Análise de dados

Os dados só têm interesse se conseguirmos extrair informação do seu conteúdo. Se aplicarmos o pensamento computacional a um nível mais profundo, analisando grandes quantidades de dados, resultantes de capturas realizadas por diversos tipos de sensores, relacionados com a medição de temperatura, consumo de eletricidade, trânsito, o pensamento computacional será uma grande ajuda, no sentido de desenvolver modelos de análise cada vez mais complexos. Entenda-se que nos referirmos a pensamento computacional, no âmbito deste estudo, como o conjunto de etapas já anteriormente indicadas e que podem ser aplicadas para resolver problemas, utilizando computadores ou não. Para além disso, há também todo um conjunto de dispositivos eletrónicos (sensores, telemóveis, câmaras, aviões, carros, etc.), que são geradores de quantidades massivas de dados, também passíveis de serem analisados (Wing, 2008). A evolução dos computadores e das redes ao longo das últimas décadas deu origem a uma verdadeira revolução na forma de recolher, tratar, analisar e apresentar os dados. Passámos a ouvir com certa frequência termos relacionados com esta temática, tais como, Big Data, Data Mining, Data Warehouse ou IoT .Na verdade, esta revolução só foi possível graças à digitalização da informação, ao seu tratamento automático e à sua transmissão através de redes. Esta última etapa do pensamento computacional que estamos a analisar é

39

igualmente muito importante, pois as ciências da computação dispõem de ferramentas poderosas relacionadas com a forma de organizar, tratar e apresentar os dados. Essas ferramentas podem ser utilizadas não apenas através de computadores, mas até mesmo manualmente, pois a sua forma estrutural permite tratar e organizar os dados, apresentando-os ordenadamente, e portanto mais fáceis de entender. Como exemplo podemos pensar numa forma de organizar os dados sob a forma de tabela, constituída por linhas e colunas; esta é uma estrutura de dados utilizada pelas ciências da computação, mais concretamente em algoritmia e estrutura de dados designada por matriz bidimensional. Também poderá ser constituída apenas uma linha (vetor) ou ser tridimensional, como representado na Figura II.6.

Figura II.6 – Exemplos de matrizes

Fonte: (Stephens, 2013)

As linhas e colunas destas estruturas de dados são numeradas com um só número, um par de números ou uma tríade de números que se designam por índice. A forma de guardar e aceder aos dados guardados nestas estruturas é através de atribuição de variáveis a cada estrutura. Se pensarmos num vetor a que atribuímos o nome “V” com sete índices e chamarmos “célula” a cada pequeno retângulo, as respetivas posições (V1, V2,…V7), podem estar associadas a quantidade numéricas, símbolos ou letras. No Quadro II-7 foram atribuídos valores numéricos a cada posição do vetor; reconhecemos que a aplicação desta estrutura de dados pertencente às ciências da computação, ajudou na forma de representar este conjunto de números. Será suficiente dizer V6 para associarmos ao número 7, mas se apenas tivéssemos escrito os números 12-14-5-1-34-7 e 2, a forma de indicar o número 7, seria um pouco mais complicada.

40

Quadro II-7 – Vetor de 7 posições

V1 V2 V3 V4 V5 V6 V7

12 14 5 1 34 7 2

Fonte: o próprio

Como exemplo, numa aplicação de telemóvel a estrutura do layout ou projeto gráfico pode ser mais facilmente desenvolvida se recorrermos a uma estrutura do tipo matriz ou tabela; cada botão apresentado no layout da Figura II.7 daria acesso a outras estruturas.

Figura II.7 – Teclado estruturado através de uma matriz

Fonte: o próprio

Passando para outro nível de aplicação dos dados estruturados, se utilizarmos os computadores para manipular estas estruturas de dados, o ganho em tempo na forma como os dados serão tratados é muito maior. Outro aspeto está relacionado com o tratamento dos dados, estes podem ser ordenados por ordem crescente, decrescente, encontrar o maior ou menor valor, calcular a média, entre muitas outras opções. Pensando no caso da ordenação de valores numéricos ou alfanuméricos (não numéricos), existem algoritmos para realizar esta tarefa. Existem vários algoritmos de ordenação, por seleção (Selection Sort), por bolha (Bubble Sort), por inserção (Insertion Sort), entre outros. Este último permite ordenar os elementos de um vetor, percorrendo o vetor da esquerda para a direita

41

e comparando-os dois a dois. Neste caso, se o elemento da direita for menor que o anterior haverá uma troca de posições no vetor, ficando o elemento de menor valor mais à esquerda. O vetor é percorrido sendo realizadas comparações sucessivas até que esteja ordenado. Quando jogamos às cartas e procedemos à sua ordenação, sem querer estamos a aplicar o pensamento computacional, o ideal será aplicar estes conceitos e capacidades em muitas outras situações (Fonseca et al., 2015).

A importância da análise dos dados deu origem a uma área das Ciências da Computação designada Ciência dos Dados (Data Science) que está associada à extração do conhecimento em grandes quantidades de informação não organizada ou não estruturada. Mensagens, fotografias, pesquisas, são exemplos de dados não estruturados. O investigador destes dados, com todas as ferramentas que tem ao seu dispor para analisar os dados, precisa de compreender o que é que eles têm de importante e que vantagens podem trazer para empresas, escolas, hospitais, entre outros sistemas geradores de dados. As três etapas fundamentais, na análise destes dados, são a recolha e preparação, análise e reflexão e apresentação dos resultados sob a forma de relatórios (Pal, Mukherjee, & Nath, 2015). Para a empresa Google os dados recolhidos e guardados nos servidores (2,5 milhões em 2017 segundo a Gartner) dos seus centros de dados espalhados pelo mundo (8 centros-EUA, 1 centro -América do Sul, 2 centros -Ásia,4 centros -Europa) são muito importantes porque contêm informação. Através da sua análise, algoritmos recolhem dados/informação, analisam e apresentam informação importante para quem pesquisa. A sugestão dos algoritmos relativamente a essa pesquisa pode estar relacionada com o ranking do termo pesquisado ou com sugestões pagas pelas empresas relacionadas com a busca. Em 40 milhões de buscas por segundo o valor das transações envolvidas nestas sugestões é muito elevada (Gartner, 2017). Numa App que tenha em vista o mobile learning, a análise dos dados produzidos pela sua utilização deverá seguir as etapas apresentadas. Isto porque em primeiro lugar, o utilizador deverá receber feedback da utilização da App, nomeadamente na apresentação de relatórios, gráficos ou sinais sonoros. Em segundo lugar o responsável pelo seu desenvolvimento também terá interesse melhorar a sua App, sabendo por exemplo quanto tempo a App foi utilizada, quais os níveis ultrapassados, quantas vezes foi descarregada, etc.

42