A aprendizagem baseada em decisões (DBL) é um método de ensino que organiza a instrução em torno do conhecimento condicional que orienta os processos de tomada de decisão dos especialistas. Resumidamente, conhecimento condicional é saber “quando ou sob quais condições” aplicar procedimentos e conceitos (Bransford, Brown, Cocking, & Center, 2000). Resumindo, o DBL é organizado em torno de uma sequência funcional em vez de uma sequência lógica.

Para especialistas (incluindo a maioria dos instrutores), o reconhecimento das condições se tornou tão automático que parece intuitivo. Esse fenômeno ficou conhecido como o “ponto cego especializado” (Cardenas, West, Swan e Plummer, 2020). Consequentemente, esse conhecimento essencial permanece invisível para os estudantes na maioria das formas de ensino. No entanto, o conhecimento condicional é essencial para analisar situações com sucesso e selecionar um curso de ação apropriado. O conhecimento condicional também é uma base necessária para uma compreensão conceitual bem desenvolvida (Swan, Plummer e West, 2020).

A DBL busca revelar esse conhecimento condicional. Usando uma forma de análise cognitiva de tarefas, um especialista divide as decisões que toma com base nas condições de um problema/artefato/cenário do mundo real. Esse processo serve para classificar o problema e, portanto, sinalizar uma ação correta/adequada/ótima para determinada situação.

O processo de tomada de decisão pode ser estruturado como uma série de perguntas (decisões) com respostas possíveis. As decisões levam a uma ação ou resolução culminante. O resultado é um modelo de decisão especializado (EDM), que pode ser representado visualmente (Plummer, Swan, & Lush, 2017). Um EDM pode ser linear, ramificado ou em loop ou pode exibir uma combinação desses padrões (por exemplo, consulte a Figura 1).

Figura 1

Parte de um modelo de decisão especializado (EDM) usado em um curso básico de estatística

Um EDM deve se concentrar em um único resultado de aprendizagem (ou seja, ação culminante) e no objeto de análise desse resultado de aprendizagem (por exemplo, problema). Por exemplo, Plummer, Kebritchi, Leary e Halverson (2022) descrevem várias ações culminantes da seguinte forma:

No final de cada caminho de decisão, há uma ação ou decisão culminante. Por exemplo, em um curso de química, a ação culminante no final de seu modelo de decisão foi determinar se a técnica correta havia sido localizada para resolver um problema de calor e entalpia (Sansom, Suh, & Plummer, 2019). Em um curso de investigação qualitativa, a ação culminante foi determinar a credibilidade de um estudo qualitativo publicado (Owens & Mills, 2021). Finalmente, em um curso de engenharia mecânica, a ação culminante foi determinar o design e o desempenho de um elemento de máquina (Nelson, 2021). (p. 5)

Deve-se notar que um determinado resultado de aprendizagem e, portanto, um EDM, inclui uma variedade de tipos de problemas. Esses tipos de problemas compartilham muitas características, mas também têm características definidoras que os tornam distintos. Por exemplo, calor e entalpia são dois tipos de problemas de alto nível que também contêm tipos de problemas em si mesmos. Quanto mais intimamente relacionados, mais características eles compartilham, até que possa haver apenas uma característica distintiva entre um tipo de problema e seu (s) irmão (s) mais próximo (s).

Diante de um problema ou cenário do mundo real, os alunos analisam uma série de pontos de decisão graduais, aprendendo a raciocinar por meio de um cenário que leva a uma ação culminante apropriada. A instrução ocorre em cada ponto de decisão com foco em como identificar as condições definidoras em um determinado problema para a decisão atual. A instrução deve ser limitada ao que é essencial para tomar essa decisão específica. Nós nos referimos a isso como instrução suficiente e na hora certa. A natureza concisa dessa instrução ajuda os alunos a se concentrarem e separarem a condição definidora dessa decisão de outras condições estéticas ou de irmãos do cenário.

Inicialmente, os alunos podem ter dificuldade em distinguir as condições estéticas da definição de condições. Com repetição suficiente, os alunos desenvolvem a capacidade de distinguir as condições definidoras que levam à resolução do problema. Para fornecer repetição suficiente, um banco robusto de vários problemas para cada tipo de problema é ideal. Uma forma de criar problemas rapidamente é manter as mesmas condições cosméticas e alterar as condições definidoras para considerar cada tipo de problema.

Finalmente, o DBL inclui avaliações frequentes e intercaladas sem o auxílio do EDM. Inicialmente, a instrução é altamente orientada pelo EDM e pelas instruções associadas. No entanto, os estudantes tendem a confiar demais no modelo, a menos que precisem trabalhar sem andaimes. Avaliações frequentes e de baixo risco que exigem desempenho igual sem o modelo são essenciais para estimular os alunos a internalizarem seu aprendizado. Dessa forma, os alunos começam a desenvolver um esquema funcional do domínio.

Com a prática, o DBL ajuda os alunos a começarem a conceituar situações individuais do mundo real como instâncias de um tipo de problema. Em outras palavras, eles começam a gerar um esquema funcional que lhes permite aplicar de forma independente seu aprendizado em situações do mundo real. Além disso, com o conhecimento condicional como princípio organizador, os alunos têm a oportunidade de ver como as condições têm padrões que invocam conceitos e procedimentos relevantes. À medida que se aprofundam, essa estrutura também ajuda os alunos a entender os limites e a aplicação das teorias, princípios e conceitos subjacentes do domínio.

Referências

Bransford, J., Brown, A., Cocking, R., & Center, E. R. I. (2000). How People Learn: Brain, Mind, Experience, and School. (2nd ed.). Washington, D.C.: National Academy Press.

Cardenas, C., West, R. E., Swan, R. H., & Plummer, K. J. (2020). Modeling Expertise through Decision-based Learning: Theory, Practice, and Technology Applications. Revista de Educación a Distancia (RED), 20(64). doi:10.6018/red.408651

Nelson, T. G. (2021). Exploring Decision-Based Learning in an Engineering Context. In N. Wentworth, K. J. Plummer, & R. H. Swan (Eds.), Decision-Based Learning: An Innovative Pedagogy that Unpacks Expert Knowledge for the Novice Learner (pp. 55-65): Emerald Publishing Limited.

Owens, M. A., & Mills, E. R. (2021). Using Decision-Based Learning to Teach Qualitative Research Evaluation. In N. Wentworth, K. J. Plummer, & R. H. Swan (Eds.), Decision-Based Learning: An Innovative Pedagogy that Unpacks Expert Knowledge for the Novice Learner (pp. 93-102): Emerald Publishing Limited.

Plummer, K. J., Kebritchi, M., Leary, H. M., & Halverson, D. M. (2022). Enhancing Critical Thinking Skills through Decision-Based Learning. Innovative Higher Education, 47(4), 711-734. doi:10.1007/s10755-022-09595-9

Plummer, K. J., Swan, R. H., & Lush, N. (2017). Introduction to Decision-Based Learning. Paper presented at the 11th International Technology, Education and Development Conference, Valencia, Spain.

Sansom, R. L., Suh, E., & Plummer, K. J. (2019). Decision-Based Learning: ″If I Just Knew Which Equation To Use, I Know I Could Solve This Problem!″. Journal of Chemical Education, 96(3), 445-454. doi:10.1021/acs.jchemed.8b00754

Swan, R. H., Plummer, K. J., & West, R. E. (2020). Toward functional expertise through formal education: Identifying an opportunity for higher education. Educational Technology Research & Development, 68(5), 2551-2568. doi:10.1007/s11423-020-09778-1