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.