Medindo o Engajamento dos Alunos: Uma Nova Abordagem

Nas salas de aula, entender o quanto os alunos estão engajados pode ajudar muito os professores a melhorar a aprendizagem. Engajamento é sobre o quanto os alunos estão envolvidos em aprender, conversar e pensar. Tem três partes: sentimentos (como os alunos se sentem), ações (o que os alunos fazem) e pensamento (como os alunos pensam sobre o que estão aprendendo). Mas, descobrir se os alunos estão engajados não é fácil porque essas partes podem ser difíceis de perceber. Este artigo fala sobre um novo conjunto de dados que coletamos com vídeos de alunos trabalhando juntos e como os computadores podem ajudar a prever os níveis de engajamento.

#O que é Engajamento na Sala de Aula?

Engajamento na sala de aula refere-se a como os alunos participam ativamente do aprendizado, das discussões e da reflexão sobre o que aprendem. Isso inclui três dimensões principais:

1. Engajamento afetivo: Isso é sobre os sentimentos dos alunos, como estar interessado ou empolgado.
2. Engajamento comportamental: Isso se concentra nas ações que os alunos tomam, como prestar atenção ou participar.
3. Engajamento cognitivo: Isso é sobre como os alunos pensam criticamente e resolvem problemas.

Para medir o engajamento, os pesquisadores geralmente usam dois métodos: observar os alunos ou pedir que eles avaliem o quanto se sentem engajados. Cada método tem seus prós e contras. Os observadores precisam de treinamento, enquanto a Autoavaliação pode ser influenciada por fatores como a vontade de parecer bem.

#A Necessidade de um Conjunto de Dados Melhor

A maioria dos estudos anteriores usou dados de vídeo limitados, que não capturam realmente o que acontece em uma sala de aula animada. É claro que há uma necessidade de dados de vídeo mais detalhados que mostrem os alunos em cenários reais de sala de aula. Muitos conjuntos de dados existentes se concentram em ambientes de aprendizagem online, que são diferentes das salas de aula tradicionais. Então, nós criamos nosso conjunto de dados para mostrar a complexidade do aprendizado presencial.

#Processo de Coleta de Dados

#Como Coletamos os Dados

Nós gravamos vídeos de alunos universitários trabalhando em grupos usando ferramentas de codificação criativa, que são feitas para tornar o aprendizado interativo. Os alunos participaram de atividades onde assistiram tutoriais online e tiveram discussões práticas. Enquanto trabalhavam, nós fizemos perguntas para checar seu pensamento e envolvimento.

#Seleção dos Participantes

Para conseguir dados realistas, escolhemos os participantes com base em três critérios:

1. Eles devem se conhecer para imitar um ambiente de sala de aula típico.
2. Eles devem ter pouco ou nenhum conhecimento prévio sobre o tópico para manter o interesse.
3. Eles devem ter alguma experiência em ensino para ajudar a avaliar com precisão seu próprio engajamento.

Isso nos permitiu coletar dados de alta qualidade seguindo padrões éticos.

#Autoavaliação do Engajamento

Cada aluno avaliou seu próprio engajamento em uma escala de -100 (nada engajado) a 100 (totalmente engajado). Nós fornecemos uma lista de verificação para ajudar a guiar sua autoavaliação. Essa lista incluía itens como sentir-se orgulhoso ou participar ativamente das discussões em sala.

#Preparando os Dados

Os vídeos brutos foram coletados usando tablets, capturando a sala de aula de vários ângulos. Os vídeos foram então cortados em clipes mais curtos para facilitar a análise do engajamento. Nós focamos nas áreas faciais para dar uma olhada mais de perto nas expressões e sentimentos dos alunos.

#Características Faciais e Corporais

Usando software avançado, conseguimos analisar as características faciais e os movimentos. Por exemplo, olhamos para os movimentos oculares, poses da cabeça e posições do corpo para reunir informações sobre os níveis de engajamento. Esse processo envolveu o uso de modelos que extraem várias características dos vídeos, levando a uma análise precisa.

#Construindo os Modelos de Previsão

Depois de coletar e preparar os dados, nós construímos modelos de previsão para classificar os níveis de engajamento. Usamos dois tipos de modelos: um que analisa imagens dos rostos individuais dos alunos e outro que analisa vídeos de atividades em grupo.

#Modelos Baseados em Rosto

Os modelos baseados em rosto foram projetados para entender o engajamento examinando imagens recortadas dos rostos dos alunos. Usamos diferentes técnicas e arquiteturas para ver qual renderizava os melhores resultados.

#Modelos Baseados em Vídeo

Os modelos de vídeo usaram sequências de quadros para prever o engajamento em nível de grupo. Ao analisar clipes de dez segundos, pretendemos capturar a dinâmica das interações em grupo. Esses modelos também empregaram arquiteturas avançadas que ajudaram a melhorar as previsões.

#Resultados dos Modelos

Os resultados mostraram níveis promissores de precisão na previsão de engajamento com base em rostos individuais e interações em grupo. Os modelos de rosto alcançaram até 85% de precisão enquanto os modelos de vídeo tiveram um máximo de 71% de precisão.

#Insights da Análise

Ao longo da nossa análise de dados, começamos a notar padrões sobre como os níveis de engajamento mudaram durante diferentes atividades.

#Atividades Engajadoras

Percebemos que quando os alunos estavam ativamente trabalhando em tarefas práticas, seus níveis de engajamento eram muito mais altos em comparação a quando estavam apenas assistindo vídeos. Essa descoberta sugere que incluir mais tarefas interativas poderia beneficiar as experiências de aprendizado.

#Momentos de Desengajamento

Alguns momentos específicos foram identificados como desengajadores, como quando os instrutores falavam sobre trabalhos futuros ou quando surgiam problemas técnicos. Os professores poderiam usar essa informação para modificar suas estratégias de ensino.

#Desafios da Autoavaliação

Embora a autoavaliação seja importante, ela pode às vezes levar a avaliações imprecisas do engajamento. Por exemplo, quando os alunos se sentiam interessados em um tópico não relacionado, eles ainda se avaliavam como engajados, mesmo que não estivessem concentrados na aula. Isso destaca a complexidade do engajamento e como ele é influenciado por vários fatores.

#Usando Dados para Melhorar as Experiências de Aprendizado

A análise de dados ajuda os educadores a ter uma visão mais clara do engajamento dos alunos, mas deve ser usada com cuidado. Os professores devem considerar combinar insights da aprendizagem de máquina com suas observações dos alunos.

#Aplicação Prática

Em salas de aula reais, nem todo momento será engajador. O objetivo é reduzir períodos prolongados de desengajamento. Os professores podem usar os insights da aprendizagem de máquina para informar suas práticas, ajudando a criar experiências de aprendizado mais envolventes.

#Considerações Éticas

Ao usar dados para rastrear o engajamento dos alunos, é vital considerar questões de privacidade. Nossa abordagem não coleta informações pessoais e garante que as identidades dos alunos estejam protegidas. Os professores têm acesso a dados agregados para apoiar suas decisões sem comprometer a privacidade dos alunos.

#Conclusão

À medida que continuamos a analisar o engajamento em ambientes de sala de aula, o uso de tecnologia moderna e análise de dados se destaca como uma ferramenta poderosa para educadores. Através do nosso conjunto de dados e modelos, esclarecemos a natureza do engajamento na sala de aula e seus aspectos multidimensionais. As descobertas indicam que entender e melhorar o engajamento não só beneficia a eficácia do ensino, mas também enriquece as experiências de aprendizado dos alunos.

Seguindo em frente, encorajamos outros a explorar essas abordagens e adaptá-las a seus próprios contextos educacionais para cultivar um ambiente onde os alunos se sintam motivados e engajados no processo de aprendizado.