XII Ciclo de Palestras Novas Tecnologias na Educação Uma proposta pedagógica para o uso da modelagem computacional no curso de Licenciatura em Química do Cefet Campos. Rodrigo Garrett da Costa Profª. Drª. Liliana Maria Passerino Porto Alegre, dezembro de 2008.
Organização da apresentação 1. Contexto da pesquisa; 2. Descrição do problema; 3. Objetivos da pesquisa; 4. Breve abordagem sobre: modelos e modelagem computacional; o software Modellus enquanto instrumento e signo sob a concepção Sócio-Histórica de Vygotsky; 5. Materiais e métodos; 6. Apresentação dos dados obtidos e discussão dos resultados alcançados; 7. Conclusões. 2
Contexto da pesquisa Região Norte Fluminense, RJ Município de Campos dos Goytacazes Cefet Campos (Instituto Federal Fluminense) Alunos do curso de Ciências da Natureza / Licenciatura em Química 3
Problema Dificuldades encontradas na aprendizagem da Físico-Química são atribuídas à falta de compreensão matemática dos alunos (Atkins, 2003) 1 e à memorização de fórmulas (Chou, 2002) 2 ; Mas a matemática é a base da Físico-Química. Então, como fazer com que os alunos consigam compreender e interpretar as equações matemáticas que descrevem os processos físicoquímicos? 1 ATKINS, Peter W; PAULA, Julio de. Físico-Química; 2 CHOU, C. Y. Science Teachers Understanding of Concepts in Chemistry. 4
Por meio da utilização de recursos computacionais Simulação Modelagem Computacional 5
Objetivos da Pesquisa Examinar a contribuição da modelagem computacional no aprendizado de Físico- Química, no eixo temático estudo dos gases; Promover um ambiente colaborativo e cooperativo entre os estudantes na realização da atividade computacional; Verificar se a interação social no ambiente computacional potencializa a atuação na Zona de Desenvolvimento Proximal (ZDP) dos sujeitos envolvidos. 6
Modelos e Modelagem Computacional Figura 1 - Mapa conceitual da aplicação dos modelos e da modelagem computacional. 7
A criação e exploração de um modelo é uma experiência importante no processo de aprendizagem (Teodoro, 1997) 3 ; Segundo o autor, as práticas educativas de modelagem computacional possuem as seguintes características: Permitem a contextualização do conhecimento; Podem estimulam as interações entre indivíduos; Facilitam representações (equações e gráficos); São motivadoras; Propiciam a manipulação dos objetos reais. 3 TEODORO, V.D. Modelação computacional em Ciências e Matemática. 8
O software Modellus Software educacional livre, de fácil manipulação e boa interface gráfica; Disponível em http://modellus.fct.unl.pt/ Aplicações na simulação e na modelagem computacional; Instrumento facilitador do estudo dos modelos matemáticos aplicados à Físico-Química. 9
O Modellus como instrumento de mediação Segundo a Teoria Sócio-Histórica (Vygotsky, 1999) 4, o Modellus pode ser considerado tanto como instrumento quanto signo. Enquanto Instrumento: provoca mudanças sobre os objetos, ou seja, age externamente; possibilita nos dirigirmos para objetos de domínio da natureza com o intuito de mudá-los. 4 VYGOTSKY, Lev S. A formação social da mente. 10
Enquanto Signo: constitui um meio de atividade interna dirigido para o controle do próprio indivíduo; provoca alterações no indivíduo, alterando seu comportamento à medida que surgem novos processos cognitivos; estimula a internalização, ou seja, a transformação de um processo interpessoal em intrapessoal (Vygotsky, 1999). 11
Materiais e Métodos (1) Estudo realizado com 13 alunos matriculados no 6 período do curso de Ciências da Natureza Licenciatura em Química; Avaliação dos conhecimentos prévios (pré-teste); 5 Questões objetivas respondidas individualmente medida do conhecimento julgamento das respostas (correta, meio certas ou erradas) medida do metaconhecimento KMA (Precisão do Monitoramento do Conhecimento) e KMB (Desvio do Monitoramento do Conhecimento) propostos por Tobias e Everson (2002) 5. 5 TOBIAS, S.; EVERSON, H. T. Knowing What You Know and What You Don t: Further Research on Metacognitive Knowledge Monitoring. 12
Materiais e Métodos (2) Correção das questões e formação das duplas em função das notas no pré-teste aluno c/ nota baixa + aluno c/ nota alta; Aula expositiva (30 ) sobre o software, suas ferramentas e funcionalidades; Entrega do roteiro de atividades propondo a construção de modelos computacionais baseados nas equações de estado dos gases e suas respectivas representações gráficas (60 ). 13
Materiais e Métodos (3) Aplicação do pós-teste, reproduzindo as mesmas questões do pré-teste e adotando-se os mesmos critérios, com o objetivo de verificar se houve avanço no entendimento dos conceitos estudados; Preenchimento do questionário de avaliação das atividades capturar as impressões dos alunos sobre a aula e o uso do software. 14
Figura 2 - Primeiro momento: realização do teste pelos alunos Figura 3 - Segundo momento: interações entre os alunos durante realização da atividade de modelagem computacional. 15
Figura 4 - Captura de tela de um modelo computacional criado pelos alunos para o comportamento dos gases. 16
Resultados e Discussão (1) Considerados tanto aspectos qualitativos quanto quantitativos; Qualitativos: observação participativa; levantamento das impressões dos alunos quanto à atividade (questionário). 17
Resultados e Discussão (2) Quantitativos: notas individuais; medidas de tendência central e de dispersão baseadas nas notas nos testes; Medida da relação (coeficiente de correlação de Pearson) entre o desempenho dos alunos na resolução dos problemas e seus perfis metacognitivos (índices KMA e KMB). 18
Índice KMA [+0,50 a + 1,00] [- 0,25 a + 0,50] [- 1,00 a - 0,25] Índice KMB KMA alto [+0,25 a + 1,00] [- 0,25 a + 0,25] [- 1,00 a - 0,25] Classificação alto médio baixo Classificação Realista otimista aleatório pessimista Interpretação Na maioria das vezes estima corretamente o seu conhecimento. Freqüentemente comete erros de estimativa. Não estima corretamente seu conhecimento na maioria das vezes Interpretação Estima com precisão o seu conhecimento Estima que pode resolver o problema, mas não o faz em muitas situações. Estima seu conhecimento ora de forma otimista, ora pessimista. Estima que não pode resolver o problema, mas o faz em muitas situações. 19
Avaliação Qualitativa 85 % dos alunos nunca tinham experimentado uma aula de Físico-Química com recurso computacional; O mesmo percentual (85%) preferiu trabalhar esse tipo de atividade em duplas e com a presença do professor do que individualmente; 100% dos estudantes julgaram necessário o uso da simulação computacional no ensino de Físico- Química; 100% dos estudantes afirmaram que o software Modellus é de fácil manipulação. 20
Avaliação Quantitativa (1) % dos alunos com nota menor do que 6,0 pontos: Pré-teste 70% Pós-teste 30% Figura 5 - Evolução nos rendimentos dos alunos nos testes. Aproximadamente 85% dos alunos tiveram seu desempenho melhorado após essa aula. Figura 6 Medidas de tendência aplicadas ao rendimento dos alunos nos testes. 21
Avaliação Quantitativa (2) Figura 7 - Comparação entre as notas dos testes, os índices KMA e KMB. Evolução nos testes x variações de KMA r = + 0,17 Evolução nos testes x variações de KMB r = - 0,35 22
Conclusões (1) A incorporação do Modellus ao estudo da Físico-Química melhorou a compreensão dos conceitos e das representações matemáticas dos modelos de gases ideais e reais; A cooperação e a colaboração funcionaram como mecanismos sócio-cognitivos favoráveis ao processo de ensino-aprendizagem, uma vez que provocaram modificações na ZDP desses alunos, principalmente os que obtiveram menor rendimento no teste inicial; 23
Conclusões (2) Foi fundamental a participação ativa do professor como mediador no planejamento e na execução da atividade de modelagem computacional; Não foi possível constatar uma relação significativamente positiva entre a melhora na aprendizagem dos estudantes e o aumento das suas habilidades metacognitivas através dos índices KMA e KMB tamanho da amostra ou tempo para mudanças metacognitivas. 24
Referências Bibliográficas 1. ATKINS, Peter W; PAULA, Julio de. Físico-Química. 7 ed, Rio de Janeiro: Livros Técnicos e Científicos, 2003. 356 p. 2. CHOU, C. Y. Science Teachers Understanding of Concepts in Chemistry. Proc. Natl. Sci. Counc. ROC(D), v. 12, n. 2, 2002. p. 73-78 3. LIMA, D. M. L. Dificuldades de aprendizagem na área de Física: análise da realidade na E.E.M. Liceu de Tauá Lili Feitosa. Centro de Educação, Ciência e Tecnologia da Região dos Inhamuns: Tauá, Universidade Estadual do Ceará. 2004. 72p. Monografia em Educação Especial. 4. SILVA, J. R. M.; MOURA, S. A. S.; SOAR, R. S. Levantamento das dificuldades dos professores no ensino de Química em escolas de nível Médio de Campo Grande - MS. In: XIV Encontro Nacional de Ensino de Química (XIV ENEQ), 2008, Curitiba. Anais. Sociedade Brasileira de Química (SBQ) / UFPA. 2008. 5. TEODORO, V.D. Modelação computacional em Ciências e Matemática. Revista Brasileira de Informática na Educação. v.10, n. 2, 1997. Uniandes-Lidie, Colombia. p. 171-182. Disponível em: <http://www.colombiaaprende.edu.co/html/mediateca/1607/articles- 112586_archivo.pdf>. Acesso em 10 mai. 2008. 6. TOBIAS, S.; EVERSON, H. T. Knowing What You Know and What You Don t: Further Research on Metacognitive Knowledge Monitoring. College Board Research Report No. 2002-3, College Entrance Examination Board, New York, 2002. Disponível em: <http://www.collegeboard.com/research/pdf/071623rdcbrpt02-3.pdf>. Acesso em: 13 mar. 2007. 7. VYGOTSKY, Lev S. A formação social da mente. São Paulo: Martins Fontes, 1999.191p. 25
Contatos Rodrigo Garrett da Costa, PGIE/UFRGS, CEFET Campos/RJ garrett@cefetcampos.br Liliana Maria Passerino, PGIE/UFRGS liliana@pgie.ufrgs.br 26