Por que escolher a Jovens Gênios?
Aqui você encontra os dados técnicos, metodologias e embasamento teórico do modelo acadêmico adotado na JG. Confira abaixo.
Justificativa técnica para o uso da Jovens Gênios
A metodologia bicentenária tradicional de ensino-aprendizagem está centrada no professor, sendo completamente desestimulante para diferentes estudantes que são obrigados a aprender apenas de uma única forma e são avaliados por parâmetros restritos ao número de acertos e erros.
Na contramão dos diversos segmentos da sociedade, que buscam inovação constante pautada na tendência de personalização de serviços e uso de tecnologias, o ambiente escolar se mostra pouco atraente. Tudo isso contribui para defasagens e atrasos de aprendizado cumulativos dos estudantes no Brasil.
A aprendizagem nos anos finais do ensino fundamental está estagnada. É o que apontam os dados do Sistema de Avaliação da Educação Básica (Saeb) com os resultados do IDEB e da Prova Brasil. Os municípios brasileiros em sua maioria estão com notas baixas para os anos finais do ensino fundamental no IDEB 2017, o que evidencia esse segmento como o mais crítico na formação básica, parametrizado pelo nível de aprendizagem na Escala Saeb, criada pelo INEP.
Ademais, contrariamente ao esperado pelos resultados abaixo do esperado no IDEB, faltam pesquisas e publicações científicas para o desenvolvimento de aprendizagem efetiva nesse segmento. Já nos comparativos de aprendizagem em escala mundial com a avaliação do PISA 2018, que mede a aplicabilidade dos conhecimentos teóricos aprendidos em sala de aula com a realidade, o Brasil é o último país da América do Sul no ranking com resultados insatisfatórios em todas as áreas do conhecimento analisadas.
Grande parte dos cursos de licenciatura e pedagogia não estão pautados nas principais demandas atuais da sala de aula. Nossos educadores raramente são preparados para mediarem conhecimento centrado no aluno, quase nunca aprendem sobre o uso de metodologias ativas de aprendizagem, poucas habilidades socioemocionais são desenvolvidas e a falta de domínio sobre gestão de aprendizagem e tecnologias educacionais dificulta a compreensão de aprendizagem como ciência. Todos esses fatores somatizam frustrações e resistência a novos modelos, o que está evidente na educação remota durante a pandemia.
A falta de acesso aos dados estatísticos em tempo real e a falta de evidências concretas de aprendizagem dificultam a formulação e gestão das principais políticas públicas educacionais no contexto escolar. Os gestores escolares necessitam de ferramentas diárias para acompanhar em tempo real a aprendizagem dos alunos e, assim, oferecer tais evidências supracitadas para a formulação de políticas públicas que cheguem à sala de aula e tenham autonomia para intervenção mais ágil no cotidiano escolar sem a espera dos resultados nos exames em larga escala.
Por outro lado, a inserção da tecnologia e o protagonismo do estudante na sociedade são orientações que norteiam as competências gerais e específicas de todos os componentes curriculares da Base Nacional Comum Curricular (BNCC) na Educação Básica.
A tecnologia permeia a BNCC como um todo. A partir das competências gerais da base, mais especificamente as competências 4 e 5, temos uma ideia de como ela será aplicada na prática:
“4. Utilizar diferentes linguagens – verbal (oral ou visual-motora, como Libras, e escrita), corporal, visual, sonora e digital –, bem como conhecimentos das linguagens artística, matemática e científica, para se expressar e partilhar informações, experiências, ideias e sentimentos em diferentes contextos e produzir sentidos que levem ao entendimento mútuo.”
(Base Nacional Comum Curricular)
“5. Compreender, utilizar e criar tecnologias digitais de informação e comunicação de forma crítica, significativa, reflexiva e ética nas diversas práticas sociais (incluindo as escolares) para se comunicar, acessar e disseminar informações, produzir conhecimentos, resolver problemas e exercer protagonismo e autoria na vida pessoal e coletiva.”
(Base Nacional Comum Curricular)
Em outras palavras, a competência 4 discute a utilização de diferentes linguagens – incluindo a digital – como forma de expressão e compartilhamento de experiências; a competência 5 discorre sobre o protagonismo do jovem a partir da compreensão, utilização e criação das tecnologias digitais.
Dessa forma, a BNCC incentiva a modernização dos recursos e das práticas pedagógicas com o objetivo de formar as habilidades e competências necessárias ao século XXI. Visto tal deliberação, este é o momento exato para o uso de tecnologias com inteligência artificial para a personalização do aprendizado e gamificação para torná-lo mais atraente e divertido.
Como a Jovens Gênios melhora o processo de aprendizado
As Plataformas Jovens Gênios, voltadas para os anos finais do ensino fundamental, usam algoritmos de inteligência artificial para personalizar o aprendizado e a gamificação para torná-lo mais divertido para os alunos; transformam o processo de ensino-aprendizagem utilizado pelos educadores ao disponibilizar as principais metodologias ativas de aprendizagem; evidenciam os indicadores de aprendizagem e engajamento dos estudantes para os gestores com relatórios em tempo real e aumentam a participação dos pais, que podem acompanhar o desempenho dos filhos.
Personalização do Aprendizado com TEC, TRI, CAT e Machine Learning
A inteligência artificial identifica as principais dificuldades de cada aluno e personaliza sua trilha de aprendizado, utilizando três grandes pilares: a teoria de espaços de conhecimento, a teoria de resposta ao item e os algoritmos de Machine Learning¹.
A Teoria de Espaços de Conhecimento (TEC)² é utilizada para indicar qual o estado atual de conhecimento do aluno nos conteúdos previstos para as disciplinas do ensino fundamental II de acordo com a BNCC, ou seja, o que esse aluno já aprendeu e qual foi a ordem de aprendizado.
A Teoria de Resposta ao Item (TRI)³ é o instrumento avaliativo do conhecimento atual do estudante na TEC que infere a probabilidade do estudante atingir um nível mínimo de aprendizagem em um assunto ou atividade que ainda não foram testadas, otimizando a quantidade de exercícios que o estudante deve fazer.
Durante as avaliações nos processos de ensino-aprendizagem, independente de função diagnóstica (analítica), formativa (controladora) ou somativa (classificatória), é inegável a influência do estado emocional e psicológico do aluno nos resultados obtidos.
Desconsiderando a notória diferença entre ser inteligente e ganhar pontos por acertar questões, as avaliações tradicionais são baseadas na Teoria Clássica dos Testes (TCT)⁴ para a construção da medida. Para a TCT quanto maior o número acertos do avaliado, maior será o domínio no conhecimento testado. O grande problema é que nem sempre isso acontece de forma tão cartesiana. Além disso, os níveis de dificuldade dos itens (questões) na TCT estão correlacionados a análise subjetiva do avaliador (professor), o que traz uma parcialidade nas avaliações e dificulta uma posterior comparação de dados.
O contrário acontece na Teoria da Resposta ao Item (TRI), muito utilizada em exames de larga escala. A TRI envolve um conjunto de modelos matemáticos nos quais o item (ou questão) é o elemento-chave. No caso do Enem e do Saeb, três características importantes do item são consideradas: item, discriminação e probabilidade de acerto ao acaso. Assume-se, portanto, que os itens têm características diferentes e, consequentemente, fornecem uma quantidade diferente de informação sobre o conhecimento.
Ao se realizar a estimativa da dificuldade dos itens, estabelece-se uma escala de proficiência, uma régua. Para cada aplicação, pode-se construir uma régua específica. Outra possibilidade é usar réguas padronizadas, como a das avaliações nacionais. Neste caso, a dificuldade dos itens deve sempre ser equalizada na escala de referência, o que permite a comparabilidade.
O princípio básico da TRI é o de que a probabilidade de acerto de um item depende do nível de domínio do aluno. Assim, dado o domínio de um aluno, espera-se que ele acerte os itens de proficiência/dificuldade igual ou menor que a dele. A TRI avança ao tornar o item a unidade básica de análise e ao desenvolver a ideia de uma escala de referência, com todos os benefícios que essas características proporcionam.
Nosso banco de questões conta com mais de 60 mil questões inéditas dos anos finais do ensino fundamental relacionadas a habilidades da BNCC, nas disciplinas de: Matemática, Português, História, Geografia, Ciências e Inglês. Em sua maioria, já calibradas e parametrizadas para o modelo Rasch (TRI).
Para que o estudante maximize seu aprendizado e constantemente esteja fazendo as questões que estão mais próximas ao seu nível de habilidade em determinado tópico, utilizamos algoritmos de testes adaptativos (Computerized Adaptive Testing, CAT)
Segundo Weiss, D. J. e Kingsbury, G. G.⁵, o teste adaptativo geralmente pode reduzir em 50% a duração de um teste e ainda manter um nível de precisão mais alto do que uma versão fixa. Isso se traduz em economia de tempo para o participante do teste e menor possibilidade de frustração. Os participantes do teste não perdem tempo tentando itens muito difíceis ou trivialmente fáceis. Além disso, a organização responsável pelo teste se beneficia da economia de tempo e recursos, uma vez que o custo do tempo de assento do examinando é substancialmente reduzido.
O Computerized Adaptive Testing (CAT)⁶ é usado em múltiplos contextos onde se deseja diminuir o tamanho e duração das avaliações. Algumas notórias avaliações internacionais utilizam esta abordagem, como: Test of English as a Foreign Language (TOEFL)⁷, Scholastic Assessment Test (SAT)⁸ e Graduate Management Admission Test (GMAT)⁹.
Para fazer um teste adaptativo precisa-se dos cinco critérios: conjunto de itens calibrados, ponto de partida ou nível de entrada, algoritmo de seleção de itens, procedimento de pontuação e critério de rescisão. Para a calibração dos itens, após garantida a qualidade dos itens do banco de questões, e estimativa da habilidade do estudante, utilizamos o modelo de Rasch¹⁰. Para a determinação do ponto de partida, algoritmo de seleção de itens e critério de rescisão, utilizamos algoritmos baseados no trabalho de Benjamin D. Wright e John Linacre¹¹.
As milhões de questões e atividades resolvidas por diferentes perfis de alunos permitem que os nossos algoritmos de Machine Learning aprendam diariamente e otimizem as recomendações sobre o que o estudante mais precisa aprender no melhor momento.
Com diagnósticos de aprendizagem pautados em testes adaptativos e TRI, a inteligência artificial das Plataformas de Aprendizagem Jovens Gênios será capaz de recomendar assuntos e gerar melhores resultados de aprendizagem para o estudante. Esses algoritmos são baseados em 3 pilares principais: manter o estudante na Zona de Desenvolvimento Proximal¹², ou seja, a aprendizagem deve ser suficientemente difícil para não ser monótona, mas adequada para não gerar frustração; não deve ser repetitiva; e deve ser contextualizada com o que o estudante está estudando na escola.
Aprendizado mais divertido com Gamificação
O interesse nas recomendações e a motivação para realizar as atividades são conquistados pelos elementos de jogos usados durante o processo de aprendizado, isto é, estruturamos a premissa fundamental da metodologia de aprendizagem baseada em gamificação (Gamification based learning), aplicada com o Framework Octalysis¹⁴ nas funcionalidades da Plataforma Jovens Gênios.
Essas funcionalidades proporcionam interações dinâmicas entre os alunos, como as batalhas em tempo real, promovendo maior interação e aprendizado social. Aumentando drasticamente o engajamento com o aprendizado.
O uso da gamificação na avaliação diminui a influência dos aspectos emocionais negativos no momento do teste já que o aluno estará sendo avaliado e se divertindo simultaneamente. Além disso, uma avaliação adaptada pelos níveis de questões por alunos usando inteligência artificial e o uso da TRI como medida de avaliação nos proporciona uma avaliação mais fidedigna ao nível de aprendizagem alcançado pelo estudante.
Além disso, nas avaliações online da Jovens Gênios é possível usar recursos anti-cola, para aumentar a eficácia da medição de aprendizagem à distância.
Ademais, tais metodologias são complementares e aceleram a construção do aprendizado baseado em evidências. Esses dados estatísticos podem ajudar na elaboração de políticas públicas de acordo com os indicadores distintos, ou seja, ações diferentes para regiões demográficas, perfis socioeconômicos e tipos de instituições públicas e privadas.
Referências bibliográficas para aprofundamento teórico-científico
[1] Reference in Articles – A review of research on machine learning in educational technology, published by Ceren Korkmaz & Ana Paula Correia (Pages 250-267) | published online: 08 Nov 2019 (https://www.tandfonline.com/doi/full/10.1080/09523987.2019.1669875)
[2] Doignon, Jean-Paul & Falmagne, Jean-Claude. (2015). Knowledge Spaces and Learning Spaces.
[3] Glas, Cees. (2008). Item response theory in educational assessment and evaluation. Mesure et évaluation en éducation. 31. 19. 10.7202/1025005ar.
[3] Baker, F. and Kim, S-H. (2004) Item Response Theory, 2nd ed. New York: Marcel Dekker.
[3] Article “Personalizing Session-based Recommendations with Hierarchical Recurrent Neural Networks” in Amazon (https://arxiv.org/pdf/1706.04148.pdf.)
[4] Bichi, Ado. (2016). CLASSICAL TEST THEORY: An Introduction to Linear Modeling Approach to Test and Item Analysis. International Journal for Social Studies. 2. 27-33.
[6] “Computer-Adaptive Testing: A Methodology Whose Time Has Come”, access in https://www.rasch.org/memo69.pdf
[7] (1989) “The TOEFL Computerized Placement Test: Adaptive Conventional Measurement”. ETS Research Report.
[8] Moore, For the ACT and the SAT, Pencils No Longer Required, but Sometimes Necessary, 2018
[8] Moore, Here’s What You Need to Know About Online Testing for the ACT and SAT, 2018
[9] Reference in https://en.wikipedia.org/wiki/Graduate_Management_Admission_Test
[10] Rasch, G. (1960) Probabilistic Models for Some Intelligence and Attainment Tests. Copenhagen: Paedagogiske Institute.; Rizopoulos, D. (2006) ltm: An R package for latent variable modelling and item response theory analyses. Journal of Statistical Software, 17(5), 1–25. (http://www.jstatsoft.org/v17/i05/)
[11] BENJAMIN D. WRIGHT, RONALD J, MEAD, SUSAN R, BELL (1980). “BICAL: CALIBRATING ITEMS WITH THE RASCH MODEL”. RESEARCH MEMORANDUM NUMBER 23C.
[11] John Michael Linacre (2000). “Computer-Adaptive Testing: A Methodology Whose Time Has Come.”. MESA Memorandum No. 69.
[12] Article “The zone of proximal development as an overarching concept: A framework for synthesizing Vygotsky’s theories”, published by Barohny Eun, Pages 18-30 | Published online: 29 Dec 2017 (https://doi.org/10.1080/00131857.2017.1421941)
[13] Jayasinghe, Udeni & Dharmaratne, Anuja. (2013). Game based learning vs. gamification from the higher education students’ perspective. 683-688. 10.1109/TALE.2013.6654524.
[14] Reference in https://yukaichou.com/gamification-examples/octalysis-complete-gamification-framework/