Coasting Through Class: Learning Opportunity Loss from Practice Avoidance During Individual Seatwork

1. Declaração do Problema

Embora as plataformas de aprendizagem digital (DLPs) sejam projetadas para otimizar a aprendizagem através de suporte adaptativo, sua eficácia depende de os alunos utilizarem ativamente o tempo de prática alocado. A pesquisa existente foca pesadamente no engajamento improdutivo (por exemplo, "burlar o sistema", "divagar" ou "ficar girando em falso"), onde os alunos estão presentes, mas não aprendem efetivamente. No entanto, o desengajamento absoluto — onde os alunos evitam a tarefa completamente — é pouco estudado porque frequentemente deixa pouco ou nenhum rastro em logs.

Os autores identificam uma lacuna na quantificação da evitação de prática durante sessões estruturadas de trabalho em sala de aula (trabalho individual em assento). Especificamente, eles buscam medir a perda de oportunidades de aprendizagem causada por:

• Inícios Atrasados: Alunos aguardando para começar o trabalho após o início da sessão.
• Ociosidade Durante a Prática: Períodos de inatividade enquanto a sessão está em andamento.
• Paradas Antecipadas: Alunos que cessam o trabalho antes do fim da sessão, mesmo havendo mais tempo de prática disponível.

O artigo postula que esse "tempo perdido" representa uma barreira significativa à aprendizagem que as métricas atuais não conseguem capturar de forma abrangente.

2. Metodologia

Conjunto de Dados

• Fonte: Logs publicamente disponíveis do ASSISTments, uma DLP de matemática que fornece feedback imediato e ajuda sob demanda.
• Escopo: Dois anos letivos (2022–2023, 2023–2024).
• Participantes: $N = 1.425$ alunos em 71 turmas, 34 professores e 22 escolas em 17 estados dos EUA.
• Tipos de Dados: Logs de transação (~3 milhões), pontuações de pré-teste (Outono) e pós-teste (Primavera) da Medida de Progresso Acadêmico (MAP) e dados demográficos (gênero, raça/etnia, nível socioeconômico, Plano de Educação Individualizado - IEP, Inglês como Língua Adicional - ELL, urbanidade).

Definições Operacionais e Medidas

Os autores definem "Tempo Navegado" (Coasted Time) como a soma de três medidas comportamentais ao nível da sessão:
$$\text{Tempo Navegado} = \text{Início Atrasado} + \text{Tempo Ocioso} + \text{Parada Antecipada}$$

• Identificação de Sessão: Utilizou-se um algoritmo de inferência temporal (Gurung et al., 2026) para classificar os logs em Trabalho em Sala, Trabalho Independente na Escola e Tarefa de Casa. O trabalho em sala foi definido como sessões durante o horário escolar (7h–15h) com >5 alunos ativos simultaneamente.
• Início Atrasado: Tempo decorrido entre o início da sessão (inferido a partir da atividade dos pares) e a primeira ação do aluno.
• Tempo Ocioso: Períodos de inatividade que excedem o percentil 99 dos tempos de resposta (arredondado para 2 minutos).
• Parada Antecipada: Tempo restante na sessão após o aluno parar de trabalhar.
  • Ajuste: Para distinguir evitação de eficiência, uma métrica "ajustada" foi calculada onde o tempo de parada antecipada foi definido como 0 se o aluno completou pelo menos uma tarefa.
• Esforço Extra: Definido como a prática continuada após a conclusão da primeira tarefa obrigatória dentro de uma sessão de trabalho em sala.

Abordagem Analítica

1. Estabilidade Temporal: Utilizou-se a Teoria da Generalizabilidade (G-Theory) para calcular coeficientes G e coeficientes $\phi$, avaliando a confiabilidade dos comportamentos de navegação ao longo do tempo.
2. Análise Demográfica: Empregou-se regressão linear multinível (alunos aninhados dentro de turmas) para examinar a variância na navegação com base em gênero, raça/etnia, nível socioeconômico, IEP, ELL e localização da escola, controlando para o desempenho anterior.
3. Validade Preditiva: Utilizou-se regressão multinível para testar se o Esforço Extra prevê as pontuações de MAP da Primavera, controlando para desempenho anterior, tempo total na tarefa e variância ao nível da turma. O ajuste do modelo foi avaliado usando o Critério de Informação Bayesiano (BIC) e $R^2$.

3. Principais Contribuições

1. Estrutura Conceitual: Introduz o "Comportamento de Navegação" como uma estrutura unificada para o desengajamento absoluto, distinguindo-o do engajamento improdutivo. Combina medidas ao nível da sessão (início atrasado, parada antecipada) com medidas dentro da tarefa (ociosidade).
2. Extensão Metodológica: Estende algoritmos de inferência ao nível da sessão previamente validados no Cognitive Tutor e no iReady para a plataforma ASSISTments, demonstrando generalizabilidade entre sistemas.
3. Quantificação da Perda de Oportunidade: Fornece evidências empíricas de que a maioria do tempo de trabalho em sala alocado é perdida para comportamentos de evitação, desafiando a suposição de que o tempo alocado equivale ao tempo utilizado.
4. Diferenciação de Esforço: Distingue entre "Tempo na Tarefa" (trabalhando em direção à conclusão) e "Esforço Extra" (trabalhando além da conclusão), mostrando que este último é um preditor mais forte de resultados de aprendizagem.

4. Principais Resultados

Extensão e Composição da Navegação

• Taxa de Utilização: Os alunos dedicaram apenas 40,15% do tempo disponível de trabalho em sala à prática ativa de matemática.
• Tempo Perdido: 59,85% do tempo foi "navegado".
  • Parada Antecipada: 62,25% do tempo navegado (o maior componente).
  • Início Atrasado: 35,79% do tempo navegado.
  • Tempo Ocioso: 1,96% do tempo navegado (mínimo).
• Resultados Ajustados: Mesmo excluindo paradas antecipadas atribuíveis à conclusão da tarefa (definindo parada antecipada = 0 para aqueles que terminaram), 32% do tempo disponível permaneceu não utilizado.

Confiabilidade (Estabilidade Temporal)

• Início Atrasado: Confiabilidade moderada ($G = 0,73$).
• Parada Antecipada: Confiabilidade moderada ($G = 0,71$).
• Tempo Ocioso: Baixa confiabilidade ($G = 0,53$), sugerindo que a ociosidade é altamente dependente do contexto (por exemplo, dificuldade do problema) e não um traço estável.
• Implicação: Inícios atrasados e paradas antecipadas são padrões comportamentais consistentes entre sessões.

Variância Demográfica

• Gênero: Dados não ajustados mostraram que homens navegaram mais do que mulheres (aproximadamente 32 segundos/sessão). No entanto, essa diferença desapareceu após o ajuste para a conclusão da tarefa, sugerindo que os homens simplesmente terminaram as tarefas mais rápido, em vez de evitar o trabalho.
• Status de IEP: Alunos com IEP navegaram menos do que seus pares sem IEP em modelos não ajustados, mas essa diferença também desapareceu após o ajuste.
• Outros Fatores: Nenhuma diferença significativa foi encontrada com base em raça/etnia, nível socioeconômico, status de ELL ou localização da escola (urbana vs. rural). A navegação parece ser um fenômeno universal entre os grupos demográficos.

Impacto na Aprendizagem (Esforço Extra)

• Tempo na Tarefa: A proporção de tempo gasto trabalhando em direção à conclusão inicial não foi um preditor significativo das pontuações de MAP da Primavera ($p = .919$).
• Esforço Extra: A prática continuada além da primeira tarefa foi um preditor positivo significativo das pontuações de MAP da Primavera ($\beta = 1,44, p < .001$).
  • Um aumento de 10% na proporção de esforço extra correlacionou-se com um aumento de 0,14 DP nas pontuações do teste.
  • Adicionar "Esforço Extra" ao modelo resultou em uma melhoria muito forte no ajuste do modelo ($\Delta BIC = 11$).

5. Significado e Implicações

Significado Teórico

• Desengajamento Multinível: O estudo demonstra que o desengajamento opera em dois níveis: o nível da sessão (evitar o início ou parar cedo) e o nível da tarefa (ociosidade).
• Perda de Oportunidade: Reenquadra o "tempo na tarefa" não apenas como uma métrica de duração, mas como uma medida de utilização de oportunidade. A desconexão entre o tempo alocado e o tempo de prática real é uma variável crítica, anteriormente submedida, na ciência da aprendizagem.
• Autorregulação: O poder preditivo do "Esforço Extra" sugere que a continuação voluntária da prática reflete traços autorregulatórios mais profundos (por exemplo, orientação para domínio, motivação intrínseca) que são mais críticos para a aprendizagem do que o mero tempo de exposição.

Implicações Práticas

• Para Educadores: Os professores devem estabelecer expectativas explícitas para engajamento sustentado durante todo o período da aula, não apenas até que a primeira tarefa seja concluída. As intervenções devem focar em "o que fazer a seguir" para os que terminam cedo.
• Para Designers de Plataformas: As DLPs precisam de recursos que suportem o engajamento sustentado, como:
  • Indicadores de progresso.
  • Alertas para inatividade.
  • Caminhos claros para atividades de extensão para evitar paradas antecipadas devido à falta de direção.
• Para Políticas: As avaliações da eficácia das DLPs devem levar em conta a "navegação". Uma plataforma pode ser pedagogicamente sólida, mas se 60% do tempo alocado for perdido para evitação, o retorno sobre o investimento é severamente diminuído.

Limitações

• Natureza Correlacional: A causalidade entre navegação e realização não pode ser estabelecida definitivamente sem desenhos experimentais.
• Limites Inferidos: Os horários de início/fim da sessão são inferidos a partir de dados de log, o que pode introduzir ruído se os alunos se desviarem significativamente das normas da turma.
• Generalizabilidade: A amostra é limitada à matemática do ensino fundamental; os padrões podem diferir em outras disciplinas ou níveis de série.

Conclusão

O artigo conclui que a "navegação" é um padrão comportamental pervasivo e consistente que resulta em perda substancial de oportunidades de aprendizagem (aproximadamente 60% do tempo de aula). Embora fatores demográficos não impulsionem significativamente esse comportamento, a distinção entre conformidade mínima (concluir a primeira tarefa) e esforço extra é crucial. Alunos que voluntariamente estendem seu tempo de prática alcançam resultados significativamente melhores, destacando a necessidade de sistemas educacionais fomentarem e apoiarem o engajamento sustentado além dos requisitos mínimos.