No decorrer dos estudos sobre formação de grupos para aprendizagem colaborativa, algumas perguntas apareceram. Além da forma, das abordagens e dos critérios adotados para a formação do grupo (conforme descrito na seção 2.2.1), posto que o problema da formação de grupos é um problema NP-hard, foi necessário identificar quais abordagens de solução os algoritmos utilizavam para esse problema e que dados estavam sendo utilizados para a formação de grupos. Desta forma, seguiu-se o mapeamento sistemático da literatura para identificar também estas questões, publicado em Citadin, Kemczinski e De Matos (2014). Para conduzir o mapeamento sistemático foi utilizado o modelo proposto por Petersen et al. (2008). Esse modelo é composto por cinco etapas: 1) Questões de Pesquisa, 2) Condução da Busca, 3) Análise dos Artigos, 4) Classificação dos Artigos e 5) Extração dos dados e Mapeamento, conforme apresentado na Figura 1, na seção 1.5.
Na primeira etapa, as cinco questões de pesquisa propostas foram:
QP1: Quais as maneiras ou formas utilizadas para a formação de grupos? QP2: Quais as abordagens utilizadas?
QP3: Quais os critérios utilizados? QP4: Quais os algoritmos utilizados?
QP5: Quais os dados ou características dos estudantes utilizados para a formação de grupos?
Na segunda etapa, seguiu-se a condução da busca nos seguintes Mecanismos de Busca Acadêmica (MBA): Web of Science, Scopus, IEEE Xplore, ACM, Science Direct, Springer e
Periódicos da CAPES, de forma a identificar o maior número possível de artigos para o
estudo. Foram utilizadas duas expressões principais para a condução da busca, ilustradas a seguir nas Figuras 5 e 6, respectivamente, onde o asterisco (*) é o caractere coringa; e com o intuito de buscar artigos referentes a trabalhos desenvolvidos com quantidades maiores de estudantes (massa) e aplicados em ambientes virtuais de aprendizagem (Learning
Management System – LMS).
Devido à condução da busca em sete diferentes MBAs, a expressão foi adaptada em cada um deles, de acordo com as necessidades e a disponibilidade de cada ferramenta em relação à expressão adotada, sem, no entanto, perder a ideia principal da formação de grupos para aprendizagem colaborativa. Além disto, a busca foi realizada considerando campos específicos como títulos, resumos e palavras-chave, de acordo com os campos disponíveis em
cada MBA; e limitada ao período de 2004 a 2014. Mais detalhes são encontrados em Citadin, Kemczinski e De Matos (2014), no Apêndice A desse documento.
Figura 5 – Expressão de busca utilizada para massa
( ((team OR group) NEAR/AND (formation OR composition)) AND ("collaborative learning" OR CSCL) AND ((massi* OR large*) NEAR/AND (team OR group OR class)) )
Fonte: Próprio autor
Figura 6 – Expressão de busca utilizada para LMSs
( ((team OR group) NEAR/AND (formation OR composition)) AND ("collaborative learning" OR CSCL) AND (("learning management system" OR LMS) OR ("virtual learning environment" OR VLE) OR ("elearning" OR "e- learning" OR "online learning" OR "distance learning")) )
Fonte: Próprio autor
Na terceira etapa, seguiu-se a análise dos artigos selecionados, seguindo os critérios de inclusão:
CI1: Artigos escritos em inglês;
CI2: Artigos disponíveis para download (de acordo com a assinatura da universidade) na íntegra em PDF (Portable Document Format);
CI3: Artigos primários (mapeamentos e/ou revisões sistemáticas e artigos teóricos não foram considerados como primários);
CI4: Artigos completos com mais de 4 páginas (notas ou artigos não completos - short papers - foram desconsiderados).
Dos artigos selecionados, foram excluídos todos aqueles que satisfizeram um ou mais dos critérios de exclusão, definidos a seguir:
CE1: Artigos duplicados;
CE2: Artigos em que a sigla CSCL não significar Computer-Supported
Collaborative Learning;
CE3: Artigos nos quais a expressão de busca seja satisfeita com os termos presentes apenas nas referências, biografia do autor, agradecimentos ou conclusão;
CE4: Artigos que não descrevam a formação de grupos como suporte para aprendizagem colaborativa.
Após estas etapas, com um total de 27 trabalhos selecionados, seguiram-se as quarta e quinta etapas, com a classificação, extração dos dados e mapeamento. Considerando as classificações mencionadas de forma: manual ou automático; de abordagens: randômico, autosselecionado e selecionado; e de critérios: homogêneo, heterogêneo, ambos (misto), foram tabulados os artigos selecionados no mapeamento. Para critérios, observou-se a necessidade de estabelecer ainda a opção outros para quando não se pôde classificar ou identificar o critério adotado (por exemplo, gerado randomicamente pelo professor).
Além disso, percebeu-se que além do critério, conforme a classificação de homogêneo ou heterogêneo adotada, outros critérios são utilizados para a formação de grupos, em conjunto com esta classificação. Por exemplo, homogêneo ou heterogêneo em relação a outro critério como estilo de aprendizagem ou personalidade, entre outros. Assim, esses dados foram classificados como critérios complementares. Também foram tabulados os algoritmos e os dados relacionados utilizados para o agrupamento dos estudantes (por exemplo, modelo do estudante ou dados do sistema).
Os resultados obtidos pelo mapeamento apontam que a forma mais utilizada é o grupo
automático. Assim como a abordagem mais utilizada é o grupo selecionado, e o critério
mais utilizado é o heterogêneo e ambos (misto - tanto homogêneo quanto heterogêneo). Observou-se também que uma variedade de critérios complementares foi utilizada, como, por exemplo, estilo de aprendizagem, papéis designados aos estudantes, conhecimento, competências, preferências, interações, entre outros. Esses critérios complementares dependem dos dados que se têm disponível no sistema para a formação automática dos grupos.
Em relação aos algoritmos, houve também uma diversidade de aplicações (algoritmos genéticos, enxame de partículas, colônia de abelhas, entre outros), no entanto, observou-se que algoritmos genéticos, que são uma categoria de algoritmos inseridos no escopo de algoritmos evolutivos, foram um dos mais utilizados, resultado corroborado por Cruz e Isotani (2014) que também fizeram um mapeamento sistemático.
As Figuras 7, 8, 9, 10 e 11 apresentam os resultados do mapeamento e são discutidas a seguir.
Na Figura 7, observa-se que a forma de grupo automático foi a mais utilizada, com mais de 80% dos trabalhos classificados desta forma.
Figura 7 – Formação de grupos por forma
Fonte: Próprio autor
Na Figura 8, observa-se que a abordagem de grupo selecionado foi a mais utilizada, sendo que 74% dos trabalhos utilizaram essa abordagem. E outros três trabalhos utilizaram mais de uma abordagem, além de selecionado, totalizando 85% dos trabalhos.
Figura 8 – Formação de grupos por abordagem
Fonte: Próprio autor
Em relação ao critério utilizado para a formação de grupos, observa-se que
heterogêneo e ambos (tanto homogêneo quanto heterogêneo) foram os critérios mais
utilizados, com 74% dos trabalhos classificados nesses critérios. Outros cinco trabalhos foram classificados como outros, por não ser possível identificar o critério utilizado na formação do grupo, conforme mostra a Figura 9.
22 3 2 0 5 10 15 20 25
automático manual ambos
Por forma
2 2 20 1 2 0 5 10 15 20 25auto-selecionado randômico selecionado auto-selecionado ou selecionado
randômico ou selecionado
Figura 9 – Formação de grupos por critério
Fonte: Próprio autor
Figura 10 – Critérios complementares utilizados
Fonte: Próprio autor
A Figura 10 ilustra a variedade de critérios complementares possíveis para a formação de grupos, conforme os trabalhos analisados. Os termos utilizados foram utilizados de acordo
2 9 11 5 0 2 4 6 8 10 12
homogêneo heterogêneo ambos outros
com os termos mencionados nos trabalhos. Isto é, se o trabalho analisado mencionava conhecimento, por exemplo, foi tabulado como conhecimento; quando outro trabalho mencionava conhecimento também foi tabulado como conhecimento, independentemente das definições que cada um adotou para conhecimento. Observa-se que estilo de aprendizagem destaca-se entre os trabalhos analisados, com sete dos trabalhos mencionando esse critério (≈26%). Em segundo lugar estão quatro trabalhos que mencionam ser multicaracterísticas, isto é, utilizam várias características para a formação de grupos; e em terceiro lugar têm-se três trabalhos que mencionam o conhecimento prévio do estudante, e três trabalhos que utilizam papéis designados aos estudantes no grupo como critérios para a formação de grupos. Desta forma, observa-se que a formação de grupos pode ser bastante variada em relação aos critérios complementares utilizados. Em outros estão contados os trabalhos em que não foi possível identificar o critério complementar utilizado.
A Figura 11 ilustra a relação de algoritmos e dados, sendo que os algoritmos foram numerados de 1 a 16, representados nas linhas horizontais do gráfico; e os dados, representados pelas sete linhas verticais do gráfico, são descritos nos sete quadros das linhas verticais, respectivamente. Os termos utilizados foram adotados de acordo com o mencionado nos trabalhos analisados, por exemplo, classificação conforme a cultura (quadro 1) foi utilizada no trabalho de Popov et al. (2014). Em outros foram classificados os trabalhos em que não foi possível identificar a origem dos dados claramente.
Abaixo da Figura 11 segue a legenda dos algoritmos para facilitar a identificação. Em relação aos algoritmos, observa-se que algoritmos genéticos e otimização por enxame de
partículas se destacam com mais de uma ocorrência e também a classificação como outros algoritmos, para quando não foi especificado o algoritmo utilizado.
Em relação aos dados utilizados, destacam-se as colunas de dados do sistema, onde foram tabulados os trabalhos que mencionavam coletar dados do sistema ou plataforma, como o Moodle, por exemplo, e/ou da navegação do estudante no sistema, ou atividades do estudante na plataforma, entre outros; e de modelo do estudante, onde foram tabulados dados do modelo do usuário e/ou do estudante como perfil do estudante, preferências, nível de conhecimento, competências, habilidades, dados acadêmicos, portfólio, entre outros, de acordo com o mencionado em cada trabalho.
Figura 11 – Relação algoritmos x dados
Legenda Algoritmos:
1. algoritmo evolutivo (aglomeração determinística) 2. algoritmo genético
3. autoaprendizado - regressão linear múltipla 4. clusterização
5. colônia de abelhas 6. framework 7. grafo 8. Hete-A
9. otimização por enxame de partículas 10. profundidade dos dados
11. protótipo 3D 12. random 13. scripts IMS-LD 14. semipareto optimal set 15. VALCAM
16. Outros algoritmos Fonte: Próprio autor