LOGO en la educación:

construyendo bases lógicas y potenciando el pensamiento matemático

Autores/as

DOI:

https://doi.org/10.25757/invep.v16i1454

Palabras clave:

Rendimiento académico, Educación primaria, Robótica educativa, SuperLogo

Resumen

Este artículo presenta un proyecto que integra la programación y la robótica en la educación primaria mediante el uso del software SuperLogo. El objetivo fue evaluar su impacto en el rendimiento académico de los estudiantes de la Escuela Municipal Arnaldo Isidoro de Lima (Foz do Iguaçu, PR, Brasil). La metodología incluyó capacitación técnica para los docentes, apoyo a través de un manual instructivo y la implementación de actividades pedagógicas. El estudio hizo un seguimiento de 125 alumnos durante un período de cinco años, con edades comprendidas entre los 6 y los 10 años. El análisis consideró tres indicadores de desempeño: (i) la relación entre Promedios de Notas y Alumnos (GS), (ii) la Variación Porcentual y Promedios de Notas (PG) y (iii) la Variación Porcentual y Alumnos (PS). Se aplicaron modelos de regresión lineal y no lineal. Los resultados indicaron un impacto positivo: el 77,6 % de los estudiantes mejoraron su rendimiento, el 21,6 % presentaron una disminución y el 0,8 % permanecieron estables. El crecimiento promedio anual osciló entre el 9,99 % (2018) y el 23,54 % (2023), con casos destacados como el estudiante 23 (+94,05 %) y el estudiante 7 (-51,76 %) en 2023. La introducción del software SuperLogo demostró ser una herramienta eficaz para la enseñanza de Matemáticas y del razonamiento lógico en la educación pública.

Descargas

Los datos de descargas todavía no están disponibles.

Citas

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

Descargas

Publicado

2026-04-22

Cómo citar

Javier, J., Oswaldo Hideo Ando Júnior, Gabriel Brugues Soares, Francelino, I. G., & Maciel, J. N. (2026). LOGO en la educación: : construyendo bases lógicas y potenciando el pensamiento matemático. Da Investigação às Práticas: Estudos De Natureza Educacional, 16(1). https://doi.org/10.25757/invep.v16i1454

Número

Vol. 16 Núm. 1 (2026): Publicação contínua

Sección

Artigos

Licencia

Derechos de autor 2026 Jorge Javier, Oswaldo Hideo Ando Júnior, Gabriel Brugues Soares, Isabella Grinberg Francelino, Joylan Nunes Maciel

Creative Commons License

Esta obra está bajo una licencia internacional Creative Commons Atribución 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.