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

Abstract

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

This thesis investigated strategies to improve the learning process, which contribute to reduce failure rates and to more effectively develop the skills associated with computer programming with the support of the student's affective dimension perception, through the recognition of the motivation expressed by interacting students' behaviors. The rationale for developing this research originates from the difficulty faced by students in programming disciplines, which compose the courses in the computing area which, for the most part, present high failure or withdrawal rates. Faced with difficulties in introductory programming disciplines, it’s common to see that students exhibit low effort or confidence which leads to demotivation and therefore underperformance. The results of the application of a method based on the problematization will be presented, and the development and validation of a model for the recognition of the student's perceived motivation. In order to reach the goals, an applied and experimental research approach was used, based on qualitative methods, composed of a pilot exploratory study and a case study in which 68 students participated. The pilot study demonstrated the feasibility of the problem-solving method and the possibility of collecting data to identify confidence and effort as components of student motivation. To support data collection and application of the teaching method, a support system was developed called PROALG (Problematization Applied to Algorithms and Programming), which was used to solve the activities. Computational techniques based on the mining of educational data, especially the Bayesian Networks, were used to develop the model that allowed to determine the confidence and effort levels for each activity and for the student. Subsequently, a module was implemented that used the Bayesian Networks to determine the probability of levels of effort and confidence being categorized as high or low. During the pilot study and the case study were applied to the students questionnaires for self-report, whose results showed satisfaction levels above 70%, both in relation to the teaching method and the support system. It was verified that the principles adopted in the the student’s classification in the affective model were shown to be consistent with self-report. The results also showed that the use of problematization combined with the motivation recognition is important for the development of actions that aim to stimulate a more active participation and to increase students' motivation during the accomplishment of the tasks. The levels of motivation shown in the model can complement teacher observations and perceptions and contribute to identify students who need more support and encouragement in their learning.