Escolar Documentos
Profissional Documentos
Cultura Documentos
Aulas Matinais - Sono Prejudicado e Desempenho Acadêmico
Aulas Matinais - Sono Prejudicado e Desempenho Acadêmico
6
3. Planejamento da
pesquisa
População em estudo;
▸ Estudantes de uma grande universidade de Singapura
Tipo de amostragem:
▸ Amostragem não probabilística, denotando que a seleção dos participantes
não foi baseada em critérios aleatórios, mas sim orientada por critérios
específicos estabelecidos pelos pesquisadores.
Ferramentas utilizadas:
▸ SigmaPlot v.14.5
▸ Systat Software
7
3. Planejamento da
pesquisa
Amostras:
Para realizar essa pesquisa foram coletados os seguintes os seguintes dados dos alunos:
▸ Metadados de conexão wi-fi: foram usados para obter informações de
horário e localização de 23.391 alunos únicos matriculados em 337 cursos
▸ Frequência de alunos: afim de validar os dados do wi-fi, foram realizadas coletas manuais de
frequência dos alunos de 53 sessões de aula em 13 cursos diferentes.
▸ Dados de login no sistema de ensino: para investigar os períodos de sono dos alunos, foram
coletados dados de login de 39.458 estudantes no LMS utilizado pela faculdade
▸ Dados de actigrafia: a validação dos dados recolhidos do LMS foi feita a utilizando dados de
actigrafia coletados de um grupo de 181 estudantes
▸ Rendimentos acadêmicos: para fazer a analise do impacto das aulas matutinas no
desempenho acadêmico dos alunos
8
4. Coleta de dados
Metadados de conexão wi-fi: Cada vez que um dispositivo de um aluno se associava à
rede wi-fi da universidade de singapura, os dados de transmissão eram registrados. Os
dados incluíam, o endereço de controle de acesso à mídia anônimo usado para
identificar o dispositivo habilitado, o nome e o descritor de
localização do ponto de acesso Wi-Fi e a hora de início e
término de cada conexão Wi-Fi.
Frequência de alunos: Os dados de frequência foram
obtidos de 53 sessões de aula em 13 cursos diferentes.
Os instrutores que forneceram dados de frequência
foram recrutados a partir de uma amostra de
conveniência de professores envolvidos em pesquisa
educacional.
9
4. Coleta de dados
Dados de login no sistema de ensino: As interações dos alunos com o LMS da
universidade foram analisadas ao longo de cinco semestres entre 2016 e 2018, usando
todos os dados disponíveis no ALSET Data Lake.
Dados de actigrafia: Estudantes de graduação da
Universidade nacional de Singapura, 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.
Rendimentos acadêmicos: As notas dos alunos foram
analisadas ao longo dos seis semestres para os quais os
dados de conexão Wi-Fi e LMS estavam disponíveis, entre
2016 e 2019
10
5. Critica de dados
Para validar a veracidade dos metadados extraídos do Wi-Fi, foram
realizadas uma análise de correlação de Pearson com teste bicaudal para
comprovar a relação entre os metadados e a frequência de alunos fornecida
pelos instrutores.
Os dados de login do LMS foram utilizados para obter o padrão de sono-
vigília dos alunos. Esses dados foram complementados com o estudo de
actigrafia, a fim de fornecer um quadro mais realista dos hábitos de sono-
vigília, trazendo assim maior embasamento e confiabilidade aos dados
coletados.
11
6. Exposição
A frequência das aulas confirmadas por Wi-Fi foi menor para as aulas matutinas.
Através da análise de correlação de Pearson e As caixas mostram a mediana e o intervalo
teste bicaudal prova-se que frequência relatada interquartil.
pelo instrutor esta correlacionada com a Os bigodes mostram os percentis 10 e 90.
frequência confirmada pelo Wi-Fi.
Tamanho da amostra
Frequência dos docentes às aulas
Frequência confirmada por wifi (número de alunos) Hora de início da aula (hh:mm)
Gráfico de dispersão Diagrama de caixa 12
6. Exposição
Os alunos frequentemente dormiam até após o início das aulas matinais.
Cada círculo corresponde a um valor de
Períodos de sono e aulas programadas são mostrados deslocamento de sono individual. Círculos abertos
em um aluno representativo que passou por um mostram casos em que os alunos acordaram após o
estudo de actigrafia de 6 semanas. início da aula e os círculos negros mostram casos em
que os alunos não acordaram cedo o suficiente para
Dias de estudo chegar à aula a tempo
15
Gráfico de linha
6. Exposição
Alunos com turmas matutinas em mais dias da semana tiveram menores médias de notas.
17
8. limitações do
estudo
18
8. Sugestões para futuros
estudos
20
9. conclusão
O artigo contribui significativamente para o avanço do conhecimento sobre os
efeitos dos horários das aulas no comportamento e aprendizado dos estudantes
universitários. Além disso, fornece evidências empíricas que apoiam a ideia de que adiar
o início das aulas pode beneficiar os estudantes, conforme já demonstrado em estudos
com estudantes do ensino médio.
21
10. refêrencias
1. Yeo, S.C., Lai, C.K.Y., Tan, J. et al. Early morning university classes are associated with
impaired sleep and academic performance. Nat Hum Behav 7, 502–514 (2023).
https://doi.org/10.1038/s41562-023-01531-x
2. Credé, M., Roch, S. G. & Kieszczynka, U. M. Class attendance in college: a meta-analytic
review of the relationship of class attendance with grades and student characteristics. Rev.
Educ. Res. 80, 272–295 (2010).
3. Curcio, G., Ferrara, M. & De Gennaro, L. Sleep loss, learning capacity and academic
performance. Sleep Med. Rev. 10, 323–337 (2006).
4. Friedman, P., Rodriguez, F. & McComb, J. Why students do and do not attend classes. Coll.
Teach. 49, 124–133 (2001).
5. Sloan, D., Manns, H., Mellor, A. & Jeffries, M. Factors influencing student
6. Onyper, S. V., Thacher, P. V., Gilbert, J. W. & Gradess, S. G. Class start times, sleep, and
academic performance in college: a path analysis. Chronobiol. Int. 29, 318–335 (2012).
7. Basner, M., Spaeth, A. M. & Dinges, D. F. Sociodemographic characteristics and waking
22
activities and their role in the timing and duration of sleep. Sleep 37, 1889–1906 (2014).