Framework baseado em ciência de dados e engenharia de software para analisar a evolução de habilidades e competências do pensamento computacional

• Ano de defesa: 2019
• Autor(a) principal: Souza, Alexandra Aparecida de
• Orientador(a): Silva, Leandro Augusto da
• Tipo de documento: Tese
• Tipo de acesso: Acesso aberto
• Idioma: por
• Instituição de defesa: Universidade Presbiteriana Mackenzie
• Palavras-chave em Português: analítica da aprendizagem; mapas auto-organizáveis; mineração de dados educacionais; pensamento computacional
• Área do conhecimento CNPq: CNPQ::ENGENHARIAS::ENGENHARIA ELETRICA
• Link de acesso: http://dspace.mackenzie.br/handle/10899/26510

Pensamento Computacional tem se tornado uma capacidade requerida no processo de formação de estudantes para atender ao avanço tecnológico que está transformando os modelos de negócio. O uso de oficinas de jogos digitais que utilizam o Construcionismo como abordagem de ensino tem apresentado resultados educacionais promissores no desenvolvimento desta competência. Contudo a avaliação adequada da sua efetividade e, consequentemente, do progresso do aluno, ainda se constitui um desafio. Frente ao exposto, este trabalho apresenta um framework baseado em Ciência de Dados, que tem como objetivo facilitar o processo de descobrimento de padrões e comportamentos que remetem à aquisição do Pensamento Computacional, por meio da abordagem de análise sob diferentes níveis de abstração e da análise de agrupamento com uso de uma rede neural artificial não supervisionada conhecida na literatura como SOM (Self-Organizing Maps). O framework é estruturado em cinco visões: Ensino-Aprendizagem, Estrutural, Análise de Agrupamento, Processos e Learning Analytics, que organizam as atividades do processo de mineração dos dados e são norteadas pelas questões que devem ser respondidas pelo conhecimento adquirido, visando à avaliação da evolução das habilidades e competências do Pensamento Computacional. Um estudo de caso foi efetuado utilizando uma oficina de jogos digitais de características construcionistas utilizando Scratch (com 130 alunos de 3 cursos e 2 diferentes níveis, gerando 898 arquivos). Os resultados apontam para a viabilidade do framework, destacando: (1) o estabelecimento das questões direcionou o foco de todo o processo de mineração dos dados na busca de suas respostas; (2) o conhecimento provido pela Visão Ensino-Aprendizagem permitiu entender os dados gerados ao longo da execução da oficina; (3) a visão Estrutural permitiu identificar quais dados que devem compor a base de dados para responder às questões estabelecidas; (4) a influência e o conhecimento providos pela visão de Análise de Agrupamento devido à capacidade de uso dos mapas SOM em diferentes análises, permitiram a identificação de padrões e comportamentos que revelaram o efeito gerado pelo processo de ensino-aprendizagem, caracterizando o caminho praticado pelos alunos com construção do conhecimento abaixo, dentro e acima do esperado; por fim, as descobertas nos dados permitiram a visão Learning Analytics promover a melhoria contínua do processo de ensino-aprendizagem.