Escolar Documentos
Profissional Documentos
Cultura Documentos
Capítulo 13
O Papel da Tecnologia no Ensino
e Aprendizagem Estatística
1. Introdução
D. Pratt (*)
Instituto de Educação, Universidade de Londres, 20 Bedford Way, Londres WC1H 0AL, Reino
Unido e-mail: d.pratt@ioe.ac.uk
N. Davies
Royal Statistical Society Center for Statistical Education,
University of Plymouth, Plymouth, Reino
Unido e-mail: neville.davies@rsscse.org.uk
D. Connor
Clifton Campus, Nottingham, NG11 8NS, Reino
Unido e-mail: doreen.connor2@ntu.ac.uk
98 D. Pratt et ai.
tecnologia no ensino e aprendizagem de estatística, reconhecendo, no entanto, que esses potenciais são
mediados inevitavelmente por muitos fatores, incluindo, entre outros, software, tarefas e abordagens de ensino.
Harradine (2008) observou como, no final da década de 1990, as investigações estatísticas começaram a
incorporar conjuntos de dados reais e grandes, à medida que os computadores gerenciavam o processamento
de números. No entanto, ele expressou preocupação com o fato de que mesmo agora a pedagogia no ensino de
estatística parece não ter avançado. Este capítulo explora algumas das oportunidades que a tecnologia oferece
aos professores de estatística, mantendo-se atento às questões que envolvem seu uso. A ênfase dos autores é
semelhante à de Goldstein (2003), ou seja, que não basta apenas considerar qual tecnologia usar, mas que, para
que ocorra uma aprendizagem efetiva, é como a tecnologia é integrada a o currículo e o processo de aprendizagem
e como o professor os utiliza são vitais. Neste capítulo, focamos tanto no uso dos próprios computadores quanto
em algumas ferramentas de software específicas.
Esta seção discute as oportunidades especiais para o ensino de estatística que a tecnologia oferece aos
professores que visam proporcionar experiências ricas de aprendizado para seus alunos.
Ben-Zvi (2000) propôs as seguintes categorias de software: pacotes estatísticos (ferramentas), micromundos,
tutoriais, recursos (incluindo recursos da Internet) e metaferramentas de professores. A discussão abaixo
considera cinco recursos importantes para o ensino que podem surgir caso essas categorias de software sejam
mais amplamente adotadas.
Tradicionalmente, os gráficos são usados para relatar dados, geralmente por meio de exibições e apresentações.
A Análise Exploratória de Dados (EDA) incentiva a interação profunda com os dados normalmente suportados
pelo tipo de representação gráfica imediata dos dados que podem ser gerados por computadores. Os
computadores permitem que as representações sejam usadas como ferramentas analíticas durante uma
investigação, em vez de apenas como ferramentas de apresentação no final da investigação. Quando os gráficos
são usados para tentar dar sentido aos dados durante a análise, as representações precisam apelar para um
senso intuitivo de posição, dispersão e valores periféricos. Um exemplo é o hat plot em Tinkerplots
(www.keypress.com/x5715.xml), projetado para atrair a noção intuitiva dos alunos de um aglomerado modal
(Konold et al., 2002). Da mesma forma, Cobb, Gravemeijer, Bowers e McClain (1997) desenvolveram suas mini-
ferramentas como parte de uma infraestrutura intuitiva dentro de uma trajetória de aprendizado para ideias
estatísticas baseadas em recursos de software de computador para permitir a manipulação dinâmica de imagens
e dados numéricos. McClain (2008) relatou o uso de professores dessas miniferramentas para desenvolver
formas de pensar sobre distribuição.
Existem formas de representação ainda pouco desenvolvidas. Por exemplo, a manipulação de dados
multivariados pode ser melhor suportada por meio digital
Machine Translated by Google
A análise estatística envolve a criação e utilização de modelos que descrevam os dados decorrentes
do fenômeno em questão. Os professores de estatística podem, portanto, envolver seus alunos na
atividade de expressar modelos pessoais que tentam capturar a estrutura inerente a uma situação.
Desta forma, os alunos podem abraçar o ciclo completo de investigação estatística (discutido em
mais detalhes posteriormente) através das fases de descrição da realidade e modelo pseudo-concreto,
matematização-formalização e validação (Henry, Girard, & Chaput, 2008) .
Há uma série de conceitos estatísticos-chave com os quais os professores esperam que os alunos
se envolvam. A modelagem expressiva pode oferecer oportunidades para os alunos apreciarem a
utilidade desses conceitos em contextos específicos, mas a modelagem expressiva é
Machine Translated by Google
imprevisível e não pode garantir o envolvimento com nenhum conceito específico. Uma alternativa é
que os modelos sejam incorporados ao software de computador e usados para gerar simulações que
possam ser exploradas pelo aluno, que pode ver o fenômeno do mundo real por meio do modelo
matemático (em vez de ver o modelo por meio dos dados). A integração da simulação no ensino pode
trazer benefícios positivos ao permitir que os alunos experimentem dados e distribuições estatísticas
(Garfield e Ben-Zvi, 2007, 2008; Engel, Sedlmeier e Worn, 2008). Tais abordagens são referidas
como modelagem exploratória (Doerr & Pratt, 2008). O poder computacional é direcionado para
fornecer feedback de acordo com o modelo embutido em resposta à ação do aluno.
As simulações têm sido usadas para ajudar os alunos a superar conceitos estatísticos ambíguos.
Alguns exemplos são Engel et al. (2008) sobre variação explicada e inexplicada; Kadijevich, Kool-
Voljic e Lavicza (2008) sobre distribuições amostrais; Abrahamson e Wilensky (2007) sobre diferentes
perspectivas epistemológicas para probabilidade; Prodromou e Pratt (2006) sobre causalidade
determinada e estocástica; e o programa Winton para a compreensão pública do risco
(www.understandinguncertainty.org) sobre riscos absolutos e relativos.
A tecnologia digital facilita o uso de grandes conjuntos de dados por sua capacidade de armazenamento
de dados, fácil recuperação e disponibilidade universal graças ao uso crescente de formatos de dados
idealizados. Os conjuntos de dados permitem a análise de dados extraídos de situações que são
significativas para os alunos.
Um dos desenvolvimentos mais significativos para as escolas a esse respeito foi o desenvolvimento
do CensusAtSchool (Connor, Davies e Holmes, 2000; Davies, Connor e Spencer, 2003). No site da
Royal Statistical Society Center for Statistical Education (RSSCSE) (www.censusatschool.org.uk),
existem mais de 30 bancos de dados contendo 1,3 milhão de respostas de dados reais, coletados de
alunos em cinco países, disponíveis para amostragem.
Hall (2008) descreveu seu uso do CensusAtSchool com professores do ensino fundamental. Ela
observou que, embora os conjuntos de dados fossem poderosos, era igualmente importante ter
disponível um software de análise estatística dinâmica, como o Tinkerplots. As ferramentas baseadas
na Web que permitem a representação gráfica intuitiva de conjuntos de dados, como as ferramentas
do CensusAtSchool (www.censusatschool.org.uk/get-data/datatool), estão cada vez mais disponíveis.
Conjuntos de dados reais apresentam problemas que muitas vezes não estão presentes em
dados sanitizados. Por exemplo, números difíceis, erros em dados e valores ausentes são qualidades
de dados que podem ser evitadas em situações cuidadosamente preparadas. Em algum momento da
educação de um aluno, essas questões precisam ser confrontadas, pois levantam questões
importantes sobre as limitações, escopo e confiabilidade das inferências que podem ser feitas, bem
como técnicas para lidar com os problemas (para uma discussão mais aprofundada sobre o uso de
dados reais em educação estatística, ver Hall, este livro).
Machine Translated by Google
Ben-Zvi (2007) defendeu a criação de cursos de estatística usando um wiki para promover a
aprendizagem colaborativa. Ele pesquisou vários tipos de atividades wiki: escrita colaborativa;
glossários; discussão e revisão; projetos estatísticos; diários autorreflexivos; e avaliação. A
criação de tais recursos pode ser benéfica para os professores estagiários, tanto para a sua
própria aprendizagem como para benefício futuro dos seus alunos.
Nolan e Temple Lang (2007) mostraram como um grande conjunto de dados significativo
(9.000 mensagens de e-mail contendo 30 variáveis para cada mensagem) foi usado para
ensinar a prática estatística em um ambiente de documento dinâmico. As ações permitidas pela
planilha ao vivo incluem interagir com os dados, modificar entradas, alterar cálculos e explorar
uma variedade de análises. Ao permitir que o documento eletrônico seja interativo, os autores
demonstraram como ele pode ser usado para refletir o que um estatístico pode fazer ao realizar
uma investigação estatística. Em essência, eles pretendiam fornecer um ambiente de solução
de problemas no qual os estatísticos e pesquisadores estatísticos trabalham para que os
educadores/professores possam ensinar os alunos com mais eficácia.
No final, o que importa é o que os alunos aprendem, mas há pouca pesquisa estatística em
educação sobre professores que usam essas ferramentas tecnológicas (Chance et al., 2007).
Na prática, os professores têm que tomar decisões sobre o que é apropriado incorporar em
currículos já escritos e têm pouco tempo para pesquisar tais assuntos. Eles também têm
demandas conflitantes no tempo de sala de aula e são forçados a priorizar. Colocação
Machine Translated by Google
Professores experientes podem não ter se beneficiado do uso de computadores em seu próprio
aprendizado. É improvável que sua própria experiência de ensino tenha incluído as mudanças
na pedagogia que Chance et al. (2007) reivindicaram fluxo de avanços tecnológicos, incluindo
equilibrar o papel dos computadores e não-tecnológicos
Machine Translated by Google
ambientes para ensinar como “desvendar histórias em dados” (Pfannkuch, 2008). Garfield e Ben-Zvi
(2007) apoiaram a exposição de professores a softwares inovadores, como TinkerPlots e Fathom, para
capacitá-los a explorar dados. A intenção é que a exposição durante a formação de professores possa
motivar os professores a transmitir sua experiência e envolver seus alunos em investigações estatísticas
por meio do uso de software semelhante.
A tecnologia como ferramenta de produtividade tem se preocupado em desenvolver formas cada vez mais
rápidas de processar dados para cálculos estatísticos rotineiros e/ou sofisticados e, mais recentemente,
em processar bancos de dados muito grandes. No entanto, a forma como os estatísticos fazem estatísticas
também envolve o planejamento da investigação, a coleta de dados, o processamento, a análise dos
resultados e a obtenção de conclusões apropriadas (Marriott, Davies, & Gibson, 2009; Stuart, 1995).
Portanto, é importante enfatizar que, ao ensinar a disciplina, processar e analisar resultados é apenas
uma parte do ciclo de investigação estatística. A maneira como os computadores podem dar suporte a
uma ênfase na modelagem, bem como na análise, conforme discutido acima, pode garantir que os alunos
não percam o contato com o pensamento estatístico necessário para fazer estatísticas quando usam a
tecnologia.
Argumentou-se que a tecnologia oferece uma gama de recursos que podem revolucionar a educação
estatística, mas há razões pelas quais essa transformação ainda não aconteceu e, de fato, pode nunca
acontecer, exceto em certos bolsões de boas práticas. Por vários anos, os educadores estatísticos
propuseram que a maneira como a estatística é ensinada deveria ser alterada (Stuart, 1995; Chance et
al., 2007; Marriot et al., 2009) e que o lugar para começar é na formação de professores.
Da Ponte (2008) comentou sobre a necessidade de uma melhor visão de como os professores aprendem.
Estudos relataram as dificuldades que os professores enfrentam devido à sua própria falta de exposição
e conhecimento do melhor uso da tecnologia (Reston & Bersales, 2008) e, no entanto, os professores
iniciantes costumam ser fortemente influenciados em seu ensino pela maneira como eles próprios foram
ensinados ( Bola, 1988). Quando novos professores ensinam áreas em
Machine Translated by Google
em que seu próprio conhecimento conceitual é fraco, eles demonstraram reverter mais
prontamente para aqueles métodos que eles mesmos experimentaram como aprendizes
(Sedlmeier & Wassner, 2008). O uso de uma ampla gama de tecnologias pode apresentar
problemas para professores iniciantes, que estão acostumados a um determinado estilo de ensino
(Healy & Hoyles, 2001). A imersão no uso da tecnologia para o ensino de estatística deve,
portanto, ser uma característica importante de qualquer curso de formação de professores. No
entanto, os formadores de professores devem primeiro explorar as muitas ideias apresentadas
por pesquisadores e desenvolvedores (Batanero, Godino e Roa, 2004).
A imersão, no entanto, deve envolver todo o ciclo de investigação estatística, conforme discutido
acima. O uso de software moderno para expressar e explorar modelos de conjuntos de dados
reais, como os disponíveis por meio do CensusAtSchool, exporia deficiências no conhecimento
estatístico dos próprios professores iniciantes em um ambiente não ameaçador.
Uma vez que Lee e Hollebrands (2008) relataram que as decisões dos professores sobre o uso
de ferramentas de computador eram frequentemente baseadas no conhecimento adquirido
durante seus cursos de formação de professores, é razoável supor que uma abordagem de
modelagem em cursos de formação de professores pode permitir o desenvolvimento de uma
compreensão mais sofisticada das fragilidades expostas. Essa imersão no uso de software
estatístico em cursos de formação de professores é de vital importância devido ao efeito de
alavancagem no eventual aprendizado do aluno de ideias estatísticas e porque os formadores de
professores têm influência potencial sobre muitos alunos que mais tarde se tornarão professores.
5 O caminho a seguir
Referências
Abrahamson, D., & Wilensky, U. (2007). Aprendendo eixos e ferramentas de ponte. jornal internacional
of Computers for Mathematics Learning, 12(1), 23–55.
Ainley, J., Pratt, D., & Nardi, E. (2001). Normalização: atividade infantil para construir significados para
tendência. Estudos Educacionais em Matemática, 45, 131–146.
Bola, DL (1988). Desaprender para ensinar matemática. (Documento da edição 88-1). East Lansing: Michigan
State University, Centro Nacional de Pesquisa sobre Formação de Professores.
Batanero, C., Burrill, G., Reading, C., & Rossman, A. (Eds.) (2008). Estudo Conjunto ICMI/IASE : Ensino de
Estatística na Matemática Escolar. Desafios para a Docência e Formação de Professores.
Anais do ICMI Study 18 e 2008 IASE Round Table Conference. Monterrey, México: Comissão Internacional
de Instrução Matemática e Associação Internacional
para Educação Estatística. Online: www.stat.auckland.ac.nz/~iase/publications
Batanero, C., Godino, J., & Roa, R. (2004). Formação de professores para ensinar probabilidade. Journal of
Statistics Education, 12(1). Online: www.amstat.org/publications/jse/ Ben-Zvi,
D. (2000). Para a compreensão do papel das ferramentas tecnológicas na aprendizagem estatística.
Pensamento matemático e aprendizagem, 2 (1 e 2), 127-155.
Ben-Zvi, D. (2007). Usando o wiki para promover a aprendizagem colaborativa no ensino de estatística.
Inovações Tecnológicas na Educação Estatística, 1(4). Online: repositories.cdlib.org/uclastat/cts/
tise/ Biehler, R. (2008). Da alfabetização estatística às ideias fundamentais em matemática: como podemos
superar a tensão para apoiar os professores de estatística. Em C. Batanero, G. Burrill, C. Reading e A.
Rossman (2008).
Caixa, GEP (1979). Robustez na estratégia de construção de modelos científicos. Em RL Launer &
GN Wilkinson (Eds.), Robustez em estatísticas. Nova York: Academic Press.
Chance, B., Ben-Zvi, D., Garfield, J., & Medina, E. (2007). O papel da tecnologia na melhoria da aprendizagem
dos alunos em estatística. Inovações Tecnológicas na Educação Estatística, 1(1). Online:
repositories.cdlib.org/uclastat/cts/tise/
Chatfield, C. (1995). Incerteza do modelo, mineração de dados e inferência estatística. jornal do real
Statistical Society A, 158, 419–466.
Cobb, P., Gravemeijer, KPE, Bowers, J., & McClain, K. (1997). Miniferramentas estatísticas. Nashville, TN/
Utrecht: Vanderbilt University e Freudenthal Institute/Utrecht University.
Connor, D., Davies, N., & Holmes, P. (2000). CensusAtSchool 2000. Estatísticas de Ensino,
22, 66–70.
da Ponte, JP (2008). Preparando professores para enfrentar os desafios do ensino de estatística.
Em C. Batanero, G. Burrill, C. Reading e A. Rossman (2008).
Machine Translated by Google
Davies, N., Connor, D., & Spencer, NM (2003). Um projeto internacional para o desenvolvimento de habilidades de
manipulação de dados de professores e alunos. Journal of Applied Mathematics and Decision Sciences, 7, 75–83.
Doerr, H., & Pratt, D. (2008). A aprendizagem da matemática e a modelagem matemática. Em MK Heid & GW Blume
(Eds.), Pesquisa sobre tecnologia no ensino e aprendizagem da matemática: Sínteses e perspectivas. Aprendizagem,
ensino e política de matemática (Vol. 1, pp. 259–285). Charlotte, NC: Era da Informação.
Engel, J., Sedlmeier, P., & Worn, C. (2008). Modelagem de dados de gráfico de dispersão e a metáfora sinal-ruído: em
direção à alfabetização estatística para professores de formação inicial. Em C. Batanero, G. Burrill, C. Reading e
A. Rossman (2008).
Garfield, J., & Ben-Zvi, D. (2007). Como os alunos aprendem estatística revisitada: uma revisão atual da pesquisa sobre
ensino e aprendizagem de estatística. Revisão Estatística Internacional, 75(3), 372–396.
Garfield, J., & Ben-Zvi, D. (2008). Preparando os professores para desenvolver as estatísticas dos alunos
raciocínio. Em C. Batanero, G. Burrill, C. Reading e A. Rossman (2008).
Goldstein, R. (2003). Integração de computadores no ensino de matemática. Em L. Haggarty (Ed.), Ensino de
matemática em escolas secundárias – Um leitor (pp. 143–159). Milton Keynes: Universidade Aberta.
Habre, S., & Grundmeier, T. (2007). Perspectivas de futuros professores de matemática sobre o papel da tecnologia na
educação matemática. Questões na preparação de professores de matemática de graduação: The Journal, 3.
Online: www.k-12prep.math.ttu.edu
Salão, J. (2008). Usando CensusAtSchool e Tinkerplots para apoiar o ensino e aprendizagem de estatística dos
professores do ensino fundamental de Ontário. Em C. Batanero, G. Burrill, C. Reading e A. Rossman (2008).
Harradine, A. (2008). Gerando grandes ideias nas mentes dos bebês. Em C. Batanero, G. Burrill, C. Reading,
& A. Rossman (2008).
Healy, L. & Hoyles, C. (2001). Ferramentas de software para resolução de problemas geométricos: Potenciais e
armadilhas. International Journal of Computers for Mathematical Learning, 6(3), 235–256.
Henry, M., Girard, J., & Chaput, B. (2008). Modelagem e simulações no ensino de estatística.
Em C. Batanero, G. Burrill, C. Reading e A. Rossman (2008).
Kadijevich, D., Kool-Voljic, V., & Lavicza, Z. (2008). Rumo a uma instrução adequadamente projetada sobre raciocínio
estatístico: Compreendendo a distribuição de amostragem com tecnologia. Em C. Batanero, G. Burrill, C. Reading
e A. Rossman (2008).
Konold, C., Harradine, A., & Kasak, S. (2007). Compreender as distribuições modelando-as.
International Journal of Computers for Mathematical Learning, 12(3), 217–230.
Konold, C., Robinson, A., Khalil, K., Pollatsek, A., Well, A., Wing, R., & Mayr, S. (2002).
Uso de grupos modais pelos alunos para resumir dados. Em B. Phillips (Ed.), Proceedings of the Sixth International
Conference on Teaching Statistics. Cidade do Cabo, África do Sul: Associação Internacional para Educação em
Estatística. Online: www.stat.auckland.ac.nz/~iase/publications Lee, S., & Hollebrands, K. (2008). Preparando-
se para ensinar análise de dados e probabilidade com
tecnologia. Em C. Batanero, G. Burrill, C. Reading e A. Rossman (2008).
Marriott, JM, Davies, N., & Gibson, E. (2009). Ensinar, aprender e avaliar resolução de problemas estatísticos. Journal
of Statistics Education, 17(1). Online: www.amstat.org/publications/jse/ McClain, K. (2008). A evolução da
compreensão dos professores sobre a distribuição. Em C. Batanero, G. Burrill, C. Reading e A. Rossman (2008).
Nolan, D. & Temple Lang, D. (2007). Documentos dinâmicos e interativos para o ensino de estatística
prática. Revisão Estatística Internacional, 75(3), 295–321.
Pfannkuch, M. (2008). Formação de professores para desenvolver o pensamento estatístico. Em C. Batanero, G. Burrill,
C. Reading, & A. Rossman (2008).
Prodromou, T., & Pratt, D. (2006). O papel da causalidade na coordenação de duas perspectivas sobre a distribuição
dentro de uma simulação virtual. Jornal de Pesquisa em Educação Estatística, 5(2), 69–88.
Online: www.stat.auckland.ac.nz/serj/
Reston, E., & Bersales, LG (2008). Esforços de reforma no treinamento de professores de estatística nas Filipinas:
desafios e perspectivas. Em C. Batanero, G. Burrill, C. Reading e A. Rossman (2008).
Ridgway, J. Nicholson, J., & McCusker, S. (2008). Reconceituando 'estatística' e 'educação'.
Em C. Batanero, G. Burrill, C. Reading e A. Rossman (2008).
Machine Translated by Google
Rubin, A. (2007). Muito mudou; pouco mudou: Revisitando o papel da tecnologia no ensino de estatística 1992–2007.
Inovações Tecnológicas na Educação Estatística, 1(1). Online: repositories.cdlib.org/uclastat/cts/tise/
Sedlmeier, P., & Wassner, C. (2008). A opinião de professores de matemática alemães sobre o ensino de estatística.
Em C. Batanero, G. Burrill, C. Reading e A. Rossman (2008).
Stuart, M. (1995). Mudando o ensino de estatística. The Statistician, 44, 45-54.