• Fernando Giannini

Aprendizagem individual Vs. aprendizagem interativa

Atualizado: Out 6



Resumo

Pesquisadores têm se interessado em classificar estudantes de curso on-line aberto massivo (MOOC) com base em seus comportamentos de aprendizagem. No entanto, menos atenção tem sido dada aos atributos cognitivos associados a diferentes comportamentos de aprendizagem. Neste estudo, propomos um modelo conceitual que conecte os comportamentos observáveis da aprendizagem dos alunos do MOOC aos seus atributos latentes (por exemplo, aprendizagens individuais versus aprendizagem interativa). Utilizando os dados de comportamento dos alunos de um MOOC, conduzimos uma análise diagnóstica cognitiva para identificar os perfis de aprendizagem dos alunos e para determinar como esses perfis estão relacionados aos resultados do curso. Descobrimos que grande parte dos alunos realizava a aprendizagem individual, enquanto apenas uma parcela muito pequena deles realizava uma aprendizagem interativa. Além disso, os estudantes que realizaram a aprendizagem interativa tiveram maior probabilidade de passar no curso com distinção do que os alunos que não demonstraram esse atributo. Os resultados deste estudo têm implicações importantes para melhorar a aprendizagem dos alunos nos MOOCs. Ademais, o estudo fornece uma boa demonstração de como utilizar os dados no processo Clickstream para análises psicométricas.


Introdução

Diferente dos cursos de concessão de crédito, os MOOCs têm atraído uma população altamente diversificada em termos de formação demográfica e motivações para a realização de um MOOC (Breslow et al., 2013; Koller, Ng, Do, & Chen, 2013). Entretanto, apesar de sua acessibilidade, os MOOCs se deparam com o desafio de baixo engajamento e altos índices de desistência (Ho et al., 2014; Koller et al., 2013). Uma razão possível para esses desafios é que os MOOCs utilizam a estratégia pedagógica comum da aprendizagem individual. Nesse modelo, os alunos têm acesso a materiais de aprendizagem e se beneficiam de horários flexíveis de testes, mas têm interações limitadas ou nenhuma interação com seus colegas. Para superar essa limitação, os designers de cursos MOOC vêm adotando atividades de aprendizagem mais interativas, como discussões on-line assíncronas (Wise & Cui, 2018 ; Zheng, Rosson, Shih,& Carroll, 2015).


O aprendizado bem-sucedido em um MOOC requer o profundo engajamento por parte dos alunos. Isso envolve o uso de conhecimento prévio e a construção intencional de uma estrutura de conhecimento avançada, muitas vezes interagindo com os pares para expressar opiniões, buscar linhas de investigação em conjunto e rever o que os outros estão fazendo (Dillenbourg). Todavia, os pesquisadores têm prestado pouca atenção se os alunos aproveitam adequadamente a oportunidade de interagir com seus colegas de classe em um MOOC. Isso se deve, em parte, às limitações metodológicas de identificar e rastrear comportamentos oportunos dos alunos. Para resolver essa questão metodológica, testamos um método de classificação do aluno que incorpora os dados comportamentais dos alunos do MOOC tanto da aprendizagem individual quanto das atividades interativas de aprendizagem.


Pesquisadores têm se interessado em classificar os alunos do MOOC com base em seus comportamentos de aprendizagem. Por exemplo, com base em seus dados de participação de atividades de curso, Koller et al. (2013) dividiu os alunos do MOOC em três grupos parcialmente sobrepostos: participantes passivos, participantes ativos e colaboradores comunitários. DeBoer, Ho, Stump e Breslow (2014) classificou os alunos do MOOC como "compradores", "não comprometidos" e "auditores" com base na relação entre as notas do curso e os dias de frequência. Pun et al. (2016) classificou os alunos do MOOC em três grupos: "não comprometidos", "descomprometidos" e "comprometidos" com base em sua participação em diversas atividades do curso. Normalmente observacional e exploratória, as informações obtidas a partir de tais classificações exploratórias podem ser limitadas devido à falta de um contexto teórico.


Neste estudo, utilizando dados comportamentais dos alunos do MOOC tanto em atividades de aprendizagem individuais quanto interativas, identificamos os perfis de aprendizagem dos alunos que foram teorizado sem um quadro de aprendizagem (framework). Com base em dados de um MOOC de seis semanas intitulado "Introdução à Arte" no Coursera, o objetivo deste estudo é identificar os perfis de aprendizagem dos alunos do MOOC e determinar como eles se relacionam com o resultado dos alunos no curso.


Prevemos que os alunos responderiam de forma diferente às atividades de aprendizagem individuais e interativas apresentadas a eles em um MOOC. Os diferentes comportamentos de aprendizagem dos alunos em um MOOC puderam ser utilizados para determinar seus perfis de alunos como aprendizes individuais ou aprendizes interativos, ou ambos. Presumimos que os alunos que realizam a aprendizagem interativa teriam melhores resultados nos cursos do que os alunos que apresentam apenas comportamentos individuais de aprendizagem. Este estudo envolve três passos importantes. Primeiro, na seção de revisão da literatura, descrevemos um modelo conceitual que mostra como os atributos latentes dos alunos do MOOC (ou seja, aprendizagem individual versus aprendizagem interativa) se conectam a comportamentos de aprendizagem observáveis. Em segundo lugar, adotamos modelos de diagnóstico cognitivo (CDM) (DiBello & Stout, 2007) para validar o quadro proposto e identificar os perfis de aprendizagem dos alunos do MOOC. Por fim, examinamos como os perfis de aprendizagem dos alunos se relacionam com a conclusão e o sucesso no curso.


Revisão da literatura

Comportamentos de aprendizagem dos alunos do MOOC


Os MOOCs fornecem diversas formas de práticas pedagógicas de forma a projetar múltiplas ferramentas de aprendizagem, como materiais de leitura on-line (por exemplo, páginas web), videoaulas, quizzes, fóruns de discussão e tarefas (Baturay, 2015; Margaryan, Bianco, & Littlejohn, 2015). Espera-se que os alunos realizem uma sequência de atividades de aprendizagem que normalmente consistem em ler materiais on-line, assistir a videoaulas, fazer quizzes para fins formativos ou somativos, contribuir em fóruns de discussão e entregar tarefas durante ou após os ciclos dessas atividades, geralmente, por várias semanas (Baturay, 2015).


Encomendado pelo Departamento de Educação dos EUA., Means, Toyama, Murphy, Bakia, and Jones (2009) realizaram uma revisão abrangente dos estudos de aprendizagem on-line, com base na qual eles propuseram uma estrutura conceitual de aprendizagem on-line envolvendo três componentes: aprendizagem expositiva, aprendizagem ativa e aprendizagem interativa. Na aprendizagem expositiva, o conteúdo é transmitido de forma unidirecional aos alunos, via tecnologia. Na aprendizagem ativa, os alunos utilizam a tecnologia individualmente para explorar informações e se engajar na resolução de problemas. Na aprendizagem interativa, "o aluno constrói conhecimento por meio de interação colaborativa baseada em questionamentos com outros alunos; os professores tornam-se co-aprendizes e atuam como facilitadores" (Means et al., 2009,p. 4). Castaño-Muñoz, Duart e Sancho-Vinuesa (2014)) combinaram a aprendizagem expositiva e aprendizagem ativa para criar o conceito de "aprendizado individual". Com base na abordagem deles, existem dois grandes tipos de atributos de aprendizagem on-line: o aprendizado individual e a aprendizagem interativa. Tanto Means et al. quanto Castaño-Muñoz et al. descobriram que os alunos aprendem mais quando estão envolvidos em atividades de aprendizagem mais interativas.


Além disso, Chi (2009) e Chi and Wylie (2014) propuseram a estrutura Interativa, Construtiva, Ativa e Passiva (ICAP) para descrever quatro modalidades de aprendizagem em uma ordem hierárquica. No nível mais baixo, aprendizagem passiva, os alunos são orientados e recebem informações de materiais instrutivos sem fazer nada extra, de tal forma que possam ouvir uma palestra ou ver um vídeo, mas sem fazer anotações. No segundo nível, aprendizado ativo, alguma forma de manipulação ativa ocorre, como ver um vídeo mais de uma vez, tomar notas, sublinhar/destacar partes de um texto. No terceiro nível, a aprendizagem construtiva, os alunos geram produções adicionais além dos materiais de aprendizagem fornecidos, como refletir em voz alta e auto reflexão. No mais alto nível, o aprendizado interativo, os alunos interagem entre si, por exemplo, debatendo com um colega ou dentro de um grupo, fazendo e respondendo perguntas com um parceiro de aprendizagem.Chi e Wylie (2014) também propuseram processos de mudança de conhecimento hierárquicos – de armazenar/relembrar, integrar e inferir/transferir até co-inferir/co-criar–que correspondem aos níveis de aprendizagem. Fundamentados nesse quadro, combinamos os três primeiros níveis de modalidades de aprendizagem– ou seja, passivos, ativos e construtivos– na ampla categoria de "aprendizagem individual". Como resultado, agora hipotetizamos dois grandes tipos de atributos de aprendizagem, aprendizado individual e aprendizagem interativa, em alinhamento com a estrutura de Chi e Wylie.


Resumindo, com base na literatura (por exemplo, Chi, 2009; Chi & Wylie, 2014; Means et al., 2009) e o contexto do MOOC "Introdução à Arte", propomos uma estrutura para descrever as relações correspondentes entre os atributos latentes (ou seja, aprendizado individual e aprendizagem interativa) e comportamentos de aprendizagem observáveis. Como mostrado na Figura 1, o atributo de aprendizado individual diz respeito a comportamentos de aprendizagem passivos, ativos e construtivos que são observáveis através de um amplo espectro de atividades de aprendizagem, como videoaulas, quizzes e tarefas. A aprendizagem interativa ocorre quando um grupo de alunos se engaja em fóruns de discussão nos quais interagem entre si e compartilham conhecimento, fazendo e respondendo perguntas, esclarecendo conceitos, discutindo ideias e compartilhando artefatos de aprendizagem (Bandura, 1977; Jones, 2016;; Vygotsky, 1930/1978). Ao aprender na modalidade interativa, os alunos ajudam uns aos outros a continuar o processo de inferência, fornecendo feedback, sugestões e perspectivas. No MOOC "Introdução à Arte", examinado no presente estudo, os alunos receberam a tarefa de primeiro criar uma obra de arte, depois rever o trabalho de seus pares e avaliar seu próprio trabalho. Os alunos se envolveram na aprendizagem individual e interativa. Por exemplo, no processo de revisão por pares, eles foram encorajados a explicar seus entendimentos, avaliar e integrar múltiplas ideias, e criar seus artefatos além do que lhes foi dado no MOOC (Bodemer, Ploetzner, Feuerlein,& Spada,2004).

Figura 1. Um modelo conceitual de comportamento do aluno em um MOOC.


Nós, portanto, mapeamos atribuições tanto para o aprendizado individual quanto para a aprendizagem interativa. Com essa estrutura conceitual, consideramos a aprendizagem individual e a aprendizagem interativa como dois traços latentes distintos. Em um estudo seminal, baseado em dados de clickstream codificados, Milligan (2016) definiu e modelou a capacidade de aprender em MOOCs como um traço latente. No entanto, ao contrário de Milligan, que tratou o traço latente (a capacidade de aprender em MOOCs) como contínuo e usou uma abordagem de Teoria de Resposta a Itens (IRT) para a análise de dados, consideramos esses dois traços latentes (aprendizagem individual e aprendizagem interativa) como discretos e usamos a abordagem do Modelo de Diagnóstico Cognitivo (CDM) Dessa forma, os alunos do MOOC são classificados como performers ou não-performers em relação aos dois traços latentes. Seguindo a terminologia em estudos de CDM (DiBello & Stout, 2007; Rupp, Templin, & Henson, 2010), referimo-nos a traços latentes como "atributos" latentes. Tais atributos latentes não podem ser observados diretamente. Em vez disso, são medidos com base nos comportamentos de aprendizagem dos alunos. […]


Modelos de diagnóstico cognitivo (CDMs)


Os modelos de diagnóstico cognitivo (CDMs) são uma família de modelos de classe latentes restritos que modelam as relações entre respostas de itens observados e atributos latentes. No presente estudo, as respostas observadas correspondem às atividades observáveis do MOOC, e os dois atributos latentes são aprendizado individual e aprendizagem interativa. Ao contrário dos modelos tradicionais da Teoria de Resposta a Itens Unidimensionais (IRT) (Lord & Novick, 1968), a abordagem do CDM fornece um perfil mais detalhado em relação à possibilidade de cada aluno ter desempenhado ou não os atributos necessários para fornecer respostas corretas aos itens do teste. Os CDMs, portanto, têm o potencial de obter informações ricas para auxiliar a instrução e o diagnóstico. Uma característica importante dos CDMs é que o atributo latente é discreto, de modo que os alunos são classificados de acordo com os níveis binários relacionados aos atributos exigidos, como "performer" versus "não-performer". Portanto, os CDMs são eficientes em estimar e classificar o desempenho dos alunos simultaneamente (Rupp & Templin, 2008).


Discussão

Perfis de aprendizagem dos alunos


Verificou-se que grande parte dos alunos do MOOC realizou a aprendizagem individual neste curso, enquanto apenas uma proporção muito pequena realizou aprendizagem interativa. Isso indica que a aprendizagem interativa é mais desafiadora do que a aprendizagem individual para os alunos do MOOC. A aprendizagem interativa envolve um processo de conhecimento de maior ordem, como inferir e transferir, co-inferir e co-criar, enquanto a aprendizagem individual é mais propensa a envolver um processo de conhecimento de menor ordem, como relembrar, armazenar e integrar (Chi&Wylie,2014). Isso explica parcialmente por que apenas uma pequena proporção de alunos do MOOC dominou o atributo da aprendizagem interativa.


Além disso, enquanto muitos dos alunos do MOOC realizaram o aprendizado individual, mas não a aprendizagem interativa, muito poucos realizaram a aprendizagem interativa, mas não a aprendizagem individual. Esse resultado confirma a relação hierárquica entre aprendizagem individual e aprendizagem interativa. De acordo com Chi (2009) e Chi and Wylie (2014),o aprendizado interativo, que é um atributo de maior nível, engloba a aprendizagem individual, que é um atributo de nível inferior. Em outras palavras, geralmente é necessário dominar a aprendizagem individual para realizar a aprendizagem interativa; no entanto, o domínio da aprendizagem individual não garante o domínio da aprendizagem interativa. Isso é evidenciado ainda pela correlação moderada entre aprendizagem individual e aprendizagem interativa encontrada no presente estudo.


Quando os alunos são fracos na aprendizagem interativa, que é o caso da nossa amostra, pode haver várias razões para isso (Greene, 2015). Por exemplo, é provável que alguns alunos não tenham a intenção de completar o MOOC de tal forma que eles possam ter limitado seu engajamento a algumas das atividades on-line (Anderson, Huttenlocher, Kleinberg, & Leskovec, 2014). Outros alunos podem ter se inscrito no MOOC com o objetivo de aprender apenas o que precisavam. Esses alunos podem ter assistido seletivamente a videoaulas e submetidos a tarefas em vez de realizar todas as atividades de aprendizagem (DeBoer et al., 2014; Kizilcec, Piech, & Schneider, 2013). Além disso, é provável que outros alunos saíram do MOOC devido às razões típicas, como conhecimento prévio insuficiente e baixa motivação.


Relações entre perfis de aprendizagem dos alunos e os resultados do curso


Descobrimos que a aprendizagem interativa é fundamental para o sucesso em um MOOC. Aqueles que passaram com distinção e aqueles que tiveram uma nota normal não tiveram diferença perceptível na probabilidade de realizar a aprendizagem individual. Todavia, a probabilidade de realizar a aprendizagem interativa foi muito maior nos alunos que passaram com distinção do que para os alunos que tiveram uma nota normal. Esses resultados mostram que, em comparação com a aprendizagem individual, a aprendizagem interativa é um indicador mais forte de maior desempenho do curso. Conforme mostrado na Tabela 5, todos os 299 alunos que realizaram aprendizagem interativa receberam distinção no curso. Esse resultado indica que os alunos mais envolvidos na aprendizagem interativa eram mais propensos a ter sucesso em um MOOC. Sem aprendizado interativo, os alunos ainda podem obter o que precisam do curso, mas podem não se beneficiar totalmente dos recursos fornecidos por um MOOC.


Nossos resultados estão de acordo com descobertas anteriores sobre os benefícios da aprendizagem em ambientes de aprendizagem on-line. Por exemplo, com base em um MOOC intitulado "Introdução à Psicologia como Ciência", Koedinger, Kim, Jia, McLaughlin e Bier (2015) descobriram que os alunos que faziam atividades mais interativas aprenderam mais do que os alunos que fizeram mais atividades individuais, como assistir vídeos ou ler páginas. Baseado em um design quase experimental, Castaño-Muñoz et al. (2014) mostraram que o aumento do tempo gasto na aprendizagem on-line melhorou o desempenho acadêmico dos alunos apenas quando esse aprendizado era de natureza interativa.


Eles concluíram que é mais benéfico para os alunos interagir com os pares no processo de aprendizagem do que estudar individualmente. De acordo com Chi (2009) e Chi e Wylie (2014), os alunos exercem um processo de conhecimento de alto nível quando envolvidos em aprendizagem interativa, e o engajamento profundo leva a um melhor desempenho. Portanto, nossos resultados corroboram ainda mais a posição de que os alunos que são melhores na aprendizagem interativa têm melhor desempenho nos MOOCs.


Conclusão e relevância do estudo


Utilizando os dados de comportamento dos alunos a partir de um MOOC, realizamos uma análise de diagnóstico cognitivo para identificar os perfis de aprendizagem dos alunos e determinar como esses perfis se relacionam com os resultados do curso. Verificou-se que grande parte dos alunos realizava aprendizagem individual, enquanto apenas uma parcela muito pequena deles realizava aprendizado interativo. Além disso, os alunos que realizaram a aprendizagem interativa tiveram maior probabilidade de passar no curso com distinção do que os alunos que não demonstraram esse atributo. Os resultados deste estudo têm implicações importantes para a pedagogia, tecnologia e método de análise de dados associados aos MOOCs.


Em relação à pedagogia do MOOC, nossos achados sugerem que ter atividades de aprendizagem mais interativas em MOOCs ajudam os alunos a promover um engajamento cognitivo mais profundo e ter melhor desempenho. Os MOOCs têm um alto nível de "abertura" e "conectividade" em que os alunos do MOOC não têm limites na aprendizagem, compartilhamento e criação de conhecimento (Mackness, Mak, & Williams, 2010). Apesar desse alto potencial de colaboração, muitos MOOCs, são projetados como auto-geridos, com atividades de aprendizado individual (ou seja, leitura on-line, videoaulas, quizzes, etc.). Tal design comum e a falta de interação humana nos MOOCs são susceptíveis a desmotivar os alunos a prosseguir para a conclusão de um MOOC. A aprendizagem interativa requer infraestrutura e suporte suficientes para facilitar a interação significativa do aluno. Esforços no desenvolvimento curricular do MOOC e inovações pedagógicas são necessários para proporcionar ambientes de e-learning mais interativos na comunidade de MOOCs. Uma discussão bem estruturada e orientada com um protocolo de comunicação específico pode ser uma abordagem simples. Além disso, seria conveniente ter uma tecnologia adaptativa que suporta mais engajamento em atividades interativas em MOOCs (Koedinger et al., 2015).


Em termos de tecnologia, o método de classificação de dois atributos proposto poderia orientar o desenvolvimento de aplicativos de avaliação possivelmente incorporadas em um MOOC. A demanda por aprendizagem interativa exige que possamos acompanhar o perfil de aprendizagem individual, como se realizam aprendizado individual ou aprendizagem interativa. Por exemplo, podemos construir nossa metodologia de diagnóstico para analisar comportamentos do aluno e determinar seus perfis de atributos. Esse sistema poderia ajudar um instrutor a detectar alunos “em risco” no estágio inicial. Além disso, os alunos que não progredirem para o nível de aprendizagem interativa podem se beneficiar de suportes adaptativos (por exemplo, mensagens de feedback) gerados por esse sistema.


O presente estudo também fornece uma boa demonstração de como os dados do processo clickstream podem ser utilizados efetivamente para a análise psicométrica. Isso mostra que a análise do CDM é uma abordagem útil para provocar inferências significativas da aprendizagem do aluno a partir de dados clickstream no ambiente de aprendizagem on-line. Sob as práticas tradicionais de avaliação, o desempenho dos alunos é avaliado com base em tipos de tarefas altamente restritas, como perguntas de múltipla escolha, verdadeiro ou falso, preenchimento de lacunas ou respostas curtas (Nelson, Nugent &Rupp, 2012). Desenvolver e administrar avaliações desse tipo é demorado e caro. Com os avanços tecnológicos, uma grande quantidade de dados de processados está agora disponível durante o desenvolvimento de um MOOC e outros tipos de cursos on-line. Este estudo mostra que o CDM, um modelo psicométrico complicado, pode ser utilizado para obter informações úteis sobre os perfis de aprendizagem dos alunos a partir dos dados do processo. Em outras pesquisas, poderíamos determinar parâmetros no modelo de CDM através de testes interativos com amostras grandes em uma gama de MOOCs. Com base nos parâmetros identificados, o atributo de aprendizagem de um aluno pode ser facilmente e rapidamente estimado usando seus dados comportamentais em MOOCs. Esse algoritmo de diagnóstico pode estar embutido em uma tecnologia de avaliação.


Limitações e direções futuras


Havia várias limitações para este estudo. Em primeiro lugar, uma limitação primária do presente estudo é que os dados aqui utilizados foram coletados de um único MOOC com base em uma amostra de conveniência. Dada a diversidade no design de MOOCs e um grande corpo de alunos na comunidade MOOC, aconselhamos cautela na generalização dos achados deste estudo para outros MOOCs. Em pesquisas futuras, precisamos validar ainda mais nossas conclusões analisando dados de MOOCs que fornecem diferentes atividades individuais e interativas. Em segundo lugar, devido ao desenho não experimental, nossos achados foram baseados em correlações e não causalidade. Um verdadeiro design experimental é necessário para confirmar a potencial relação causal entre os comportamentos interativos de aprendizagem dos alunos e seus resultados. Em terceiro lugar, as variáveis utilizadas para a análise são restritas e bastante grosseiras. Por exemplo, embora nossas variáveis indiquem se um aluno teve ou não participação em uma determinada atividade (zero ou 1), o processo de aprendizagem real e a qualidade poderiam ser muito diferentes. Investigações futuras podem incluir o uso de dados detalhados do clickstream indicando certos comportamentos (por exemplo, repetindo/pulando certas partes de vídeos de palestras, revisando e respondendo a pares revisores, interagindo com materiais fora dos cursos etc.) e uma exploração da linguagem de discussão dos alunos na plataforma do curso. Quando essas informações de comportamento de aprendizagem são incorporadas, a abordagem do CDM pode fornecer insights muito mais importantes sobre os perfis de alunos do MOOC.

Autores: Hongli Li , Min Kyu Kim & Yao Xiong (2020) Individual Learning Vs. Interactive

Learning: A Cognitive Diagnostic Analysis of MOOC Students’ Learning Behaviors, American

Journal of Distance Education, 34:2, 121-136, DOI: 10.1080/08923647.2019.1697027 Artigo Publicado no American Journal of Distance Education

Artigo Completo: https://www.tandfonline.com/doi/full/10.1080/08923647.2019.1697027

Receba as notícias sobre educação e tecnologia 

Fernando Giannini

 

E-mail:

fernando.giannini@streamer.com.br

logo-3.png

© 2020 por Fernando Giannini