dc.creator |
GUIMARÃES, Leovani Marcial |
|
dc.date.issued |
2021-04-22 |
|
dc.identifier.uri |
https://repositorio.unifei.edu.br/jspui/handle/123456789/2436 |
|
dc.description.abstract |
The Brazilian National Curriculum Guidelines (DCN) of the Undergraduate Engineering
Courses of 2019 presented new pedagogical demands, one of them being the application of
Active Learning (AL). Scientific studies on AL applied to Engineering courses has grown
significantly in recent years and its results uncovered challenges and opportunities for future
research. Classroom observation instruments designed for AL environments have emerged and
have supported research to objectively assess the behaviors and attitudes that characterize such
environments. However, there was a lack of predictability for Engineering Higher Education
Institutions (EHEIs) regarding learning gains when applying AL techniques within a
challenging process of changing teaching practices. In this context, the objective of this thesis
was to propose a predictive mathematical model that demonstrates the relationship between the
students' degree of learning and the application or not of AL techniques in the classroom
(measured by the level of activity captured by an observation protocol). To achieve this
objective, a strict and systematic methodological process was established, using controlled
experimental research in an EHEI over three years, in two dimensions of analysis. The first one,
intraclass, used a repeated measures experimental design to demonstrate the probable causeeffect relationship in a two-level one-factor approach. In addition, it allowed a qualitative
analysis of AA application in individual courses. The second, interclass, involved independent
class samples in subsequent semesters and used Partial Least Squares Structural Equation
Modeling to test and identify the best predictive model for learning based on the application of
AL. The intraclass results demonstrated, in a positive cause-effect relationship, that the global
average academic performance was 14% better in the post-AL assessment, compared to the
first, without the application of AL techniques, representing 40% of the standard deviation of
the grades. In addition, the individual analysis of performance in each of the courses revealed
the most and least successful strategies and allowed to recommend those most viable AL
strategies for specific groups of courses. In the interclass dimension, the improvement was 10%
and the PLS-SEM predictive model was positively validated by several performance indexes,
demonstrating a significant and non-linear positive relationship between the latent constructs,
with a moderate to high relevance for learning prediction (𝑄2 > 0.344). In the demonstration of
the predictive relevance, the best-fitting curve of the relationship allowed, from an average
score between 0 and 35.97 in the level of AL adherence (NAA) to predict an average Learning
score (AP) between 45.89 and 74.90 on the scale of performance degrees. β coefficients were
positive and significant, with p values < 0.01. The systematic methodological design and the
results obtained are intended to be the main contributions of this research to the literature and
to the latent discussion of the effectiveness of active learning methods in Engineering
Education. |
pt_BR |
dc.description.sponsorship |
Agência 1 |
pt_BR |
dc.language |
por |
pt_BR |
dc.publisher |
Universidade Federal de Itajubá |
pt_BR |
dc.rights |
Acesso Aberto |
pt_BR |
dc.subject |
Aprendizagem ativa |
pt_BR |
dc.subject |
Educação em engenharia |
pt_BR |
dc.subject |
Protocolos de observação em sala de aula |
pt_BR |
dc.subject |
Modelagem de equações estruturais |
pt_BR |
dc.subject |
Mínimos quadrados parciais |
pt_BR |
dc.subject |
PLS-SEM |
pt_BR |
dc.title |
Modelo preditivo de aprendizagem ativa em engenharia baseado na modelagem de equações estruturais com mínimos quadrados parciais (PLS-SEM) |
pt_BR |
dc.type |
Tese |
pt_BR |
dc.date.available |
2021-05-19 |
|
dc.date.available |
2021-05-19T15:02:27Z |
|
dc.date.accessioned |
2021-05-19T15:02:27Z |
|
dc.creator.Lattes |
http://lattes.cnpq.br/5307601621058255 |
pt_BR |
dc.contributor.advisor1 |
LIMA, Renato da Silva |
|
dc.contributor.advisor1Lattes |
http://lattes.cnpq.br/9161092505168234 |
pt_BR |
dc.description.resumo |
As Diretrizes Curriculares Nacionais (DCN) dos Cursos de Graduação em Engenharia de 2019
apresentaram novas demandas pedagógicas, sendo uma delas a aplicação de Aprendizagem
Ativa (AA). A pesquisa científica sobre AA aplicada aos cursos de Engenharia tem crescido de
forma relevante nos últimos anos e seus resultados tem revelado desafios e oportunidades para
novos estudos. Instrumentos de observação em sala de aula projetados para os ambientes de
AA surgiram e têm apoiado pesquisas para avaliação dos comportamentos e atitudes que
caracterizam tais ambientes. Entretanto, observou-se a falta de previsibilidade para as
Instituições de Ensino Superior (IES) de Engenharia quanto aos ganhos de aprendizagem ao
aplicar as técnicas ativas dentro de um processo desafiador de mudança de práticas de ensino.
Neste contexto, o objetivo desta tese foi propor um modelo matemático preditivo que
demonstrasse a relação entre a aprendizagem dos alunos (medido pelas suas notas) e a aplicação
ou não das técnicas de AA em sala de aula (medido pelo nível de atividade capturado por um
protocolo de observação). Para atingir esse objetivo, uma rígida sistemática metodológica foi
estabelecida, utilizando-se de pesquisa experimental controlada em uma IES de Engenharia ao
longo de três anos, em duas dimensões de análise. A primeira, intraclasse, utilizou um projeto
de amostras pareadas para gerar as bases de observações e graus de desempenho e demonstrar
a provável relação causa-efeito em dois níveis de um fator, além de permitir a avaliação
qualitativa da abordagem de AA de cada disciplina. A segunda, interclasse, envolveu amostras
independentes de turmas em semestres subsequentes e utilizou a Modelagem de Equações
Estruturais por Mínimos Quadrados Parciais - PLS-SEM para testar e identificar o melhor
modelo preditivo para a aprendizagem em função da aplicação da AA. Os resultados intraclasse
demonstraram uma relação positiva de causa-efeito, onde o desempenho acadêmico médio
global foi 14% melhor na avaliação pós AA, comparado com a primeira, sem a aplicação de
técnicas de AA, representando 40% do desvio padrão das notas. Além disto, a análise individual
do desempenho em cada uma das disciplinas revelou as estratégias de maior e menor sucesso e
permitiu recomendar aquelas estratégias mais viáveis de AA para grupos específicos de
disciplinas. Na dimensão interclasse, a melhoria foi de 10% e o modelo preditivo PLS-SEM foi
validado positivamente por diversos índices de desempenho, demonstrando uma relação
positiva significativa e não linear entre os constructos latentes, com capacidade entre moderada
e alta de predição de alvos de aprendizagem (Q²>0,344), a partir dos níveis de AA. Na
demonstração da relevância preditiva, a curva ajustada da relação permitiu, a partir de um
escore médio entre 0 e 35,97 no nível de aderência AA (NAA) prever um escore médio de
Aprendizagem (AP) entre 45,89 e 74,90, na escala de graus de desempenho. Os coeficientes β
foram positivos e significativos, com valores p < 0,01. A sistemática metodológica e os
resultados obtidos pretendem ser as principais contribuições desta pesquisa para a literatura e
para a discussão latente da eficácia de métodos ativos de aprendizagem na Educação em
Engenharia. |
pt_BR |
dc.publisher.country |
Brasil |
pt_BR |
dc.publisher.department |
IEPG - Instituto de Engenharia de Produção e Gestão |
pt_BR |
dc.publisher.program |
Programa de Pós-Graduação: Doutorado - Engenharia de Produção |
pt_BR |
dc.publisher.initials |
UNIFEI |
pt_BR |
dc.subject.cnpq |
CNPQ::ENGENHARIAS::ENGENHARIA DE PRODUÇÃO |
pt_BR |
dc.relation.references |
GUIMARÃES, Leovani Marcial. Modelo preditivo de aprendizagem ativa em engenharia baseado na modelagem de equações estruturais com mínimos quadrados parciais (PLS-SEM). 2021. 178 f. Tese (Doutorado em Engenharia de Produção) – Universidade Federal de Itajubá, Itajubá, 2021. |
pt_BR |