LOGO na Educação:
construindo fundamentos lógicos e aprimorando o pensamento matemático
DOI:
https://doi.org/10.25757/invep.v16i1454Palavras-chave:
Desempenho acadêmico, Ensino fundamental, Robótica educacional, SuperLogoResumo
Este artigo apresenta um projeto que integra programação e robótica ao ensino fundamental por meio do software SuperLogo. O objetivo foi avaliar seu impacto no desempenho acadêmico dos estudantes da Escola Municipal Arnaldo Isidoro de Lima (Foz do Iguaçu, PR, Brasil). A metodologia envolveu capacitação técnica para professores, suporte com um manual instrucional e implementação de atividades pedagógicas. O estudo acompanhou 125 alunos ao longo de cinco anos, com uma faixa etária entre 6 a 10 anos. A análise considerou três índices de desempenho: (i) a relação entre Médias de Notas e Alunos (GS), (ii) a Variação Percentual e Médias de Notas (PG) e (iii) a Variação Percentual e Alunos (PS). Modelos de regressão linear e não linear foram aplicados Os resultados indicaram um impacto positivo: 77,6% dos alunos melhoraram seu desempenho, 21,6% apresentaram queda e 0,8% permaneceram estáveis. O crescimento médio anual variou de 9,99% (2018) a 23,54% (2023), com casos notáveis, como o estudante 23 (+94,05%) e o estudante 7 (-51,76%) em 2023. A introdução do software SuperLogo se mostrou como uma ferramenta eficaz para o ensino de Matemática e raciocínio lógico na educação pública.
Downloads
Referências
Agrawal, R. (2024). Know The Best Evaluation Metrics for Your Regression Model ! Analytics Vidhya. https://www.analyticsvidhya.com/blog/2021/05/know-the-best-evaluation-metrics-for-your-regression-model/
Castilho, M. I. (2002). Robótica na Educação: Com que objetivos? Universidade Federal do Rio Grande do Sul.
Correia, L. H. A., & Silva, A. de C. (2005). Computador tutelado.
De Almeida, M. E. B. (2012, January 17). Informática e formação de professores.
De Campos, M. I., & Rueda, F. J. M. (2017). Regressão linear e quadrática: Análises comparativas de efeito em medidas do comportamento organizacional. Estudos de Psicologia, 22(2). https://doi.org/10.22491/1678-4669.20170023
Eryk, L. (2023). A Comprehensive Overview of Regression Evaluation Metrics. https://developer.nvidia.com/blog/a-comprehensive-overview-of-regression-evaluation-metrics/
Escola DNC. (2024). Avaliação de Modelos de Machine Learning: Métricas e Técnicas Essenciais. DNC. https://www.escoladnc.com.br/blog/avaliacao-de-modelos-de-machine-learning-metricas-e-tecnicas-essenciais/
Gogtay, N., Deshpande, S., & Thatte, U. (2017). Principles of Regression Analysis. Journal of The Association of Physicians of India, 65.
Hastie, T., Tibshirani, R., & Friedman, J. H. (2009). The elements of statistical learning: Data mining, inference, and prediction (2nd ed). Springer.
Júnior, A. C. (2002). Novas Tecnologias Educacionais no Ensino de Matemática: Estudo de Caso—LOGO e do Cabri-Géomètre. Universidade Federal de Santa Catarina.
Júnior, C. de O. (2021, December 12). Métricas para Regressão: Entendendo as métricas R2, MAE, MAPE, MSE e RMSE. https://medium.com/data-hackers/prevendo-n%C3%BAmeros-entendendo-m%C3%A9tricas-de-regress%C3%A3o-35545e011e70
Kunzel, B., Fernandes, M., Armstrong, R., & Braga, V. H. (n.d.). Regressão Polinomial.
Machado, N. P. (2006). Modelos de regressão polinomial: Problemas e soluções [Mestrado em Estatística, Universidade de São Paulo]. https://doi.org/10.11606/D.45.2006.tde-20210729-145308
Marques, A. R. L. (2019). Motivação para aprender: Como a motivação afeta a aprendizagem na escola. Instituo Federal de Educação, Ciência e Tecnologia de São Paulo.
Mayor, F., & Forti, A. (1998). Ciência e Poder (1st ed.). Papirus.
Montgomery, D. C., Peck, E. A., & Vining, G. G. (2012). Introduction to Linear Regression Analysis (5th ed.). Wiley.
Moraes, M. C. (2010). Robótica Educacional: Socializando e Produzindo Conhecimentos Matemáticos. Universidade Federa; do Rio Grande.
NIED/Unicamp. (2019). Super Logo 3.0. https://www.nied.unicamp.br/biblioteca/super-logo-30/
NumPy team. (2025, January 19). NumPy. https://numpy.org/
Oliveira, A. D., Silveira, A. A., & Silva, P. H. F. (2015). Robótica na Sala de Aula: O Prazer em Aprender. V ENID & III ENFOPROF, 11. https://editorarealize.com.br/artigo/visualizar/11860
Papert, S. M. (1985). LOGO: Computadores e Educação. https://periodicos.ufpe.br/revistas/index.php/topicoseducacionais/article/view/230791/24822
Piaget, J., & Inhelder, B. (2000). The Psychology Of The Child (30th ed.). Basic Books. https://www.alohabdonline.com/wp-content/uploads/2020/05/The-Psychology-Of-The-Child.pdf
Royston, P., & Altman, D. G. (1994). Regression Using Fractional Polynomials of Continuous Covariates: Parsimonious Parametric Modelling. Applied Statistics, 43(3), 429. https://doi.org/10.2307/2986270
Schmidt, C. O., Ittermann, T., Schulz, A., Grabe, H. J., & Baumeister, S. E. (2013). Linear, nonlinear or categorical: How to treat complex associations in regression analyses? Polynomial transformations and fractional polynomials. International Journal of Public Health, 58(1), 157–160. https://doi.org/10.1007/s00038-012-0362-0
scikit-learn team. (2025, January 21). Scikit-learn. https://scikit-learn.org/stable/
SciPy team. (2025). SciPy. https://scipy.org/
Seber, G. A. F., & Lee, A. J. (2003). Linear regression analysis (2nd ed). Wiley-Interscience.
Singh, A. (2020). Understanding Polynomial Regression. https://medium.com/analytics-vidhya/understanding-polynomial-regression-5ac25b970e18
Sipakov, R., Voloshkina, O., & Kovalova, A. (2024). Leveraging Quadratic Polynomials in Python for Advanced Data Analysis. F1000Reasearch. https://doi.org/10.12688/f1000research.149391.2
Downloads
Publicado
Como Citar
Edição
Secção
Licença
Direitos de Autor (c) 2026 Jorge Javier, Oswaldo Hideo Ando Júnior, Gabriel Brugues Soares, Isabella Grinberg Francelino, Joylan Nunes Maciel
Este trabalho encontra-se publicado com a Licença Internacional Creative Commons Atribuição 4.0.
Os artigos da revista Da Investigação às Práticas: Estudos de Natureza Educacional estão licenciados conforme Creative Commons Attribution License (CC BY 4.0) Autores que publicam nesta revista concordam com os seguintes termos:
Os autores mantêm os direitos autorais e concedem à revista o direito de primeira publicação. Os artigos estão simultaneamente licenciados sob a Creative Commons Attribution License que permite a partilha do trabalho com reconhecimento da sua autoria e da publicação inicial nesta revista.
Os autores têm autorização para disponibilizar a versão do texto publicada na Da Investigação às Práticas: Estudos de Natureza Educacional sem custos em repositórios institucionais ou outras plataformas de distribuição de trabalhos académicos (p.ex. ResearchGate), com a devida citação ao trabalho original.
A revista não aceita artigos que estejam publicado (exceto sob a forma de resumo ou como parte de uma tese), submetidos ou sejam submetidos durante o processo editorial a outras revistas ou publicações. Após publicado o artigo não pode ser submetido a outra revista ou publicação parcial ou totalmente sem autorização da coordenação editorial da Investigação às Práticas: Estudos de Natureza Educacional.
e-ISSN: 2182-1372