Mapping data literacy trajectories in K-12 education

Título: Mapeamento de Trajetórias de Alfabetização de Dados no Ensino Fundamental e Médio (K–12)

Autores: Robert Whyte, Manni Cheung, Katharine Childs, Jane Waite (Raspberry Pi Foundation) e Sue Sentance (Universidade de Cambridge).

---

1. Problema e Contexto

A alfabetização de dados tornou-se uma competência fundamental em uma sociedade orientada por dados, abrangendo áreas como visualização, ciência cognitiva, inteligência artificial (IA) e educação. No entanto, há uma lacuna crítica na educação em Ciência da Computação (CC):

• Paradigma Desatualizado: O ensino tradicional de programação foca na lógica baseada em regras (sistemas simbólicos), o que é insuficiente para preparar os alunos para tecnologias orientadas a dados (como Machine Learning - ML).
• Falta de Integração: A natureza interdisciplinar da ciência de dados (estatística, CC, matemática) gera uma "perspectiva fragmentada", onde as conexões entre domínios permanecem invisíveis.
• Incerteza Pedagógica: Não está claro quais habilidades específicas de alfabetização de dados são necessárias, como elas devem ser estruturadas em progressões significativas ou como os alunos desenvolvem modelos mentais precisos sobre sistemas orientados a dados.

O objetivo do artigo é responder à pergunta: Como podemos mapear as experiências de aprendizagem de estudantes K–12 em atividades interdisciplinares de alfabetização de dados através de uma estrutura comum?

2. Metodologia

Os autores realizaram uma revisão sistemática da literatura seguindo as diretrizes PRISMA 2020:

• Corpus de Dados: 84 estudos empíricos revisados por pares, publicados entre 2019 e 2024.
• Critérios de Inclusão: Focados em alfabetização de dados em contextos K–12, envolvendo atividades em sala de aula ou não formais (ex.: acampamentos de dados), em áreas como educação em computação, matemática, STEM e ciências da aprendizagem.
• Análise de Dados:
  • Codificação Qualitativa: Três autores codificaram os artigos até atingir consenso, com uma confiabilidade interavaliador alta (Kappa de Cohen $\kappa = 0.85$).
  • Estrutura de Análise: As atividades foram classificadas com base em duas dimensões principais (ver seção 3.2).

3. Contribuições Principais: O Quadro de Paradigmas de Dados

A principal contribuição teórica é a proposta de um Quadro de Paradigmas de Dados, que categoriza as atividades de aprendizagem através de duas dimensões ortogonais:

1. Lógica (Sistemas):
   • Baseado em Conhecimento (KB): Soluções baseadas em regras, lógica simbólica e "prova lógica de correção" (ex.: programação tradicional, árvores de decisão manuais).
   • Orientado a Dados (DD): Sistemas treinados e avaliados com dados, baseados em "demonstração estatística de eficácia" (ex.: redes neurais, regressão linear).
2. Explicabilidade (Transparência):
   • Transparente (T): Modelos cujos processos internos são legíveis e compreensíveis (ex.: regressão linear, árvores de decisão).
   • Opaco (O): Modelos onde os processos internos são abstraídos ou "caixas pretas" (ex.: redes neurais profundas, florestas aleatórias), exigindo métodos post-hoc para explicação.

A interseção dessas dimensões cria quatro quadrantes (paradigmas):

• KB+T: Modelos baseados em regras transparentes.
• DD+T: Modelos orientados a dados transparentes.
• KB+O: Modelos baseados em regras opacos (menos comum, mas possível via métodos adicionais).
• DD+O: Modelos orientados a dados opacos (o cenário mais comum em ML avançado).

4. Resultados: As Quatro Trajetórias de Aprendizagem

Ao analisar como os alunos transitam entre esses quadrantes, os autores identificaram quatro trajetórias distintas de aprendizagem:

1. Trajetória #1: Manter Transparente (KB-T $\rightarrow$ DD-T)

   • Descrição: Os alunos começam com regras explícitas e manuais e migram para modelos orientados a dados que permanecem transparentes (ex.: de algoritmos manuais para árvores de decisão ou regressão linear).
   • Frequência: 11 estudos.
   • Objetivo: Manter a explicabilidade enquanto se introduz a lógica orientada a dados.

2. Trajetória #2: Manter Orientado a Dados (DD-T $\rightarrow$ DD-O)

   • Descrição: Os alunos começam com análise exploratória ou modelos simples e transparentes, progredindo para modelos complexos e opacos (ex.: de regressão linear para Redes Neurais Convolucionais - CNNs).
   • Frequência: 5 estudos.
   • Objetivo: Aprofundar a complexidade do modelo, aceitando a perda de transparência.

3. Trajetória #3: Salto (KB-T $\rightarrow$ DD-O)

   • Descrição: Uma transição abrupta de sistemas baseados em regras transparentes diretamente para sistemas orientados a dados opacos (ex.: de programação em Scratch para treinamento de redes neurais sem intermediários).
   • Frequência: 9 estudos.
   • Risco: Os alunos podem desenvolver modelos mentais incorretos, assumindo que sistemas opacos são "certos" ou previsíveis da mesma forma que regras explícitas.

4. Trajetória #4: Ponte (Bridging)

   • Descrição: Uma progressão sequencial que atravessa múltiplos paradigmas, conectando lógica baseada em regras, análise de dados transparente e, finalmente, sistemas opacos.
   • Frequência: Apenas 2 estudos (raro).
   • Exemplo: Começar com regras, passar por visualização de dados transparente e terminar com ML opaco, explicitando as diferenças epistêmicas entre cada etapa.

Estatísticas Gerais: A maioria dos estudos (57/84) permaneceu dentro de um único paradigma, focando principalmente em DD-T ou DD-O. Poucas intervenções (apenas 2) conseguiram mapear trajetórias completas que conectam todos os domínios críticos.

5. Significado e Implicações

• Linguagem Comum: O quadro oferece uma terminologia padronizada para pesquisadores e educadores discutirem a alfabetização de dados, superando a fragmentação disciplinar.
• Desafio Pedagógico: A "Trajetória de Salto" é comum, mas pedagogicamente arriscada, pois pode levar os alunos a não entenderem a influência dos dados no comportamento do modelo. A "Trajetória de Ponte" é a mais desejável para uma compreensão profunda, mas é a mais rara na prática.
• Scaffolding (Andaimagem): O artigo sugere que a transição entre paradigmas exige estratégias de suporte específicas. Por exemplo, introduzir modelos opacos exige focar em conceitos como "confiança do modelo" e "matrizes de confusão", enquanto modelos transparentes focam em "pesos de características".
• Futuro: Os autores propõem que este quadro seja usado para desenhar currículos que não apenas ensinem ferramentas, mas que explicitamente mostrem as diferenças entre lógica baseada em regras e lógica orientada a dados, preparando os alunos para interagir criticamente com sistemas de IA "caixa preta".

Em suma, o artigo fornece uma estrutura teórica e empírica para entender como os alunos K–12 aprendem sobre dados, destacando a necessidade de transições pedagógicas mais cuidadosas entre diferentes tipos de sistemas computacionais.