Machine Translated by Google

natureza comportamento humano

Artigo https://doi.org/10.1038/s41562-023-01531-x

Aulas universitárias no início da

manhã estão associadas a problemas de sono
e desempenho acadêmico

Recebido: 15 de junho de 2021 Sing Chen Yeo 1 , Clin KY Lai 2 , Jacinda Tan 1 , Samantha Lim 1,

Yuvan Chandramoghan1 Teck, Kiang Tan 2 e Joshua J. Gooley 1,2

Aceito: 17 de janeiro de 2023

Publicado online: xx xx xxxx

Assistir às aulas e dormir bem são importantes para o sucesso acadêmico dos alunos.
Verifique se há atualizações
Aqui, testamos se as aulas matinais estão associadas a menor frequência, sono mais curto
e pior desempenho acadêmico, analisando os traços digitais dos estudantes universitários.
Os registros de conexão Wi-Fi em 23.391 alunos revelaram que a frequência às aulas foi
cerca de dez pontos percentuais menor para as aulas às 08:00 em comparação com os
horários de início tardios. Padrões diurnos de logins do Learning Management System em
39.458 alunos e dados de actigrafia em 181 alunos demonstraram que o sono noturno era
uma hora mais curto nas primeiras aulas porque os alunos acordavam mais cedo do que o
normal. Análises de notas em 33.818 alunos mostraram que o número de dias por semana
em que eles tiveram aulas matinais foi negativamente correlacionado com a média de notas.
Esses achados sugerem associações preocupantes entre aulas matinais e resultados de
aprendizagem.

Estudantes universitários que frequentam regularmente as aulas e dormem bem têm horário em que se espera que os alunos frequentem as aulas matutinas. Os
maior probabilidade de obter boas notas1–4 . Assistir às aulas aumenta as interações efeitos combinados de sono curto e desalinhamento circadiano podem levar à
dos alunos com instrutores e colegas e fornece tempo estruturado para abordar os sonolência diurna e prejudicar o desempenho cognitivo18. Foi demonstrado
principais pontos de aprendizado. Dormir bem também é importante para otimizar o que atrasar o horário de início do ensino médio aumenta a duração do sono e
desempenho cognitivo e a prontidão para aprender. O sono inadequado prejudica diminui a sonolência, permitindo que os adolescentes durmam por mais tempo19–23.
os processos de atenção e memória3,5–7 , o que pode impedir
alcancem
que os alunos
todo o seu No entanto, há resultados mistos sobre os benefícios de começar a escola
potencial de aprendizagem em sala de aula (ou seja, o presenteísmo). Além disso, mais tarde no absenteísmo e nos resultados acadêmicos. Meta-análises e
sentir-se cansado e dormir demais são frequentemente citados como motivos pelos revisões críticas não encontraram evidências consistentes de melhora na
quais os universitários faltam às aulas8–11. Os efeitos do absenteísmo e do frequência ou nas notas20,22,24. Os resultados também mostraram diferenças
presenteísmo nas notas podem ter consequências de longo prazo nas oportunidades entre as escolas após um atraso em todo o distrito no horário de início das
de emprego12 dos alunos, nas avaliações de desempenho no trabalho13 e no aulas25. As diferenças entre estudos e escolas podem estar relacionadas às
salário14. Portanto, as universidades devem adotar práticas que melhorem as taxas características da escola, viés de amostragem ou métodos para avaliar a
de frequência dos alunos e o comportamento do sono para posicioná-los para ter frequência e o desempenho acadêmico. No entanto, o grande corpo de trabalho
sucesso na sala de aula e no mercado de trabalho. correlacional e intervencional sobre horários de início das aulas e saúde do
Evidências crescentes indicam que os horários de início das aulas podem sono em adolescentes levou muitos distritos escolares a atrasar seus horários de início26.
ser prejudiciais para o sono dos alunos e para o funcionamento diurno. Durante Os estudos sobre os horários de início das aulas em adolescentes podem
a adolescência e início da idade adulta, fatores ambientais e biológicos não ser generalizáveis para estudantes universitários que enfrentam pressões
resultam em atraso no horário preferencial de sono15,16. Assim, alunos que ambientais marcadamente diferentes em comparação com o ensino médio. A
dormem tarde e precisam acordar cedo para as aulas têm sono noturno mais transição do ensino médio para a universidade é caracterizada por mudanças nos
curto17. O impulso circadiano para o sono também pode atingir seu pico próximo ao
ambientes sociais e de aprendizagem dos alunos que podem influenciar seu sono e aprendizad

1 2
Programa de Neurociência e Distúrbios Comportamentais, Duke-NUS Medical School, Cingapura, Cingapura. Instituto de Ciências de Aprendizagem Aplicada e
Tecnologia Educacional, Universidade Nacional de Cingapura, Cingapura, Cingapura. e-mail: joshua.gooley@duke-nus.edu.sg

Natureza Comportamento Humano

Machine Translated by Google
Artigo
comportamento. Muitos universitários estão morando fora de casa pela
primeira vez e encontram novos contextos sociais, exigindo cursos e
oportunidades de socialização noturna27. O aumento da autonomia na forma
como os universitários ocupam seu tempo pode levar a horários de dormir
mais tardios nas noites de escola em comparação com quando estavam no
ensino médio28. Os estudantes universitários também têm um horário menos
estruturado, no qual o horário da primeira aula do dia pode variar ao longo da semana O
Isso poderia levar a mudanças diárias maiores nos horários de acordar e na duração
do sono noturno em comparação com estudantes do ensino médio que geralmente têm
um horário fixo de início da escola29. A frequência às aulas também raramente é
monitorada para palestras ou seminários nas universidades, enquanto a frequência é
obrigatória e monitorada nas escolas de ensino médio. Os universitários têm, portanto, para estimar as taxas de frequência das aulas dos alunos e os dados do LMS foram
a liberdade de faltar às aulas e podem decidir, por exemplo, dormir em vez de ir para
as aulas matinais. Isso, por sua vez, poderia afetar as notas dos alunos de 30 a 34
anos.
As universidades precisam de métodos escaláveis para avaliar o impacto
potencial dos horários de início das aulas no comportamento dos alunos. É improvável
que as práticas de agendamento de aulas mudem sem a evidência de um problema em
toda a universidade. A maioria dos estudos sobre horários de início de aulas e
frequência em universidades tem se limitado a amostras de conveniência com pequeno
número de cursos ou alunos. A frequência relatada pelo instrutor foi geralmente menor
nas aulas anteriores, mas os motivos subjacentes (por exemplo, dormir demais) não
foram avaliados35–38. A frequência às aulas pode ser rastreada em uma escala muito
maior usando tecnologias digitais móveis que detectam quando os alunos estão
presentes na sala de aula. O Copenhagen Networks Study utilizou sensores de
smartphones (sinais Bluetooth e GPS) para estimar a frequência às aulas em cerca de
1.000 estudantes universitários durante um período de 2 anos2 , e um estudo na
Universidade de Tsinghua
rastrearusou conexões
a frequência àsWi-Fi
aulase em
dados de de
cerca aplicativos móveis
700 alunos paraum
durante
período de 9 semanas39. Recentemente, também usamos dados de conexão Wi-Fi
para realizar o rastreamento de 24.000 alunos em toda a universidade em diferentes
locais do campus, incluindo salas de aula e salas de aula40. Em contraste com estudos
anteriores, os alunos não precisavam usar um aplicativo de software específico do
estudo em seu smartphone, e nossa amostra incluiu todos os alunos que se conectaram
à rede Wi-Fi da universidade. Dado que quase todos os alunos carregam um dispositivo
habilitado para Wi-Fi (por exemplo, smartphone, laptop ou tablet), os dados de conexão
Wi-Fi podem ser usados em toda a universidade para estimar a frequência às aulas
sem a necessidade de participação ativa de alunos ou instrutores.
Estudos de pesquisa anteriores sugerem que estudantes universitários dormem
mais quando suas aulas matinais começam mais tarde (cerca de 20 minutos a mais de
sono quando as aulas começam 1 hora depois)29,41. No entanto, faltam evidências
objetivas e os métodos tradicionais de coleta de dados de sono-vigília (pesquisas e
actigrafia) geralmente capturam apenas uma pequena fração da população estudantil.
A relação entre os horários de início das aulas e o comportamento sono-vigília pode
potencialmente ser determinada em grande escala pela análise do padrão diurno de
traços digitais de estudantes universitários. Os alunos frequentemente interagem com
mídias sociais, smartphones e plataformas de aprendizado digital da universidade.
Períodos prolongados de inatividade durante a noite indicam horários em que os
usuários têm maior probabilidade de dormir. Consistente com a observação de que o
comportamento do sono geralmente muda mais tarde nos dias livres em comparação
com os dias de trabalho/escola, uma análise em larga escala de tweets em mais de
1.500 condados dos EUA mostrou que o período noturno de baixa atividade no Twitter
ocorreu mais tarde nos fins de semana e feriados. e férias escolares42. Outros estudos
mostraram que as interações do smartphone (por exemplo, eventos de tela sensível ao
toque) podem ser usadas para estimar o início e o final do sono porque os usuários
geralmente interagem com o telefone pouco antes e depois do sono noturno43,44. No
entanto, esses estudos não vincularam o padrão diurno de traços digitais dos alunos
aos horários de início da escola ou aos resultados de aprendizagem. Recentemente,
foi demonstrado que os logins dos alunos com carimbo de data/hora no Learning
Management System (LMS) da universidade podem ser usados para traçar o perfil de
seu comportamento diurno direcionado ao aprendizado32. Muitas universidades usam
um LMS como a principal plataforma on-line para que os alunos baixem materiais do
curso, enviem tarefas, concluam questionários e participem de discussões em sala de
aula. Semelhante a mídia social ou smartphone
Natureza Comportamento Humano
https://doi.org/10.1038/s41562-023-01531-x
atividade, as interações dos alunos com o LMS representam uma forma de sinal de
vigília que pode potencialmente ser usado para determinar quando o sono provavelmente
ocorrerá32. Se for possível mostrar que os dados do LMS fornecem uma estimativa
confiável do tempo de sono, as universidades podem usar essas informações para
medir o impacto agregado dos horários de início das aulas no comportamento do sono
de todo o corpo discente.
escolar.
objetivo do nosso estudo foi testar associações entre horários de início
das aulas e frequência, comportamento do sono e desempenho acadêmico em
uma grande universidade. Desenvolvemos abordagens escalonáveis para avaliar
o comportamento dos alunos, analisando seus traços digitais em conjuntos de
dados arquivados na universidade. Os dados de conexão Wi-Fi foram usados
usado para estimar as oportunidades de sono. Paralelamente, um estudo de actigrafia
foi realizado para validar e ampliar os achados. Primeiro, testamos a hipótese de que
as aulas matinais estão associadas a menores taxas de frequência confirmada por Wi-
Fi. Dados de actigrafia foram usados para determinar se os alunos dormiam em vez de
frequentar as primeiras aulas. Em segundo lugar, testamos a hipótese de que as aulas
matinais estão associadas a horários de acordar mais cedo e sono mais curto. Isso foi
avaliado usando LMS e dados de actigrafia classificados pela primeira aula do dia dos
alunos. Em terceiro lugar, testamos a hipótese de que as aulas da manhã estão
associadas a notas mais baixas do curso e que os alunos que têm aulas da manhã
mais dias da semana têm uma média de notas mais baixa.
Resultados
Horas de início das aulas e frequência dos alunos As
taxas de frequência das aulas dos alunos foram estimadas usando dados de tempo e
localização de seus registros de conexão Wi-Fi (Tabela complementar 1 e Dados
estendidos Fig. 1). Primeiro, mostramos que havia uma forte correlação linear entre a
presença relatada pelo instrutor e a presença confirmada por Wi-Fi (53 sessões de
aula; r(51) de Pearson = 0,98, intervalos de confiança de 95% (IC) = 0,97 a 0,99, P <
0,001), indicando que os dados de conexão Wi-Fi podem ser usados como um indicador
relativo de frequência às aulas (Fig. 1a). Em seguida, esse método foi usado para
medir as taxas de frequência confirmada por Wi-Fi para 23.391 alunos únicos
matriculados em 337 grandes cursos presenciais (ÿ100 alunos matriculados por curso)
com horários de início das aulas variando de 08:00 a 16:00 (Fig. 1b e Dados Estendidos
Fig. 1). A taxa de frequência confirmada por Wi-Fi para aulas teóricas às 08:00 foi cerca
de dez pontos percentuais menor em comparação com aulas teóricas que começaram
às 10:00 ou mais tarde, ajustando-se para efeitos de nível de curso e variáveis
demográficas (diferença na taxa de frequência em relação a 08:00, teste de Tukey:
09:00, 7,6%, IC 95% = ÿ1,9% a 17,1%, P = 0,64; 10:00, 11,1%, IC 95% = 3,9% a
18,3%, P = 0,032; 12:00, 11,0%, 95% CI = 3,6% a 18,4%, P = 0,043; 14:00, 10,8%,
95% CI = 3,5% a 18,2%, P = 0,047; 16:00, 11,3%, 95 % IC = 4,0% a 18,7%, P = 0,032)
(Tabela Complementar 2a). Em comparações entre os alunos das taxas de frequência
confirmadas por Wi-Fi, houve um tamanho de efeito médio de início da aula às 08:00
em relação a outros horários de início da aula (horário de início, d de Cohen : 09:00,
0,53, IC 95% = 0,38 a 0,68; 10:00, 0,48, 95% CI = 0,42 a 0,53; 12:00, 0,48, 95% CI =
0,42 a 0,54; 14:00, 0,45, 95% CI = 0,39 a 0,51; 16:00, 0,52, 95% CI = 0,45 a 0,59) (Fig.
1c).
Em seguida, examinamos se os alunos faltavam às aulas matinais porque
estavam dormindo. O comportamento do sono foi avaliado em 181 alunos que
participaram de um estudo de actigrafia de 6 semanas durante o semestre letivo (Fig.
2a). Os dados de 6.546 tempos de compensação do sono foram classificados pela
primeira aula do dia dos alunos para indivíduos que forneceram informações sobre seu
tempo de deslocamento diário para a escola (n = 174) (Fig. 2b). Em seguida, avaliamos
a frequência dos casos em que os alunos acordaram após o início da primeira aula ou
acordaram antes da aula, mas não conseguiram chegar à aula no horário com base no
tempo de viagem relatado. As frequências de dormir após o início da aula (Fig. 2c) e
acordar tarde demais para chegar à aula no horário (Fig. 2d) aumentaram com horários
de início mais cedo (teste qui-quadrado bilateral: ÿ2 (6) = 394,4, P < 0,001, Cramer's V
= 0,33, 95% CI = 0,31 a 0,37 e ÿ2 (6) = 487,5, P < 0,001, Cramer's V = 0,37, 95% CI =
0,35 a 0,40, respectivamente). Os alunos não acordaram a tempo em quase um terço
das aulas que ocorreram às 08:00, enquanto eles
Machine Translated by Google
Artigo https://doi.org/10.1038/s41562-023-01531-x

acordado para fazer login no LMS, usamos esse 'sinal de vigília' para estimar
a 120 quando ocorreu o sono noturno. Os cursos de tempo diurno dos logins do LMS
100
foram construídos compilando 17,4 milhões de logins com registro de data e
hora de 39.458 alunos (Fig. 3a e Dados Estendidos Fig. 2). Os dados de login
80
do LMS nos dias letivos foram classificados pela primeira aula do dia dos alunos
professores
Frequência
alunos)
aulas
(n.º
dos
de
às
60 e comparados com os dados dos dias não letivos (Fig. 3a). O padrão diurno de
40 r = 0,98 atividade de login em dias letivos compreendia um componente de 24 horas
P < 0,001 com maior atividade durante os picos diurnos e horários que correspondiam ao
20
horário das aulas. Os cursos de tempo de logins LMS para diferentes horários
0
de início de aula foram altamente reprodutíveis ao longo dos semestres (Dados
0 20 40 60 80 100 120
Estendidos Fig. 2). Para cada semestre e hora de início da aula, o deslocamento
Presença confirmada por Wi-Fi (n.º de alunos)
e o início do ritmo de login LMS agregado foram determinados usando um
b método de cruzamento de limite (Métodos e dados estendidos Fig. 3) e a
100 3.628 2.280 11.853 10.058 10.219 9.979
duração e o ponto médio do período inativo LMS foram medidos entre LMS
80 compensação e início (tabela complementar 3).
Em seguida, quantificamos as associações do horário de início da aula
60
atendimento
taxa
(%)
de
(08:00, 09:00, 10:00, 11:00, 12:00, 14:00, 16:00 e dias não letivos) com o
confirmado
individual
Wi-
Fi
40 comportamento de login do LMS. Em relação aos dias sem aulas, o
deslocamento de login do LMS ocorreu um pouco antes, mas não variou muito
20
para diferentes horários de início das aulas (diferença no deslocamento de
0
login do LMS em relação aos dias sem aulas, teste de Tukey: 08:00, ÿ0,43 h,
95% CI = ÿ0,52 h a ÿ0,35 h, P < 0,001; 09:00, ÿ0,32 h, 95% CI = ÿ0,40 h a
08:00 09:00 10:00 12:00 14:00 16:00
ÿ0,23 h, P < 0,001; 10:00, ÿ0,22 h, 95% CI = ÿ0,30 h a ÿ0,13 h, P = 0,001;
Hora de início da aula (hh:mm)
11:00, ÿ0,25 h, 95% CI = ÿ0,33 h a ÿ0,17 h, P < 0,001; 12:00, ÿ0,18 h, 95% CI
c = ÿ0,27 h a ÿ0,10 h, P = 0,009; 14:00, ÿ0,28 h, 95% CI = ÿ0,37 h a ÿ0,21 h, P
1,0
Ref. 237 1.784 1.557 1.514 1.228
Cohen
dde
0,8
< 0,001; 16:00, ÿ0,28 h, 95% CI = ÿ0,37 h a ÿ0,21 h, P < 0,001) (Fig. 3b,c e Tabela Comp
0,6 Por outro lado, o início do login no LMS acompanhou de perto o horário de
0,4 início das aulas matinais, com a atividade começando mais de uma hora
0,2
Maior frequência
antes para as aulas às 08:00 em relação aos dias não letivos (diferença no
0
Atendimento mais baixo
início do login no LMS em relação aos dias sem aulas, a pesquisa de Tukey
–0,2
teste: 08:00, ÿ1,37 h, 95% CI = ÿ1,46 h a ÿ1,27 h, P < 0,001; 09:00, ÿ0,87
08:00 09:00 10:00 12:00 14:00 16:00
h, 95% CI = ÿ0,96 h a ÿ0,77 h, P < 0,001; 10:00, ÿ0,58 h, 95% CI = ÿ0,68 a
Hora de início da aula (hh:mm)
ÿ0,49, P = 0,001; 11:00, ÿ0,17 h, 95% CI = ÿ0,26 h a ÿ0,07 h, P = 0,058;
Fig. 1 | A frequência às palestras confirmadas por Wi-Fi foi menor nas aulas da 12:00, ÿ0,10 h, 95% CI = ÿ0,19 h a ÿ0,01 h, P = 0,55; 14:00, 0,05 h, 95% CI
manhã. a, A frequência relatada pelo instrutor foi fortemente correlacionada com a
= ÿ0,04 h a 0,14 h, P = 0,97; 16:00, 0,12 h, 95 % CI = 0,02 h a 0,21 h, P = 0,36)
presença confirmada por Wi-Fi (análise de correlação de Pearson, teste bicaudal: r(51) =
(Fig. 3b,c e Tabela Complementar 2c). Testes de comparação múltipla também
0,98, IC de 95% = 0,97 a 0,99, P < 0,001). Cada círculo mostra dados de frequência para
mostraram que o início do login no LMS foi mais cedo para as aulas às 08:00
uma sessão de aula individual (53 sessões de aula em 13 cursos diferentes). O traço preto
em comparação com todos os outros horários de início (diferença no início do
mostra a linha de regressão linear de melhor ajuste e o traço tracejado vermelho é a linha de
login no LMS, teste de Tukey: 09:00, ÿ0,50 h, IC 95% = ÿ0,67 h a ÿ 0,33 h, P <
unidade. b, Box plots mostram a distribuição de taxas de frequência confirmadas por Wi-Fi
determinadas individualmente para diferentes horários de início de aula em 23.391 alunos
0,001; 10:00, ÿ0,78 h, 95% CI = ÿ0,95 h a ÿ0,61 h, P < 0,001; 11:00, ÿ1,20 h,
únicos. As caixas mostram a mediana e o intervalo interquartílico. Os bigodes mostram os 95% CI = ÿ1,37 h a ÿ1,03 h , P < 0,001; 12:00, ÿ1,27 h, 95% CI = ÿ1,44 h a
percentis 10 e 90. Os tamanhos de amostra para cada hora de início de aula são exibidos na ÿ1,10 h, P < 0,001; 14:00, ÿ1,42 h, 95% CI = ÿ1,59 h a ÿ1,25 h, P < 0,001; 16:00,
parte superior de cada barra. c, os tamanhos de efeito (d de Cohen ) são mostrados para ÿ1,48 h, 95% CI = ÿ1,65 h a ÿ1,31 h, P < 0,001).
comparações entre alunos de taxas de frequência confirmadas por Wi-Fi. Os tamanhos de O período inativo do LMS foi cerca de 1 h mais curto quando as aulas
efeito foram determinados para cada hora de início de aula em relação às 08:00. O número de começaram às 08:00 em comparação com os dias sem aula (diferença no
alunos em cada comparação é indicado na parte superior do gráfico. A diferença média período inativo do LMS em relação aos dias sem aulas, teste de Tukey: 08:00,
pareada para cada comparação é mostrada com valores de IC de 95% e a distribuição de ÿ0,93 h, IC 95% = ÿ1,05 h a ÿ0,82 h, P < 0,001; 09:00, ÿ0,55 h, 95% CI = ÿ0,67
amostragem bootstrap. Ref, categoria de referência (08:00 hora de início da aula). h a ÿ0,43 h, P < 0,001; 10:00, ÿ0,37 h, 95% CI = ÿ0,48 a ÿ0,25 h, P < 0,001;
11h00, 0,08 h, 95% CI = ÿ0,03 h a 0,20 h, P = 0,90; 12h00, 0,08 h, 95% CI =
ÿ0,03 h a 0,20 h, P = 0,90; 14:00, 0,33 h, 95% CI = 0,22 h a 0,45 h, P <0,001;
16:00, 0,40 h, 95% CI = 0,28 h a 0,52 h, P <0,001) (Fig. 3b, c e Tabela
raramente dormia depois do início das aulas que começavam ao meio-dia ou Suplementar 2d). O período inativo do LMS também foi significativamente menor
mais tarde. Em seguida, avaliamos se os alunos eram mais propensos a tirar para as aulas de 08:00 em comparação com todos os outros horários de início
sonecas em dias com aulas matinais, analisando 336 cochilos verificados por (diferença no período inativo do LMS, teste de Tukey: 09:00, ÿ0,38 h, IC 95% =
actigrafia. A frequência de cochilos foi associada ao horário de início da aula ÿ0,60 h a ÿ0,17 h, P < 0,001; 10:00, ÿ0,57 h, 95% CI = ÿ0,78 h a ÿ0,35 h, P <
( teste qui-quadrado bilateral : ÿ2 (6) = 34,7, V de Cramer = 0,10, IC 95% = 0,001; 11:00, ÿ1,02 h, 95% CI = ÿ1,23 h a ÿ0,80 h, P < 0,001; 12h00, ÿ1,02 h,
0,079 a 0,13, P < 0,001) e foi maior quando os alunos primeiro a aula do dia era 95% CI = ÿ1,23 h a ÿ0,80 h, P < 0,001; 14h00, ÿ1,27 h, 95% CI = ÿ1,48 h a
pela manhã (proporção de dias letivos com cochilos por hora de início da aula: ÿ1,05 h, P < 0,001; 16:00, ÿ1,33 h, 95% CI = ÿ1,55 h a ÿ1,12 h, P < 0,001). O
08:00, 10,9%; 09:00, 10,3%; 10:00, 11,3%; 11:00, 10,3%; 12: 00, 6,6%; 14h, ponto médio do período inativo do LMS ocorreu mais cedo para as turmas
3,5%; 16h, 4,7%). matutinas, com um avanço de quase 1h nos dias em que os alunos tinham aula
às 08h em relação aos dias sem aula (diferença do ponto médio do período
Horários de início das aulas e oportunidades de sono dos inativo do LMS em relação aos dias com sem aulas, teste de Tukey: 08:00,
alunos As oportunidades de sono noturno dos alunos foram investigadas para ÿ0,90 h, 95% CI = ÿ0,96 h a ÿ0,84 h, P < 0,001; 09:00, ÿ0,59 h, 95% CI = ÿ0,66
diferentes horários de início das aulas, agregando seus dados de login do LMS h a ÿ0,53 h, P < 0,001; 10:00, ÿ0,40 h, 95% CI = ÿ0,46 h a ÿ0,34 h, P < 0,001;
11:00, ÿ0,21 h, 95% CI = ÿ0,27 h a
ao longo de cinco semestres (Tabela complementar 1). Visto que os alunos devem ser

Natureza Comportamento Humano

Machine Translated by Google
Artigo https://doi.org/10.1038/s41562-023-01531-x

a dias de escola dormir Deitado na cama

b
Dias não letivos Aulas de sono

1 16:00
2
3
14:00
4
5
6 12:00
7

8
suspensão
(hh:mm)
Modo
de
10:00
9

10

11 08:00
12

13
06:00
14
15
16 04:00
17
18
estudo
dia
de 02:00
19
20
21 11:00
08:00 09:00 10:00 12:00 14:00 16:00
22 sem aula
23
24 Horário de início da primeira aula (hh:mm)
25
26
27
c d
35 40
28
29 ÿ2 = 394,4 ÿ2 = 487,5
30 35
30 P < 0,001 P < 0,001
30
31 25
32 25
33 34 20
35 primeira
horário
início
aula
(%)
da
de

20
36
Frequência
acordar
depois
de

15
primeira
chegar
tempo
classe
para
a
à(%)

Frequência
acordar
muito
tarde
de

37 15
38 10
39 10

40
5 5
41
42
0 0

19:00 21:00 23:00 01:00 03:00 05:00 07:00 09:00 11:00 13:00 15:00 17:00 19:00 08:00 09:00 10:00 11:00 12:00 14:00 16:00 08:00 09:00 10:00 11:00 12:00 14:00 16:00

Hora do relógio (hh:mm) Horário de início da primeira aula (hh:mm) Horário de início da primeira aula (hh:mm)

Fig. 2 | Os alunos freqüentemente dormiam depois do início das aulas da manhã. a, Os
períodos de sono e as aulas programadas são mostrados em um aluno representativo que
participou de um estudo de actigrafia de 6 semanas. b, As compensações de sono de 174 alunos
são classificadas pela primeira aula do dia. Cada círculo corresponde a um valor de compensação
de sono determinado individualmente. Os círculos abertos mostram os casos em que os alunos
acordaram após o início da aula. Os círculos pretos mostram casos em que os alunos não acordaram
acordaram cedo o suficiente para chegar às aulas no horário quando o tempo de viagem auto-
relatado foi levado em consideração. c,d, As frequências de (c) acordar após o início da aula e
(d) acordar tarde demais para chegar à aula no horário foram associadas aos horários de início
das aulas (teste qui-quadrado bilateral: ÿ2 (6) = 394,4, P < 0,001, Cramer's V = 0,33, 95% CI =
0,31 a 0,37 e ÿ2 (6) = 487,5, P < 0,001, Cramer's V = 0,37, 95% CI = 0,35 a 0,40, respectivamente).

ÿ0,14 h, P < 0,001; 12:00, ÿ0,14 h, 95% CI = ÿ0,21 h a ÿ0,08 h, P = 0,010; dias (diferença na compensação do sono em relação aos dias sem aulas,
14:00, ÿ0,12 h, 95% CI = ÿ0,18 h a ÿ0,05 h, P = 0,051; 16:00, ÿ0,08 h, teste de Tukey: 08:00, ÿ1,67 h, IC 95% = ÿ1,78 h a ÿ1,54 h, P < 0,001; 09:00,
95% CI = ÿ0,15 h a ÿ0,02 h, P = 0,31) (Fig. 3b,c e Tabela Complementar 2e). ÿ1,05 h, 95% CI = ÿ1,19 h a ÿ0,90 h, P < 0,001; 10:00, ÿ0,83 h, 95% CI =
Validamos os resultados do comportamento de login do LMS com dados ÿ0,94 h a ÿ0,73 h, P < 0,001; 11:00, ÿ0,59 h, 95% CI = ÿ0,81 h a ÿ0,36 h, P <
de actigrafia coletados de 181 alunos de graduação (Fig. 4 e Tabela Suplementar 0,001; 12:00, ÿ0,40 h, 95% CI = ÿ0,52 h a ÿ0,28 h, P < 0,001; 14:00, ÿ0,23 h,
4). Os cursos de tempo diurnos das contagens de atividades (movimentos do 95% CI = ÿ0,38 h a ÿ0,07 h, P = 0,072; 16:00, ÿ0,10 h, 95% CI = ÿ0,32 h a
pulso) se assemelharam muito aos achados do ritmo de login do LMS (Fig. 4a). 0,13 h, P = 0,99) (Fig. 4b,c, Dados Estendidos Fig. 4b e Tabela Complementar
Em relação aos dias sem aula, o início do sono ocorreu um pouco mais cedo 2g) . Além disso, a compensação do sono foi mais cedo para as aulas às
para as aulas que começaram às 08:00 ou 09:00, mas houve pouca variação entre 08:00 em comparação com todos os outros horários de início (diferença na
horários de início das aulas, ajustando para variáveis demográficas compensação do sono, teste de Tukey: 09:00, ÿ0,62 h, 95% CI = ÿ0,89 h a
(diferença no início do sono em relação aos dias sem aulas, teste de Tukey: ÿ0,34 h, P < 0,001; 10h00, ÿ0,83 h, 95% CI = ÿ1,05 h a ÿ0,61 h, P < 0,001;
08:00, ÿ0,38 h, IC 95% = ÿ0,49 h a ÿ0,28 h, P < 0,001; 09:00 , ÿ0,22 h, 95% 11h00, ÿ1,07 h, 95% CI = ÿ1,45 h a ÿ0,70 h, P < 0,001; 12:00, ÿ1,26 h, 95%
CI = ÿ0,36 h a ÿ0,09 h, P = 0,025; 10:00, ÿ0,12 h, 95% CI = ÿ0,22 h a ÿ0,03 CI = ÿ1,50 h a ÿ1,02 h, P < 0,001; 14:00, ÿ1,44 h, 95% CI = ÿ1,71 h a ÿ1,16 h,
h, P = 0,19; 11:00, ÿ 0,18 h, 95% CI = ÿ0,38 h a 0,03 h, P = 0,68; 12:00, P < 0,001; 16: 00, ÿ1,57 h, 95% CI = ÿ1,94 h a ÿ1,19 h, P < 0,001).
ÿ0,14 h, 95% CI = ÿ0,25 h a ÿ0,03 h, P = 0,22; 14:00, ÿ0,07 h, 95% CI = Tanto o tempo total de sono noturno quanto o tempo na cama para dormir
ÿ0,21 h a 0,07 h, P = 0,97; 16:00, ÿ0,23 h, 95% CI = ÿ0,43 h a ÿ0,03 h, P = diminuíram com os horários de início das aulas mais cedo ( d de Cohen, intervalo =
0,32) (Fig. 4b,c, Dados Estendidos Fig. 4a e Tabela Suplementar 2f). Por ÿ1,14 a ÿ0,48 para aulas começando das 08:00 às 11:00) (Tabelas complementares 4 e 5).
outro lado, a compensação do sono rastreou o horário da primeira aula do O sono foi mais de 1 h mais curto em alunos com aulas às 08:00 em
dia dos alunos, com avanços maiores para as primeiras aulas da manhã relação aos dias sem aula, ajustando para covariáveis (diferença no
(Cohen's d, intervalo = ÿ1,29 a ÿ0,75 para aulas começando das 08:00 às tempo total de sono noturno em relação aos dias sem aula, teste de
11:00; Tabela Complementar 5 ). Alunos cuja primeira aula aconteceu às Tukey: 08:00, ÿ1,16 h, 95% CI = ÿ1,28 h a ÿ1,05 h, P < 0,001; 09:00,
ÿ0,78
08:00 horas adiantaram sua compensação de sono em cerca de 1,7 h em relação aosh, 95%
não CI = ÿ0,93 h a ÿ0,64 h, P < 0,001; 10:00, ÿ0,65 h, 95% CI = ÿ0,75 h
escolares

Natureza Comportamento Humano

Machine Translated by Google
Artigo https://doi.org/10.1038/s41562-023-01531-x

a b c Mudança em relação aos dias não letivos

2.0 08:00
n = 29.141 Mais tarde
0,5
1,5 08:00 5,9h

1,0 0
6,8h ÿConfiguração
LMS
(h)
do

0,5
–0,5
* * * * * *
0
*
–1,0
2.0 09:00
n = 30.259
–1,5
1,5 6,3h
09:00
1,0 –2,0 Mais cedo
6,9h
0,5

0
Mais tarde

2.5 10:00 0,5

n = 34.564
2.0
6,5 horas
10:00 0
1,5 ÿInício
LMS
(h)
do

1,0 6,9h –0,5

0,5
–1,0
*
0
*
2.5 11:00 –1,5
n = 17.713
2.0
6,9h *
11:00 –2,0 Mais cedo
1,5

1,0 6,8h
0,5

0 0,5
Mais longo
* *
2.5 12:00
n = 30.610 0
2.0
compartimento
(porcentagem
normalizados
minutos)
Logins
logins
total
por
de
dode
5

12:00 6,9h
1,5 –0,5
ÿPeríodo
inativo
LMS
(h)
do

*
1,0 6,8h
–1,0 *
0,5
*
0 –1,5

3.0 14:00
n = 25.909 –2,0 Mais curta
2.5
14:00 7,2h
2.0

1,5
6,9h Atraso
1,0 0,5
0,5

0 0
médio
ÿponto
de

3.0 16:00 Período

inativo
LMS
(h)
do
–0,5 * *
2.5
n = 16.369 *
16:00 7,2h –1,0 *
2.0

1,5
*
6,9h –1,5
1,0

0,5
–2,0 Avançar
0

19:00 23:00 03:00 07:00 11:00 15:00 00:00 02:00 04:00 06:00 08:00 10:00 08:00 09:00 10:00 11:00 12:00 14:00 16:00

Hora do relógio (hh:mm) Hora do relógio (hh:mm) Horário de início da primeira aula (hh:mm)

Fig. 3 | Horários de início de aula mais cedo foram associados a oportunidades
de sono mais curtas. a, Os horários diurnos dos logins do LMS são mostrados nos alunos
cujos dados foram ordenados pela primeira aula do dia. Os logins do LMS foram compilados de
39.458 alunos únicos. Traços coloridos mostram dados para dias letivos e traços cinza mostram
dados para dias não letivos no mesmo grupo de alunos. A linha pontilhada vertical em cada gráfico
mostra o horário de início da primeira aula dos alunos. As caixas cinzas mostram os períodos
inativos do LMS nas noites de escola quando a atividade de login caiu abaixo do limite (Métodos).
a duração do período inativo do LMS é indicada em cada barra. Os parâmetros do LMS
(deslocamento, início, período inativo, ponto médio do período inativo) para cada semestre e
horário de início das aulas são fornecidos na Tabela complementar 3. c , As alterações no
comportamento de login do LMS são mostradas para diferentes horários de início das aulas em
relação aos dias sem aula. As diferenças médias pareadas foram calculadas separadamente para
cada semestre e os ICs de 95% são mostrados para cada conjunto de cinco valores. Traços cinzas
mostram resultados para semestres individuais. Modelos lineares de efeitos mistos foram usados para testar

b, os valores de compensação e início de login do LMS são mostrados para diferentes horários de diferenças nos parâmetros de login do LMS para cada horário de início de aula em relação
início de aula (barras coloridas) e comparados com dados para dias sem aula (barras cinza). Os aos dias não letivos ( testes t bicaudais ; Tabela suplementar 2). As comparações múltiplas foram
parâmetros LMS foram determinados separadamente para cinco semestres diferentes e a média ± realizadas usando o teste de Tukey e os asteriscos mostram as comparações pareadas que
95% CI é mostrada para cada conjunto de cinco valores. A média alcançaram significância estatística (P < 0,05).

ÿ0,54 h, P < 0,001; 11:00, ÿ0,40 h, 95% CI = ÿ0,62 h a ÿ0,18 h, P = 0,010; P = 0,98) (Fig. 4b,c, Dados Estendidos Fig. 4c e Tabela Suplementar
12:00, ÿ0,23 h, 95% CI = ÿ0,35 h a ÿ0,10 h, P = 0,006; 14:00, ÿ0,12 h, IC 2h,i). A duração do sono noturno antes das 08:00 aulas foi menor em
95% = ÿ0,27 h a 0,03 h, P = 0,76; 16:00, 0,11 h, 95% CI = ÿ0,11 h a 0,33 h, comparação com todos os outros horários de início (diferença no total noturno

Natureza Comportamento Humano

Machine Translated by Google
Artigo https://doi.org/10.1038/s41562-023-01531-x

a b c Mudança em relação aos dias não letivos

08:00
2.5 n = 103 Mais tarde
08:00 0,5
2.0 5,2h
0
ÿinício
sono
(h)
do

1,5
–0,5
1,0 6,4 horas

–1,0
* *
0,5

0 –1,5
09:00
2.5 n = 61 09:00 –2,0 Mais cedo
2.0 5,5 horas

1,5
Mais tarde
6,2h 0,5
1,0

0,5 0
ÿinício
sono
(h)
do

0
–0,5
10:00
2.5 n = 123 10:00
2.0 5,6h
–1,0
*
–1,5 * *
1,5
*
1,0 6,3h –2,0
Mais cedo

0,5
*
0
0,5 Mais longo
11:00
2.5 n = 35 11:00
0
2.0 5,7h noturno
ÿTST
(h)

–0,5
1,5
6,2h
*
1,0 –1,0
* * *
0,5
–1,5
0 *
12:00 –2,0 Mais curta
2.5 n = 107 12:00
normalizada
atividade
Atividade
diária
min)
total
por
bin
(%
da15
de
2.0 6,2h
0,5 Mais longo
1,5

1,0 6,5 horas 0

noturna
ÿTIB
(h)

0,5 –0,5
0
14:00
–1,0 *
2.5 n = 71 14:00
–1,5
* *
2.0 6h00
–2,0
* Mais curta
1,5

1,0 6,2h

0,5
0,5 Atraso
0
16:00 0
2.5 n = 44 16:00
–0,5
2.0 6,4 horas
ÿponto
médio
sono
(h)
do

* *
1,5 –1,0
* *
1,0 6,6h
–1,5 *
0,5
–2,0 Avançar
0

19:00 23:00 03:00 07:00 11:00 15:00 00:00 02:00 04:00 06:00 08:00 10:00 08:00 09:00 10:00 11:00 12:00 14:00 16:00

Hora do relógio (hh:mm) Hora do relógio (hh:mm) Horário de início da primeira aula (hh:mm)

Fig. 4 | Horários de início de aula mais cedo foram associados a um sono mais curto.
a, Os tempos médios diurnos das contagens de atividades determinadas pela actigrafia são
mostrados em alunos (n = 181) cujos dados são classificados pela primeira aula do dia.
Traços coloridos mostram dados para dias letivos e traços cinza mostram dados para dias
não letivos no mesmo grupo de participantes. A linha pontilhada vertical em cada gráfico
mostra o horário de início da primeira aula dos alunos. As caixas cinzas mostram os períodos
médios de sono noturno em dias com aulas. b, Os valores de início e compensação do sono
(média ± 95% CI) são mostrados para diferentes horários de início de aula (barras coloridas) e
comparados com os dados dos mesmos alunos em dias não letivos (barras cinza).
O tempo total médio de sono noturno é indicado em cada barra. A distribuição de valores
individuais para início do sono, compensação do sono e tempo total de sono noturno
são mostrados em Dados Estendidos Fig. 4 (número de alunos independentes para cada
horário de início da aula: 08:00, n = 103; 09:00, n = 61; 10:00, n = 123; 11:00, n = 35 ; 12:00, n
= 107; 14:00, n = 71; 16:00, n = 44). c, Nos mesmos grupos de alunos, as mudanças no
comportamento do sono são mostradas para diferentes horários de início das aulas em relação
aos dias não letivos. As diferenças médias pareadas são mostradas com ICs de 95%. Modelos
lineares de efeitos mistos foram usados para testar as diferenças nos parâmetros do sono para
cada horário de início de aula em relação aos dias sem aula ( testes t bicaudais ; Tabela Suplementar 2).
As comparações múltiplas foram realizadas usando o teste de Tukey e os asteriscos mostram
as comparações pareadas que alcançaram significância estatística (P < 0,05). TIB, tempo na
cama para dormir; TST, tempo total de sono.

tempo de sono para as 08:00 aulas em relação aos outros horários de início, (sugerindo maior jet lag social) em relação aos dias sem aula ( d de
teste de Tukey: 09:00, ÿ0,37 h, IC 95% = ÿ0,64 h a ÿ0,11 h, P < 0,001; 10:00,Cohen, intervalo = ÿ0,89 a ÿ0,40 para turmas das 08:00 às 11:00)
ÿ0,51 h, 95% CI = ÿ0,73 h a ÿ0,30 h, P < 0,001; 11:00, ÿ0,77 h, 95% CI = ( Tabela Suplementar 5). O ponto médio do sono dos alunos ocorreu
ÿ1,13 h a ÿ0,40 h, P < 0,001; 12:00, ÿ0,94 h, IC 95% = ÿ1,17 h a ÿ0,70 h, P cerca de 1 h antes quando eles tinham aula às 08h00 do dia seguinte,
< 0,001; 14:00, ÿ1,04 h, 95% CI = ÿ1,31 h a ÿ0,77 h, P < 0,001; 16:00, ÿ1,27 em comparação com os dias sem aula (diferença no ponto médio do
h, 95% CI = ÿ1,64 h a ÿ0,90 h, P < 0,001). Além disso, horários de início de sono em relação aos dias sem aula, teste de Tukey: 08h00, ÿ1,02 h,
aula mais cedo foram associados a um maior avanço no ponto médio do sono 95% CI = ÿ1,11 h a ÿ0,93 h, P < 0,001; 09:00, ÿ0,64 h, 95% CI = ÿ0,75 h a ÿ0,52 h

Natureza Comportamento Humano

Machine Translated by Google
Artigo https://doi.org/10.1038/s41562-023-01531-x

a b
30.000 PM 5 1.897 5.783 12.170 15.185 11.876 5.336 0,4

25.000

20.000
120.609

4
Cohen
dde 0,2

0
MISTURA 103.029
15.000 –0,2
Frequência

10.000 AM –0,4
51.554 média
notas
de

5.000 3 –0,6

0 0 –0,8
0 1,0 1,5 2,0 2,5 3,0 3,5 4,0 4,5 5,0 0 1 2 3 4 5 1 2 3 4 5

Dias por semana Dias com aulas matinais

Nota individual do curso
com aulas matinais versus sem aulas matinais
Fig. 5 | Os alunos com aulas matinais em mais dias da semana tiveram uma média de os alunos tinham aulas matinais. As caixas mostram a mediana e o intervalo interquartílico.
notas mais baixa. a, As distribuições de notas são apresentadas para cursos com aulas Os bigodes mostram os percentis 10 e 90. Os tamanhos das amostras são exibidos na
que ocorreram exclusivamente pela manhã (início antes das 12h00), exclusivamente à tarde parte superior de cada barra. Os tamanhos de efeito ( d de Cohen ) com ICs de 95% e as
(início às 12h00 ou mais tarde) ou nos dois turnos da manhã e da tarde. O número de notas distribuições de amostragem bootstrap são plotados para dias com aulas matinais (1 a 5 dias)
dos cursos somente matutino (AM), somente vespertino (PM) e matutino/tarde (MIX) é versus sem aulas matinais. Os dados foram compilados de 33.818 alunos únicos ao longo de seis
indicado no gráfico. b, Box plots mostram a distribuição da média de notas pelo número de semestres.
dias por semana que

10:00, ÿ0,48 h, 95% CI = ÿ0,56 h a ÿ0,40 h, P < 0,001; 11:00, ÿ0,39 h, 95% CI =
ÿ0,56 h a ÿ0,21 h, P < 0,001; 12:00, ÿ0,27 h, 95% CI = ÿ0,37 h a ÿ0,17 h, P < 0,001;
14:00, ÿ0,15 h, IC 95% = ÿ0,27 h a ÿ0,03 h, P = 0,23; 16:00, ÿ0,17 h, 95% CI =
ÿ0,34 h a 0,01 h, P = 0,58) (Fig. 4b,c e Tabela Suplementar 2j).
Em seguida, quantificamos o grau em que os parâmetros de login do
LMS preveem o comportamento do sono do aluno médio em diferentes
horários de início de aula, calculando o coeficiente de correlação de Pearson
(r) e o erro de previsão da regressão linear de melhor ajuste (erro quadrático
médio da raiz (rmse) ) (Dados Estendidos Fig. 5a). Como esperado, não houve ÿ0,25 a ÿ0,14 e ÿ0,32 , 95% CI = ÿ0,37 a ÿ0,27, respectivamente), e ter aulas
correlação estatisticamente significativa entre o deslocamento de login do LMS matinais em três a cinco dias da semana foi associado a um tamanho de efeito
e o início do sono porque esses parâmetros não variaram muito em diferentes
horários de início de aula (r(6) = 0,38, 95% CI = ÿ0,44 a 0,86, P = 0,35, rmse = 15 ÿ0,42,
No entanto, o início do login no LMS se aproximou muito do deslocamento do sono
e essas medidas foram altamente correlacionadas (r (6) = 0,98, IC 95% = 0,91 a
1,00, P < 0,001, rmse = 7 min). Fortes correlações também foram observadas entre
o período inativo do LMS e o tempo total de sono noturno (r(6) = 0,86, IC 95% 0,39
a 0,97, P < 0,001, rmse = 14 min), o período inativo do LMS e o tempo noturno na
cama para sono (r(6) = 0,90, 95% CI = 0,52 a 0,98, P < 0,001, rmse = 16 min) e o
ponto médio do período inativo do LMS e o ponto médio do sono (r(6) = 0,91, 95%
CI = 0,58 a 0,98, P = 0,002, rmse = 9 min). Mudanças no tempo e duração do LMS
e parâmetros de actigrafia em dias letivos em relação aos dias não letivos também
foram intimamente relacionados (Dados Estendidos Fig. 5b).
Horários de início das aulas e
notas A relação entre horário de início das aulas e notas foi analisada em 33.818
alunos cursando o mesmo número de créditos do curso (ou seja, carga horária
equivalente expressa em unidades de tempo) (Tabela Complementar 1). Devido à
heterogeneidade no horário das aulas dentro dos cursos (por exemplo, uma palestra
e tutorial agendados em horários diferentes para o mesmo curso), categorizamos
os cursos como ocorrendo exclusivamente pela manhã, exclusivamente à tarde ou
em ambos os períodos da manhã e da tarde (Fig. 5a).
As notas dos cursos foram marginalmente mais altas para os cursos somente à
tarde, mas não para os cursos mistos matutino/tarde, em comparação com os
cursos somente matutinos (diferença na pontuação em relação aos cursos somente
matutinos, teste de Tukey: cursos somente vespertinos, 0,016, 95% CI = 0,006 a
0,026, P = 0,0042; cursos matinais/tardes mistos, ÿ0,001, IC 95% = ÿ0,011 a 0,009,
P = 0,80) (Tabela complementar 2k).
Em seguida, testamos se os alunos com aulas matinais em mais dias da
semana tinham uma média de notas mais baixa (por exemplo, devido a efeitos
cumulativos de menor frequência ou sono mais curto no desempenho geral). Alunos
sem aula matutina tiveram nota mais alta
média de pontos do que todos os outros grupos, ajustando para covariáveis
(diferença na média de notas em relação a não ter dias com aulas matinais, teste
de Tukey: 1 dia por semana, ÿ0,069, IC 95% = ÿ0,094 a ÿ0,044, P < 0,001 ; 2 dias
por semana, ÿ0,103, 95% CI = ÿ0,126 a ÿ0,079, P < 0,001; 3 dias por semana,
ÿ0,117, 95% CI = ÿ0,141 a –0,093, P < 0,001; 4 dias por semana, ÿ0,141, 95% CI =
ÿ0,165 a ÿ0,116, P < 0,001; 5 dias por semana, ÿ0,146, 95% CI = ÿ0,173 a ÿ0,119,
P < 0,001) (Fig. 5b e tabela suplementar 2l). Em relação aos alunos sem aulas
matinais, ter aulas matinais em um ou dois dias da semana foi associado a um
tamanho de efeito pequeno para a média de notas (Cohen's d = ÿ0,20, IC 95% =
médio para a média de notas (Cohen's d = ÿ0,37, 95% CI = ÿ0,42 a ÿ0,32 (três dias),
min). 95% CI = ÿ0,46 a ÿ0,37 (quatro dias) e ÿ0,40, 95% CI = ÿ0,46 a ÿ0,35 (cinco
dias)) (Fig. 5b).
Discussão Nosso
estudo mostrou que o comportamento do sono e os resultados relacionados à
aprendizagem foram associados com a hora do dia em que os universitários tiveram
sua primeira aula. Muitos alunos podem ser forçados a fazer uma de duas escolhas
indesejáveis quando se deparam com horários de início de aula mais cedo: dormir
mais em vez de assistir às aulas ou acordar mais cedo para assistir às aulas. As
taxas de frequência confirmadas por Wi-Fi foram cerca de dez pontos percentuais
menores nos alunos que frequentam as aulas às 08:00 em comparação com os
horários de início das aulas mais tarde. Embora os alunos frequentemente
dormissem após o início das aulas às 08:00, eles ainda perdiam cerca de 1 hora de
sono em média em comparação com os dias com apenas aulas à tarde ou sem
aulas. Isso foi mostrado usando oportunidades de sono derivadas do LMS e
confirmado por actigrafia. Os alunos que tiveram mais dias de aulas matinais em
uma semana também tiveram uma média de notas mais baixa . Nossas descobertas
sugerem que pode haver efeitos negativos cumulativos das aulas da manhã sobre
o absenteísmo e o presenteísmo que levam a um pior desempenho acadêmico.
Nossas descobertas para frequência confirmada por Wi-Fi estendem estudos
anteriores em estudantes universitários, demonstrando que a frequência relatada
pelo instrutor era geralmente menor no início do dia35–38. Estudos anteriores
avaliaram a frequência de apenas alguns cursos, enquanto a análise dos rastros
digitais Wi-Fi dos alunos possibilitou estimar a frequência das aulas em larga escala;
ou seja, em centenas de cursos com diferentes horários de início. Um estudo
anterior também usou dados de conexão Wi-Fi para rastrear a frequência às aulas
em várias centenas de estudantes universitários, mas seu método de contagem de
alunos não foi verificado pela frequência relatada pelo instrutor e a amostra foi
restrita a voluntários que estavam usando o software de aplicativo móvel da
universidade. (Somente usuários do Android). Ao combinar o Wi-Fi dos alunos

Natureza Comportamento Humano

Machine Translated by Google
Artigo https://doi.org/10.1038/s41562-023-01531-x

logs de conexão com os horários de seus cursos, conseguimos obter Os alunos também podem ter escolhido cursos e horários de início adequados às
estimativas de frequência às aulas em mais de 23.000 alunos sem suas preferências ou horários pessoais. Por exemplo, os alunos do tipo matutino
exigir sua participação ativa. Esse método foi usado para mostrar que podem ter sido mais propensos a se matricular nas aulas da manhã, enquanto os
a frequência às aulas era menor para as aulas que começavam às 08:00. Mais
alunos do tipo tardio podem ter sido mais propensos a evitá-los.
Além disso, fornecemos evidências objetivas de que os alunos geralmente dormiam As características do curso (por exemplo, dificuldade do curso, critérios de
em vez de ir para as aulas matinais. Dados de actigrafia mostraram que os alunos classificação ou desempenho do professor) também podem ter diferido ao longo do
dormiram demais em quase um terço das aulas teóricas que começaram às 08:00. dia e o desempenho dos alunos nos cursos da tarde pode ter sido influenciado pelo
Esses resultados são consistentes com estudos de pesquisa com estudantes fato de terem aulas agendadas no início do dia34.
universitários nos quais os motivos comuns para o absenteísmo incluíam aulas Mostramos que ter aulas matinais em mais dias da semana estava
ocorrendo muito cedo, falta de sono, sensação de cansaço e sono excessivo8–11. associado a um pior desempenho acadêmico. Em contraste com as
Mostramos que o comportamento da população de estudantes da notas individuais do curso, esta análise considerou quando ocorreu a
atividade diurna de login no LMS pode ser usado para estimar as oportunidades primeira aula do dia dos alunos . Se as aulas da manhã têm um impacto
de sono noturno . Estudos anteriores aplicaram uma abordagem relacionada negativo cumulativo na frequência e no sono dos alunos, o desempenho
na qual períodos baixos de atividade no Twitter ou smartphone foram usados deve ser menor nas aulas em outros horários do dia. Consistente com
para estimar o comportamento do sono42,45,46. Esses estudos, que não se essa expectativa, a média de notas foi maior para alunos sem aulas
restringiram a populações estudantis, observaram um atraso no período inativo matutinas e diminuiu quando os alunos tiveram mais dias de aulas matutinas.
noturno nos finais de semana e feriados em comparação com os dias da Semelhante a esse resultado, estudo anterior constatou que alunos que tiveram
semana, mas não investigaram os efeitos de diferentes horários de início das aulas/trabalho.
primeiro período antes das 08h tiveram pior desempenho em todos os outros cursos
Classificamos os dados de login do LMS dos alunos pela primeira aula do dia e realizados no mesmo dia, em comparação com alunos que não tiveram primeiro
verificamos os resultados em um estudo de actigrafia com vários milhares de registros período34. Em nosso estudo, o tamanho do efeito foi comparável em magnitude a
noturnos do sono. O início do login do LMS rastreou de perto o horário de acordar muitas intervenções relacionadas a alunos e professores para melhorar o desempenho
dos alunos para as aulas da manhã, resultando em um período de inatividade do acadêmico, incluindo tutoria entre pares, programas curriculares integrados,
LMS mais curto em comparação com os horários de início da tarde ou dias sem aula. aprendizagem em pequenos grupos, instrução assistida por computador , sistemas
Os parâmetros de login do LMS derivados da população foram fortemente associados de tutoria inteligentes, aprendizagem cooperativa, jogos simulações, ensino centrado
aos parâmetros de actigrafia média dos alunos com baixos erros de previsão para no aluno e programas bilíngues ( d de Cohen variando de 0,35 a 0,55)57. Assim,
hora de acordar, duração total do sono noturno e ponto médio do sono (rmse < 16 estudos futuros devem avaliar se a redução do número de dias que os universitários
min para todas as comparações). Tanto o deslocamento de login do LMS quanto o têm aulas matutinas leva a melhorias significativas no aprendizado.
início do sono mostraram pouca variação para diferentes horários de início de aula.
Juntos, esses resultados mostraram que o comportamento de login do LMS e o Em nosso estudo, existem limitações associadas ao uso de traços digitais dos
comportamento de sono-vigília covariou com a primeira aula do dia dos alunos. alunos para estimar comportamentos relacionados à aprendizagem. Embora os
Fornecemos evidências de que as aulas matinais podem contribuir para um dados de conexão Wi-Fi tenham possibilitado estimar as taxas de frequência de um
débito de sono em toda a universidade e desalinhamento circadiano. Os alunos foram grande número de alunos e cursos, esse método requer que os alunos usem um
para a cama na mesma hora, mas acordaram mais cedo para assistir às aulas da dispositivo habilitado para Wi-Fi que esteja procurando ativamente por pontos de
manhã. Consequentemente, a duração do sono noturno foi menor apenas nas noites acesso sem fio. Alguns alunos podem ter desativado a varredura por Wi-Fi em seus
que antecederam as aulas da manhã. Nossos resultados para o comportamento dispositivos ou usado um plano de dados de celular. No entanto, descobrimos que a
objetivo do sono estendem o trabalho anterior em estudantes de graduação, frequência confirmada por Wi-Fi subestimou a frequência relatada pelo instrutor em
demonstrando que a duração do sono autorreferida foi menor quando a primeira aula apenas uma pequena quantidade. A principal limitação do uso de dados do LMS para
do dia dos alunos foi no início da manhã29,41. O ponto médio do sono também estimar o comportamento do sono é que os alunos geralmente interagem com o LMS
ocorreu mais cedo para as turmas da manhã, sugerindo maior jet lag social. apenas algumas vezes por dia. Consequentemente, o método LMS que usamos não
Semelhante aos nossos resultados, um estudo anterior constatou que graduandos pode estimar as mudanças diárias no comportamento do sono em alunos individuais.
com aulas apenas pela manhã (07:00–12:00) tiveram sono mais curto durante a Além disso, as interações dos alunos com o LMS podem ser influenciadas por fatores
semana e prolongaram a duração do sono nos finais de semana, enquanto alunos não relacionados ao comportamento sono-vigília; por exemplo, preferências pessoais
com aulas apenas à tarde (14: 00–18:00) não mostrou diferença na duração do sono ou programações sociais. Nossa abordagem de análise foi semelhante a um estudo
entre dias de semana e finais de semana47. anterior da atividade do Twitter, no qual o curso diário dos tweets durante a semana
Resultados comparáveis foram obtidos em adolescentes que frequentavam escolas e fins de semana foi determinado pelo agrupamento de dados entre muitos usuários
com turnos matutino e vespertino/noturno, nos quais alunos com horários de aula do Twitter42. Em comparação, as interações com smartphones podem ser melhores
mais tardios dormiam mais nos dias de aula e eram menos propensos a prolongar o para estimar as flutuações diárias no comportamento do sono43,44. Apesar das
sono nos finais de semana48–54. Também descobrimos que a frequência de cochilos limitações associadas ao uso de dados do LMS, mostramos que os logins do LMS se
diurnos era maior quando os alunos tinham aulas matinais, sugerindo que os alunos acumulam em grande número ao longo do tempo e podem fornecer às universidades
estavam mais sonolentos em comparação com os dias com horários de início de aula uma visão agregada de como suas práticas de agendamento de aulas podem
mais tardios. O cochilo compensatório pode contribuir para reduzir a exposição à luz influenciar as oportunidades de sono dos alunos.
diurna e a dessincronia circadiana. Esses achados para o comportamento do sono Estudos futuros com estudantes universitários devem testar os efeitos
são consistentes com os modelos que preveem que os horários de início precoce interventivos de atrasar o início das aulas matinais sobre o sono e o comportamento
devem ser evitados para um desempenho cognitivo ideal em estudantes de de aprendizagem. Há uma forte base teórica para começar a escola mais tarde para
graduação55. melhorar o sono dos alunos e o funcionamento diurno, mas nosso estudo foi
Descobrimos que as notas dos cursos eram estatisticamente mais baixas para observacional e não estabeleceu causalidade. Nossos achados foram consistentes
os cursos realizados apenas no período da manhã versus apenas no período da com estudos de intervenção anteriores realizados em escolas de ensino médio, onde
tarde. No entanto, a diferença nas notas foi muito pequena (um centésimo de ponto) atrasar os horários de início resultou em durações mais longas do sono e redução da
e provavelmente não significativa. Estudos anteriores descobriram que as notas eram sonolência diurna7,22,24,25,58 . Os poucos estudos que alocaram aleatoriamente os
mais baixas pela manhã em comparação com a tarde30–34, ou não havia diferenças alunos para diferentes horários de início das aulas descobriram que os horários de início mais ced
ao longo do dia56. Na universidade em nosso estudo, as notas dos cursos geralmente foram associados a sono mais curto e notas mais baixas34,48,59. Da mesma
são ajustadas para atender a uma distribuição de notas recomendada (ou seja, forma, estudantes universitários que foram aleatoriamente designados para
graduadas em uma curva). Por padrão, a nota média não difere muito entre os cursos diferentes horários de início de aula em cursos com várias seções tiveram
e pode mascarar as diferenças de desempenho subjacentes entre os cursos matutinos frequência e notas mais baixas para aulas que começavam às 08:00 ou 09:00 em
e vespertinos. comparação com o final do dia30,35 . Mais estudos são necessários para avaliar se o início da

Natureza Comportamento Humano

Machine Translated by Google
Artigo
mais tarde pode resultar em melhorias sustentadas no comportamento do sono e na
frequência às aulas. Alguns alunos podem mudar gradualmente a hora de dormir mais
tarde, reduzindo assim o benefício de começar as aulas mais tarde. Intervenções
simultâneas para melhorar as habilidades de autorregulação dos alunos podem ser
importantes para garantir que os alunos aloquem tempo suficiente para dormir e assistir
às aulas. Tais intervenções podem até ser implementadas usando o LMS para fornecer
feedback aos alunos sobre como melhorar seu sono e comportamento de aprendizagem60. universidade, e definir um limite de 100 alunos por curso garantiu que as aulas
Em conclusão, nosso estudo sugere que as universidades devem considerar evitar
aulas matinais obrigatórias. Embora as primeiras aulas sejam frequentemente agendadas
para maximizar o uso de recursos (espaço em sala de aula e tempo do corpo docente
gasto no ensino) e para minimizar os conflitos de agendamento para alunos e
professores, nossos resultados indicam que pode haver uma troca, em que os alunos
são mais propensos a faltar às aulas, dormir menos e obter uma média de notas mais
baixa. As primeiras aulas podem ser agendadas no final do dia se as salas de aula e as
salas de aula não estiverem sendo totalmente utilizadas, e tornar as salas de aula um
recurso compartilhado entre os departamentos pode abrir horários para mais cursos
vespertinos/noturnos a serem conduzidos em paralelo. Para justificar a tomada de tais
ações, as universidades precisam de métodos escaláveis para avaliar o impacto de suas
práticas de programação de aulas sobre os alunos. Nosso estudo mostrou que os rastros
digitais arquivados que são coletados rotineiramente pelas universidades podem ser
usados para avaliar as relações entre os horários de início das aulas e o comportamento
dos alunos.
Em estudos futuros, essas abordagens podem ser usadas para testar a eficácia das
intervenções para melhorar a frequência às aulas, o sono e o desempenho acadêmico
dos alunos.
Métodos
Presença confirmada por Wi-Fi Os
metadados de conexão Wi-Fi dos alunos foram arquivados no Data Lake do Instituto de
Ciências de Aprendizagem Aplicada e Tecnologia Educacional (ALSET) da Universidade
Nacional de Cingapura (NUS ). Cada vez que o dispositivo habilitado para Wi-Fi de um
aluno é associado à rede sem fio NUS, os dados de transmissão são registrados. Os
dados incluíam a identidade tokenizada do aluno , o endereço de controle de acesso à
mídia anônimo usado para identificar o dispositivo habilitado para Wi-Fi, o nome e o
descritor de localização do ponto de acesso Wi-Fi e o horário de início e término de cada
conexão Wi-Fi. A rede sem fio do campus da NUS compreende mais de 6.500 pontos
de acesso Wi-Fi, incluindo cobertura de salas de aula e salas de aula40.
As conexões Wi-Fi dos alunos nesses locais foram cruzadas
com os respectivos horários de curso. Esses dados de tempo e localização tornaram
possível identificar os alunos que se conectaram a um roteador Wi-Fi em sua sala de
aula durante o horário de aula, confirmando assim sua presença.
O método de usar dados de conexão Wi-Fi para estimar a frequência às aulas foi
validado coletando dados de frequência dos instrutores do curso. Os dados de frequência
foram obtidos para 53 sessões de aula em 13 cursos diferentes. Os instrutores que
forneceram dados de frequência foram recrutados de uma amostra de conveniência de
professores envolvidos em pesquisa educacional. Em cada uma das sessões de aula,
determinamos o número de alunos matriculados com pelo menos uma conexão Wi-Fi
durante a aula. A força da correlação linear entre a frequência relatada pelo instrutor e a
presença confirmada por Wi-Fi foi avaliada usando a análise de correlação de Pearson
(teste bilateral; SigmaPlot v.14.5, Systat Software, Inc.).
A frequência confirmada por Wi-Fi foi investigada ao longo de três semestres
(1º semestre de 2018/19, segundo semestre de 2018/19 e primeiro semestre de
2019/20) usando todos os dados disponíveis no ALSET Data Lake antes da
pandemia de COVID-19. Decidimos nos concentrar em grandes cursos
expositivos porque esperávamos que os alunos tivessem maior probabilidade de
faltar a essas aulas em comparação com outros tipos de cursos menores e mais interativos.
O ponto médio do período inativo do LMS também foi calculado entre o deslocamento e
É menos provável que o absenteísmo seja notado ou rastreado em cursos de palestras
maiores, e a participação em sala de aula não é um elemento-chave da maioria dos
cursos de palestras. Portanto, os alunos podem estar mais dispostos a pular essas aulas
em favor de seu horário preferido de dormir/vigília ou interesses pessoais.
Os cursos foram considerados para análise se: (1) foram categorizados como curso
presencial de acordo com o horário da NUS, (2) foram ministrados
Natureza Comportamento Humano
https://doi.org/10.1038/s41562-023-01531-x
uma vez por semana, (3) foram realizados pelo menos sete vezes ao longo do
semestre de 13 semanas (foram excluídos os cursos semestrais), (4) duraram
2 horas por sessão e (5) tiveram pelo menos 100 alunos matriculados em o curso.
A justificativa para esses critérios era garantir que tipos de cursos
comparáveis fossem incluídos nas análises em diferentes horários de início de aula.
O formato semanal de 2 horas é o mais comum para os cursos presenciais na
ocorressem em uma das salas de aula. Entre os 436 cursos que atenderam a esses
critérios, 71 foram excluídos por falta ou dados de conexão Wi-Fi incompletos ou
inconsistências com o horário das aulas (por exemplo, aulas canceladas ou remarcadas).
Os 365 cursos restantes foram classificados pelo horário de início e os dados foram
analisados apenas para os horários de início em que havia pelo menos cinco cursos por
semestre para garantir que tivéssemos dados suficientes para fazer comparações
significativas entre os horários de início das aulas (08:00, 21 cursos; 09:00, 18 cursos;
10:00, 89 cursos; 12:00, 67 cursos; 14:00, 72 cursos; e 16:00, 70 cursos).
O conjunto de dados final incluiu 337 cursos e 23.391 alunos únicos.
As características demográficas dos alunos são fornecidas na Tabela Suplementar 1.
O tamanho médio das turmas (número de alunos matriculados no curso) no conjunto de
dados foi de 193 ± 73 alunos (média ± dp) e o tamanho das turmas não diferiu entre os
horários de início das aulas (um análise de variação variável: F(5,331) = 0,91, P = 0,476).
A taxa de frequência confirmada por Wi-Fi para cada aluno foi determinada em cada um
dos 337 cursos. Em um determinado curso, isso foi calculado como o número de aulas
em que um aluno foi detectado por Wi-Fi, dividido pelo número total de aulas realizadas
durante o semestre (Dados Estendidos Fig. 1).
dados LMS
As interações dos alunos com o LMS da universidade foram analisadas ao longo de
cinco semestres (2016/17 semestre dois, 2017/18 semestre um, 2017/18 semestre dois,
2018/19 semestre um, 2018/19 semestre dois) usando todos os dados disponíveis no
ALSET Data Lake. Os cursos do tempo diurno de
os logins foram analisados separadamente em cada semestre, classificando os dados
de acordo com o horário de início da primeira aula de cada aluno. Para um determinado
semestre e horário de início da aula, o número total de logins por compartimento de 5
minutos foi somado para todos os alunos, começando das 19h da noite anterior até as
19h da noite do dia em que a aula ocorreu (288 épocas por dia) (Métodos Suplementares).
As análises foram restritas aos horários de início de aula mais frequentes no NUS para
os quais também tínhamos dados de actigrafia suficientes para fazer comparações
(08:00, 09:00, 10:00, 11:00, 12:00, 14:00 e 16:00: 00). Os dados também foram
analisados em dias não letivos, correspondentes aos finais de semana e dias da semana
sem aulas agendadas. Os dados agregados da série temporal nos permitiram comparar
o comportamento de login diurno dos alunos pela primeira aula do dia e em relação aos
dias sem aulas. O conjunto de dados compreendeu 17,4 milhões de logins de 39.458
alunos. As características demográficas dos alunos são fornecidas para cada semestre
na Tabela Suplementar 1.
Os cursos de tempo de logins em cada semestre foram usados para derivar o
deslocamento e o início da atividade de login do LMS. Esses parâmetros foram
determinados usando um método de cruzamento de limiar. O limite de atividade do LMS
foi calculado como 50% do número médio normalizado de logins por compartimento (1
compartimento/288 compartimentos × 0,5 = 0,001736 ou 0,17%) ( Métodos
complementares). Portanto, o deslocamento de login do LMS foi definido como o horário
do relógio quando o número normalizado de logins caiu e permaneceu abaixo do limite
de 50%, e o início do login do LMS foi definido como o ponto de tempo em que os logins
excederam e permaneceram acima do limite de 50% ( Extended Dados Fig. 3). O período
inativo do LMS foi definido como a duração de tempo desde o deslocamento do login do
LMS até o início do login do LMS.
o início do login do LMS.
Estudo de actigrafia
Estudantes de graduação da NUS com idades entre 18 e 25 anos foram recrutados para
participar de um estudo de pesquisa de 6 semanas sobre seus padrões de sono-vigília
durante o período escolar. Os participantes deveriam ser não fumantes em bom estado geral
Machine Translated by Google
Artigo
saudável com índice de massa corporal entre 18,5 e 27,0 kg m–2 . Os indivíduos eram
inelegíveis se relatassem trabalho por turnos (trabalho remunerado entre as 23:00 e as
07:00) ou se planejassem viajar entre fusos horários durante o estudo. Os participantes
usavam um relógio de actigrafia (Actiwatch Spectrum Plus ou Actiwatch 2; Philips
Respironics Inc.) em sua mão não dominante (Métodos Suplementares) e faziam visitas
semanais a uma sala de aula para baixar seus dados e passar por uma série de testes
neurocomportamentais (resultados não informado aqui). Entre os 202 alunos de
graduação que se inscreveram no estudo, 13 participantes desistiram antes do final do
período de coleta de dados (não estão mais disponíveis, n = 6; motivos pessoais , n =
5; adoecimento, n = 2) e 5 participantes foram retirados do estudo pelos pesquisadores
por não cumprir os procedimentos do estudo (por exemplo, não usar o relógio de
actigrafia ou não comparecer pontualmente às consultas). Nos 184 participantes
restantes que usaram o relógio de actigrafia por 6 semanas, dois indivíduos foram
excluídos devido à baixa qualidade dos dados e um indivíduo falhou em fornecer o
horário do curso com os horários de início das aulas. O conjunto de dados incluiu 181
estudantes
participantes com 7.329 gravações de sono noturno (intervalo, 27-42 d por indivíduo).
A amostra foi composta por alunos com idade de 21,3 ± 1,5 anos (média ± dp), incluindo
115 mulheres (63,5% do sexo feminino) e 162 chineses (89,5%) matriculados em quatro
séries (número de alunos: primeiro ano, n = 57; segundo ano, n = 59; terceiro ano, n =
29; quarto ano, n = 35; dados ausentes, n = 1). Nenhum método estatístico foi usado
para predeterminar o tamanho da amostra para o estudo de actigrafia, mas nosso
tamanho de amostra foi semelhante a um estudo de actigrafia anterior em alunos do
ensino médio que comparou o comportamento do sono entre diferentes horários de
início escolar25.
Dados de actigrafia foram coletados em épocas de 30 segundos e analisados
usando o software Actiware (v.6.0.9) (Métodos Suplementares). As variáveis primárias
do sono foram: (1) início do sono, (2) compensação do sono, (3) tempo total de sono
noturno, (4) tempo noturno na cama para dormir e (5) ponto médio do período de sono.
Os dados de actigrafia de cada aluno foram classificados por sua primeira aula do dia,
e restringimos nossas análises aos horários de aula em que havia pelo menos 20
indivíduos cuja primeira aula do dia começava naquele horário (08:00, n = 103 ; 09:00,
n = 61; 10:00, n = 123; 11:00, n = 35; 12:00, n = 107; 14:00, n = 71; 16:00, n = 44). O
limite de pelo menos 20 alunos por horário de início da aula foi escolhido para garantir
que tivéssemos participantes suficientes para fazer comparações significativas entre os
grupos. O conjunto de dados compreendia 3.701 gravações de sono noturno em noites
de escola (pelo menos uma aula ocorreu no dia seguinte) e 3.129 gravações de sono
noturno em noites fora da escola (sem aulas no dia seguinte).
A frequência de instâncias em que os alunos não conseguiram acordar a tempo
para a aula foi avaliada por meio do agrupamento de dados entre os participantes para
um determinado horário de início da aula. Testes de qui-quadrado bilateral (SigmaPlot
v.14.5, Systat Software, Inc.) foram usados para testar as diferenças entre os horários
de início das aulas na frequência de: (1) acordar após o início das aulas; e (2) acordar
tarde demais para chegar na hora à aula, o que leva em consideração o tempo de
viagem para chegar à escola. Esta última foi avaliada por meio da pergunta 'Quanto
tempo você costuma levar para ir de sua residência até a primeira aula do dia?'. O
conjunto de dados compreendeu 6.546 valores de compensação de sono de 174
participantes que relataram seu tempo de viagem (hora de início da primeira classe,
número de valores de compensação de sono: 08:00, 776 valores; 09:00, 468 valores;
10:00, 940 valores; 11 :00, 169 valores; 12:00, 631 valores; 14:00, 389 valores; 16:00,
164 valores; sem aula, 3.009 valores).
A frequência de dias letivos com cochilos foi avaliada reunindo dados entre os
participantes para diferentes horários de início das aulas. Os cochilos foram incluídos
na análise apenas se fossem documentados no diário do aluno e verificados por seu
registro de actigrafia. Um teste qui-quadrado bilateral (SigmaPlot v.14.5, Systat Software,
Inc.) foi usado para testar as diferenças entre os horários de início das aulas na
frequência de cochilos.
O conjunto de dados compreendeu 336 dias letivos com pelo menos uma soneca
( horário de início da primeira aula, número de dias com sonecas, número de dias sem
sonecas: 08:00, 88 dias de soneca, 716 dias sem soneca; 09:00, 50 sonecas dias, 436
dias sem soneca; 10:00, 113 dias com soneca, 889 dias sem soneca; 11:00, 18 dias
com soneca , 157 dias sem soneca; 12:00, 45 dias com soneca, 633 dias sem soneca;
14:00, 14 dias de soneca, 388 dias sem soneca; 16:00, 8 dias de soneca, 162 dias sem soneca).
Natureza Comportamento Humano
https://doi.org/10.1038/s41562-023-01531-x
Testamos se os parâmetros de login do LMS derivados da população podem
prever com segurança o comportamento do sono no aluno médio, realizando a análise
de correlação de Pearson (teste bilateral; SigmaPlot v.14.5, Systat Software, Inc.).
Comparações diretas entre observações individuais não foram possíveis porque os
parâmetros do sono derivados da actigrafia foram medidos em alunos individuais (n =
181), enquanto os parâmetros derivados do LMS foram calculados para semestres
individuais (cinco semestres consecutivos ). Portanto, calculamos valores médios para
parâmetros de actigrafia (média entre participantes) e parâmetros LMS (média entre
semestres) para cada hora de início de aula (08:00, 09:00, 10:00, 11:00, 12:00, 14:00 ,
16h e dias sem aula) e inseriu esses valores na análise de correlação (início do sono
versus compensação de login do LMS; compensação do sono versus início do login do
LMS; tempo noturno total de sono versus período inativo do LMS; tempo noturno na
cama para dormir versus LMS período inativo; ponto médio do sono versus ponto médio
do período inativo LMS). A análise de correlação de Pearson também foi usada para
testar as associações entre o sono e o comportamento de login do LMS nos dias de
aula em relação aos dias não letivos (ÿinício do sono versus compensação do login
ÿLMS; compensação do sono versus início do login do ÿLMS; tempo total de sono
noturno versus período inativo do ÿLMS; período noturno tempo na cama para dormir
versus ÿLMS período inativo; ÿponto médio do sono versus ÿponto médio do período
inativo LMS). A linha de regressão linear de melhor ajuste em cada análise foi usada
para calcular o rmse (o desvio padrão dos resíduos), que foi usado para avaliar o quão
bem o parâmetro LMS previu o parâmetro de sono correspondente.
Desempenho acadêmico As
notas do curso dos alunos foram analisadas ao longo dos seis semestres para os quais
os dados de conexão Wi-Fi e dados LMS estavam disponíveis (2016/17 semestre dois,
2017/18 semestre um, 2017/18 semestre dois, 2018/19 semestre um, 2018 /19 semestre
dois, 2019/20 semestre um). Na NUS, os alunos recebem uma nota de letra que é
convertida em um número para calcular a pontuação (A+ ou A = 5,0, Aÿ = 4,5, B+ = 4,0,
B = 3,5, Bÿ = 3,0, C+ = 2,5, C = 2,0, D+ = 1,5, D = 1,0, F = 0,0). Os alunos ganham
créditos de curso com base nas horas de carga de trabalho estimadas por semana, e a
média de notas representa o desempenho acumulado ponderado pelos créditos ganhos
em cada curso. Como um curso pode ter vários horários de início de aula (por exemplo,
aula às 10h na segunda-feira e tutorial às 16h na quarta-feira), decidimos agrupar os
dados por cursos matutinos e vespertinos. Os cursos da manhã foram definidos como
tendo todas as aulas (por exemplo, palestras, tutoriais e laboratórios) começando antes
das 12h, e os cursos da tarde foram definidos como tendo todas as aulas começando
às 12h ou mais tarde. Os cursos em horário misto foram definidos como tendo aulas
nos períodos matutino e vespertino. Em cada semestre, restringimos nossas análises
aos alunos que obtiveram 20 créditos de curso (modo de distribuição dos créditos de
curso) para garantir que eles tivessem uma carga horária total comparável. Isso
geralmente correspondia a fazer quatro ou cinco cursos simultaneamente. A amostra
final incluiu 33.818 alunos únicos, variando de 9.201 a 11.823 alunos por semestre. As
informações demográficas dos alunos são fornecidas na Tabela Suplementar 1. O
conjunto de dados compreendia 275.192 notas de cursos individuais.
Modelos estatísticos
As associações entre o horário de início da aula com frequência confirmada
por Wi-Fi , parâmetros de login LMS, parâmetros de sono derivados de
actigrafia e desempenho acadêmico foram examinados usando modelos
lineares de efeitos mistos (tabela complementar 2). Todos os modelos foram
implementados usando os pacotes 'lme4' (v.1.1-29) e 'lmerTest' (v.3.1-3) com
o software estatístico R (v.4.2)61,62. Os modelos foram ajustados por máxima
verossimilhança restrita para estimar parâmetros associados a efeitos fixos e aleatórios.
As suposições do modelo, incluindo linearidade e normalidade dos resíduos,
foram examinadas usando o pacote 'redres' suplementar (v.0.0.0.9) para lme4.
O método de Satterthwaite foi usado para realizar testes t bicaudais para
efeitos fixos. Nos casos em que houve evidência de associação
estatisticamente significativa entre o horário de início da aula e a variável de resultado
Machine Translated by Google
Artigo
(P < 0,05), comparações múltiplas entre os horários de início das aulas foram
realizadas usando o teste de Tukey usando o pacote 'emmeans' (v.1.6.1). Os
tamanhos de efeito foram calculados com o pacote 'dabest' (v.0.3.0) usando
Python v.3.7.8 e software estatístico R63.
A associação entre o horário de início da aula (08:00, 09:00, 10:00, 12:00, 14:00, 16:00) e
a frequência confirmada por Wi-Fi foi testada usando um modelo de classificação cruzada. O
horário de início da aula foi inserido como um fator de efeito fixo (categoria de referência = 08:00)
com módulo do curso, escola/faculdade de matrícula e aluno incluídos como fatores de efeito
aleatório cruzado.
As covariáveis no modelo incluíram sexo (masculino, feminino), idade em anos, etnia (chinês,
indiano, malaio, outros), país de cidadania (cingapuriano, residente permanente em Cingapura,
estrangeiro), tipo de residência (no campus, fora do campus , mistura de morar dentro e fora do
campus), ano letivo dos alunos (Y1, Y2, Y3, Y4, Y5+) e semestre (2018/19 semestre um, 2018/19
semestre dois, 2019/20 semestre um).
A associação entre o horário de início da aula (08:00, 09:00, 10:00, 11:00, 12:00, 14:00,
16:00, sem aula) e cada parâmetro derivado do LMS (compensação de login, início de login ,
período inativo, ponto médio do período inativo) foi testado em modelos lineares separados de
efeitos mistos. O horário de início da aula foi incluído como um fator de efeito fixo (categoria de
referência = sem aula) e o semestre foi incluído como um fator de efeito aleatório. Nossas
análises não ajustaram as características do nível do aluno (por exemplo, idade, sexo, etnia ou
ano letivo) ou características do nível do curso porque os parâmetros de login do LMS foram
derivados semestralmente para cada hora de início da aula usando dados que foram agrupados
entre alunos (ou seja, os parâmetros de login do LMS não foram determinados em alunos ou
cursos individuais).
A associação do horário da primeira aula do dia dos alunos (08:00, 09:00, 10:00, 11:00,
12:00, 14:00, 16:00, sem aula) com cada sono noturno derivado da actigrafia variável (início do
sono, compensação do sono, tempo total de sono, tempo na cama para dormir, ponto médio do
período de sono) foi testada em modelos lineares separados de efeitos mistos. A hora de início
da aula foi inserida no modelo como um fator de efeito fixo (categoria de referência = sem aula)
com o aluno incluído como um fator de efeito aleatório. As covariáveis incluíram idade, sexo,
etnia, ano de aula e semestre dos alunos. Informações sobre cidadania dos alunos, tipo de
residência, módulos do curso e escola/faculdade de matrícula não foram incluídas no modelo
porque esses dados não foram coletados no estudo de actigrafia.
A associação da pontuação (nota individual do curso) com os horários de início do curso
(somente manhã, apenas tarde, mistura de manhã e tarde) foi testada usando um modelo de
classificação cruzada. O horário de início do curso foi inserido como um fator fixo (categoria de
referência = somente matutino) com módulo do curso, escola/faculdade do aluno matriculado e
aluno incluídos como fatores de efeito aleatório cruzado. As covariáveis incluíram sexo, idade,
etnia, cidadania, tipo de residência, ano de aula do aluno, semestre e a proporção de aulas
matutinas que cada aluno teve durante o semestre. Em uma análise separada, testamos a
associação entre a média de notas e o número de dias por semana em que os alunos tiveram
aulas matutinas (0, 1, 2, 3, 4 ou 5 dias). A média de notas foi calculada usando todas as notas
que um aluno obteve durante um determinado semestre, independentemente dos horários em
que as aulas ocorreram. O modelo de classificação cruzada incluiu dias por semana com aulas
matinais como um fator de efeito fixo (categoria de referência = 0 d por semana) com escola/
professor de matrícula e aluno incluídos como fatores de efeito aleatório.
As covariáveis incluíram sexo, idade, etnia, cidadania, tipo de residência, ano e semestre do
aluno.
Declaração de ética
A pesquisa obedeceu a todos os regulamentos éticos relevantes. A permissão quando os adolescentes se amontoam para os exames: o estudo Need for Sleep.
para analisar os dados arquivados na universidade foi obtida do Instituto de Sono 39, 1681–1690 (2016).
Ciências de Aprendizagem Aplicada e Tecnologia Educacional (ALSET) da 7. Lo, JC, Ong, JL, Leong, RLF, Gooley, JJ & Chee, MW
Universidade Nacional de Cingapura (NUS). A ALSET armazena e vincula L. Desempenho cognitivo, sonolência e humor em adolescentes parcialmente
dados de alunos não identificados para pesquisa de análise educacional no ALSET Data privados
Lake. de sono: o estudo Need for Sleep. Sono 39, 687–698 (2016).
Conjuntos de dados arquivados em universidades incluíam informações demográficas dos
alunos (idade, sexo, etnia, ano de matrícula, país de cidadania, tipo de residência), matrícula em
cursos, dados de conexão Wi-Fi, uso de
Natureza Comportamento Humano
https://doi.org/10.1038/s41562-023-01531-x
o LMS e as notas. As análises desses dados foram aprovadas pelo
NUS Learning and Analytics Committee on Ethics (LACE). As
características da universidade e do curso são descritas nos Métodos Suplementa
Os alunos cujos dados arquivados na universidade foram incluídos em nosso
estudo forneceram consentimento informado para a Política de proteção de dados
do aluno da NUS, que explica que seus dados podem ser usados para pesquisa.
As análises de dados arquivados em universidades foram isentas de revisão pelo
Conselho de Revisão Institucional (IRB) do NUS porque foram realizadas
retrospectivamente em dados que não foram identificados pelos pesquisadores. Permissão pa
a coleta de dados de frequência dos instrutores do curso foi aprovada pelo LACE. Os
procedimentos de pesquisa no estudo de actigrafia foram aprovados pelo NUS IRB e os alunos
forneceram consentimento informado por escrito para participar da pesquisa. Os participantes
receberam $ 250 em dólares de Singapura para completar o estudo de actigrafia. A abordagem
analítica da pesquisa não foi previamente registrada.
Resumo do relatório Mais
informações sobre o desenho da pesquisa estão disponíveis no Resumo do Relatório do Portfólio
da Nature vinculado a este artigo.
Disponibilidade de dados Os
dados de actigrafia pontuados que apoiaram as descobertas deste estudo são publicados com
este artigo como dados de origem. Os dados arquivados na universidade não podem ser
compartilhados publicamente devido a restrições legais e da universidade onde a pesquisa foi
realizada. Em conformidade com a Lei de Proteção de Dados Pessoais de Cingapura , os dados
armazenados no Data Lake do Instituto de Ciências de Aprendizagem Aplicada e Tecnologia
Educacional (ALSET) da Universidade Nacional de Cingapura (NUS) são definidos como dados
pessoais e não podem ser compartilhados publicamente sem o consentimento do aluno. Os
dados podem ser acessados e analisados no servidor ALSET Data Lake com a aprovação do
NUS Learning and Analytics Committee on Ethics, de acordo com as políticas de gerenciamento
de dados da NUS. Os pesquisadores que desejam acessar os dados devem entrar em contato
com ALSET no NUS (e-mail: alsbox1@nus.edu.sg).
Os dados de origem são fornecidos com este documento.
Disponibilidade de código O
código personalizado usado para analisar dados arquivados na universidade é armazenado com
os dados no servidor ALSET Data Lake e pode ser acessado entrando em contato com ALSET
em NUS (e-mail: alsbox1@nus.edu.sg).
Referências 1.
Credé, M., Roch, SG & Kieszczynka, UM Frequência às aulas na faculdade: uma
revisão meta-analítica da relação da frequência às aulas com notas e
características dos alunos. Rev. Educ.
Res. 80, 272–295 (2010).
2. Kassarnig, V., Bjerre-Nielsen, A., Mones, E., Lehmann, S. &
Lassen, DD Class comparecimento, similaridade entre colegas e desempenho
acadêmico em um grande estudo de campo. PLoS ONE 12, e0187078 (2017).
3. Curcio, G., Ferrara, M. & De Gennaro, L. Perda de sono, capacidade de
aprendizagem e desempenho acadêmico. Medicina do Sono. Rev. 10, 323–
337 (2006).
4. Hershner, SD & Chervin, RD Causas e consequências da sonolência entre
universitários. Nat. ciência Sono 6, 73–84 (2014).
5. Cousins, JN & Fernández, G. in Progress in Brain Research Vol. 246 (eds Van
Dongen, HPA et al.) Ch. 2, 27–53 (Elsevier, 2019).
6. Huang, S. et al. A restrição do sono prejudica o aprendizado do vocabulário
8. Friedman, P., Rodriguez, F. & McComb, J. Por que os alunos frequentam e não
frequentam as aulas. Col. Ensinar. 49, 124–133 (2001).
Machine Translated by Google
Artigo
9. Sloan, D., Manns, H., Mellor, A. & Jefries, M. Fatores que influenciam o não
comparecimento do aluno em sessões formais de ensino. Viga. Alto.
Educ. 45, 2203–2216 (2020).
10. Westrick, SC, Helms, KL, McDonough, SK & Breland, ML
Fatores que influenciam as decisões de comparecimento de estudantes de
farmácia em grandes palestras. Sou. J. Pharm. Educ. 73, 83 (2009).
11. Woodfield, R., Jessop, D. & McMillan, L. Diferenças de gênero nas taxas de
frequência de graduação. Viga. Alto. Educ. 31, 1–22 (2006).
12. Imose, R. & Barber, LK Usando a média de notas da graduação como ferramenta de
seleção: uma síntese da literatura. Psicol. Gerenciar J. 18, 1–11 (2015).
13. Roth, PL, BeVier, CA, Switzer, FS III & Schippmann, J.
S. Meta-análise da relação entre notas e desempenho no trabalho. J. Appl.
Psicol. 81, 548-556 (1996).
14. Roth, PL & Clarke, RL Meta-analisando a relação entre notas e salário. J. Vocat.
Behav. 53, 386–400 (1998).
15. Crowley, SJ, Wolfson, AR, Tarokh, L. & Carskadon, MA An
atualização sobre o sono adolescente: novas evidências informando o modelo de
tempestade perfeita. J. Adolesc. 67, 55–65 (2018).
16. Fischer, D., Lombardi, DA, Marucci-Wellman, H. & Roenneberg,
T. Cronotipos nos EUA – influência da idade e sexo. PLoS ONE 12, e0178782 (2017).
17. Yeo, SC et al. Associações da duração do sono nas noites de escola com
autoavaliação de saúde, sobrepeso e sintomas de depressão em adolescentes:
problemas e possíveis soluções. Medicina do Sono. 60, 96–108 (2019).
18. Sletten, TL, Segal, AY, Flynn-Evans, EE, Lockley, S.
W. & Rajaratnam, SMW As diferenças interindividuais no
comprometimento neurocomportamental após a restrição do sono estão
associadas à fase do ritmo circadiano. PLoS ONE 10, e0128273 (2015).
19. Alfonsi, V., Scarpelli, S., D'Atri, A., Stella, G. & De Gennaro, L. Início escolar tardio: o
impacto do sono no desempenho acadêmico e na saúde da população adolescente.
Int. J. Environ. Res. Saúde Pública 17, 2574 (2020).
20. Bowers, JM & Moyer, A. Efeitos do horário de início das aulas em
duração do sono dos alunos, sonolência diurna e atendimento: uma meta-análise.
Sleep Health 3, 423–431 (2017).
21. Minges, KE & Redeker, NS Horas de início escolar atrasadas e sono do
adolescente: uma revisão sistemática das evidências experimentais. Medicina
do Sono. Rev. 28, 86–95 (2016).
22. Morgenthaler, TI et al. Horários de início do ensino médio e o impacto nos alunos do
ensino médio: o que sabemos e o que esperamos aprender.
J. Clin. Medicina do Sono. 12, 1681–1689 (2016).
23. Wheaton, AG, Chapman, DP & Croft, JB Horas de início escolar, sono,
comportamento, saúde e resultados acadêmicos: uma revisão da literatura. J.
Sch. Saúde 86, 363–381 (2016).
24. Marx, R. et al. Horas de início das aulas mais tarde para apoiar o
educação, saúde e bem-estar dos alunos do ensino médio.
Sistema de banco de dados Cochrane Rev. https://doi.org/10.1002/14651858.
CD009467.pub2 (2017).
25. Dunster, GP et al. Durma mais em Seattle: horários de início escolar mais tardios
estão associados a mais sono e melhor desempenho em alunos do ensino médio.
ciência Adv. 4, eaau6200 (2018).
26. Ziporyn, TD et al. Saúde do sono do adolescente e início escolar
tempos: definindo a agenda de pesquisa para a Califórnia e além. Um resumo da
cúpula de pesquisa. Saúde do Sono 8, 11–22 (2022).
27. Galambos, NL, Vargas Lascano, DI, Howard, AL & Maggs, JL
Quem dorme melhor? Padrões longitudinais e covariáveis de mudança na
quantidade, qualidade e tempo de sono ao longo de quatro anos universitários.
Behav. Medicina do Sono. 11, 8–22 (2013).
28. Urner, M., Tornic, J. & Bloch, KE Padrões de sono no ensino médio
universitários: um estudo longitudinal. Cronobiol. Int. 26, 1222–1234 (2009).
Natureza Comportamento Humano
https://doi.org/10.1038/s41562-023-01531-x
29. Onyper, SV, Thacher, PV, Gilbert, JW & Gradess, SG Horários de início das aulas,
sono e desempenho acadêmico na faculdade: uma análise de caminho. Cronobiol.
Int. 29, 318–335 (2012).
30. Diette, TM & Raghav, M. O madrugador pega o verme ou um
baixo GPA? Evidência de uma faculdade de artes liberais. Appl. Econ. 49, 3341–
3350 (2017).
31. Dills, AK & Hernández-Julián, R. Programação do curso e
performance acadêmica. Econ. Educ. Rev. 27, 646–654 (2008).
32. Smarr, BL & Schirmer, AE 3,4 milhões de logins de sistemas de gerenciamento
de aprendizado do mundo real revelam que a maioria dos alunos
experimenta jet lag social correlacionado com desempenho reduzido.
ciência Rep. 8, 4793 (2018).
33. Skinner, notas da NF University e horário do dia de instrução. Touro.
Psicon. Sociedade 23, 67 (1985).
34. Carrell, SE, Maghakian, T. & West, JE A's de zzzz's? O efeito causal do horário de
início da escola no desempenho acadêmico de adolescentes. Sou. Econ. J. Econ.
Política 3, 62–81 (2011).
35. Arulampalam, W., Naylor, RA & Smith, J. Estou ausente
algo? Os efeitos da falta de aula no desempenho do aluno. Econ. Educ.
Rev. 31, 363–375 (2012).
36. Davis, EA, Hodgson, Y. & Macaulay, JO Envolvimento de alunos com
palestras em bioquímica e farmacologia.
Bioquim. Mol. Biol. Educ. 40, 300–309 (2012).
37. Marbouti, F., Shafaat, A., Ulas, J. & Diefes-Dux, HA Relação entre o tempo de aula
e as notas dos alunos em um curso de aprendizado ativo. J. Eng. Educ. 107, 468–
490 (2018).
38. Paisey, C. & Paisey, NJ Atendimento estudantil em contabilidade
módulo – motivos de não comparecimento e o efeito no desempenho acadêmico em
uma universidade escocesa. Conta. Educ. 13, 39–53 (2004).
39. Zhou, M. et al. em Proceedings of the 2016 ACM International Joint Conference on
Pervasive and Ubiquitous Computing 316–327 (Association for Computing
Machinery, 2016).
40. Yeo, SC, Lai, CKY, Tan, J. & Gooley, JJ Uma abordagem de e-learning direcionada
para manter as universidades abertas durante a pandemia de COVID-19, reduzindo
as interações físicas dos alunos. PLoS ONE 16, e0249839 (2021).
41. Basner, M., Spaeth, AM & Dinges, DF Sociodemográfico
características e atividades de vigília e seu papel no tempo e duração do sono.
Sono 37, 1889–1906 (2014).
42. Leypunskiy, E. et al. Ritmos resolvidos geograficamente no uso do Twitter revelam
pressões sociais sobre padrões de atividades diárias. atual Biol. 28, 3763–3775
e5 (2018).
43. Borger, JN, Huber, R. & Ghosh, A. Capturando os ciclos de sono-vigília usando as
interações diárias da tela sensível ao toque do smartphone. Dígito NPJ. Med. 2,
73 (2019).
44. Massar, SAA et al. Comportamento de sono noturno semelhante a traço identificado
pela combinação de dados vestíveis, de uso do telefone e de autorrelato. Dígito
NPJ. Med. 4, 90 (2021).
45. Golder, SA & Macy, MW O humor diurno e sazonal varia com o trabalho, o sono e a
duração do dia em diversas culturas. Ciência 333, 1878–1881 (2011).
46. Schoedel, R. et al. Para desafiar a cotovia da manhã e a coruja da noite: usando
dados de detecção de smartphones para investigar padrões de comportamento
diurno e noturno. EUR. J. Pers. 34, 733–752 (2020).
47. Valdez, P., Ramírez, C. & García, A. Atrasar e prolongar o sono durante os fins de
semana: recuperação do sono ou efeito circadiano? Cronobiol.
Int. 13, 191–198 (1996).
48. Goldin, AP, Sigman, M., Braier, G., Golombek, DA & Leone,
MJ A interação de cronotipo e tempo escolar prediz o desempenho escolar. Nat.
Zumbir. Behav. 4, 387–396 (2020).
49. Carvalho-Mendes, RP, Dunster, GP, de la Iglesia, HO &
Menna-Barreto, L. O horário de início das aulas à tarde está associado à falta
de jetlag social e à privação de sono em adolescentes. J. Biol. Ritmos 35, 377–
390 (2020).
Machine Translated by Google
Machine Translated by Google
Artigo https://doi.org/10.1038/s41562-023-01531-x

Dados Estendidos Fig. 1 | Método para usar dados de conexão Wi-Fi para estimar a o final da aula. Houve uma semana em que um grupo de cerca de 20 alunos permaneceu na
frequência das aulas dos alunos. a–c, os dados de frequência confirmados por Wi-Fi são sala de aula por várias horas depois da aula. b, O mapa de calor binário mostra frequência
mostrados para um curso de palestras representativo com uma matrícula de 107 alunos. A confirmada por Wi-Fi determinada individualmente (detectada ou não durante o horário de aula)
aula aconteceu semanalmente das 10:00 às 12:00 durante 13 semanas. a, Os cursos de em todas as 13 semanas do semestre. c, as taxas de frequência confirmadas por Wi-Fi são
tempo diário são mostrados para o número de alunos matriculados que se conectaram a um acesso Wi-Fi
mostradas para alunos individuais no curso. Cada linha em
ponto na sala de aula onde a aula foi ministrada. O número de alunos detectados pelo Wi-Fi os painéis b e c representam o mesmo indivíduo.
aumentou acentuadamente no início de cada aula e depois caiu

Natureza Comportamento Humano

Machine Translated by Google
Artigo https://doi.org/10.1038/s41562-023-01531-x

Dados Estendidos Fig. 2 | Cursos diários de logins do Learning Management System de estudantes. Os logins do LMS foram compilados de 39.458 alunos únicos. Os cursos de
(LMS). Os logins do LMS dos alunos foram compilados por hora do dia em caixas de 5 tempo de logins LMS foram altamente reprodutíveis em semestres e acadêmicos
minutos em 5 semestres diferentes. Os dados foram classificados pela primeira aula do dia dos anos.
alunos (coluna da esquerda) e comparados com os dias sem aula (coluna da direita) no mesmo grupo

Natureza Comportamento Humano

Machine Translated by Google
Artigo https://doi.org/10.1038/s41562-023-01531-x

Dados Estendidos Fig. 3 | Método de derivação de parâmetros de login do número normalizado de logins por bin (1 bin / 288 bins × 0,5 = 0,001736 ou 0,17%).
Learning Management System (LMS). a,b, A distribuição diurna dos logins do LMS é O deslocamento de login do LMS foi definido como o horário do relógio quando o número
mostrada nos dias em que os alunos tiveram (a) aulas começando às 08:00 e (b) sem aulas agendadas.
normalizado de logins caiu e permaneceu abaixo do limite, e o início do login do LMS foi
Os dados de login em ambos os painéis foram compilados do mesmo grupo de definido como o horário do relógio quando os logins excederam e permaneceram acima do
alunos (n = 10.950) no segundo semestre do ano letivo de 2018/19. Os logins do LMS dos limite. A linha azul em cada gráfico mostra o limite de atividade do LMS e os símbolos 'X'
alunos foram somados por hora do dia em intervalos de 5 minutos. A série temporal foi mostram os cruzamentos de limite inferior e superior. A caixa cinza indica o período inativo
normalizada dividindo o número de logins em cada bin de 5 minutos pelo número total de do LMS calculado a partir do deslocamento de login do LMS para o início do login do LMS.
logins em todos os bins. Os parâmetros de login do LMS foram derivados usando um
método de cruzamento de limite no qual o limite de atividade do LMS foi calculado como 50% da média

Natureza Comportamento Humano

Machine Translated by Google
Artigo
Dados Estendidos Fig. 4 | Parâmetros de sono classificados pela primeira aula do dia dos
alunos. a–c, A distribuição de valores individuais para (a) início do sono determinado
actigraficamente , (b) compensação do sono e (c) tempo total de sono são mostrados para diferentes
horários de início da aula (nº de alunos independentes para cada horário de início da aula: 08:00, n
= 103; 09:00, n = 61; 10:00, n = 123; 11:00, n = 35; 12:00, n = 107; 14:00, n = 71; 16: 00, n = 44).
Os círculos indicam o valor médio do sono de um aluno individual para um
Natureza Comportamento Humano
https://doi.org/10.1038/s41562-023-01531-x
determinado horário de início da aula. As linhas cinzas conectam os dados do mesmo indivíduo para
ilustrar as diferenças entre os participantes em dias letivos versus dias não letivos. Os gráficos de
caixa mostram a distribuição dos valores de sono em cada grupo de alunos para um determinado
horário de início da aula. As caixas mostram a mediana e o intervalo interquartílico. Os bigodes
mostram os percentis 10 e 90 .
Machine Translated by Google
Artigo
Dados Estendidos Fig. 5 | Correlações entre os parâmetros de login do
Learning Management System (LMS) e os parâmetros de actigrafia. a, b, Gráficos de
dispersão mostram a relação entre (a) parâmetros derivados do LMS (média de 5
semestres) e parâmetros de sono derivados da actigrafia (média de 181 alunos) para
diferentes horários de início das aulas e (b) mudanças no tempo e duração desses
parâmetros em dias letivos versus dias não letivos.
A análise de correlação de Pearson (teste bicaudal) foi usada para testar a força da relação
entre pares de LMS e variáveis de actigrafia (r = coeficiente de correlação de Pearson; RMSE
= raiz do erro quadrático médio). As linhas sólidas mostram a regressão linear de melhor
ajuste e as linhas tracejadas indicam a linha de unidade. No painel a: início do sono versus
compensação de login do LMS, r(6)=0,38, IC de 95% = -0,44 a 0,86, P = 0,35; compensação do sono
Natureza Comportamento Humano
https://doi.org/10.1038/s41562-023-01531-x
vs. início do login no LMS, r(6)=0,98, IC 95% = 0,91 a 1,00, P < 0,001; TST noturno vs.
Período inativo do LMS, r(6)=0,86, IC 95% = 0,39 a 0,97, P < 0,001; TIB noturna vs.
Período inativo do LMS, r(6)=0,90, IC 95% = 0,52 a 0,98, P < 0,001; ponto médio do sono versus
ponto médio do período inativo do LMS, r(6)=0,91, IC 95% = 0,58 a 0,98, P = 0,002.
No painel b: ÿinício do sono vs. ÿLMS compensação de login, r(5)=0,57, 95% CI = -0,32 a
0,93, P = 0,18; ÿdeslocamento do sono vs. ÿLMS início do login, r(5)=0,94, 95% CI = 0,64 a
0,99, P = 0,002; ÿTST noturno vs. ÿLMS período inativo, r(5)=0,97, IC 95% = 0,79 a 1,00, P <
0,001; ÿITB noturno vs. ÿLMS período inativo, r(5)=0,98, IC 95% = 0,85 a 1,00, P < 0,001;
ÿponto médio do sono vs. ÿponto médio do período inativo do LMS, r(5)=0,93, IC 95% = 0,60 a
0,99, P = 0,002. TIB = tempo na cama para dormir; TST = tempo total de sono.
Machine Translated by Google

relatór
portfóli
|resum
nature
do
Resumo do relatório
Autor(es) correspondente(s): Joshua J GOOLEY

Última atualização pelo(s) autor(es): 1º de novembro de 2022

A Nature Portfolio deseja melhorar a reprodutibilidade do trabalho que publicamos. Este formulário fornece estrutura para consistência e transparência nos relatórios. Para obter mais informações
sobre as políticas do Portfólio da Nature, consulte nossas Políticas Editoriais e a Lista de Verificação da Política Editorial.

Estatisticas
Para todas as análises estatísticas, confirme se os itens a seguir estão presentes na legenda da figura, legenda da tabela, texto principal ou seção de Métodos.

n/d Confirmado

O tamanho exato da amostra (n) para cada grupo/condição experimental, dado como um número discreto e unidade de medida

Uma declaração sobre se as medições foram feitas de amostras distintas ou se a mesma amostra foi medida repetidamente

O(s) teste(s) estatístico(s) usado(s) E se são unilaterais ou bilaterais Somente os testes

comuns devem ser descritos apenas pelo nome; descreva técnicas mais complexas na seção Métodos.

Uma descrição de todas as covariáveis testadas

Uma descrição de quaisquer suposições ou correções, como testes de normalidade e ajuste para comparações múltiplas

Uma descrição completa dos parâmetros estatísticos, incluindo tendência central (por exemplo, médias) ou outras estimativas básicas (por exemplo, coeficiente de regressão)
Variação AND (por exemplo, desvio padrão) ou estimativas associadas de incerteza (por exemplo, intervalos de confiança)

Para teste de hipótese nula, a estatística de teste (por exemplo, F, t, r) com intervalos de confiança, tamanhos de efeito, graus de liberdade e valor de P anotados
Forneça valores de P como valores exatos sempre que adequado.

Para análise bayesiana, informações sobre a escolha de prioris e configurações de Monte Carlo da cadeia de Markov

Para designs hierárquicos e complexos, identificação do nível apropriado para testes e relatório completo dos resultados

Estimativas de tamanhos de efeito (por exemplo, d de Cohen, r de Pearson ), indicando como foram calculados

Nossa coleção da web sobre estatísticas para biólogos contém artigos sobre muitos dos pontos acima.

Software e código
Informações de política sobre disponibilidade de código de computador

Coleta de dados Nenhum software foi utilizado para coletar dados neste estudo.

Análise de dados No estudo de actigrafia, os dados foram analisados usando o software Actiware (versão 6.0.9).

A análise de correlação de Pearson e os testes qui-quadrado foram realizados usando o software SigmaPlot (versão 14.5, Systat Software, Inc.).

Modelos lineares de efeitos mistos foram implementados usando os pacotes "lme4" (versão 1.1-29) e "lmerTest" (versão 3.1-3) no R Statistical Software (versão 4.2). As suposições do
modelo foram examinadas usando o pacote suplementar "redres" (versão 0.0.0.9) para lme4. As comparações múltiplas foram realizadas pelo teste de Tukey usando o pacote
"emmeans" (versão 1.6.1). Os tamanhos de efeito foram calculados com o pacote “dabest” (versão 0.3.0) usando o software estatístico Python 3.7.8 e R.

Para manuscritos que utilizam algoritmos personalizados ou software que são centrais para a pesquisa, mas ainda não descritos na literatura publicada, o software deve ser disponibilizado para editores e
revisores. Encorajamos fortemente a deposição de código em um repositório da comunidade (por exemplo, GitHub). Consulte as diretrizes do Portfólio Nature para envio de código e software para obter mais informações.

março
2021
de
1
Machine Translated by Google

relatór
portfóli
|resum
nature
do
Dados

Informações de política sobre disponibilidade de dados Todos

os manuscritos devem incluir uma declaração de disponibilidade de dados. Esta declaração deve fornecer as seguintes informações, quando aplicável:
- Códigos de acesso, identificadores exclusivos ou links da Web para conjuntos de dados disponíveis publicamente
- Uma descrição de quaisquer restrições na disponibilidade de dados

- Para conjuntos de dados clínicos ou dados de terceiros, certifique-se de que a declaração esteja de acordo com nossa política

Os dados de actigrafia que suportam os achados deste estudo estão disponíveis como fonte de dados (Informações Suplementares) com o artigo publicado. Os dados arquivados na universidade não podem ser compartilhados
publicamente devido a restrições legais e da universidade onde a pesquisa foi realizada. Em conformidade com a Lei de Proteção de Dados Pessoais de Cingapura, os dados armazenados no Data Lake do NUS Institute for Applied
Learning Sciences and Educational Technology (ALSET) são definidos como dados pessoais e não podem ser compartilhados publicamente sem o consentimento do aluno. Os dados podem ser acessados e analisados no servidor
ALSET Data Lake com a aprovação do NUS Learning Analytics Committee on Ethics, de acordo com as políticas de gerenciamento de dados da NUS. Os pesquisadores que desejam acessar os dados devem entrar em contato com
ALSET no NUS (e-mail: alsbox1@nus.edu.sg).

Relatórios específicos de campo

Por favor, selecione aquele abaixo que é o mais adequado para sua pesquisa. Se você não tiver certeza, leia as seções apropriadas antes de fazer sua seleção.

Ciências da Vida Ciências Comportamentais e Sociais Ciências ecológicas, evolutivas e ambientais

Para obter uma cópia de referência do documento com todas as seções, consulte nature.com/documents/nr-reporting-summary-flat.pdf

Projeto de estudo de ciências comportamentais e sociais

Todos os estudos devem divulgar esses pontos mesmo quando a divulgação for negativa.

Descrição do estudo O estudo incluiu (1) análises retrospectivas de dados de estudantes arquivados em universidades e (2) análises do comportamento do sono de estudantes universitários usando
actigrafia. Todos os dados são quantitativos.

amostra de pesquisa A amostra foi composta por alunos de graduação matriculados na National University of Singapore (NUS). Os dados dos alunos arquivados na universidade eram representativos dos alunos
matriculados na NUS (idade média de 21 anos, 51% mulheres, 87% chineses) porque usamos todos os dados disponíveis da população estudantil. Estudos de actigrafia foram realizados
em uma amostra menor de estudantes que foram recrutados da população geral de estudantes. A amostra era representativa de alunos da NUS, mas incluía uma porcentagem maior de
mulheres (idade média de 21 anos, 64% mulheres, 89% chinesas). A justificativa para estudar essas amostras foi testar a hipótese de que as aulas matinais resultam em menor frequência às
aulas, sono mais curto e notas mais baixas.

Estratégia de amostragem As análises dos dados arquivados pela universidade dos alunos incluíram registros de conexão Wi-Fi, logins e notas do Learning Management System. Nenhum cálculo do tamanho da
amostra foi realizado porque realizamos uma análise retrospectiva de todos os dados disponíveis dos alunos.

As análises dos dados de actigrafia foram baseadas em um estudo de 6 semanas do comportamento natural do sono dos alunos durante o semestre letivo. Os dados foram coletados para
investigar as relações entre o comportamento do sono dos alunos e o desempenho neurocomportamental (resultados não relatados aqui). A amostra de 181 alunos foi suficiente para comparar
o comportamento do sono entre diferentes horários de início de aula porque cada aluno contribuiu com dados para vários horários de início de aula. Restringimos nossas análises aos horários
de início das aulas em que havia pelo menos 20 indivíduos cuja primeira aula do dia começava naquele horário (08:00, n=103; 09:00, n=61, 10:00, n=123 , 11:00, n=35, 12:00, n=107; 14:00,
n=71; 16:00, n=44) para garantir que tivéssemos participantes suficientes para fazer comparações significativas entre os grupos. O conjunto de dados compreendia 3.701 gravações de sono
noturno em noites de escola e 3.129 gravações de sono noturno em noites fora da escola. Os tamanhos de efeito dos horários de início das aulas para as variáveis primárias do sono (hora de
acordar e duração do sono noturno) foram de médio a grande. Nenhum método estatístico foi usado para pré-determinar o tamanho da amostra para o estudo de actigrafia. No entanto, o
tamanho da amostra foi comparável a estudos anteriores conduzidos em alunos do ensino médio que compararam o comportamento do sono entre diferentes horários de início das aulas (por
exemplo, Dunster et al., Sleepmore em Seattle: Horários de início escolar mais tardios estão associados a mais sono e melhor desempenho no ensino médio estudantes escolares.

Science Advances 4, 2018).

Coleção de dados Conjuntos de dados arquivados em universidades foram obtidos do Instituto de Ciências de Aprendizagem Aplicadas e Tecnologia Educacional (ALSET) da Universidade Nacional de
Cingapura (NUS). A ALSET armazena e vincula dados de alunos não identificados para pesquisa de análise educacional. Os conjuntos de dados arquivados da universidade incluíam
informações demográficas dos alunos (idade, sexo, etnia, ano de matrícula), matrículas em cursos e horários das aulas, dados de conexão Wi-Fi, dados do Learning Management System (LMS)
e notas. Informações demográficas, inscrição no curso e horários das aulas e notas foram fornecidos pelo NUS Registrar's Office, que é responsável por manter todos os registros dos alunos.
Os dados de conexão Wi-Fi e os dados LMS foram fornecidos pela NUS Information Technology (IT). A rede sem fio NUS compreende vários milhares de pontos de acesso Wi-Fi. Cada vez que
o dispositivo habilitado para Wi-Fi de um aluno é associado à rede sem fio NUS, os dados de transmissão são registrados. Os dados de conexão Wi-Fi dos alunos foram adicionados ao ALSET
Data Lake por um pipeline de dados gerenciado pela NUS IT. Cada ponto de dados incluía a identidade tokenizada do aluno, o endereço anônimo de controle de acesso à mídia (MAC) usado

março
2021
de
para identificar o dispositivo habilitado para Wi-Fi (por exemplo, smartphone, laptop ou tablet), o nome e o descritor de localização do ponto de acesso Wi-Fi , e o horário de início e término de
cada conexão Wi-Fi. Os dados de login do LMS foram extraídos das interações registradas dos alunos com o NUS Integrated Virtual Learning Environment (IVLE). O IVLE é um LMS projetado
e construído pela NUS para administrar o conteúdo do curso. Cada ponto de dados incluía o tipo de interação do aluno (por exemplo, login, download, upload, logoff) e registro de data e hora.
A NUS IT foi responsável por mesclar todos os dados com o ALSET Data Lake. Os mesmos tokens específicos do aluno foram representados nas tabelas de dados, permitindo que diferentes
tipos de dados fossem combinados sem conhecer as identidades dos alunos.

2
Machine Translated by Google
Os pesquisadores não estiveram presentes durante a coleta de conjuntos de dados arquivados na universidade. Os dados foram coletados de alunos com comportamento

relatór
portfóli
|resum
nature
do natural que estavam usando os recursos da universidade (por exemplo, rede Wi-Fi e LMS) como parte da vida estudantil normal. Durante o período de coleta de dados,
os alunos teriam interagido com outras pessoas no campus, incluindo outros alunos, professores, funcionários em tempo integral da universidade e visitantes. Os
pesquisadores só tiveram acesso aos dados dos alunos no ALSET Data Lake. Os pesquisadores não estavam cegos para as condições experimentais (ou seja, horário
de início da aula dos alunos) ou hipótese de estudo ao analisar os dados.

Dados de actigrafia foram coletados de alunos de graduação da NUS que foram recrutados para participar de um estudo de pesquisa de 6 semanas sobre seus padrões
de sono e vigília durante o semestre letivo. Os participantes usaram um relógio de actigrafia (Actiwatch Spectrum Plus ou Actiwatch 2; Philips Respironics Inc.,
Pittsburgh, PA) em sua mão não dominante e fizeram visitas semanais a uma sala de aula para que seus dados fossem baixados pelos pesquisadores. Os alunos
apresentaram o horário das aulas no final do período de estudos. Os pesquisadores não estavam cegos para as condições experimentais do estudo (ou seja, horário de
início da aula dos alunos) ou a hipótese do estudo. Os pesquisadores verificaram se os participantes concordaram em usar o relógio de actigrafia, mas não analisaram
os dados até que todos os dados fossem coletados.
Os actogramas foram inspecionados, revisados e aprovados por todos os membros da equipe de pesquisa antes de analisar os dados para derivar as variáveis do
sono. Posteriormente, os dados do sono foram classificados pela primeira aula do dia dos alunos usando seu horário de aula.

Tempo Os dados arquivados na universidade foram analisados usando todos os dados disponíveis no ALSET Data Lake antes da pandemia de COVID-19: (1) Dados de
conexão Wi-Fi foram analisados de agosto de 2018 a dezembro de 2019 (3 semestres), (2) Sistema de gerenciamento de aprendizado dados de login foram
analisados de janeiro de 2017 a maio de 2019 (5 semestres) e (3) dados de notas foram analisados de janeiro de 2017 a dezembro de 2019 (6 semestres).

Os estudos de actigrafia foram realizados durante os seguintes períodos de 6 semanas: (1) 4 de janeiro de 2019 a 15 de fevereiro de 2019, (2) 1 de março de 2019 a 12
de abril de 2019, (3) 27 de setembro de 2019 a 8 de novembro de 2019 .

Exclusões de dados Em análises de dados de estudantes arquivados em

universidades: (1) a frequência confirmada por Wi foi investigada apenas para cursos que (i) foram categorizados como um curso teórico de acordo com o
horário da universidade, (ii) foram realizados uma vez por semana, (iii), foram realizadas pelo menos 7 vezes ao longo do semestre de 13 semanas, (iv) duraram
2 horas por sessão e (v) tiveram a matrícula de pelo menos 100 alunos de graduação. A justificativa para esses critérios era garantir que tipos de cursos
comparáveis fossem incluídos nas análises em diferentes horários de início das aulas. Entre os 436 cursos que atenderam a esses critérios, 71 foram excluídos
devido a dados de conexão Wi-Fi ausentes ou incompletos ou inconsistências com o horário das aulas (por exemplo, devido a aulas canceladas ou remarcadas). As
365 disciplinas restantes foram ordenadas por horário de início, e os dados foram analisados apenas para os horários de início em que havia pelo menos 5 disciplinas
por semestre. Isso garantiu que todos os horários de início das aulas incluíssem pelo menos 15 cursos diferentes abrangendo um período comparável (08:00, 21
cursos; 09:00, 18 cursos; 10:00, 89 cursos; 12:00, 67 cursos; 14:00 , 72 cursos; 16:00, 70 cursos). O conjunto de dados final incluiu 337 cursos e 23.391 alunos únicos.

(2) Todos os dados disponíveis do Learning Management System (LMS) foram usados. Não houve critérios de exclusão.
(3) A média de notas foi analisada em alunos que obtiveram 20 créditos de curso em um determinado semestre. A justificativa para esse critério era garantir que os
alunos em nossas análises tivessem uma carga de trabalho total comparável. O critério foi determinado tomando-se a moda da distribuição dos créditos do curso.

No estudo de actigrafia, os dados foram excluídos (i) de 2 indivíduos devido à baixa qualidade dos dados (os pesquisadores não puderam determinar os intervalos
de tempo na cama para pontuação do sono) e (ii) de 1 indivíduo que falhou em fornecer seu curso calendário com os horários de início de suas aulas. O conjunto de
dados incluiu 181 alunos participantes com 7.329 gravações de sono noturno (intervalo de 27 a 42 dias por indivíduo).

Não participação Nas análises de dados de estudantes arquivados em universidades, a questão da não participação não é aplicável.

No estudo de actigrafia, havia 202 alunos de graduação que se inscreveram no estudo. Houve 13 participantes que desistiram antes do final do período de coleta de
dados (não disponíveis, n = 6; motivos pessoais, n = 5; adoecimento, n = 2) e 5 participantes que foram retirados do estudo pelos pesquisadores por não cumprir os
procedimentos do estudo (por exemplo, não usar o relógio de actigrafia ou não chegar a horas às consultas).

Randomization Os alunos não foram alocados em grupos experimentais. Os horários dos alunos foram usados para classificar seus dados (presença, sono, notas) por diferentes
horários de início das aulas.

Relatórios para materiais, sistemas e métodos específicos

Solicitamos informações dos autores sobre alguns tipos de materiais, sistemas experimentais e métodos usados em muitos estudos. Aqui, indique se cada material, sistema ou método listado é relevante para o
seu estudo. Se você não tiver certeza se um item da lista se aplica à sua pesquisa, leia a seção apropriada antes de selecionar uma resposta.

Materiais e sistemas experimentais n/d Métodos

Envolvido no estudo n/d Envolvido no estudo
Anticorpos ChIP-seq

Linhagens de células eucarióticas citometria de fluxo

Paleontologia e Arqueologia neuroimagem baseada em ressonância magnética

Animais e outros organismos

Participantes de pesquisas humanas

Dados clínicos

Pesquisa de uso duplo preocupante

março
2021
de
3
Machine Translated by Google

relatór
portfóli
|resum
nature
do
Participantes de pesquisas humanas
Informações sobre políticas sobre estudos envolvendo participantes de pesquisas em seres humanos

Características da população

Recrutamento
Veja acima

As análises dos dados dos alunos arquivados na universidade não envolveram o recrutamento de participantes.

O método de estimativa de presença confirmada por Wi-Fi requer que os alunos tenham um dispositivo habilitado para Wi-Fi que esteja procurando ativamente
por pontos de acesso sem fio. Alguns alunos podem ter desativado a varredura por Wi-Fi em seus dispositivos ou usado um plano de dados de celular. Isso pode
ter introduzido algum viés de amostra; no entanto, o Wi-Fi confirmou a presença subestimada, o instrutor relatou a presença apenas em uma pequena quantidade e
essas variáveis foram fortemente correlacionadas. Nossas análises se concentraram em grandes cursos presenciais (>100 alunos matriculados) porque esperávamos
que os alunos tivessem maior probabilidade de faltar a essas aulas em comparação com outros tipos de cursos menores e mais interativos. Em nosso conjunto de
dados, era mais provável que grandes aulas teóricas fossem realizadas por alunos do primeiro ano, e os horários de início das aulas mais cedo eram mais comuns
para alunos matriculados em programas de ciências e engenharia. Para lidar com essas possíveis fontes de viés, nossos modelos estatísticos incluíram o ano letivo
dos alunos e a escola/professor de matrícula. Portanto, consideramos improvável que o viés amostral tenha alterado substancialmente os resultados do estudo.

Usamos as interações do Learning Management System (LMS) para estimar as oportunidades de sono dos alunos. As interações dos alunos com o LMS podem
ser influenciadas por fatores não relacionados ao comportamento sono-vigília, por exemplo, preferências pessoais ou horários sociais.
Além disso, o LMS pode não ser necessário para alguns tipos de cursos. Esses fatores podem ter contribuído para o viés da amostra. Consideramos improvável que
isso tenha afetado os resultados do estudo porque a maioria dos alunos usou regularmente o LMS e os achados foram reproduzidos no estudo de actigrafia.

Os participantes foram recrutados para o estudo de actigrafia colocando anúncios nas plataformas digitais dos alunos (por exemplo, o portal do aluno para empregos
e estudos de pesquisa), colocando panfletos no campus e estandes de recrutamento pessoalmente em locais aprovados no campus. Os alunos que manifestaram
interesse no estudo receberam uma descrição de uma página do estudo de pesquisa. Os indivíduos que permaneceram interessados foram convidados a participar
de uma sessão informativa (cerca de 1 hora) e a fornecer consentimento informado por escrito para participar da pesquisa.

Os participantes do estudo de actigrafia deveriam ser não fumantes em boa saúde geral com um índice de massa corporal entre 18,5-27,0 kg/m2. Os
indivíduos eram inelegíveis se relatassem trabalho por turnos (trabalho remunerado entre as 23:00 e as 07:00) ou se planejassem viajar entre fusos horários
durante o estudo. O viés de autosseleção pode estar presente porque os alunos tiveram que decidir se participariam da pesquisa. No entanto, é improvável que o
viés de auto-seleção tenha tido um impacto significativo nos resultados porque os dados da actigrafia apoiaram/verificaram as descobertas baseadas em dados
arquivados na universidade.

Supervisão de ética As análises dos dados dos alunos arquivados na universidade foram aprovadas pelo NUS Learning Analytics Committee on Ethics (LACE).

Os procedimentos de pesquisa no estudo de actigrafia foram aprovados pelo NUS Institutional Review Board.

Observe que informações completas sobre a aprovação do protocolo do estudo também devem ser fornecidas no manuscrito.

março
2021
de
4