A motivação e o ensino de programação

A preocupação com a motivação dos estudantes e com o impacto desta no aprendizado de programação têm sido tema de várias pesquisas, ao longo dos anos. Pesquisadores tem tentado compreender quais fatores estão relacionados a motivação e como estes afetam o aprendizado, tanto negativa quanto positivamente. A seguir serão descritos trabalhos que foram considerados de relevância e influenciaram na elaboração desta proposta.

Bergin e Reilly (2005b) apresentam um estudo dos fatores que influenciam a performance dos estudantes em módulos de programação introdutórios. No artigo são apresentados resultados relacionados a dois fatores: motivação e nível de conforto. A motivação é definida pelos autores como uma combinação da vontade, da necessidade, desejo e a disposição do aluno para participar do processo de aprendizagem. Considera-se dois tipos de motivação, a intrínseca, na qual o aluno realiza a tarefa por iniciativa própria, pela sua própria realização e a extrínseca que depende de premiações, punições ou outros tipos de estímulo. A definição de nível de conforto incorpora a facilidade de um aluno para resolver as questões de programação, sua autopercepção e sua autoestima.

A investigação foi realizada com estudantes de um curso que utiliza PBL como metodologia de ensino e aprendizagem, na universidade de Sussex, no Reino Unido. As principais conclusões apontam para o fato de que estudantes que apresentam maiores graus de motivação intrínseca tem performance superior aos que exibem altos graus de motivação extrínseca, que apresentou menor impacto na performance dos programadores. Além disso o grau de importância e utilidade que o estudante atribui à tarefa, as crenças e esforços, quando positivos também incrementam a performance destes (BERGIN, REILLY, 2005). Com relação ao nível de conforto, não foi percebido um impacto significativo na performance de estudantes que apresentam menores ou maiores níveis de auto estima e autoconfiança.

O trabalho desenvolvido por Nigel Bosch e Sidney D’Mello (2017) identificou um conjunto de emoções e estados afetivos demonstrados por estudantes em um experimento de programação. Um conjunto de 99 estudantes participou de atividades que consistiam na resolução de problemas de programação, em intervalos que intercalavam atividades intensivas, durante 25 minutos, com paradas previstas de 10 minutos. Utilizando como base o registro de vídeo feito dos estudantes, enquanto estes realizavam as atividades, buscou-se reconhecer a ocorrência das emoções e estados afetivos e a sequência em que estes ocorreram.

Os estados afetivos que ocorreram com mais frequência foram engajamento, confusão, frustração, tédio e curiosidade. Emoções como ansiedade, felicidade, surpresa, raiva, desgosto ou medo também foram identificados, porém com menor incidência. Transições recíprocas entre engajamento e confusão e entre confusão e frustração foram percebidas durante o experimento. Uma das conclusões é que a escrita do código foi o elemento central, catalisador das transições entre os diferentes estados e emoções.

Estados afetivos de frustração ou confusão foram detectados, geralmente após a ocorrência de erros ou dificuldades para compilar ou executar um programa. A seguir normalmente o estudante buscava auxílio ou acessava um recurso de ajuda. A curiosidade ou o engajamento foram verificados diversas vezes após o início da codificação da solução, entretanto, a confusão foi um estado demostrado várias vezes, após a leitura e tentativa de interpretação do problema.

A relação entre a persistência e a motivação é investigada na pesquisa desenvolvida por Dundunmaya, Banwan e Rodrigo (2018). Os autores argumentam que estudantes que persistem nas tarefas, mesmo diante das dificuldades encontradas demonstram maior esforço e são mais habilitados para lidar com a frustração. O foco principal dos autores é a análise da persistência demonstrada pelos estudantes na resolução de problemas, mesmo em situações em que os alunos falham nas primeiras tentativas.

Para mediar a persistência são utilizados dados de logs das tarefas realizadas pelos estudantes em um sistema de tutoria inteligente. Foram considerados dados como o tempo gasto na resolução ou tentativa de resolver a atividade, o que segundo os autores é um indicativo de esforço e por consequência, de motivação, além de registros de abandono, retomadas e tentativas (DUNDUNMAYA, BANAWAN E RODRIGO, 2018). Técnicas baseadas em agrupamento foram aplicadas e resultaram em dois grupos distintos de estudantes, os com maior e menor persistência. A conclusão final dos autores é que o grupo de estudantes que apresentou

maior persistência foi mais efetivo na resolução dos problemas, em consequência de uma maior motivação e engajamento nas tarefas.

Os três trabalhos relacionados à motivação, descritos nesta seção, contribuíram para o desenvolvimento desta pesquisa, demonstrando que a motivação ou outros estados afetivos podem afetar significativamente os resultados obtidos nas disciplinas de programação. Uma abordagem que foque na compreensão do problema pode contribuir para que o estudante só inicie a codificação no momento em que já tiver uma visão mais clara de como irá elaborar a solução o que pode reduzir as dificuldades técnicas e aumentar a motivação intrínseca dos estudantes, e de acordo com Bergin (2005) pode melhorar o aprendizado.

A coleta de dados relacionados ao comportamento do estudante durante a aplicação das etapas de problematização, além do questionário para o autorrelato pode permitir a identificação das emoções exibidas pelos estudantes, de forma análoga ao trabalho de Bosch e D’Mello (2017). A observação das transições entre estados afetivos contribuirá também para a elaboração do modelo para reconhecimento da motivação que será proposto e aplicado.

A relação estabelecida entre persistência e motivação e a utilização de dados relacionados aos tempos ou retomadas de tarefas descrita no trabalho de Dundunmaya, Banawan e Rodrigo (2018) foi importante para a definição dos observáveis deste trabalho. Percebe-se no trabalho a relação entre os tempos das atividades e os observáveis definidos por Du Boulay e Del Soldato (2016), como, por exemplo, o número de tentativas de resolver um problema. A presente tese utilizou estes princípios como base para definição das variáveis das RB, especialmente no caso dos tempos para definição dos pontos-chave e hipótese que serão detalhados posteriormente.