LOGO dans l'éducation:

construire des fondements logiques et améliorer la pensée mathématique

Auteurs-es

DOI :

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

Mots-clés :

Performance académique, Enseignement primaire, Robotique éducative, SuperLogo

Résumé

Cet article présente un projet intégrant la programmation et la robotique à l'enseignement primaire à travers l'utilisation du logiciel SuperLogo. L'objectif était d'évaluer son impact sur la performance académique des élèves de l'École Municipale Arnaldo Isidoro de Lima (Foz do Iguaçu, PR, Brésil). La méthodologie a impliqué une formation technique destinée aux enseignants, l'élaboration d'un manuel d'instructions, ainsi que la mise en œuvre d'activités pédagogiques. L'étude a suivi 125 élèves sur une période de cinq ans, âgés de 6 à 10 ans. L'analyse a pris en compte trois indicateurs de performance: (i) la relation entre Moyenne des Notes et Élèves (GS), (ii) la Variation en Pourcentage et Moyenne des Notes (PG), et (iii) la Variation en Pourcentage et Élèves (PS). Des modèles de régression linéaire et non linéaire ont été appliqués. Les résultats ont indiqué un impact positif : 77,6 % des élèves ont amélioré leurs performances, 21,6 % ont connu une baisse et 0,8 % sont restés stables. La croissance annuelle moyenne a varié de 9,99 % (2018) à 23,54 % (2023), avec des cas remarquables, tels que l'élève 23 (+94,05 %) et l'élève 7 (-51,76 %) en 2023. L'introduction du logiciel SuperLogo s'est révélée être un outil efficace pour l'enseignement des Mathématiques et du raisonnement logique dans l'éducation publique.

Téléchargements

Les données relatives au téléchargement ne sont pas encore disponibles.

Références

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

Téléchargements

Publié-e

2026-04-22

Comment citer

Javier, J., Oswaldo Hideo Ando Júnior, Gabriel Brugues Soares, Francelino, I. G., & Maciel, J. N. (2026). LOGO dans l’éducation: : construire des fondements logiques et améliorer la pensée mathématique. Da Investigação às Práticas: Estudos De Natureza Educacional, 16(1). https://doi.org/10.25757/invep.v16i1454

Numéro

Vol. 16 No. 1 (2026): Publicação contínua

Rubrique

Artigos

Licence

(c) Tous droits réservés Jorge Javier, Oswaldo Hideo Ando Júnior, Gabriel Brugues Soares, Isabella Grinberg Francelino, Joylan Nunes Maciel 2026

Licence Creative Commons

Cette œuvre est sous licence Creative Commons Attribution 4.0 International.

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.