Vinculando o Aprendizado de Máquina aos Padrões de Ciência de Próxima Geração
11 de maio de 2021
Os Next Generation Science Standards (NGSS®) defendem a aprendizagem multidimensional que enfatiza a integração das práticas científicas com a compreensão conceitual das ideias centrais para melhor preparar os alunos para o mundo atual. O aspecto mais importante da implementação do NGSS em sala de aula é sua ênfase na aprendizagem multidimensional da ciência e no engajamento da prática dos professores que apoia os alunos. À medida que os alunos navegam pela vida a cada dia, eles naturalmente desenvolvem padrões intuitivos de conhecimento e raciocínio que moldam sua aprendizagem, incluindo a aprendizagem de ciências. À medida que os alunos vivem essas experiências, é igualmente importante que os professores estejam preparados para interpretar as respostas escritas dos alunos moldadas por essas experiências. Como resultado dessa necessidade, surgiu um estudo recente financiado pela National Science Foundation, Student Reasoning Patterns in Next Generation Science Standards Assessment (SPIN-NGSS), que lidero junto com meus colegas do ETS com o objetivo de desenvolver ferramentas automatizadas. Essas ferramentas têm como objetivo ajudar os professores a interpretar dados de avaliações alinhadas a esses padrões, a fim de revelar padrões de raciocínio dos alunos, ajudando a refletir fraquezas específicas no raciocínio dos alunos.
Construindo a partir do que os alunos trazem para a aula
Os alunos trazem ideias diversas, habilidades de raciocínio e experiências de vida para a sala de aula. Quando se trata de entender o mundo da ciência, as experiências na primeira infância podem ter levado as crianças a desenvolver habilidades de raciocínio causal que aplicam amplamente. Construir sobre as experiências cotidianas dos alunos pode ser uma forma eficaz de expandir ideias e estratégias de raciocínio existentes que as crianças possam ter desenvolvido. Os padrões de raciocínio dos alunos refletem uma diversidade de ideias intuitivas e podem ser considerados degraus para uma compreensão científica sofisticada. No entanto, os alunos podem trazer para a sala de aula ideias que o professor considera imprecisas e depois serem instruídos com conceitos precisos. Essa estratégia de substituição pode resultar em alunos memorizando o conhecimento escolar, mas recorrendo a seus equívocos quando são solicitados a explicar fenômenos científicos.
Padrões de raciocínio dos alunos na próxima geração de aprendizado e avaliações científicas
Pesquisas identificaram distintos "estilos de raciocínio" dos cientistas que envolvem as três dimensões do conhecimento exigidas pelo NGSS, a saber: as ideias centrais disciplinares (DCIs), práticas de ciência e engenharia (SEPs) e conceitos transversais (CCCs). Há menos documentação dos padrões de raciocínio dos alunos na aprendizagem multidimensional. Com mais avaliações alinhadas ao NGSS disponíveis, há oportunidades para realizar pesquisas sobre características do raciocínio dos estudantes.
Como parte do nosso projeto de bolsa, meus colegas da ETS e eu temos utilizado dados de avaliação alinhados ao NGSS para identificar padrões típicos de raciocínio dos alunos. Por exemplo, ao explicar um conceito específico de ciência, descobrimos que alguns alunos focavam apenas em descrever observações e dados, enquanto outros apenas forneceram princípios científicos sem se referir a dados ou evidências. Por fim, descobrimos que alguns estudantes tentaram integrar tanto dados quanto princípios científicos em seu raciocínio. Diagnosticar esses padrões de raciocínio é útil para gerar feedback personalizado que supre lacunas no raciocínio dos alunos. Em salas de aula de ciências, os professores precisam de ajuda para identificar padrões de raciocínio dos alunos.
Diagnóstico automatizado dos padrões de raciocínio dos alunos
Para ajudar os professores a atender melhor às formas de raciocínio dos alunos, nossa equipe desenvolveu modelos de aprendizado de máquina para automatizar o diagnóstico dos padrões de raciocínio dos alunos com base em características-chave relacionadas às dimensões NGSS. Esses modelos fornecem tanto um rótulo de padrão de raciocínio quanto evidências nas respostas dos alunos associadas ao padrão. Como parte desse processo, especialistas em conteúdo primeiro codificaram um conjunto de respostas dos alunos. Em seguida, especialistas em Processamento de Linguagem Natural (PLN) usaram os códigos humanos para treinar computadores a desenvolver modelos automatizados. Foi aplicada uma abordagem de classificação em duas etapas. A classificação da primeira fase identifica partes das respostas relacionadas às dimensões NGSS. O segundo classificador classifica automaticamente respostas inteiras com um padrão de raciocínio. A equipe continua validando nossos modelos e projetando uma ferramenta automatizada de feedback para apoiar a aprendizagem multidimensional em salas de aula de ciências. O SPIN-NGSS preenche a lacuna do diagnóstico dos padrões de raciocínio dos alunos ao conectar aprendizado de máquina com o aprendizado NGSS. Os produtos do SPIN-NGSS têm o potencial de aprimorar o uso das avaliações de ciências pelos professores para facilitar o aprendizado dos alunos por meio de feedback individualizado e imediato.
Lei Liu é Cientista Sênior de Pesquisa Gerente na ETS e Pesquisadora Principal da bolsa SPIN-NGSS NSF. Co-PIs do projeto da bolsa SPIN-NGSS são Dante Cisterna (Desenvolvedor Associado de Pesquisa, ETS), Aoife Cahill (Cientista Pesquisadora Sênior Gerente da ETS) e Matthew Johnson (Diretor Principal de Pesquisa, ETS).
Veja o vídeo da equipe do projeto que destaca suas conquistas, que será exibido no STEM for All Video Showcase 2021.
Este material é baseado em trabalhos apoiados pela National Science Foundation sob a Bolsa #2000492. Quaisquer opiniões, conclusões, conclusões ou recomendações expressas neste material são dos autores e não refletem necessariamente as opiniões da National Science Foundation.