIRTUAL CONVERS ATIONAL CHARACTERS: Applications, Methods, and Research Challenges, 2002, Melbourne. Disponível em: <http://www.bartneck.de/work/ bartneck_hf2002.pdf>. Acesso em: mar. 2005.
BERCHT, Magda. Em direção a agentes pedagógicos com dimensões afetivas. Tese de Doutorado (Doutorado em Ciência da Computação)-Universidade Federal do Rio Grande do Sul, Porto Alegre, 2001.
BORATTI, Isaias Camilo; OLIVEIRA, Álvaro Borges de. Introdução à Programação Algoritmos. Florianópolis: Visual Books, 1999.
BUTZ, Cory; HUA, Shan; MAGUIRE, Brien. A web-based intelligent tutoring system for computer programming. In: IEEE/WIC/ACM CONFERENCE ON WEB INTELLIGENCE (WI04), 2004, Beijing, China, pp 159-165. Disponível em: < http://www.cs.uregina.ca/~butz/publications/ wi04.pdf >. Acesso em: fev. 2005.
CARNEIRO, Dorothy Gomes; LÜCK, Heloisa. Desenvolvimento Afetivo na Escola: Promoção, Medida e Avaliação. 2 ed. Petrópolis: Vozes, 1985.
CASTRO, Thais Helena Chaves de; CASTRO JÚNIOR, Alberto Nogueira; MENEZES, Crediné Silva de; CURY, Davidson. Arquitetura SAAP: Sistema de Apoio à Aprendizagem de Programação. In: CONGRESSO DA SOCIEDADE BRASILEIRA DE COMPUTAÇÃO, 22, 2002, Florianópolis. Anais... Florianópolis: UFSC, 2002. 1 CD-ROM.
CHAVES, Marinalda; Contribuições da Matemática para Alunos com Dificuldades de Aprendizagem. Dissertação de Mestrado (Programa de Pós-Graduação em Engenharia de Produção)-Universidade Federal de Santa Catarina, Florianópolis, 2002.
EGGES, Arjan; KSHIRSAGAR, Sumedha; MAGNENAT-THALMANN, Nadia. A model for personality and emotion simulation. In: KNOWLEDGE-BASED INTELLIGENT INFORMATION
116
& ENGINEERING SYSTEMS (KES2003). Disponível em: <http://www.miralab.unige.ch/papers/ 162.pdf>. Acesso em: fev. 2005.
EL-KHOULY, M. M.; FAR, B. H.; KOONO, F. Z. Expert tutoring system for teaching computer programming languages. Expert System with Applications, New York, n. 18, p. 27-31, 2000.
ESMIN, Ahmed Ali Abdalla. Portugol/Plus: Uma ferramenta de apoio ao ensino de lógica de programação baseado no Portugol. In: CONGRESSO RIBIE, 4,1998, Brasília. Anais... Disponível em: <http://www.niee.ufrgs.br/ribie98/TRABALHOS/118.PDF>. Acesso em: mar. 2004.
EVARISTO, Jaime.; CRESPO, Sérgio. Aprendendo a programar: programando numa linguagem algorítmica executável (ILA). Rio de Janeiro: Book Express, 2000. p. 224. ISBN: 8586846473.
FALKEMBACH, Gilse Antoninha Morgental. Uma experiência de resolução de problemas através da estratégia ascendente. Tese de Doutorado (Doutorado em Informática na Educação)-Universidade Federal do Rio Grande do Sul, Porto Alegre, 2003.
FERRAZ, Tatiana Lopes; ALBURQUERQUE, Marcelo Portes; ALBURQUERQUE, Márcio Portes. Introdução ao ping e traceroute, 2002. Disponível em: <http://www.rederio.br/downloads/pdf/nt01002.pdf>. Acesso em: dez. 2005.
FEUERSTEIN, Reuven; FEUERSTEIN, S. Mediated learning experience: a theoretical review. In: Mediated Learning Experience (MLE): theoretical, psychosocial and learning implications. London: Freund Publishing House Ltd., 1994. p.3-51.
FLORES, Inezita Adriana. A afetividade e a aprendizagem. Monografia (Especialização Currículo e Metodologia das Séries Iniciais e Pré-Escola)-Universidade do Vale do Itajaí, Itajaí, 1998.
FRIGO, Luciana Bolan; POZZEBON, Eliane; BITTENCOURT, Guilherme. O Papel dos Agentes Inteligentes nos Sistemas Tutores Inteligentes. In: WORLD CONGRESS ON ENGINEERING AND TECNOLOGY EDUCATION, 2004, São Paulo. Anais... Disponível em <http://www.inf.ufsc.br/~l3c/artigos/frigo04a.pdf>. Acesso em: jun. 2004.
GEYER, Cláudio F. R.; RODRIGUES, Alessandra P.; EMILIANO, José P.; PEREIRA, Adriana Soares; FERRARI, Débora Nice; OLIVEIRA, Alex. SEMEAI SistEma multiagente de ensino e aprendizagem na internet. In: SIMPÓSIO BRASILEIRO DE INFORMÁTICA NA EDUCAÇÃO, 12, 2001, Anais... Disponível em <http://www.inf.unilasalle.edu.br/semeai/sbie2001.ps>. Acesso em: jun. 2004.
GIRAFFA, Lúcia Maria Martins; MARCZAK, Sabrina S.; ALMEIDA, Gláucio. O Ensino de algoritmos e programação mediado por um ambiente Web. In: CONGRESSO NACIONAL DA SOCIEDADE BRASILEIRA DE COMPUTAÇÃO, 2, 2003, Campinas. Anais... Campinas: UNICAMP, 2003. 1 CD-ROM.
GOLEMAN, Daniel. Inteligência Emocional. 36 ed. Rio de Janeiro: Objetiva, 1999. ISBN: 8573020806.
HASSIN, Mohd Hafiz Mohd; AZIZ, Ab. Aziz; NORWAWI, Norita Md. Affective computing: knowing how you feel. IN: THE NATIONAL SEMINAR OF SCIENCE TECHNOLOGY AND SOCIAL SCIENCE (STSS 04), UiTM Pahang, 2004.
117
JAQUES, Patricia Augustin. Using an animated pedagogical agent to interact affectively with the student. Tese de Doutorado (Doutorado em Ciência da Computação)-Universidade Federal do Rio Grande do Sul, Porto Alegre, 2004.
JAQUES, Patricia; VICCARI, Rosa. A BDI approach to infer student s emotions. In: IBERO-AMERICAN CONFERENCE ON ARTIFICIAL INTELLIGENCE, 9, Novembro, 2004, Tonantzintla/México. Anais Tonantzintla: Instituto Nacional de Astrofísica e Óptica y Eletrônica, 2004. Disponível em: <http://www.inf.ufrgs.br/~pjaques/papers/Jaques_IBERAMIA.PDF>. Acesso em: fev. 2005.
JOHNS, Michael; SILVERMAN, Barry G. How emotions and personality effect the utility of alternative decisions: A terrorist target selection case study. In: 10th CONFERENCE ON COMPUTER GENERATED FORCES AND BEHAVIORAL REPRESENTATION, SISO, 2001. Disponível em: < http://hms.upenn.edu/2001/emotion.pdf >. Acesso em: abr. 2005.
KINSHUK; TRETIAKOV, Alexei; HONG, Hong; PATEL, Ashok. Human Teacher in Intelligent Tutoring System: A Forgotten Entity! 2001. In: IEEE INTERNATIONAL CONFERENCE ON ADVANCED LEARNING TECHNOLOGIES, 2001, Madison/USA. Proceedings Madison: IEEE, 2001, pp. 227-230. ISBN: ISBN 0-7695-1013-2.
LARSON, Ron; FARBER, Betsy. Estatística Aplicada. 2 ed. São Paulo: Prentice Hall, 2004. ISBN: 8587918591.
LESTA, Leanna; YACEF, Kalina. An Intelligent Teaching-Assistant System for logic. In: INTERNATIONAL CONFERENCE ON INTELLIGENT TUTORING SYSTEMS, 6, 2002, Biarritz/Spain. Proceedings Biarritz: Lecture Notes in Computer Science 2363, pp. 421-431. ISBN: 3-540-43750-9.
LEMOS, Marilza Antunes de; BARROS, Leliane Nunes de; LOPES, Roseli de Deus. Uma biblioteca cognitiva para o aprendizado de programação. In: CONGRESSO NACIONAL DA SOCIEDADE BRASILEIRA DE COMPUTAÇÃO, 2, 2003, Campinas. Anais... Campinas: UNICAMP, 2003. 1 CD-ROM.
MARTINS, Frederico de Almeida. Anima Algo Software de animação de algoritmos para auxílio ao ensino e entendimento da programação. Disponível em: <http://www.uniube.br/uniube/cursos/ graduacao/tpd/Disciplinas/rogerio/Projetos/AnimaAlgo.pdf>. Acesso em: mar. 2004.
MEDEIROS, Clavius Leandro; DAZZI, Rudimar Luís Scaranto. Aprendendo algoritmos com auxílio da web. In: CONGRESSO BRASILEIRO DE COMPUTAÇÃO, 2, Itajaí, 2002. Anais... Itajaí: UNIVALI, 2002. 1 CD-ROM. Disponível em: <http>//cbcomp.univali.br/anais/pdf/2002/ alg001.pdf>. Acesso em: jan. 2005.
MENEZES, C. S.; NOBRE, I. A. M. Um ambiente cooperativo para apoio a cursos de introdução a programação. In: CONGRESSO DA SOCIEDADE BRASILEIRA DE COMPUTAÇÃO, 22, Florianópolis, 2002. Anais... Florianópolis: UFSC, 2002. 1 CD-ROM.
MURRAY, Edward J. Motivação e Emoção. Rio de Janeiro: Zahar, 1971.
PICARD, Rosalind. Affective Computing. M.I.T. Media Laboratory Perceptual Computing Section Technical Report Nº. 321, 1995.
118
PRENDINGER, Helmut; ISHIZUKA, Mitsuru. Affective and social behavior in animated agent. In: NAFIPS International Conference, 20, 2001, Vancouver/Canada. Proceedings Vancouver: 2001, pp. 2918-2923. Disponível em: <http://research.nii.ac.jp/~prendinger/papers/helmut-fuzzy01WS.pdf>. Acesso em: mar. 2005.
RAABE, André Luís Alice; SILVA, Júlia Marques Carvalho da. Um Ambiente para Atendimento as Dificuldades de Aprendizagem de Algoritmos. In: WORKSHOP DE EDUCAÇÃO EM COMPUTAÇÃO, 13, 2005. Anais... São Leopoldo: UNISINOS, 2005. 1 CD-ROM.
RODRIGUES Jr., M. C. Experiências positivas para o ensino de algoritmos. In: WORKSHOP DE EDUCAÇÃO EM COMPUTAÇÃO E INFORMÁTICA BAHIA-SERGIPE, 3, 2004, Salvador. Anais... Salvador: 2004. Disponível em: < http://www.uefs.br/erbase2004/documentos/weibase/ Weibase2004Artigo001.pdf >. Acesso em: jan. 2005.
ROMANO, D. M., WONG, A. K. L. Personality model of a social character. In: EMPATHY IN HUMAN COMPUTER INTERACTION WORKSHOP (HCI 2004), 2004. Leeds. Leeds (ed.): Leeds Metropolitan University, 2004. Disponível em: <http://www.dcs.shef.ac.uk/~daniela/ BHCI2004.pdf>. Acesso em: jun. 2005.
SANTIAGO, Rafael; DAZZI, Rudimar Luís Scaranto. Ferramenta de apoio ao ensino de algoritmos. In: SEMINÁRIO DE COMPUTAÇÃO (SEMINCO), 13, 2004, Blumenau. Anais... Blumenau: 2004. Disponível em: < http://www.inf.furb.br/seminco/2004/artigos/96-vf.pdf >. Acesso em: fev. 2005.
SEÁRA, Everton Flávio Rufino. Incrementando o desenvolvimento de sistemas baseados em framework através de ferramenta RAD. 2005. 107 f. Trabalho de Conclusão de Curso (Bacharelado em Ciência da Computação) Centro de Ciências Tecnológicas da Terra e do Mar, Universidade do Vale do Itajaí, Itajaí, 2005
SILVA, Júlia Marques Carvalho da; RAABE, André Luís Alice. Construção de Ferramentas Interativas para Apoio a Aprendizagem via Internet. Relatório Final, Universidade do Vale do Itajaí, Itajaí, 2004.
SOUTO, Maria Aparecida Martins. Diagnóstico on-line do Estilo Cognitivo de Aprendizagem do Aluno em um Ambiente Adaptativo de Ensino e Aprendizagem na Web: uma Abordagem Empírica baseada na sua Trajetória de Aprendizagem. Tese de Doutorado (Doutorado em Ciência da Computação)-Universidade Federal do Rio Grande do Sul, Porto Alegre, 2003.
SYKES, Edward R.; FRANEK, Franya. An Intelligent Tutoring System prototype for learning to program java. In: IEEE INTERNATIONAL CONFERENCE ON ADVANCED LEARNING TECHOLOGIES, 3, 2003, Atenas, Grécia, Proceedings Atenas: 2002. Disponível em: <http://csdl.computer.org/comp/proceedings/icalt/2003/1967/00/19670485.pdf>. Acesso em: abr. 2005.
TOBAR, Carlos Miguel; ROSA, João Luís Garcia; COELLO, Juan Manoel Adán; PANNAIN, Ricardo. Uma arquitetura de ambiente cooperativo para o aprendizado de programação. In: SIMPÓSIO BRASILEIRO DE INFORMÁTICA NA EDUCAÇÃO, 12, Vitória, 2001. Anais... Vitória: Universidade Federal do Espírito Santo, 2001.
119
VICARI, Rosa Maria; GIRAFFA, Lúcia Maria Martins. Fundamentos dos Sistemas Tutores Inteligentes. In: BARONE, Dante (Org). Sociedades artificiais: a nova fronteira da inteligência das máquinas. Porto Alegre: Bookman, 2003. ISBN: 85-363-0124-4.
VICENTE, Angel de. Towards tutoring systems that detect students motivation: an investigation. Tese de Doutorado (Doctor of Filosofia)-Institute for Communicating and Collaborative systems, University of Edinburgh, Edinburgh, 2003.
VICENTE, Angel de; PAIN, Helen. A computational model of affective educational dialogues. In: AAAI FALL SYMPOSIUM, Falmouth, Massachusetts, 2000. Technical Report FS-00-01. Menlo Park: AAAI Press, CA, USA, 2000. pp 113-121. Disponível em: < http://www.iac.es/galeria/ angelv/papers/AVicente00.pdf >. Acesso em: jan. 2005.
YACEF, Kalina. Intelligent Teaching Assistant Systems. In: INTERNATIONAL CONFERENCE ON COMPUTERS IN EDUCATION, 2002, New Zeland. Proceedings New Zeland: Kinshuk (eds) 2002.
[FIM DE SEÇÃO. Não remova esta quebra de seção
120
ANEXO 1 QUESTIONÁRIO MSLQ
A seguir é apresentado o questionário Motivated Strategies for Learning Questionnaire
(MSLQ), no qual é composto de 81 questões classificadas como identificadoras de motivação ou
estratégias de aprendizagem. O questionário foi extraído na íntegra (exceto instruções que foram
traduzidas) do endereço de http://www.edb.utexas.edu/hudspeth/uttc/mslqform.htm.
Motivação: as questões a seguir perguntam sobre sua motivação e atitudes sobre essa aula.
Lembre-se que não há respostas corretas ou erradas. Responda as questões sobre como você estuda
nesta aula de forma mais verdadeira. Use a escala abaixo para responder as questões. Se você acha
que a sentença é muito verdadeira a você, escolha 7; se a frase é totalmente oposta a você, selecione
1. Se a sentença é mais ou menos sobre você, escolha o número entre 1 e que melhor descreve você.
Questões referente à motivação 1 2 3 4 5 6 7
1. In a class like this, I prefer course material that really
challenges me so I can learn new things.
2. If I study in appropriate ways, then I will be able to learn the
material in this course.
3. When I take a test I think about how poorly I am doing
compared with other students.
4. I think I will be able to use what I learn in this course in other
courses.
5. I believe I will receive an excellent grade in this class.
6. I'm certain I can understand the most difficult material
presented in the readings for this course.
7. Getting a good grade in this class is the most satisfying thing
for me right now.
8. When I take a test I think about items on other parts of the test
121
I can't answer.
9. It is my own fault if I don't learn the material in this course.
10. It is important for me to learn the course material in this class.
11. The most important thing for me right now is improving my
overall grade point average, so my main concern in this class
is getting a good grade.
12. I'm confident I can learn the basic concepts taught in this
course.
13. If I can, I want to get better grades in this class than most of
the other students.
14. When I take tests I think of the consequences of failing.
15. I'm confident I can understand the most complex material
presented by the instructor in this course.
16. In a class like this, I prefer course material that arouses my
curiosity, even if it is more difficult to learn.
17. I am very interested in the content area of this course.
18. If I try hard enough, then I will understand the course
material.
19. I have an uneasy, upset feeling when I take an exam.
20. I'm confident I can do an excellent job on the assignments and
tests in this course.
21. I expect to do well in this class.
22. The most satisfying thing for me in this course is trying to
understand the content as thoroughly as possible.
122
23. I think the course material in this class is useful for me to
learn.
24. When I have the opportunity in this class, I choose course
assignments that I can learn from even if they don't guarantee
a good grade.
25. If I don't understand the course material, it is because I didn't
try hard enough.
26. I like the subject matter in this course.
27. Understanding the subject matter of this course is very
important to me.
28. I feel my heart beating fast when I take an exam.
29. I'm certain I can master the skills being taught in this class.
30. I want to do well in this class because it is important to show
my ability to my family, friends, employer, or others.
31. Considering the difficulty of this course, the teacher, and my
skills, I think I will do well in this class.
Estratégias de Aprendizagem: as questões a seguir perguntam sobre suas estratégias de
aprendizagem e formas de estudo para essa aula. Novamente, lembre-se que não há respostas
corretas ou erradas. Responda as questões sobre como você estuda nesta aula de forma mais
verdadeira. Use a mesma escala abaixo para responder as questões. Se você acha que a sentença é
muito verdadeira a você, escolha 7; se a frase é totalmente oposta a você, selecione 1. Se a sentença
é mais ou menos sobre você, escolha o número entre 1 e que melhor descreve você.
Questões referente às estratégias de aprendizagem 1 2 3 4 5 6 7
32. When I study the readings for this course, I outline the
123
material to help me organize my thoughts.
33. During class time I often miss important points because I'm
thinking of other things.
34. When studying for this course, I make up questions to help
focus my reading.
35. I usually study in a place where I can concentrate on my
course work.
36. When reading for this course, I make up questions to help
focus my reading.
37. I often feel so lazy or bored when I study for this class that I
quit before I finish what I planned to do.
38. I often find myself questioning things I hear or read in this
course to decide if I find them convincing.
39. When I study for this class, I practice saying the material to
myself over and over.
40. Even if I have trouble learning the material in this class, I try
to do the work on my own, without help from anyone.
41. When I become confused about something I'm reading for this
class, I go back and try to figure it out.
42. When I study for this course, I go through the readings and
my class notes and try to find the most important ideas.
43. I make good use of my study time for this course.
44. If course readings are difficult to understand, I change the
way I read the material.
124
45. I try to work with other students from this class to complete
the course assignments.
46. When studying for this course, I read my class notes and the
course readings over and over again.
47. When a theory, interpretation, or conclusion is presented in
class or in the readings, I try to decide if there is good
supporting evidence.
48. I work hard to do well in this class even if I don't like what we
are doing.
49. I make simple charts, diagrams, or tables to help me organize
course material.
50. When studying for this course, I often set aside time to
discuss material with a group of students from the class.
51. I treat the course material as a starting point and try to develop
my own ideas about it.
52. I find it hard to stick to a study schedule.
53. When I study for this class, I pull together information from
different sources, such as lectures, readings, and discussions.
54. Before I study new course material thoroughly, I often skim it
to see how it is organized.
55. I ask myself questions to make sure I understand the material
I have been studying in this class.
56. I try to change the way I study in order to fit the course
requirements and the instructor's teaching style.
57. I often find that I have been reading for this class but don't
125
know what it was all about.
58. I ask the instructor to clarify concepts I don't understand very
well.
59. I memorize key words to remind me of important concepts in
this class.
60. When course work is difficult, I either give up or only study
the easy parts.
61. I try to think through a topic and decide what I am supposed
to learn from it rather than just reading it over when studying
for this course.
62. I try to relate ideas in this subject to those in other courses
whenever possible.
63. When I study for this course, I go over my class notes and
make an outline of important concepts.
64. When reading for this class, I try to relate the material to what
I already know.
65. I have a regular place set aside for studying.
66. I try to play around with ideas of my own related to what I am
learning in this course.
67. When I study for this course, I write brief summaries of the
main ideas from the readings and my class notes.
68. When I can't understand the material in this course, I ask
another student in this class for help.
69. I try to understand the material in this class by making
connections between the readings and the concepts from the
126
lectures.
70. I make sure that I keep up with the weekly readings and
assignments for this course.
71. Whenever I read or hear an assertion or conclusion in this
class, I think about possible alternatives.
72. I make lists of important items for this course and memorize
the lists.
73. I attend this class regularly.
74. Even when course materials are dull and uninteresting, I
manage to keep working until I finish.
75. I try to identify students in this class whom I can ask for help
if necessary.
76. When studying for this course I try to determine which
concepts I don't understand very well.
77. I often find that I don't spend very much time on this course
because of other activities.
78. When I study for this class, I set goals for myself in order to
direct my activities in each study period.
79. If I get confused taking notes in class, I make sure I sort it out
afterwards.
80. I rarely find time to review my notes or readings before an
exam.
81. I try to apply ideas from course readings in other class
activities such as lecture and discussion.
127
ANEXO 2 ARTIGO
This document was created with Win2PDF available at http://www.daneprairie.com.The unregistered version of Win2PDF is for evaluation or non-commercial use only.
top related