Você está na página 1de 6

Anais do CNMAC v.

ISSN 1984-820X

Memorizao x Aprendizagem: Uma Aplicao de Equaes Diferenciais


Giancarlo de Frana Aguiar
Universidade Positivo, Engenharia da Computao, Ncleo de Cincias Exatas e Tecnolgicas 81280-330, Curitiba, PR E-mail: giancarl@up.edu.br

Brbara de Cssia Xavier Cassins Aguiar


Universidade Federal do Paran, Departamento de Matemtica 81531-990, Curitiba, PR E-mail: babimatematica@yahoo.com.br

Elinton Luiz Leguenza


Universidade Positivo, Engenharia da Computao, Ncleo de Cincias Exatas e Tecnolgicas 81280-330, Curitiba, PR E-mail: elinton@up.edu.br

Maristela Regina Weinfurter


Universidade Positivo, Engenharia da Computao, Ncleo de Cincias Exatas e Tecnolgicas 81280-330, Curitiba, PR E-mail: maristela.weinfurter@up.edu.br

Jos Carlos da Cunha


Universidade Positivo, Engenharia da Computao, Ncleo de Cincias Exatas e Tecnolgicas 81280-330, Curitiba, PR E-mail: cunha@up.edu.br

Edson Pedro Ferlin


Universidade Positivo, Engenharia da Computao, Ncleo de Cincias Exatas e Tecnolgicas 81280-330, Curitiba, PR E-mail: ferlin@up.edu.br

Resumo: O estudo e tratamento de dados aplicados ao processo de ensino-aprendizagem constituem uma base slida de conhecimento ao estudante, podendo tornar-se material referncia prtica de metodologias de sucesso e motivao a pesquisa. Neste trabalho est ilustrado uma aplicao de modelagem de equaes diferenciais ao processo de aprendizado humano, que por sua vez, extremamente complexo e revolto a um conjunto muito vasto de variveis. Neste contexto, veremos que o fator memorizao no objeto determinante no estudo do aproveitamento versus aprendizagem. Palavras-chave: Modelagem com Equaes Diferenciais, ndices de Aprendizagem, Correlao e Regresso Linear. 1 Exposio do Problema Neste trabalho iremos ilustrar uma aplicao de equaes diferenciais (modelagem matemtica), objetivando determinar um ndice quantitativo que representa o tempo para a memorizao de um conjunto de nmeros (20 centenas) para um grupo de 16 estudantes nas disciplinas de Clculo Aplicado e Probabilidade e Estatstica no curso de Engenharia da Computao da Universidade Positivo. Explorando o grupo de dados (ndices de memorizao individuais de cada aluno), foi analisada a existncia ou no, da correlao entre a memorizao e sua relao com as notas mdias (que neste contexto representa o coeficiente principal da aprendizagem) dos estudantes durante o ano letivo de 2008.

686

2 Metodologia A seguir est ilustrado um conjunto de seis momentos para o desenvolvimento do trabalho proposto: Na disciplina de Clculo Aplicado (2 ano do curso de Engenharia da Computao diurno) os alunos tiveram o contato com a modelagem de equaes diferenciais e desenvolveram o modelo que representava o ndice de memorizao com o passar do tempo. Na disciplina de Probabilidade e Estatstica (2 ano do curso de Engenharia da Computao diurno) os alunos trabalharam em um momento o estudo da correlao e regresso linear entre duas variveis. Em um novo momento os alunos se dividiram em duplas para o levantamento e sequencialmente o tratamento dos dados (anlise de correlao, obteno da equao ou reta de regresso, construo do diagrama de disperso e entrega de relatrios individuais). Com a reta de regresso foi possvel a cada estudante identificar seu ndice de memorizao individual. Posteriormente, com seus ndices individuais e suas notas mdias na disciplina de Clculo Aplicado, eles novamente calcularam a correlao linear entre o ndice de memorizao e seu ndice de aprendizagem (nota mdia anual). Finalizando o trabalho, o professor validou os resultados e desenvolveu um debate em grupo com os alunos discutindo os resultados.

2.1 Modelagem de Equaes Diferenciais O aprendizado humano , no mnimo, um processo extremamente complicado. A biologia e a qumica do aprendizado esto longe de serem entendidas. Apesar de no termos nenhuma esperana de que modelos simples possam dar conta de toda a complexidade do processo, eles podem iluminar aspectos limitados deste processo (Blanchard, 2005). Neste trabalho, estudaremos um modelo extremamente simples de processo de memorizao de listas (listas de slabas sem significado) O modelo se baseia na hiptese de que a taxa de aprendizado proporcional a quanto ainda falta para ser aprendido. Seja L(t ) a frao da lista j decorada no instante t . Assim, L(t ) = 0 significa que no se sabe nada e L(t ) = 1 significa que toda a lista foi decorada. A equao diferencial para este modelo :

dL = k (1 L) dt
Onde:

(1)

dL = Taxa de aprendizagem em relao ao tempo dt K = Taxa de aprendizado ou ndice individual de memorizao L = Frao da lista decorada
Pessoas diferentes levam tempos diferentes para decorar uma lista. No nosso modelo, isto significa que cada pessoa tem seu K individual.

687

2.2 Obteno e Tratamento dos Dados O valor de k (ndice individual de memorizao ou taxa de aprendizado) ser determinado experimentalmente. Duas listas com nmeros de 3 dgitos so dadas. Outras podem ser criadas. Coletamos os dados necessrios para determinar o K como segue: 1. Gaste um minuto estudando uma das listas do Quadro 1 (faa a medida do tempo com muito cuidado. Um amigo pode ser uma ajuda preciosa para esta medida). Lista 1 826 746 215 386 568 714 593 018 231 379 452 363 246 258 697 444 628 899 147 963 Lista 2 603 167 598 514 978 649 987 258 398 781 916 897 555 809 701 629 886 671 189 846

1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20

Quadro 1: Lista de 20 Nmeros (em Centenas) para Memorizao 2. Escreva os nmeros que voc lembrar num papel e guarde para avaliar mais tarde. 3. Gaste mais um minuto estudando a mesma lista. 4. Escreva os nmeros que voc lembrar e guarde para avaliar mais tarde. Repetindo este processo 10 vezes (ou at ter decorado toda a lista). Pontuamos os testes. Uma resposta correta corresponde a um nmero certo no lugar certo. Coloque seus dados em um grfico (diagrama de disperso), onde t o tempo gasto estudando a lista (eixo horizontal) e L , a frao da lista decorada (eixo vertical). Use os dados obtidos para aproximar o valor do seu K pessoal da seguinte maneira: se colocarmos no eixo vertical y = ln (1 L) o modelo nos revela que os dados se adaptam a equao de uma reta, cuja inclinao K . Encontre a equao da reta representante e determine o seu valor de K usando a reta de regresso.

3 Resultados Obtidos Sero ilustrados neste momento, os resultados de um dos estudantes escolhido aleatoriamente e posteriormente os resultados de todos os estudantes. A Tabela 1 a seguir ilustra o tempo de

688

realizao da atividade (decorar a lista com 20 centenas) e o nmero de acertos em suas respectivas posies. Tempo (minutos) 1 2 3 4 5 6 7 8 9 10 Nmero (acertos) 5 4 8 9 6 13 13 14 10 17

Tabela 1: Tempo de Realizao da Atividade e Nmero de Acertos Podemos notar na Tabela 1 que o estudante acertou 5 centenas no primeiro minuto de estudo, no segundo minuto o aluno acertou somente quatro centenas e assim por diante, totalizando 17 acertos no dcimo minuto de memorizao (neste caso o estudante no conseguiu decorar a lista nos 10 primeiros minutos). Entretanto, cabe salientar que outros alunos conseguiram decorar a lista em menos de 10 minutos (7 minutos, por exemplo). A Figura 1 a seguir ilustra o diagrama de disperso para o mesmo estudante analisado anteriormente. No eixo das abscissas est contido o tempo em minutos e no eixo das ordenadas o nmero de acertos com o passar do tempo.

18 16

Nmero de acertos

14 12 10 8 6 4 2 0 0 2 4 6 8 10 12

Tempo em minutos

Figura 1: Diagrama de Disperso para os dados da tabela 1 Pode-se notar pictoricamente atravs de percepo visual que parece existir correlao entre as variveis (tempo x acertos), entretanto, foi utilizado pelos estudantes na disciplina de Probabilidade e Estatstica o coeficiente de correlao linear e a tabela de Pearson para sugestionar a anlise. O coeficiente de correlao linear r mede o grau de relacionamento linear entre os valores emparelhados x e y em uma amostra. A Equao 2 a seguir, refere o coeficiente de correlao linear de Pearson.

689

r=

( x)( y) n( x ) ( x) n ( y ) ( y )
n xy
2 2 2

(2)

Onde: r = Coeficiente de correlao linear para uma amostra n = Representa o nmero de pares de dados presentes x = Tempo em minutos (neste contexto) y = Nmero de acertos (neste contexto) Aps a validao da correlao os estudantes tiveram de encontrar a equao de regresso individual utilizando a planilha eletrnica Microsoft Excel. A equao de regresso pode ser expressa segundo as relaes 3, 4 e 5 a seguir.
^

y = b0 + b1 x b0

(3)

( y )( x ) ( x )( xy ) = n ( x ) ( x )
2 2 2

(4)

b1 =

n ( xy ) ( x )( y ) n

( x ) ( x )
2

(5)

A Tabela 2 abaixo ilustra a mdia anual (nota obtida pelos 16 alunos analisados no decorrer de um ano - 4 bimestres) e o ndice K obtido pelos estudantes. Aluno 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 Mdia Anual 5,875 5,225 6,875 8,525 8,425 7,5 7,25 9,45 6,9 9,85 6,175 9,45 6,275 7,3 8,425 7,125 ndice K 0,78181818 0,60606061 0,61212121 1,20606061 1,84848485 2,07467532 1,73333333 1,2 1,27272727 0,92121212 0,75757576 1,32121212 1,07272727 1,31515152 0,35151515 0,62424242

Tabela 2: Mdia Anual e ndice K dos 16 Estudantes Analisados

690

O estudante 1 obteve mdia anual 5,87 com ndice K de aprendizagem igual a 0,78. 77,77% dos estudantes que obtiveram ndices superiores unidade (7 alunos em 9) tiraram notas mdias superiores a 7,0. 57,14% dos estudantes com ndices inferiores a unidade (4 alunos em 7) tiveram notas inferiores a 7,0. Um caso mais obscuro o estudante 10 que teve mdia anual 9,87, no entanto, seu ndice K foi relativamente baixo (0,92). O aluno 6 que obteve o melhor ndice K ficou com mdia anual igual a 7,5.

4 Concluses

Pode-se validar que um estudante que tem facilidade para estudar/decorar nmeros e at mesmo textos no necessariamente ser um aluno com notas elevadas. A recproca verdadeira, ou seja, um aluno que no decora com facilidade textos e nmeros capaz de tirar notas altas. O estudo comprovou que em geral, os alunos que decoram com facilidade tm maior chance de tirar boas notas. O trabalho ilustrou o embasamento terico (modelagem de equaes diferenciais) associado experimentao (coleta, experimentao e tratamento dos dados) e aplicao tecnolgica (MS-Office Excel) no processo de ensino-aprendizagem, que, todavia contribui para a motivao e com resultados significativos aos estudantes. Neste trabalho foi utilizada uma amostra com 16 estudantes, sendo a exposio dos resultados vlida para fins acadmicos. Entretanto, para validar a pesquisa populacionalmente deve-se aumentar o tamanho da amostra. Como recomendao para trabalhos futuros, relata-se a necessidade da modelagem de mais aspectos que podem contribuir para a efetiva aprendizagem.

5 Referncias 1. Aguiar, Desenvolvimento de Laboratrio Virtual de Clculo Diferencial e Integral, Novos Paradigmas na Educao em Engenharia, Curitiba, ABENGE, 2007. 2. Aguiar, Simulao no Processo de Ensino e Aprendizagem Utilizando Tcnicas de Caminho Crtico (Redes P.E.R.T.) e o Software Ms-Project em Engenharia. Curitiba: Cobenge, 2007. 3. Blanchard, Differential Equations, Brooks/Cole Pub. Co, 828 pages, September, 2005. 4. Boyce, Equaes Diferenciais Elementares e Problemas de Valores de Contorno, Rio de Janeiro, Guanabara Koogan, 1994. 5. Triola, Introduo Estatstica, 7 ed., LTC, 1999. 6. Swokowski, Clculo com geometria analtica v.1, So Paulo, Makron Books, 1994. 7. Citao de documento eletrnico: <http://www.mat.ufmg.br/edc/EDCtrabalho1A.pdf> Acesso em: 28 de novembro de 2007.

691