sou a Fernanda, educadora, pesquisadora e entusiasta de tudo que envolve computação. busco justiça social, equidade e uma educação arrebatadora. compartilho ideias que me inquietam, projetos em que estou mergulhada e reflexões sobre como a tecnologia organiza (ou desorganiza) a vida. Entre um parágrafo e outro, você pode esbarrar em temas como IA na educação, política pública, o trabalho hoje e no futuro, divagações sobre o que é possível imaginar quando pensamos fora da caixa. este espaço é minha tentativa de documentar o que aprendo, o que questiono e o que acredito que ainda podemos construir. um ponto importante!penso falando, falo de muita coisa de forma desordenada. às vezes faz sentido, às vezes não. aqui você encontra uma tentativa de organizar esse caos. [+]
Um currículo pode prometer “ensino por competências” com toda a boa intenção do mundo, e ainda assim fracassar, não porque a escola ensinou errado, mas porque nada depois da escola sabe reconhecer competência quando a vê.
Um estudo que comparou política de ensino de ciência da computação em 15 países mostra o mecanismo de governança mais poderoso: o efeito washback, conceito emprestado de teste de idiomas (Alderson & Wall, 1993). Provas de alto risco moldam a prática de sala de aula independentemente do que o currículo formal diz. Mas o mesmo estudo, sem perceber, também revela um problema mais profundo do que “a prova manda mais que o currículo”: nenhuma das instituições envolvidas, escola, vestibular, mercado de trabalho, tem hoje um jeito real de avaliar competência de forma íntegra. Todas recorrem a proxies estreitos: qual linguagem de programação foi ensinada, qual conteúdo foi decorado, qual credencial foi obtida.
O efeito washback, rápido
Na Polônia, o texto curricular seguiu formalmente “neutro” quanto à linguagem de programação durante toda a transição. Mas quando a prova nacional (Matura) redesenhou suas tarefas para focar em processamento de dados, o Python virou a escolha dominante, sem que uma linha do currículo formal tivesse mudado. O Japão fez o oposto de propósito: criou um pseudocódigo próprio (DNCL) só para avaliação, desacoplando deliberadamente o ensino (livre para usar Python) da prova (neutra quanto à linguagem), para neutralizar esse mesmo efeito.
Por que “seguir o mercado” não é a resposta
O mesmo estudo nota que Python é favorecido na trilha geral por sua “acessibilidade e alinhamento com fluxos de trabalho de IA e ciência de dados”, ou seja, porque o mercado sinaliza que isso é suficiente agora. C++ fica reservado à trilha de elite, justificado pela profundidade algorítmica que exige, o que é real: aprender C++ tem uma curva mais exigente que aprender Python. Mas há uma camada que o estudo nomeia sem explorar: quem pode se dar ao luxo de aprender uma linguagem que o mercado não está pedindo de imediato?
A resposta tem nome na sociologia da educação: capital, no sentido de Pierre Bourdieu. Bourdieu distinguia capital econômico (dinheiro convertível de imediato) de capital cultural (competências, credenciais, disposições que só se convertem em vantagem material depois, às vezes bem depois). Quem já tem segurança econômica acumulada pode investir tempo numa competência que “o mercado não está pedindo agora”, porque não depende do retorno imediato desse investimento para sustentar a própria vida. Quem não tem essa segurança precisa perseguir o que já é convertível, o que o mercado já sinaliza como empregável, agora.
É por isso que Python-pra-todos e C++-pra-elite não é só uma divisão de dificuldade técnica. É uma divisão de quem pode se dar ao luxo de aprender algo além do que o mercado pede hoje, e quem não pode. A elite, boa parte dela, não segue o mercado porque tem ou cria o mercado, e pode dedicar tempo a uma competência que talvez só valha a pena daqui a cinco ou dez anos. A maioria segue o que “o mercado diz que é suficiente” porque não tem essa margem, precisa que o aprendizado vire emprego o quanto antes.
Isso é o motivo pelo qual “alinhar educação ao mercado” é a resposta errada, mesmo sendo a mais intuitiva. O mercado muda rápido demais para ser bússola estável, e segui-lo cegamente na trilha geral (Python “porque é o que se usa agora”) reproduz a mesma divisão de classe que gerou o problema: quem tem capital acumulado se permite profundidade, quem não tem se contenta com suficiência.
O problema real: ninguém sabe avaliar competência
A pergunta que fica não é “como alinhar currículo, prova e mercado de trabalho”. É: como cada uma dessas três instituições constrói um jeito de avaliar competência de forma íntegra, que não dependa de conteúdo decorado (o problema clássico da escola), de qual linguagem foi ensinada (o problema que o estudo documenta), ou de credencial genérica (o problema clássico do mercado de trabalho)? Essa pergunta é mais difícil, e mais importante, do que escolher entre Python e C++. Nenhuma das três instituições parece ter resposta pronta para ela.
Conclusão
Currículo que promete “competência” sem que exista, em algum lugar do sistema, um jeito real de reconhecer competência quando ela aparece, é promessa vazia. O problema não é falta de alinhamento entre escola, prova e mercado. É que nenhuma das três, sozinha, sabe fazer a coisa que todas dizem que fazem.
Fonte: Dumitran, A.M.; Popescu, I.M. "Programming Language Policy as an AI Literacy Equity Problem: A 15-Nation Comparative Analysis" (2026); Alderson, J.C.; Wall, D. "Does washback exist?" Applied Linguistics, 1993; Bourdieu, P. "The Forms of Capital." In J. Richardson (Ed.), Handbook of Theory and Research for the Sociology of Education, 1986.
Já ouviu falar que decomposição na computação é dividir um problema em partes menores, tipo o clássico exemplo de “fazer um sanduíche” (pegar o pão, pegar o recheio, montar)? Pois é, isso está errado.
Decomposição na computação não é só quebrar um problema em partes menores. Decomposição é o que permite que, ao resolver um problema pequeno, você consiga resolver diferentes outros problemas usando o mesmo algoritmo. Mas de onde tiramos essa versão simplificada do sanduíche? Isso é o que chamo de desserviço. As pessoas tendem a simplificar as coisas a um nível em que elas perdem o sentido. Esse é um exemplo clássico disso.
Não acredito que se democratiza conhecimento mastigando o conteúdo. Reduzir a complexidade de conceitos de computação desde o início, achatar tudo, mastigar tudo, não é inclusão. É outro nome pra exclusão, só que mais confortável de admitir.
No futuro, uma pessoa que aprende só a linguagem de programação do momento e não sabe abstrair pra outras linguagens, quem aprende o conceito sem transferir pra diferentes contextos, se vê perdida numa realidade que muda o tempo todo, onde a cada dia surge uma habilidade nova anunciada como “extremamente necessária” pro mercado. Uma realidade completamente fluida, como Bauman descreveu e venhamos enlouquecedora. Não precisamos aprender tudo de novo a cada novo lançamento! Parem com isso! Mesmo IA, é um amontoado de coisas “bases” juntas.
Precisamos, como professoras e professores, encontrar caminhos pra ensinar matemática e computação sem reduzir a régua. Isso significa trazer elementos diversos (inclusive computacionais) pra que os estudantes aprendam de fato o que é matemática e computação, não uma interpretação simplista dessas áreas. Precisamos parar de subestimar a capacidade de reflexão e conexão dos nossos estudantes.
Acessível não significa descer a régua, fácil, ou seja lá o que chamam isso. Precisamos desenhar e usar estratégias que permitam que TODOS aprendam conceitos complexos.
Não aguento mais essa picuinha entre ensinar Python ou Java… “ahh, Python tem uma curva de aprendizado menor.” Tem mesmo. Porque profissionais que se propõem a ensinar programação acham que é cópia de código e não construção de linguagem, de pensamento.
Pra mim, os sistemas de diferentes países falham porque tratam acessível como sinônimo de raso, quando deveria ser sinônimo de bem desenhado.
Estou lendo o livro Educação e emancipação, do Theodor Adorno. É uma coletânea de textos. E pensei em trazer aqui uma reflexão a partir de um deles, intitulado Televisão e formação.
O texto é uma conversa entre o Adorno e o professor Hellmut Becker.
E eu fico pensando que toda vez que surge uma tecnologia nova, a gente repete mais ou menos o mesmo gesto: primeiro ignora, depois demoniza, depois naturaliza. E só muito tarde resolve ensinar.
No texto sobre televisão, o Adorno e o Becker estão falando de outra coisa, mas ao mesmo tempo estão falando exatamente disso. Eles não dizem que a televisão é má em si. O que eles apontam — e isso me chama muito a atenção — é o risco de uma geração começar a formar imagens do mundo antes de viver o mundo.
Vou ler o trecho que motivou essa conversa:
Becker — Posso sugerir uma versão bem direta da questão? Penso que no fundo existe o perigo de os jovens procurarem imaginar o amor, por exemplo, tal como ele é apresentado na tevê, isto é, assumam para relações humanas muito diretas representações estereotipadas antes que eles mesmos as tenham vivido. E que em seu próprio desenvolvimento procedam fixados em representações estereotipadas.
Quando o Becker fala do amor aprendido pela televisão, o problema não é o amor. É o modelo. É o fato de alguém chegar à própria experiência já ocupado por imagens prontas, por roteiros prévios, por expectativas que não nasceram do contato, mas da repetição.
Explico melhor: uma criança cresce assistindo, na televisão, que o amor verdadeiro envolve sofrimento antes do “felizes para sempre”. Quando essa pessoa encontra um amor em que não há sofrimento, ela pode achar que aquilo não é amor de verdade. Que está faltando alguma coisa. O modelo antecede a experiência.
E aí eu começo a pensar: isso não é só televisão. A televisão foi um caso. Depois veio o computador. Depois a internet. Depois os algoritmos. Agora, a inteligência artificial.
E o padrão parece o mesmo. A tecnologia entra na vida cotidiana com uma força enorme, moldando percepção, linguagem, desejo — mas a educação chega sempre atrasada. Como se ensinar sobre o meio fosse opcional, e não parte da formação básica.
A gente não ensinou a ler televisão. Não ensinou a perceber que enquadramento, montagem, repetição, estereótipo são formas de linguagem, e que linguagem carrega discurso. Depois, não ensinou computação como forma de pensamento, apenas como ferramenta. Não ensinou algoritmo como lógica que organiza o mundo, só como algo técnico, distante. E agora, diante da inteligência artificial, parece que estamos prontos para repetir tudo de novo.
Porque a IA já está produzindo texto, imagem, decisão, sugestão, resposta. Já está ocupando o lugar do “como se faz”, do “como se escreve”, do “como se pensa”. E a pergunta não é se isso é bom ou ruim. A pergunta é: o que acontece quando alguém aprende a imaginar antes de aprender a compreender? Ou ainda: o que acontece quando alguém passa a sentir algo com máquinas antes de viver essas experiências no mundo?
Talvez o risco seja o mesmo que Adorno apontava: não o uso da tecnologia, mas a fixação. A cristalização de formas. A substituição da experiência por modelos. A troca do processo pelo resultado.
E aqui entra um ponto central da educação. Existe hoje um discurso muito forte quando se fala em implementar IA: “precisa acelerar”, “precisa aumentar a eficiência”, “precisa reduzir o tempo gasto”. Mas, quando a gente fala de aprendizado, o tempo gasto é necessário. Os estudantes precisam viver esse tempo. Os erros, as horas, a demora fazem diferença.
Se antes o jovem aprendia o amor pela televisão, agora talvez aprenda o pensamento pela IA — e talvez até o sentimento. Não porque a IA pense ou sinta, mas porque ela entrega formas prontas de pensamento e oferece exatamente aquilo que a pessoa quer sentir. E sem educação crítica, sem alfabetização nesse novo meio, a gente corre o risco de formar sujeitos que operam sistemas sem nunca atravessá-los.
No fundo, a discussão continua sendo sobre emancipação. Sobre formar pessoas capazes de perceber o que as forma. Capazes de olhar para o meio, e não apenas através dele. Capazes de usar a ferramenta sem confundir a ferramenta com o mundo.
Talvez a pergunta que fique não seja “o que a inteligência artificial vai fazer com a educação?”, mas “por que a educação sempre chega depois?”. E se, dessa vez, ainda der tempo de chegar junto.
Não é de hoje que falamos de trabalho, de mundo do trabalho, de “isso dá trabalho”, de mudança de trabalho, de acabar com trabalhos, de máquinas que substituem trabalhos e muitas outras coisas sobre trabalho.
Quantas vezes nos propomos a falar de trabalho para e com as crianças? O que as crianças têm a nos dizer sobre o trabalho e a relação da “mudança do trabalho”?
Me peguei pensando sobre trabalho esses dias, isso não veio do acaso. Li essa habilidade (EF05CO10) Expressar-se crítica e criativamente na compreensão das mudanças tecnológicas no mundo do trabalho e sobre a evolução da sociedade. Ela é da BNCC Computação e tem uma intenção clara e profunda para crianças do 5º ano (aproximadamente 10 anos).
Como uma criança pode se se expressar criticamente sobre a mudança tecnológica no mundo do trabalho?
A primeira coisa que costumo fazer é: quais referências pessoas da educação tem disponíveis sobre esse assunto? E como uma boa curadora de inutilidades fui no YouTube e procurei sobre “história do trabalho”. Tem muita coisa (como é de se esperar nesse grande mundo de vídeos). Pouca ou nenhuma coisa para o público infantil. Achei o vídeo abaixo e gostei como uma introdução ao tema, mas com uma linguagem não tão acessível para crianças brasileiras.
Depois, fui para a segunda opção, que leva mais tempo, mas que para mim é a mais prazerosa. Encontrar livros que falem sobre “trabalho” para crianças. Fui na Amazon, digitei “trabalho para crianças e apareceu alguns livros, dos que apareceram os que me chamaram atenção:
Doze profissões para o futuro que começou ontem escrito por Anderson Novello e Daniel Cabral;
João procura uma profissão escrito por Jonas Ribeiro e ilustrado por Juliana Basile;
Lico e Leco: profissões de Aino Havukainen e Sami Toivonen e tradução de Pasi e Lilla Loman.
Tem outros livros que falam de profissões específicas como: engenharia, cientista, arquiteto, astronauta, dentre outros.
Ada Batista, cientista escrito por Andrea Beaty e ilustrado por David Roberts
Sofia Pimenta, futura presidenta escrito por Andrea Beaty e ilustrado por David Roberts
Paulo Roberto, arquiteto Andrea Beaty e ilustrado por David Roberts
Rita Bandeira, engenheira Andrea Beaty e ilustrado por David Roberts
Rita e o manual para ser astronauta escrito por Vinicius Campos e ilustrado por Lila Cruz
Essa lista não é de maneira nenhuma extensiva. Alguns livros tenho em casa e por isso foram mais fáceis de lembrar, posso estar esquecendo ou desconhecendo algum, mas queria colocar o que fui encontrando.
Por fim, parti para a busca acadêmica. Afinal, o que os cientistas têm estudado e pesquisado sobre como as crianças pensam, falam, discutem e se preocupam com o trabalho?
A maioria dos estudos que encontrei em português estavam com foco maior no “trabalho infantil”, questão de tamanha importância para a sociedade toda e os estudos eram da área da saúde, das ciências sociais e da psicologia. Mas que me faria sair um pouco do desafio que me proponho a trazer aqui, que tem caráter pedagógico, de como falar sobre trabalho em sequências didáticas, trabalhos e propostas colaborativas em sala de aula. Por isso, trazendo para o contexto no qual me coloquei a falar e no qual não quero desviar, que é como falar de trabalho e do mundo do trabalho para e com crianças, acho relevante trazer uma síntese (minha) sobre alguns estudos lidos:
Para conduzir um diálogo transformador sobre o trabalho, é fundamental adotar uma postura que reconheça as crianças e adolescentes como sujeitos ativos, capazes de produzir sentidos para suas experiências e de serem atores sociais competentes. As metodologias usadas nos estudos analisados foram de Grupo de Discussão ou Grupo de Reflexão e se destacam por criar espaços de fala e intercâmbio. Nesses espaços, o pesquisador atua como parceiro, e a conversa é um dispositivo que permite aos participantes construir outros sentidos para suas experiências individuais, promovendo a reflexão, o questionamento e o surgimento de múltiplos sentidos. O objetivo é ir além do discurso superficial, que tende a reproduzir a lógica capitalista de produtividade e consumo. Ao proporcionar um diálogo sobre o trabalho, o adulto, que atua como mediador, pode enriquecer a experiência das crianças e adolescentes, auxiliando-os a desenvolver uma representação mais objetiva e crítica do mundo do trabalho, e a resgatar o trabalho como uma condição de humanização e uma relação de dupla transformação entre o homem e a natureza, em vez de ser visto apenas pelo seu lado instrumental.
Alguns desses materiais podem ser bons disparadores de conversas sobre trabalho com crianças. Além disso, penso que a melhor maneira de falar de trabalho é falando de trabalhadores. Por isso, não tem como falar de trabalho e educação sem lembrar das reflexões de Célestin Freinet.
Conheci Freinet na faculdade de Pedagogia, foi de longe a maior transformação na forma como via a educação e o trabalho. Desde L’Éducation du Travail (1949), Freinet compreende o trabalho não como mera preparação para o emprego futuro, mas como o fundamento vital da experiência humana e o eixo organizador da aprendizagem. O trabalho, afirma ele, é “o motor essencial, elemento de progresso e dignidade, símbolo de paz e fraternidade”.
É por meio do trabalho que o pensamento se forma e se humaniza; é nele que a criança descobre a potência de agir sobre o mundo e de transformar a si mesma.
A noção de educação pelo trabalho não deve se confundir também como uma instrução técnica ou manual. Trata-se de uma pedagogia integral, em que o trabalho adquire sentido formativo, social e ético. O pedagogo propõe o que chama de escola-laboratório, organizada como uma pequena comunidade de produção e pesquisa. As oficinas escolares, a imprensa na sala de aula, o texto livre e a correspondência entre escolas materializam o princípio da cooperação produtiva, no qual o conhecimento é construído coletivamente e devolvido à comunidade, não de maneira abstrata, mas como uma obra útil e socialmente situada. Os estudantes passam a produzir conhecimento para si e para a comunidade, não por que devem SER para o futuro, mas porque já SÃO no presente.
Diferente do que se imagina, não precisaríamos falar do trabalho para as crianças porque elas viveriam o trabalho. Inclusive para Freinet, os problemas de conduta diminuem na proporção onde o trabalho se torna significativo “a ordem da fábrica em funcionamento substitui a ordem do templo silencioso”. O que emerge é uma ética da responsabilidade compartilhada, a “organização da vida e do trabalho em comum”, em que o grupo regula suas ações a partir da finalidade coletiva da tarefa.
Ficaria muito tempo falando o quanto uma pedagogia do trabalho pode transformar a maneira como ensinamos e aprendemos, mas sinto que ficaria aqui tempo demasiadamente extenso. E me comprometi com uma coisa.
Queria só finalizar a fala do pensador francês porque para ele o trabalho é um conceito político e humanista. É o fundamento de uma “educação popular”, voltada à emancipação e a dignidade. O ato de trabalhar, quando vivido em liberdade e solidariedade, torna-se o elo entre os indivíduos e o meio social.
O ensino sobre e do trabalho
Quando comecei a escrever este texto, queria falar sobre como é difícil falar de trabalho. Existe pouco material que aborde esse tema para crianças, e ainda que eu acredite profundamente que elas são capazes de compreender muito mais do que geralmente supomos, o fato é que ainda precisamos de materiais pensados para elas, adaptados para o espaço da sala de aula.
Mas não dá para dissociar as crianças de um assunto que as atravessa o tempo todo, o trabalho está presente no cotidiano delas, nas conversas em casa, nas expectativas que os adultos projetam sobre o futuro (delas) e até nas formas de organização social que determinam o que podem ou não fazer. Elas já estão imersas até a boca nesse mundo do trabalho que tanto tentamos explicar.
Quando uma criança constrói uma maquete, organiza um jogo, escreve uma história ou planta uma muda, ela já está, de certo modo, trabalhando. Está deixando marcas, atuando sobre a realidade e experimentando a potência de fazer algo existir que antes não existia.
Falar de trabalho, portanto, é falar de autoria. E essa é uma dimensão que a escola, tantas vezes, esquece de cultivar. Ao insistirmos em tarefas prontas, atividades mecânicas e respostas certas, acabamos por domesticar essa energia vital que o trabalho, no sentido freinetiano, representa. A educação pelo trabalho não se trata de preparar as crianças para o futuro mercado, mas de possibilitar que elas vivam hoje experiências significativas de criação e cooperação, nas quais o aprender e o fazer sejam indissociáveis.
Quando trazemos esse debate para a infância, abrimos espaço para que as crianças reconheçam os trabalhadores que as cercam, compreendam o valor de cada ofício e, sobretudo, percebam-se como parte ativa dessa grande rede de interdependências que sustenta a vida social.
Por isso, é urgente criar materiais sobre temas complexos que falem com as crianças, não de maneira infantilizada, mas com contexto, sensibilidade e criticidade. Assim como é papel dos educadores colocar as crianças no papel de sujeitos, e não de meras espectadoras, reconhecendo-as como participantes ativas da sociedade, capazes de questionar, propor e transformar.
Falar de trabalho com crianças é, afinal, falar sobre o mundo que elas já habitam e sobre o que podem construir a partir dele.
Referências
DE CASTRO, Lucia Rabello. Conhecer, transformar (-se) e aprender: pesquisando com crianças e jovens. Pesquisa-intervenção na infância e juventude, p. 21-42, 2008.
FREINET, Célestin. Por una escuela del pueblo. Tradução de Joseph Alcobé. 2. ed. México: Distribuciones Fontamara, 1994.
______________. Education through work: a model for child-centered learning. Tradução de John Sivell. Lewiston, NY: Edwin Mellen Press, 1993.
______________. Cooperative learning and social change: selected writings of Célestin Freinet. Edição e tradução de David Clandfield e John Sivell. Toronto: Our Schools/Our Selves; OISE Publishing, 1990.
NATIVIDADE, Michelle Regina da; COUTINHO, Maria Chalfin. O trabalho na sociedade contemporânea: os sentidos atribuídos pelas crianças. Psicologia & Sociedade, v. 24, p. 430-439, 2012.
OLIVEIRA, Denize Cristina de et al. Futuro e liberdade: o trabalho e a instituição escolar nas representações sociais de adolescentes. Estudos de Psicologia (Natal), v. 6, p. 245-258, 2001.
Escrever bons objetivos de aprendizagem é uma das habilidades mais importantes para educadores que desejam planejar experiências educacionais transformadoras. Não se trata de listar conteúdos a serem cobertos, mas de definir o que queremos que nossos alunos e alunas consigam entender e fazer ao final do processo.
Por que isso importa?
Objetivos claros funcionam como bússolas. Eles mantêm o foco no essencial e evitam que o ensino se perca em tarefas que apenas “preenchem tempo”. Quando sabemos onde queremos chegar, conseguimos escolher caminhos mais inteligentes e coerentes. E, de quebra, a avaliação deixa de ser um exercício burocrático para se tornar uma leitura autêntica da aprendizagem.
Comece pelo fim: o design reverso
Uma das abordagens mais eficazes para criar objetivos é o Design Reverso ou Planejamento Reverso (Backward Design), que inverte a lógica tradicional de planejamento. Em vez de começar pelas atividades, começamos pelos resultados desejados:
Identifique os resultados desejados: Defina primeiro os entendimentos profundos, as questões essenciais e os conhecimentos-chave que seus alunos devem adquirir.
Determine as evidências aceitáveis para cada resultado: Decida como os alunos demonstrarão sua compreensão através de tarefas autênticas que exijam aplicação real do conhecimento.
Planeje as atividades de aprendizagem: Só então desenhe as experiências que equiparão os alunos para o desempenho bem-sucedido.
Vá além da memorização: foque em competências
Objetivos verdadeiramente eficazes não se limitam à memorização de fatos. Eles desenvolvem a habilidade de agir em situações complexas e realistas. Isso significa que seus alunos devem ser capazes de:
Mobilizar recursos diversos: articular conhecimentos conceituais, procedimentais e atitudinais para resolver problemas reais.
Transferir conhecimentos: aplicar o que aprenderam em contextos novos e variados.
Construir, não só receber: desenvolver competências através do exercício em situações desafiadoras.
Lembre-se: conhecimentos factuais e habilidades técnicas são recursos necessários, mas não o fim último do aprendizado. O objetivo é que os alunos saibam quando, onde e como usar esses recursos.
Busque compreensões duradouras
Os melhores objetivos focam em compreensões duradouras, aquelas grandes ideias que permanecem com os alunos anos depois da experiência educacional. Para identificá-los, pergunte-se:
O que quero que meus alunos ainda saibam e possam fazer daqui a cinco anos?
Que compreensões são transferíveis para outras situações e contextos?
Quais são as inferências importantes que vão além dos fatos isolados?
Utilize questões essenciais
Acompanhe seus objetivos com Perguntas Essenciais que provocam investigação e pensamento profundo:
Não podem ser respondidas com uma única frase
Recorrem ao longo do currículo, promovendo conexões conceituais
Desafiam os alunos a considerar alternativas e justificar suas respostas
Exemplos: “O que torna uma fonte confiável?”, “Como os sistemas se autorregulam?”, “De que maneira a forma influencia a função?”
Como formular: escreva sentenças completas
Ao escrever seus objetivos, evite tópicos vagos e busque sentenças proposicionais completas:
❌ Evite: “Compreensão do sistema solar”
✅ Prefira: “Compreender que os movimentos dos corpos celestes seguem padrões previsíveis regidos por forças gravitacionais, o que permite prever fenômenos como eclipses e estações do ano.”
A diferença? A segunda versão especifica uma inferência importante que requer compreensão profunda, não só memorização de fatos.
A Taxonomia de Bloom: classificando a complexidade
A Taxonomia de Bloom é uma ferramenta fundamental para garantir que seus objetivos vão além da simples memorização. Ela classifica seis níveis cognitivos, do mais simples ao mais complexo:
1. Conhecimento: Recordar fatos e informações 2. Compreensão: Explicar ideias ou conceitos 3. Aplicação: Usar informação em novas situações 4. Análise: Estabelecer conexões entre ideias 5. Síntese: Criar algo novo a partir do conhecimento 6. Avaliação: Justificar decisões ou posições
O poder da taxonomia está em nos lembrar que objetivos eficazes focam nos níveis superiores — aqueles que exigem pensamento crítico, transferência e aplicação autêntica do conhecimento.
O que realmente significa “compreender”?
A palavra “entender” é vaga. Bloom e seus colegas nos desafiaram a definir o que o aluno precisa fazer para demonstrar compreensão real. A resposta? Performance observável.
Para avaliar aplicação, por exemplo, você deve apresentar uma tarefa nova (não familiar) que exija que o aluno transfira o que aprendeu. Não basta repetir um exercício idêntico ao praticado em aula — isso é somente memorização disfarçada.
Os seis aspectos da compreensão
Para garantir que seus objetivos promovam compreensão genuína, considere se eles permitem que os alunos demonstrem:
1. Explicação: Fornecer teorias e justificativas para explicar o “porquê”
2. Interpretação: Traduzir ideias e mostrar seu significado — o “e daí?”
3. Aplicação: Usar conhecimento de forma flexível em contextos novos
4. Perspectiva: Reconhecer pressupostos e limites de uma ideia
5. Empatia: Valorizar pontos de vista diferentes, mesmo os que parecem estranhos
6. Autoconhecimento: Demonstrar consciência dos próprios preconceitos e limites
Mantenha a flexibilidade
Bons objetivos são pontos de partida, não camisas de força. Eles devem:
Permitir ajustes conforme as necessidades dos alunos
Surgir das capacidades e interesses reais do grupo
Considerar os recursos e desafios da situação específica
Nosso papel como educador é direcionar a capacidade de crescimento dos alunos, partindo de onde eles estão para ampliar suas possibilidades de ação.
Colocando em prática
Ao escrever seus próximos objetivos de aprendizagem:
Identifique as grandes ideias transferíveis do seu conteúdo
Classifique pela Taxonomia de Bloom
Formule como sentenças completas que expressem inferências importantes
Crie questões essenciais que provoquem investigação contínua
Defina desempenhos observáveis: como saberá que houve compreensão?
Inclua diferentes tipos: entendimentos duradouros + habilidades + competências
Verifique transferência: funciona em contextos novos?
Mantenha flexibilidade para ajustar conforme necessário
Lembre-se: objetivos bem escritos são investimentos que retornam em aprendizagens mais profundas, significativas e duradouras. Vale a pena dedicar tempo e reflexão a essa etapa fundamental do planejamento educacional.
Referências
>SILVA, Gabriele Bonotto; FELICETTI, Vera Lucia. Habilidades e competências na prática docente: perspectivas a partir de situações-problema. Educação Por Escrito, Porto Alegre, v. 5, n. 1, p. 17–29, jan./jun. 2014. ISSN 2179-8435.
> WIGGINS, Grant P.; MCTIGHE, Jay.Understanding by design. Expanded 2nd ed. Alexandria, VA: Association for Supervision and Curriculum Development, 2005.
VOCÊ SABIA?
Hoje, 20 de outubro, é Dia Internacional do Bicho-Preguiça, foi isso que o Bing Wallpaper me disse. Amo animais e decidi compartilhar essa imagem do National Geographic contigo no início do post. Quer ver ela completa? Aqui! Ela é do Christian Ziegler.
Nos últimos meses, mergulhei no universo da avaliação em computação e caraca, criar uma boa pergunta é muito mais difícil do que parece.
🥲 Aprendi o que são descritores avaliativos, como construir um item com base na psicometria, e descobri que fazer uma questão bem feita exige muito mais que saber computação.
Você sabe o que é psicometria? A psicometria é uma área da psicologia e da educação que trata da medição de características psicológicas, como habilidades cognitivas, traços de personalidade, atitudes, competências e conhecimentos. Ela é a base científica por trás da criação e validação de testes e instrumentos de avaliação, como ENEM, PISA, QI, etc.
Descobrindo o que é essa área, eu percebi que não basta ter uma ideia boa ou querer avaliar.
Tem que seguir estrutura, manter coerência entre enunciado e alternativas, respeitar paralelismo semântico (sim, eu tinha que me exibir, aprendi essa palavra nos últimos meses 😎), evitar pistas involuntárias, garantir simetria nas alternativas… e mais um montão de coisas.
E tudo isso pensando: O que exatamente estou avaliando aqui? É análise? Abstração? Interpretação de código? O que diabos eu quero saber se o estudante aprendeu?
Criar itens que avaliem de verdade competências computacionais virou um laboratório pessoal. Na maioria das vezes passo nervoso. Mas às vezes tenho umas ideias tão boas que dá orgulho. 😂
É na avaliação que a intencionalidade pedagógica aparece com força. Se ela não existe no decorrer das aulas, a criança não aprende. Na computação, então… é ainda mais desafiador.
✨ Não adianta o robozinho brilhar e rodopiar se os estudantes só seguiram um tutorial e nem entenderam o que é uma estrutura de repetição.
É um desafio para todas as áreas, aqui estamos aprendendo. E aí, como você tem avaliado o que realmente importa?
Em janeiro, participei de uma oficina sobre visualização de dados com programação. Preciso dizer: sou uma pessoa muito ligada à estética das coisas (minha mãe até hoje fica meio decepcionada por eu ter abandonado minha “possível carreira promissora na arte” para estudar engenharia 😅).
Isso significa que adoro pensar em como apresentamos as coisas. E convenhamos: não é porque é exatas que precisa ser feio, né?
Na oficina, o pessoal do TLTL apresentou os gráficos incríveis da artista Krisztina Szucs, que transforma estatísticas da UEFA Champions League em obras de arte! Isso aqui amigos: dados, futebol e arte, tudo junto e misturado. 🤌
Agora, imagina ensinar análise e visualização de dados explorando princípios de design para criar gráficos tão interessantes quanto esses? Peguei algumas habilidades da BNCC de Computação que vocês podem desenvolver:
🎈 Pode começar lá nos anos iniciais, tá? A habilidade EF04CO01 trabalha com representação através de matrizes e coordenadas, importante para construir gráficos, tabelas e infográficos. 🎈 Nos anos finais, eles podem construir soluções computacionais e selecionar estruturas de dados adequadas (EF08CO04). 🎈 O Ensino Médio é o único segmento que tem realmente habilidade visando análise de dados, aí dá para voar amigos, produzir, analisar e compartilhar informações usando princípios de ciência de dados (EM13CO12).
O mais legal? Dá para incentivar os estudantes a explorar diferentes formas de representar seus dados, conectando com seus interesses e criatividade.
👀 Quem aí entendeu certinho o que está rolando nesse gráfico? Eu não sou muito do futebol, então precisei de uma apreciação inicial para entender (haha). Se você também não é, eu explico: o gráfico usa triângulos sobrepostos para comparar a pontuação de ARG (8 pontos, em laranja) e IND (5 pontos, em preto), representando a diferença de gols, a ordem ou o tempo em que eles foram marcados ao longo do jogo.
Jogo emocionante esse!
E me conta: qual seria a temática preferida dos estudantes aí? Confesso que escolhi de futebol, porque vejo muitos estudantes apaixonados por futebol, independente de raça, idade, gênero e classe social.
Fonte da imagem: Plot Parade | 44 World Championship – Sample Generated Data – May 5, 2023 [link aqui]
Esse é o maior dos cuidados que tomo diariamente no meu trabalho. Projetos em computação precisa incentivar a resolução de problemas (diversos) com técnicas computacionais. Veja bem, tem uma diferença aqui, não estamos ensinando a técnica pela técnica, estamos ensinando a usar a técnica para resolver um problema que tenho, que o estudante encontra no seu território, que a sociedade tem.
Esse é o ponto da educação em tecnologia, não deveria ser sobre ensinar a técnica, isso é exatamente aquele argumento “A IA pode ensinar isso.”
Não, ela não pode fazer meu trabalho melhor do que eu!
Devemos parar de reduzir o ensino de computação somente a isso.
Se ensinar computação fosse somente seguir um tutorial, então qualquer um que assiste a um vídeo ou copia um código já teria aprendido. Mas, por que será que tanta gente não consegue resolver problemas complexos computacionais? Temos um monte por aí! Só jogar numa IA e ela resolve, não é?
O aprendizado acontece quando há espaço para experimentação, erro, adaptação e, principalmente, para conectar o conhecimento técnico à realidade do estudante.
Fico meio triste de ter que falar isso ainda em 2025.
Quando alguém me fala de substituir professor por uma IA lembro daquele meme: “Eu não sou má, mas fico pensando o que uma pessoa má faria.” Por que em que realidade essa pessoa está? Quantas salas de aula já entrou? Para quantas pessoas essa pessoa já lecionou algo na vida?
Ok, OK. Existe muita coisa que a educação deve mudar. Mas essas pessoas realmente acham que colocar uma máquina para fazer é a melhor solução?
Amigo, a gente não tem internet de fácil acesso a todo o território ainda. 2025!
Segundo dados, 29% das escolas estaduais e municipais possuem dispositivos como computadores, notebooks ou tablets. Sendo 1 dispositivo para cada 10 estudantes. Somente 3.640 escolas das 32.379 escolas monitoradas cumprem a meta de velocidade de conexão estipulada pela Estratégia Nacional de Escolas Conectadas que recomenda pelo menos 1Mbps por aluno.
Ta, sua IA te ajuda a fazer alguma coisa. Mas aí achar que ela consegue tomar decisão, expressar a amorosidade necessária que uma sala de aula necessita? Não é possível né, que eu precise falar o óbvio.
Educação é sobre mediação, não sobre entrega de informação (estamos nessa discussão a quantos anos? Décadas?).
Educação exige um papel ativo do estudante, e um estudo da OCDE mostra o quanto essa atitude proativa impacta o aprendizado. Menos da metade dos estudantes nos países da OCDE tenta conectar o que aprende agora com o que já aprendeu antes na escola. Isso significa que muitos estão somente consumindo informação sem fazer conexões — e sabemos que sem isso, o aprendizado não se fixa. Como um assistente, um tutorial consegue suprir esse gap?
Se queremos um ensino de computação significativo, ele precisa ser sobre pensamento computacional, sobre resolver problemas reais, sobre interação humana. O professor é peça-chave nisso. Uma IA pode gerar código, mas não pode perceber a frustração no olhar de um estudante, nem incentivá-lo a pensar além do óbvio.
No fim, o que estamos discutindo aqui é o que queremos para a educação: formar estudantes que só executam comandos ou que realmente pensam computacionalmente?
Por isso, reduzir o ensino de computação a “seguir um tutorial” não só enfraquece a formação dos estudantes, como também alimenta a ilusão de que um professor pode ser substituído por uma IA. Ensinar computação é sobre formar pensadores computacionais, não operadores de código.
Para concluir, lembrei aqui que a série “The Bear” representa o papel do educador em muitos momentos. Não é só sobre técnica, não é só sobre paixão, é sobre paixão e técnica aplicados em um propósito. Que propósito tem de seguir o tutorial? Que propósito pode ter uma IA no lugar de um professor?
