Framework baseado em ciência de dados e engenharia de software para analisar a evolução de habilidades e competências do pensamento computacional

Pensamento Computacional tem se tornado uma capacidade requerida no processo de formação de estudantes para atender ao avanço tecnológico que está transformando os modelos de negócio. O uso de oficinas de jogos digitais que utilizam o Construcionismo como abordagem de ensino tem apresentado resultados educacionais promissores no desenvolvimento desta competência. Contudo a avaliação adequada da sua efetividade e, consequentemente, do progresso do aluno, ainda se constitui um desafio. Frente ao exposto, este trabalho apresenta um framework baseado em Ciência de Dados, que tem como objetivo facilitar o processo de descobrimento de padrões e comportamentos que remetem à aquisição do Pensamento Computacional, por meio da abordagem de análise sob diferentes níveis de abstração e da análise de agrupamento com uso de uma rede neural artificial não supervisionada conhecida na literatura como SOM (Self-Organizing Maps). O framework é estruturado em cinco visões: Ensino-Aprendizagem, Estrutural, Análise de Agrupamento, Processos e Learning Analytics, que organizam as atividades do processo de mineração dos dados e são norteadas pelas questões que devem ser respondidas pelo conhecimento adquirido, visando à avaliação da evolução das habilidades e competências do Pensamento Computacional. Um estudo de caso foi efetuado utilizando uma oficina de jogos digitais de características construcionistas utilizando Scratch (com 130 alunos de 3 cursos e 2 diferentes níveis, gerando 898 arquivos). Os resultados apontam para a viabilidade do framework, destacando: (1) o estabelecimento das questões direcionou o foco de todo o processo de mineração dos dados na busca de suas respostas; (2) o conhecimento provido pela Visão Ensino-Aprendizagem permitiu entender os dados gerados ao longo da execução da oficina; (3) a visão Estrutural permitiu identificar quais dados que devem compor a base de dados para responder às questões estabelecidas; (4) a influência e o conhecimento providos pela visão de Análise de Agrupamento devido à capacidade de uso dos mapas SOM em diferentes análises, permitiram a identificação de padrões e comportamentos que revelaram o efeito gerado pelo processo de ensino-aprendizagem, caracterizando o caminho praticado pelos alunos com construção do conhecimento abaixo, dentro e acima do esperado; por fim, as descobertas nos dados permitiram a visão Learning Analytics promover a melhoria contínua do processo de ensino-aprendizagem.Computational Thinking has become a required capability in the student learning process to meet the rapid advances in digital technology that are transforming business models. The constructionist digital games as a teaching approach have manifested promising educational results in the construction of this competence. Nonetheless, accurately evaluating the effectiveness and, consequently, student improvement is still a challenge. Motivated by this knowledge gap, presents a framework based on Data Science, which proposes to facilitate the process of discovering patterns and behaviors that lead to the acquisition of Computational Thinking, by the practice of analysis under different levels of abstraction and cluster analysis with an unsupervised neural network known in the literature as SOM (Self-Organizing Maps). The framework is composed in five views: Teaching Learning, Structural, Cluster Analysis, Processes and Learning Analytics, which organize the activities of the Data Mining process and are guided by the questions that must be answered by the acquired knowledge, aiming to evaluate the evolution of the skills and competences of Computational Thinking. A case study, using Scratch constructionist digital games workshop (with 130 students from 3 courses and 2 different levels, generating 898 files), was executed to validate this approach. The results show to the viability of the framework, highlighting: (1) the institution of the questions directed the focus of the whole Data Mining process in the search for its responses; (2) the knowledge provided by the Teaching Learning View allowed us to understand the data generated during the workshop application; (3) the Structural View allowed us to identify which data should compose the database to answer the established questions; (4) the influence and knowledge provided by the Cluster Analysis View due to the ability to use SOM maps in different analyzes, allowed the detection of patterns and behaviors that exposed the effect produced by the teaching-learning process, describing the followed construction path by students with knowledge below, within and above expectations; Finally, data-based discoveries have enabled the continuous improvement for the teaching-learning process in the Learning Analytics View.Coordenação de Aperfeiçoamento de Pessoal de Nível SuperiorUniversidade Presbiteriana Mackenzi