Aprendizagem em ambientes virtuais : o olhar do aluno sobre o próprio aprender

Esta pesquisa tem por objetivo investigar a concepção do aluno sobre a própria aprendizagem ao utilizar ambientes virtuais. A Rede Cooperativa de Aprendizagem (ROODA) foi o ambiente virtual que sustentou todo o movimento de busca dos dados escritos pelos sujeitos da pesquisa. Os mesmos são estudantes de graduação e pós-graduação na Universidade Federal do Rio Grande do Sul. A Epistemologia Genética de Jean Piaget foi a teoria eleita para servir como referencial durante todo o processo de desenvolvimento desta pesquisa. Para tanto, a coleta de dados foi realizada através de entrevista semi-estruturada, além de intervenções no ambiente virtual ao longo do processo de trabalho. Os resultados de tais intervenções foram capturados nos logs do ambiente. As conclusões apontam para uma concepção de aprendizagem que ultrapassa a simples utilização do virtual e indica como significativo o trabalho que atinge diretamente as estruturas cognitivas. Além disso, trata o virtual como elemento propulsor de interações entre sujeitos onde o conflito sócio-cognitivo contribui para a construção do conhecimento. Tempo e espaço transcendem as condições dadas pelo presencial e proporcionam um novo tempo e espaço de reflexão. Novas relações, professor-aluno, mobilizadas pelo interesse, são criadas. Novas possibilidades são descortinadas pelo ambiente virtual na medida que este é visto como superação das fronteiras do presencial.

Investigação de ganhos na aprendizagem de conceitos físicos envolvidos em circuitos elétricos por usuários da ferramenta computacional Modellus

O objetivo deste trabalho de pesquisa foi investigar o desempenho de alunos que trabalharam com atividades de simulação e modelagem computacionais no estudo de circuitos elétricos, utilizando o software Modellus, comparado com alunos expostos apenas ao sistema tradicional de ensino. A fundamentação teórica adotada esteve baseada no referencial de trabalho de Halloun sobre modelagem esquemática e na teoria de Ausubel sobre aprendizagem significativa. O estudo envolveu 193 alunos de cursos de Engenharia, da disciplina de Física-II oferecida pela UFRGS no 2° semestre de 2004. O procedimento didático ocorreu em duas etapas. Na primeira, os alunos do grupo experimental trabalharam com um conjunto de atividades sobre circuitos elétricos simples durante cinco aulas e na etapa seguinte, com um conjunto de atividades sobre circuitos RLC durante quatro aulas. Cada aula teve duração de 1h40min. Os resultados quantitativos mostram que houve melhorias estatisticamente significativas no desempenho dos alunos do grupo experimental, quando comparado aos alunos dos grupos de controle, expostos apenas ao método tradicional de ensino. Os resultados de nossa análise qualitativa sugerem que muitos dos alunos atingiram uma aprendizagem significativa. Nossas observações e o levantamento de opiniões mostraram que o procedimento didático adotado exigiu muita interação dos alunos com as atividades computacionais, dos alunos entre si e com o professor, tornando-se um elemento motivador na aprendizagem dos alunos.

Aspectos matemáticos do problema de aprendizagem em inteligência artificial

O objetivo deste trabalho é apresentar a base teórica para o problema de aprendizagem através de exemplos conforme as ref. [14], [15] e [16]. Aprender através de exemplos pode ser examinado como o problema de regressão da aproximação de uma função multivaluada sobre um conjunto de dados esparsos. Tal problema não é bem posto e a maneira clássica de resolvê-lo é através da teoria de regularização. A teoria de regularização clássica, como será considerada aqui, formula este problema de regressão como o problema variacional de achar a função f que minimiza o funcional Q[f] = 1 n n Xi=1 (yi ¡ f(xi))2 + ¸kfk2 K; onde kfk2 K é a norma em um espa»co de Hilbert especial que chamaremos de Núcleo Reprodutivo (Reproducing Kernel Hilbert Spaces), ou somente RKHS, IH definido pela função positiva K, o número de pontos do exemplo n e o parâmetro de regularização ¸. Sob condições gerais a solução da equação é dada por f(x) = n Xi=1 ciK(x; xi): A teoria apresentada neste trabalho é na verdade a fundamentação para uma teoria mais geral que justfica os funcionais regularizados para a aprendizagem através de um conjunto infinito de dados e pode ser usada para estender consideravelmente a estrutura clássica a regularização, combinando efetivamente uma perspectiva de análise funcional com modernos avanços em Teoria de Probabilidade e Estatística.