Teoria da carga cognitiva e exemplos resolvidos em matemática

Resultados

1. Núcleo teórico: memória de trabalho, esquemas e três cargas

A CLT modela a cognição humana segundo a divisão de Geary entre conhecimento biologicamente primário (preparado evolutivamente, por exemplo, linguagem falada) e conhecimento biologicamente secundário (culturalmente importante, mas não preparado, por exemplo, aritmética escrita e álgebra) [13]. Como a matemática é biologicamente secundária, ela deve ser ensinada explicitamente, e é limitada pela memória de trabalho, que retém apenas alguns elementos novos de cada vez e os perde em segundos, a menos que sejam organizados em um esquema de memória de longo prazo [1][13]. A CLT divide a carga em intrínseca (complexidade inevitável, impulsionada pela interatividade dos elementos — quantas peças interativas precisam ser mantidas na mente simultaneamente), extrínseca (adicionada por design pobre, sem valor de aprendizagem) e relevante (germane — processamento esforçado que constrói o esquema). O design deve minimizar a carga extrínseca para que a capacidade sobrante sirva ao processamento relevante [1][7][13].

2. O efeito do exemplo resolvido

Sweller e Cooper (1985) ensinaram álgebra em cinco experimentos e descobriram que, mantendo o tempo de estudo constante, estudantes que usaram exemplos resolvidos resolveram os problemas do pós-teste aproximadamente duas vezes mais rápido e com cerca de um quinto dos erros dos estudantes que resolveram sem ajuda desde o início [1][2]. A resolução de problemas sem apoio força um processo de busca que compete com a construção de esquemas; ler um exemplo, por sua vez, direciona toda a capacidade ao reconhecimento da estrutura da solução. Sweller o chama de “o efeito de carga cognitiva mais conhecido e mais amplamente estudado” [1]. Trabalhos posteriores (Van Gog, Kester & Paas, 2011) mostram que pares apenas de exemplo ou alternando exemplo-problema superam a resolução pura de problemas em outros domínios procedimentais (por exemplo, análise de circuitos), de modo que o efeito se generaliza além da álgebra [1].

3. Reversão da expertise e redundância

O benefício não é permanente. Kalyuga demonstrou, em engenharia, circuitos de relé e treinamento de PLC, que a vantagem dos exemplos resolvidos sobre a resolução de problemas diminui e se inverte à medida que os aprendizes ganham experiência [3][4]. Mecanismo: já existe um esquema eficiente, de modo que reapresentar cada passo força o processamento de informação desnecessária, desperdiçando capacidade que poderia ser usada em prática de recuperação — e nega a própria prática [3][4]. Isso levou Sweller a revisar sua afirmação de 1988 de que a resolução de problemas deveria ser geralmente minimizada: a quantidade correta de resolução sem apoio é uma função da expertise atual, não da fase curricular [4].

4. Desvanecimento, problemas de conclusão e autoexplicação

O desvanecimento de Renkl: começar totalmente resolvido, depois omitir um passo (um problema de conclusão), depois mais, até que o aprendiz resolva sem ajuda. O desvanecimento pode ser progressivo ou regressivo; o regressivo (omitir o último passo primeiro) é geralmente recomendado, pois o passo final costuma ancorar a conexão com o objetivo [5]. Exemplos desvanecidos em geometria produziram compreensão conceitual mais profunda que blocos de exemplos não desvanecidos [5]. O desvanecimento sozinho ajuda de forma confiável na transferência próxima, mas não na distante. Atkinson, Renkl e Merrill (2003, J. Educational Psychology, 95(4), 774–783) combinaram desvanecimento com sugestões de autoexplicação — breves perguntas que pedem aos aprendizes que declarem o princípio por trás de cada passo, baseando-se na descoberta de Chi de que aprendizes fortes se autoexplicam espontaneamente e aprendizes fracos não o fazem [6][14]. Em dois experimentos essa combinação produziu ganhos de médio a grande porte tanto na transferência próxima quanto na distante, sem tempo de estudo adicional — “altamente recomendável” segundo os autores [6]. Uma meta-análise mais ampla de autoexplicação relata um tamanho de efeito médio em torno de g = 0,66 em 69 comparações [14].

5. Atenção dividida e redundância no design

Dois efeitos de falha de design. Atenção dividida: a compreensão requer integrar mentalmente fontes fisicamente ou temporalmente separadas (diagrama separado da legenda, ou um passo mostrado antes da explicação); materiais integrados e bem-desenhados superam os divididos [7]. Redundância: apresentar a mesma informação duas vezes em canais diferentes (por exemplo, narrar o texto na tela palavra por palavra) adiciona custo de reconciliação sem benefício [7]. Para interfaces de matemática: um passo da solução e o raciocínio por trás dele devem ocupar a mesma região visual ao mesmo tempo; escolha um canal por unidade de informação.

6. O efeito livre de objetivo

Um problema de objetivo específico (“resolver para x”) desencadeia análise meios-fins: manter simultaneamente o estado objetivo, o estado atual, sua diferença e os operadores candidatos — alta carga, útil para encontrar a resposta, mas pobre para aprender o método, pois a atenção persegue o objetivo em vez da estrutura [8]. Uma versão livre de objetivo (“encontre quantos valores puder”) remove o alvo, de modo que os aprendizes avançam de forma oportunista a partir do que sabem, reduzindo a carga e direcionando a atenção para a estrutura, melhorando a aprendizagem mesmo que não pareça “resolver o problema” [8].

7. Críticas, problemas de mensuração e debate de replicação

O principal defensor da CLT reconhece uma história de “crises de replicação e incorporação de outras teorias”, revisada mais de uma vez após falhas de replicação — mais visivelmente a postura de 1988 de minimizar a resolução de problemas, revertida pela reversão da expertise [3][4][9]. A crítica não resolvida mais profunda é a mensuração: não existe um instrumento validado e confiável para a própria carga cognitiva; a prática dominante é um único item de autorrelato de esforço, que não pode ser verificado quanto à confiabilidade e confunde esforço sentido com o que a manipulação realmente fez à memória de trabalho [9]. Muitos efeitos clássicos são inferidos a partir de resultados comportamentais (erros, transferência, tempo) com a carga tratada como não medida — razoável em agregados, mas difícil de diagnosticar caso a caso. Críticos também observam que “carga cognitiva” às vezes funciona como rótulo pós-hoc para qualquer resultado consistente com a teoria, em vez de um constructo medido independentemente — uma crítica compartilhada com a literatura mais ampla de crise de replicação na psicologia, não exclusiva da CLT [9].

8. Prática cronometrada, pontuação por velocidade e ansiedade matemática

Mais relevante para um design de pontos-por-velocidade. O programa de Ashcraft mostra que a ansiedade matemática funciona como uma tarefa secundária concorrente, ocupando a memória de trabalho (o componente executivo) que de outra forma serviria à aritmética — produzindo erros e lentidão que parecem um déficit de competência, mas são um déficit de recursos induzido pela ansiedade, não pela matemática [11]. Testes cronometrados revelam de forma confiável lacunas ligadas à ansiedade em aritmética que não aparecem em testes sem tempo do mesmo conteúdo — o relógio, não a matemática, é o que está sendo medido sob pressão para aprendizes ansiosos [11][12]. Boaler: o início de testes cronometrados é, para uma parcela significativa de estudantes, o ponto de origem da própria ansiedade matemática, e, uma vez ansiosos, a memória de trabalho é parcialmente consumida por essa ansiedade, bloqueando o acesso a fatos que eles normalmente conhecem — um ciclo de autorreforço [12]. A evidência não é unilateral: alguns estudos encontram que condições com tempo equivalente podem aumentar a acurácia, e um estudo não encontrou interação significativa de três vias entre memória, ansiedade e cronometragem [11] — real, mas moderado pelo nível de ansiedade e por se “cronometrado” significa um relógio rígido ou disponibilidade ritmada.

Síntese: a velocidade é um marcador legítimo de automaticidade quando um esquema está consolidado — recuperação rápida e sem esforço é exatamente o que a carga relevante (germane) “pagou” [1][13]. Mas a velocidade medida antes da consolidação não mede compreensão; mede o processo esforçado que o aprendiz está substituindo, e um relógio sobreposto a isso adiciona exatamente a carga extrínseca que a CLT recomenda evitar, no momento em que a memória de trabalho deve ser protegida, não sobrecarregada [1][7][8][11].

Implicações de design para o Math Challenge

1. Apresente um exemplo completo resolvido antes da primeira tentativa da criança em um novo padrão (nunca resolvido, ou as últimas N tentativas nessa habilidade falharam) em vez de “lutar primeiro” — corresponde ao efeito de exemplo resolvido para iniciantes [1][2].
2. Nunca emparelhe “novo padrão” com um cronômetro regressivo. Pontuação de velocidade com peso zero nas primeiras exposições; introduza o tempo somente depois que o padrão for resolvido corretamente sem um exemplo resolvido presente [11][12].
3. Desvaneça automaticamente a partir de um sinal de domínio, não de uma contagem fixa de itens: acurácia recente, uso de dicas, contagem de passos não auxiliados selecionam o próximo degrau (exemplo completo → um vazio → dois vazios → problema completo), conforme a sequência de problemas de conclusão de Renkl [5][6].
4. Desvanecimento tendencioso para trás (omitir o último passo primeiro), já que isso ancora a conexão objetivo e deve ser praticado cedo [5].
5. Emparelhe cada passo desvanecido com um prompt de autoexplicação de um toque (escolha múltipla para idades mais jovens, texto livre/voz para mais velhos) — a única intervenção que mostrou adicionar transferência distante sem custo de tempo [6][14].
6. Projete contra atenção dividida e redundância na UI: mantenha um passo e sua explicação na mesma região visual simultaneamente; nunca narre e exiba texto idêntico ao mesmo tempo [7].
7. Use enquadramentos sem objetivo para itens de posicionamento/diagnóstico (“encontre quantos valores puder”) para revelar conhecimento prévio com carga menor, mudando para pontuação específica de objetivo quando a avaliação de domínio começar [8].
8. Trate a reversão de expertise como parada rígida ao apoio: acima de um limiar de domínio, retenha exemplos resolvidos/dicas por padrão (disponíveis apenas sob demanda), pois apoio redundante prejudica mensuravelmente aprendizes avançados [3][4].
9. Desacople pontos de correção dos pontos de velocidade como canais separadamente ajustáveis; peso de velocidade padrão próximo de zero até que a escada de desvanecimento alcance “problema completo, sem dicas”. Informe pais/professores explicitamente que aumentar o peso de velocidade eleva a variância ligada à ansiedade para aprendizes abaixo do domínio [11][12].
10. Não deixe que um temporizador global de sessão/sequência substitua a barreira de domínio por habilidade — um relógio de nível meta pode reintroduzir o mesmo efeito de ansiedade mesmo com problemas sem tempo; torne os temporizadores de sequência opcionais e nunca bloqueie o acesso a exemplos resolvidos.
11. Registre qual degrau de desvanecimento a criança precisou como sinal de domínio para professores/pais, não apenas a correção — a forma de retirada de apoio é, por si, diagnóstica da força do esquema [5][6].
12. Não instrumente excessivamente “carga cognitiva” diretamente (por exemplo, apenas a variância do tempo de resposta); use proxies validados comportamentalmente — trajetória de acurácia ao longo da escada de desvanecimento, qualidade da autoexplicação — já que mesmo a própria literatura da TCC não possui medida direta de carga validada para se basear [9].

Perguntas abertas para o dono do projeto

1. Os pontos baseados em velocidade devem estar ativados por padrão para qualquer faixa etária, dado o evidência de ansiedade, ou ser opt-in por conta de pai/professor?
2. Qual limiar de domínio (por exemplo, N respostas corretas consecutivas no degrau “problema completo”) deve controlar a transição de sem tempo para com tempo por habilidade?
3. Os prompts de autoexplicação devem ser obrigatórios ou opcionais, considerando que crianças de ~4-6 anos podem não ter linguagem metacognitiva suficiente?
4. “Encontre quantos valores puder” (enquadramento sem objetivo) traduz-se de forma limpa entre EN/ES/FR/PT/DE sem perder sua abertura?
5. A escada de desvanecimento deve ser visível para a criança, ou invisível/apenas no backend?