Modelagem Matemática Gerando Ambiente de Alfabetização Científica: Discussões No Ensino de Física

UNIVERSIDADE FEDERAL DE MATO GROSSO-UFMT
UNIVERSIDADE FEDERAL DO PARÁ-UFPA

UNIVERSIDADE ESTADUAL DO AMAZONAS-UEA
PROGRAMA DE PÓS-GRADUAÇÃO EM EDUCAÇÃO EM
CIÊNCIAS E MATEMÁTICA-PPGECM
REDE AMAZÔNICA DE EDUCAÇÃO EM CIÊNCIAS E
MATEMÁTICA-REAMEC
Ednilson Sergio Ramalho de Souza
Modelagem matemática gerando ambiente de alfabetização

científica: discussões no ensino de física
Belém
2018
Ednilson Sergio Ramalho de Souza

científica: discussões no ensino de física
Tese apresentada ao Programa de Pós-

Graduação em Educação em Ciências e
Matemática/Rede Amazônica de Educação em
Ciências e Matemática como requisito parcial
para obtenção do título de Doutor em Educação
em Ciências e Matemática.
Orientador: Prof. Dr. Adilson Oliveira do Espirito

Santo.
Área de concentração: Fundamentos e

Metodologias.
Belém
2018
Dados Internacionais de Catalogação na Fonte.
S729m Souza, Ednilson Sergio Ramalho de.

científica: discussões no ensino de física / Ednilson Sergio Ramalho
de Souza. -- 2018
237 f. : il. color. ; 30 cm.
Orientador: Adilson Oliveira do Espírito Santo. Tese

(doutorado) - Universidade Federal de Mato
Grosso, Rede Amazônica de Educação em Ciências e Matemática,
Programa de Pós-Graduação em Educação em Ciências e Matemática,
Cuiabá, 2018.
Inclui bibliografia.
1. Modelagem matemática. 2. Alfabetização científica. 3. Ensino de

física. 4. Argumentação científica. I. Título.
Ficha catalográfica elaborada automaticamente de acordo com os dados fornecidos pelo(a) autor(a).
Permitida a reprodução parcial ou total, desde que citada a fonte.

Que no ensino de física também se faça alfabetização científica. Essa é minha
utopia!
(Ednilson Souza)
Agradecimentos
Àqueles que me trouxeram em energia a este mundo: Manoel (in memoriam) e

Raimunda.
Àquela que tem sido esposa e amiga: Rosy.
Àquelas que me mostraram o significado de ser pai: Pryscila e Laiane.
Aos demais familiares.
Ao orientador e amigo: prof. Dr. Adilson Oliveira do Espírito Santo.
Àqueles que dedicaram valiosas contribuições para a melhoria da tese: prof. Dr.
Leonardo Albuquerque Heidemann; prof. Dr. Dionísio Burak; prof. Dr. Manoel
Januário da Silva Neto; prof. Dr. Jair Lopes Junior, prof. Dr. Licurgo Peixoto de Brito
e profª Drª Roberta Modesto Braga.
Aos colegas modeladores do GEMM/UFPA (Grupo de Estudos em Modelagem

Matemática).
À Rede Amazônica de Educação em Ciências e Matemática-REAMEC

(UFMT/UFPA/UEA).
À Universidade Federal do Oeste do Pará (UFOPA).
À Coordenação de Aperfeiçoamento de Pessoal de Nível Superior - Brasil (CAPES) -

Código de Financiamento 001.
A todos aqueles que, direta ou indiretamente, contribuíram para a concretização

deste projeto.
To the grand philosophical question: “What is man?”
Aristotle answered: “Man is a rational animal.”
Modeling Theory offers a new answer: “Man is a modeling animal!”
Homo modelus!
(David Hestenes)
SOUZA, E. S. R. Modelagem matemática gerando ambiente de alfabetização
científica: discussões no ensino de física. 2018. 237f. Tese (Doutorado em
Educação em Ciências e Matemática) – Universidade Federal de Mato
Grosso/Universidade Federal do Pará, Belém, 2018.
Resumo
Diante das necessidades formativas do século XXI, é razoável pensar que o ensino
de física requeira mais que definições e fórmulas. Na perspectiva de uma educação
inovadora, além de conceitos, os estudantes necessitam de competências que os
capacitem a argumentar com algum grau de fundamento científico para tomada de
decisão e para ação frente aos problemas enfrentados, ou seja, é necessário
alfabetização científica. No entanto, uma educação desse tipo geralmente depende
da adoção de abordagens inovadoras e ativas, tal como a modelagem matemática.
Nesse cenário, o objetivo principal da presente pesquisa é caracterizar competências
essenciais para alfabetização científica e analisar fatores que possam potencializar
ou limitar seus desenvolvimentos em modelagem matemática no contexto do ensino
de física. A questão norteadora da pesquisa consiste em saber: em que sentido a
modelagem matemática enquanto abordagem educacional em física pode gerar
ambiente para a formação de sujeitos cientificamente alfabetizados? À luz da teoria
da modelagem de David Hestenes, a pesquisa de campo envolveu três ciclos de
modelagem cujas temáticas foram: poluição sonora; lixo de papel e obesidade. Os
sujeitos participantes foram treze (n=13) professores em formação de um curso de
licenciatura integrada em matemática-física, moradores da cidade de Almeirim, Pará,
Brasil. A produção de dados envolveu observação participativa, aplicação de
questionários abertos e fechados, registros escritos, em áudio e em vídeo. Os dados
produzidos foram interpretados com recursos da análise textual discursiva envolvendo
unitarização, categorização e metatexto. Na perspectiva da metodologia mista, foram
realizados três estudos. Os resultados do primeiro estudo evidenciam que a
modelagem matemática possui aplicabilidade positiva ao ensino de física, contudo, a
escolha de temas, a falta de prática com atividades investigativas e o tempo
insuficiente para realizar determinadas tarefas foram citados pelos professores como
desafios a serem superados. Destaca-se, a partir do segundo estudo, possibilidades
para a construção de competências para diferenciar questões possíveis de serem
investigadas cientificamente, para avaliar formas de explorar cientificamente dada
questão e para produzir textos científicos. Por fim, o terceiro estudo analisou a fala de
dois professores e sugere que a alfabetização científica pode ser potencializada pela
sofisticação dos argumentos quando os sujeitos apoiam cognitivamente seus
discursos em modelos matemáticos constituídos por múltiplas ferramentas de
representação.
Palavras-chave: Modelagem Matemática. Alfabetização Científica. Ensino de Física.

Argumentação Científica.
SOUZA, E. S. R. Mathematical modeling generating scientific literacy
environment: discussions in physics teaching. 2018. 237f. Thesis (Doctorate in
Sciences and Mathematics Education) - Federal University of Mato Grosso / Federal
University of Pará, Belém, 2018.
Abstract
Faced with the formative needs of the 21st century, it is reasonable to think that the
teaching of physics requires more than definitions and formulas. In the perspective of
an innovative education, in addition to concepts, students need skills that will enable
them to argue with some degree of scientific basis for decision making and action in
the face of the problems faced, ie, scientific literacy is needed. However, such
education generally depends on the adoption of innovative and active approaches,
such as mathematical modeling. In this scenario, the main objective of the present
research is to characterize essential competences for scientific literacy and analyze
factors that may potentiate or limit its developments in mathematical modeling in the
context of physics teaching. The guiding question of the research is to know: in what
sense can mathematical modeling as an educational approach in physics generate an
environment for the formation of scientifically literate subjects? In the light of David
Hestenes' modeling theory, the field research involved three modeling cycles whose
themes were: noise pollution; paper trash and obesity. Participants were thirteen (n =
13) professors in an undergraduate course integrated in mathematics-physics,
residents of the city of Almeirim, Pará, Brazil. The production of data involved
participatory observation, application of open and closed questionnaires, written
records, audio and video. The data produced were interpreted with the resources of
the discursive textual analysis involving unitarization, categorization and metatext.
From the perspective of the mixed methodology, three studies were carried out. The
results of the first study show that mathematical modeling has a positive applicability
to physics teaching, however, the choice of subjects, the lack of practice with
investigative activities and insufficient time to perform certain tasks were cited by the
teachers as challenges to be overcome. From the second study on, it is possible to
construct competences to differentiate possible questions to be investigated
scientifically, to evaluate ways to explore scientifically the issue and to produce
scientific texts. Finally, the third study analyzed the speech of two teachers and
suggests that scientific literacy can be enhanced by the sophistication of the arguments
when the subjects cognitively support their discourses in mathematical models
constituted by multiple tools of representation.
Keywords: Mathematical Modeling. Scientific Literacy. Teaching Physics. Scientific

Argumentation.
Lista de figuras
Figura 1 – Distribuição acadêmico-regional de trabalhos publicados sobre ensino de

física com modelagem matemática. ................................................................................... 30
Figura 2 - Fatores determinantes do conceito de alfabetização científica. .................. 40
Figura 3 - Argumento elementar DCJ. ............................................................................... 48
Figura 4 - Exemplo de argumento elementar DCJ. .......................................................... 49
Figura 5 - Argumento básico DCJQR. ................................................................................ 50
Figura 6 - Exemplo de argumento básico DCJQR. .......................................................... 50
Figura 7 - Argumento avançado DCJQRF. ....................................................................... 51
Figura 8 - Exemplo de argumento avançado DCJQRF. .................................................. 51
Figura 9 - Teoria da modelagem. ........................................................................................ 62
Figura 10 – Regiões do cérebro durante raciocínio em física: indicação de formação

de modelos mentais. ............................................................................................................. 66
Figura 11 - Forma simbólica de um modelo. ..................................................................... 70
Figura 12 - Tríade conceitual. .............................................................................................. 71
Figura 13 - Modelo conceitual. ............................................................................................ 72
Figura 14 - Modelos mentais e modelos conceituais. ...................................................... 74
Figura 15 – Relações entre modelos matemáticos e modelos mentais. ...................... 78
Figura 16 – Modelos matemáticos, modelos mentais, mundo físico. ........................... 79
Figura 17 – Compreensão de modelos matemáticos. ..................................................... 80
Figura 18 – Compreensão por modelos matemáticos. .................................................... 81

Figura 19 – O ciclo de modelagem de Hestenes. ............................................................ 90
Figura 20 – Produção de um whiteboard em um ciclo de modelagem. ........................ 93
Figura 21 - Gestão diretiva: professor ↔ estudantes. ..................................................... 98
Figura 22 – Organização da classe na gestão diretiva. .................................................. 99
Figura 23 - Gestão não-diretiva: estudantes ↔ estudantes. ........................................ 100
Figura 24 – Organização da classe na gestão não-diretiva. ........................................ 101
Figura 25 – Projeto paralelo convergente........................................................................ 109
Figura 26 – Vista superior da cidade de Almeirim-PA. .................................................. 110
Figura 27 - Escola pública em Almeirim-PA: ambiente educacional da pesquisa de

campo. ................................................................................................................................... 111
Figura 28 – Momento de leitura coletiva do texto sobre poluição sonora. ................. 119
Figura 29 – Aplicativo de smartphone utilizado na coleta de dados sobre poluição

sonora na escola.................................................................................................................. 120
Figura 30 – “Planta baixa” para o sistema-escola: ferramenta de representação para

a estrutura geométrica do modelo matemático. ............................................................. 121
Figura 31 - Grupo colaborativo discutindo sobre o plano de investigação sobre a

poluição sonora na escola.................................................................................................. 124
Figura 32 – Grupo colaborativo realizando a produção de dados sobre poluição

sonora. ................................................................................................................................... 124
Figura 33 – Elaboração de esboços de gráficos como primeira ferramenta de

representação para o modelo matemático. ..................................................................... 126
Figura 34 – Gráficos e tabelas: ferramentas de representação para o modelo

matemático sobre poluição sonora. .................................................................................. 127
Figura 35 - Sessão de discussão sobre poluição sonora. ............................................ 128
Figura 36 – Laboratório de investigação sobre lixo de papel. ...................................... 131
Figura 37 – Sessão de discussão sobre lixo de papel. ................................................. 134
Figura 38 – Diagrama de descrição para representar a estrutura sistêmica do modelo

matemático referente ao problema da obesidade. ......................................................... 137
Figura 39 – Laboratório de investigação sobre obesidade. .......................................... 139
Figura 40 - Sessão de discussão sobre obesidade. ...................................................... 140
Figura 41 - Estrutura argumentativa do discurso de MS. .............................................. 173
Figura 42 - Estrutura argumentativa do discurso PC. .................................................... 177
Figura 43 – Sujeito MS aponta com uma régua para o modelo matemático enquanto
elabora seu discurso. .......................................................................................................... 181
Figura 44 – Uso de whiteboards no cenário argumentativo: associação entre

linguagem verbal oral, linguagem matemática e linguagem gestual. ......................... 182
Lista de gráficos
Gráfico 1 – Distribuição de estudantes brasileiros por nível de proficiência em ciências

da natureza na edição do PISA 2015................................................................................. 25
Gráfico 2 – Publicações sobre modelagem matemática no ensino de física

(2006/2017). ........................................................................................................................... 29
Gráfico 3 – Frequências de categorias para potencialidades emergentes na fase de

descrição do problema........................................................................................................ 143
Gráfico 4 – Frequências de categorias para desafios emergentes na fase de descrição

do problema. ......................................................................................................................... 147
Gráfico 5 – Frequência de categorias para potencialidades emergentes na fase de

laboratório de investigação. ............................................................................................... 150
Gráfico 6 – Frequências de categorias para desafios emergentes na fase de

Gráfico 7 – Frequência de potencialidades emergentes na fase de sessão de

discussão. ............................................................................................................................. 157
Gráfico 8 – Frequências totais para fatores de potencialidades e de desafios

emergentes no estágio de elaboração do modelo. ........................................................ 160
Gráfico 9 – Competências apontadas pelos professores em formação como

emergentes na fase de descrição do problema.............................................................. 164

emergentes na fase de laboratório de investigação. ..................................................... 166

emergentes na fase de sessão de discussão. ................................................................ 168
Gráfico 12 – Competências apontadas no estágio de elaboração do modelo nas

percepções dos professores em formação. .................................................................... 170
Lista de quadros
Quadro 1 - Níveis de alfabetização científica.................................................................... 41
Quadro 2 - Objetivos & benefícios da alfabetização científica: dimensão social e

dimensão individual. .............................................................................................................. 42
Quadro 3. Ações fomentadoras de argumentação na sala de aula. ............................. 46
Quadro 4 – Competências com ênfase em práticas investigativas. .............................. 54
Quadro 5 – Competências com ênfase criticossocial. ..................................................... 55
Quadro 6 – Competências com ênfase no conhecimento conceitual e epistemológico.

.................................................................................................................................................. 56
Quadro 7 – Inventário de Competências para Alfabetização Científica. ...................... 57
Quadro 8 – Estrutura epistemológica de um modelo matemático. ................................ 76
Quadro 9 – Síntese das ações desenvolvidas no estágio de elaboração do modelo.

................................................................................................................................................ 112
Quadro 10 – Texto sobre poluição sonora. ..................................................................... 119
Quadro 11 – Pesquisa de grupo colaborativo sobre IMC. ............................................ 138
Quadro 12 – Pesquisa de grupo colaborativo sobre sedentarismo. ........................... 139
Quadro 13 – Categorias e subcategorias para potencialidades emergentes na fase de

Quadro 14 – Categorias e subcategorias para desafios emergentes na fase de



sessão de discussão. .......................................................................................................... 156
Quadro 18 – Elaboração do modelo: potencialidades & desafios. .............................. 161
Quadro 19 – Episódio argumentativo de MS: poluição sonora. ................................... 172
Quadro 20 – Episódio argumentativo de PC: lixo de papel. ......................................... 175

Sumário
Memórias acadêmicas ........................................................................................................ 19
1 Contorno inicial ................................................................................................................ 24
1.1 O problema em contexto............................................................................................. 24
1.2 Os marcos de chegada ................................................................................................ 33
1.3 A questão diretora ........................................................................................................ 34
1.4 Os capítulos seguintes ................................................................................................ 34
2 Alfabetização científica: consolidando sentidos ..................................................... 36
2.1 Sobre o conceito ........................................................................................................... 36
2.1.1 Fatores determinantes ................................................................................................ 39
2.2 Argumentação científica ............................................................................................. 43
2.2.1 Estruturas argumentativas ......................................................................................... 47
2.3 Um inventário de competências ............................................................................... 53
3 A teoria da modelagem: um framework em física ................................................... 59
3.1 Alguns pressupostos................................................................................................... 59
3.1.1 Modelo mental .............................................................................................................. 64
3.1.2 Modelo conceitual ........................................................................................................ 68
3.2 Modelo matemático: ressignificando a ideia......................................................... 74
3.3 O ciclo de modelagem de Hestenes ........................................................................ 83
3.3.1 Elaboração do modelo ................................................................................................ 90
3.3.2 Implementação do modelo ......................................................................................... 94
3.3.3 O discurso de modelagem ......................................................................................... 96
4 Em campo com professores ....................................................................................... 108
4.1 Características da pesquisa de campo ................................................................. 108

4.2 Atividades desenvolvidas ......................................................................................... 117
4.2.1 Poluição sonora ......................................................................................................... 117
4.2.2 Lixo de papel .............................................................................................................. 129
4.2.3 Somos obesos? ......................................................................................................... 136
5 Os dados em análise ..................................................................................................... 141
5.1 Percepções sobre possibilidades e desafios ..................................................... 141
5.1.1 Na fase de descrição do problema ......................................................................... 142
5.1.2 Na fase de laboratório de investigação .................................................................. 149
5.1.3 Na fase de sessão de discussão............................................................................. 155
5.2 Competências em desenvolvimento ..................................................................... 163
5.2.1 Na fase de descrição do problema ......................................................................... 163
5.2.2 Na fase de laboratório de investigação .................................................................. 165
5.2.3 Na fase de sessão de discussão............................................................................. 167
5.3 Efeitos da sofisticação argumentativa .................................................................. 171
5.3.1 O discurso de MS ...................................................................................................... 171
5.3.2 O discurso de PC ....................................................................................................... 174
6 Contorno final ................................................................................................................. 184
Referências ......................................................................................................................... 189
Apêndices ............................................................................................................................ 197
Anexos .................................................................................................................................. 231

19
Memórias acadêmicas
“Eu quero desaprender para aprender de novo. Raspar as tintas

com que me pintaram. Desencaixotar emoções, recuperar
sentidos.” (Rubem Alves).
Quando ingressei no curso de Licenciatura Plena em Física, na

Universidade Federal do Pará (UFPA), no ano de 2003, foi grande a
surpresa ao ter que estudar “mais matemática do que física”. Nas
primeiras aulas de física básica, logo surgiu em sala de aula o nome “derivada1”:
“velocidade é a derivada da posição em relação ao tempo...”, “aceleração é a derivada
da velocidade em relação ao tempo...”. Algumas vezes, diante da necessidade de
estudar assuntos totalmente novos face a minha formação do ensino médio, surgia o
pensamento de abandonar o curso, pois o trabalho como servidor público estadual
não permitia tempo suficiente para a dedicação que o curso demandava. No entanto,
a motivação para concluir a graduação foi mais forte!
No ano de 2007, sob orientação do Prof. Dr. Antônio Maia de Jesus Chaves
Neto, defendi o TCC (Trabalho de Conclusão de Curso) intitulado “Dedução da
equação tridimensional de condução de calor em sólidos e análise de métodos para
resolução” (SOUZA, 2007). A motivação para essa pesquisa foi perceber o problema
da dissipação de calor pelas maquinarias encontradas no cotidiano e, com o rápido
progresso tecnológico, esse problema pareceu de grande importância enquanto tema
de investigação. Hoje em dia, reflito que tal pesquisa se enquadra na perspectiva da
modelagem matemática ao contextualizar o desenvolvimento de um modelo
matemático para entender e para agir sobre um problema do contexto sociocultural,
mas é claro que na época eu não sabia disso!
Minha preocupação de recém-formado era voltada ao uso da linguagem

matemática na aprendizagem em física. Para aprofundar reflexões sobre esse
assunto, resolvi estudar sobre educação matemática. Foi então que no ano de 2008,
1
Derivada é a taxa de variação de uma função matemática.
20
no IEMCI (Instituto de Educação Matemática e Científica-UFPA), iniciei um curso de

especiação em educação matemática cujas aulas aconteciam aos sábados matinais.
Em certo inverno amazônico, na ausência do professor responsável por

ministrar a disciplina de fundamentos de matemática, adentrou em sala de aula outro
professor que começou a falar sobre uma estratégia de ensino. Lembro vividamente
que ele escreveu no quadro branco o tema “poluição” e, após discutir possíveis
problemas vinculados ao tema, propôs que era possível aprender matemática
elaborando modelos matemáticos que permitissem compreender e propor soluções
ao problema enfrentado: era o prof. Adilson Oliveira, ele nos falava sobre modelagem
matemática. Foi a primeira vez que escutei o nome “modelagem matemática”! A aula
terminou, mas ficou em meu espírito o pensamento de utilizar aquela abordagem em
aulas de física. Tal intento resultou em um artigo publicado em um evento regional
sobre possibilidades para um ensino de física contextualizado e interdisciplinar por
meio da modelagem matemática (SOUZA e ESPÍRITO SANTO, 2008).
Na conclusão da especialização, sob orientação do prof. Dr. Adilson, defendi a

pesquisa intitulada “Atitude interdisciplinar em ambiente gerado pelo processo de
modelagem matemática” (SOUZA, SANTOS e FONSECA, 2009). Motivados por um
acontecimento de comoção nacional ocorrido no ano de 2009 no Estado de São Paulo
(o desabamento do telhado de uma igreja) que vitimou nove pessoas, eu e mais dois
professores (de matemática) elaboramos uma sequência didática na perspectiva da
modelagem matemática. O objetivo foi analisar a causa de desabamentos de telhados
e mobilizar, interdisciplinarmente, conceitos de física e de matemática. Constatamos
que os conteúdos conceituais, procedimentais e atitudinais foram abordados conforme
a necessidade para se desenvolver modelos matemáticos. Verificamos que a
modelagem matemática poderia favorecer naturalmente a contextualização e a atitude
interdisciplinar entre professores de matemática e de física. Considero essa pesquisa
importante porque sinalizou um rumo a seguir futuramente no mestrado.
No ano de 2008, ingressei para o Mestrado em Ensino de Ciências e

Matemática (IEMCI/UFPA) e comecei a participar dos encontros do GEMM (Grupo de
Estudos em Modelagem Matemática). Por ocasião de minha pesquisa de dissertação,
novamente orientada pelo prof. Dr. Adilson e intitulada “Modelagem matemática no
21
ensino de física: registros de representação semiótica”; investiguei, à luz da teoria dos

registros de representação de Raymond Duval (DUVAL, 2009), sobre o papel das
transformações de registros de representação em ambiente gerado pela modelagem
matemática no contexto do ensino de física (SOUZA, 2010).
Meu objetivo na dissertação foi analisar como a conversão2 de diferentes

registros de representação (gráficos, tabelas, equações) em modelagem matemática
poderia favorecer a conceitualização em física. Para refletir sobre essa questão,
realizei pesquisa bibliográfica e encontrei que as práticas de modelagem matemática
em física geralmente recorrem a três recursos didático-pedagógicos não excludentes:
uso de problemas contextualizados no dia a dia; uso de tecnologias computacionais e
uso de atividades experimentais. Analisei seis atividades com o objetivo avaliar a
movimentação de registros de representação. Na conclusão da dissertação, ressaltei
a importância da atividade cognitiva de conversão de registros para a compreensão
do conteúdo conceitual em física. Sustentei que um mesmo conceito em física pode
ser representado de diferentes maneiras, por meio de diferentes tipos de registros
representativos. Por sua vez, para ser convertido e interpretado adequadamente, cada
registro suscita um custo cognitivo associado à sua forma. Argumentei que, ao
converter deliberadamente diferentes tipos de representações referentes a um mesmo
conceito em física, o estudante pode desenvolver funções cognitivas superiores que
podem potencializar a compreensão conceitual.
Na mesma época em que defendi a pesquisa de mestrado, no ano de 2010,

ingressei como docente concursado para a UFOPA (Universidade Federal do Oeste
do Pará), onde labuto até os dias atuais. Enquanto professor laborando em cursos de
graduação em matemática, física e pedagogia, realizei diversas experiências para
avaliar, na prática efetiva de sala de aula, as implicações da modelagem matemática.
Nessas experiências, verifiquei principalmente três pontos de atenção. Primeiro, os
discentes estudam em grupos pequenos para resolver problemas (grupos de três a
2
Para Duval (2009), existem dois tipos principais de transformações semióticas: a conversão, em que
se muda o sistema de registro com o qual se está trabalhando (por exemplo, passar de uma tabela a
um gráfico cartesiano) e o tratamento, em que se mantém o mesmo sistema semiótico (por exemplo,
resolver uma equação do primeiro grau mantendo o registro algébrico).
22
cinco componentes). Isso pode promover o compartilhar de pensamentos e de ações

em meio a conteúdos contextualizados e interdisciplinares. Segundo, os grupos de
estudantes tornam-se atores principais do “cenário investigativo”, por outro lado, o
professor passa a fazer parte de discussões mais próximas a eles e a usar o
conhecimento disciplinar para aprofundar conteúdos, para orientar pesquisas, para
direcionar o estudo objetivando tópicos essenciais e importantes visando à formação
desejada. Terceiro, a organização curricular geralmente é estudada conforme a
necessidade para a elaboração de modelos matemáticos, isso pode contribuir para a
coesão entre campos conceituais distintos, em vez de estudá-los de forma
fragmentada, como geralmente acontece no ensino meramente expositivo.
Contudo, nesse caminhar encontrei alguns obstáculos, felizmente,

transponíveis. Um deles refere-se à necessidade de “cumprir” a ementa curricular
sugerida para a disciplina. Em situações desse tipo, a solução geralmente consistia
em escolher problemas em potenciais que suscitassem os conteúdos curriculares
desejados e os apresentava de forma motivadora aos grupos como propostas de
temas para modelagem matemática. Outro obstáculo refere-se à necessidade de os
estudantes terem que pesquisar durante uma atividade de modelagem matemática.
Muitos deles, acostumados à passividade do ensino meramente expositivo,
dificilmente desenvolvem capacidades para realização de pesquisas, isso faz com que
criem certa “aversão” a tarefas investigativas. Das vezes que isso acontecia, o próprio
trabalho em equipe era a solução, pois, quando organizados em grupos, os
estudantes comumente sentem-se motivados a buscar informações necessárias ao
desenvolvimento de modelos matemáticos. Um terceiro obstáculo, mas não menos
importante, refere-se ao uso de ferramentas de representação e de técnicas
específicas de modelagem matemática, tais como a elaboração e a interpretação de
gráficos e de equações ou o manuseio de algum software para realização de
simulações computacionais ou procedimentos de ajuste de curva. Muitas vezes,
aplicativos instalados nos celulares ou nos notebooks (como o geogebra ou o
modellus) davam conta de resolver esse problema. Reflito que esses e outros
obstáculos não inviabilizam o trabalho com modelagem matemática, isso porque, na
maioria dos casos, a boa vontade do professor, o apoio dos estudantes e da
coordenação pedagógica são suficientes para resolvê-los.
23
Ao finalizar este breve memorial acadêmico, esclareço que minhas reflexões

me levaram a conceber a modelagem matemática para além de um método de ensino
ou de um conjunto de procedimentos em sala de aula. Hoje em dia, entendo a
modelagem a partir de uma visão holística, isto é, como uma abordagem educacional
em ciências e em matemática. Nesse sentido, seu principal objetivo é gerar ambientes
de aprendizagens. Sendo assim, a finalidade pedagógica da modelagem matemática
é orientar estudantes para que eles mesmos possam desenvolver modelos
matemáticos a partir de problemas que enfrentam em suas vidas.
Porém, tal orientação pedagógica não pode ocorrer ao acaso, mas envolve
planejamento para realização de ações consubstanciadas por práticas sociais dentro
de um contexto histórico-social, de modo consciente, intencional, processual
(LIBÂNEO, 2011). Nesse direcionamento, sustento que a modelagem matemática
pode comportar em seu bojo educacional diferentes “maneiras de fazer”, ou diversos
ciclos de modelagens visando a gerar ambientes de aprendizagens, seja para o
ensino de física ou de outra unidade curricular. Em reforço, Chaves e Espirito Santo
(2008) asseveram que a modelagem matemática admite diversas condições
estratégicas em que os conteúdos podem ser orientados de forma articulada entre si,
contribuindo para que se tenha uma visão holística do problema em investigação.
É com essa visão holística de modelagem matemática que a presente pesquisa

pretende ser continuação de minhas reflexões no ensino investigativo de física.
Contudo, meu foco não será no conceito físico em si, em vez disso, darei atenção à
possibilidade de construção de competências essenciais para alfabetização
científica3, isto é, competências para a formação de sujeitos capazes de elaborar
argumentos com um mínimo de fundamentação científica para explicar e para propor
soluções a problemas enfrentados no dia a dia.
3 Usarei o termo alfabetização científica em analogia a termos semelhantes encontrados na literatura,

tais como: letramento científico, enculturação científica, literacia científica. Dada a polissemia desses
termos, não farei distinção entre eles, embora alguns autores o façam com propriedade.
24
1 Contorno inicial
“Não existem métodos fáceis para resolver problemas difíceis.”

(René Descartes).
Neste capítulo introdutório, pretendo passar uma vista geral sobre o problema
a ser investigado, sobre o propósito da pesquisa e sobre a questão diretora. Iniciarei
ao contextualizar o problema do baixo índice de estudantes brasileiros cientificamente
alfabetizados, justificando-o a partir de resultados de avaliações internacionais sobre
ensino de ciências que apontam a necessidade de mudanças pedagógicas visando a
uma efetiva formação para o século XXI, a partir de minha própria prática docente na
educação superior que aponta a necessidade de formação de professores com “outro
olhar” educacional e a partir da revisão de literatura sobre modelagem matemática no
ensino de física que evidencia possibilidades efetivas para o desenvolvimento de
competências para alfabetização científica. Em seguida, explicitarei os objetivos geral
e específicos a fim de nortear o propósito de chegada nessa caminhada. Finalizarei
com a questão central e com um resumo dos demais capítulos.
1.1 O problema em contexto
Em face da emergente sociedade tecnocientífica do século XXI, em que a

resolução de problemas exige competências4 para além de noções conceituais, é
razoável supor que os objetivos para o ensino de física não podem se concentrar na
apresentação de definições e de fórmulas. Além de conceitos, os estudantes precisam
adquirir saberes que os possibilitem tomar decisões críticas e cientificamente
fundamentadas frente às necessidades de um planeta globalizado e em constante
mudança, ou seja, é cada vez maior a necessidade de alfabetização científica.
Infelizmente, as pesquisas apontam que esse é um objetivo ainda distante no contexto
do ensino brasileiro de ciências.
4Ressalto que o termo “competência” está sendo usado no sentido atribuído por Perrenoud (2013), ou
seja, tanto como produto de uma aprendizagem quanto fundamento da ação humana: “a competência
é o poder de agir com eficácia em uma situação, mobilizando e combinando, em tempo real e de modo
pertinente, os recursos intelectuais e emocionais (p. 45).
25
Para ter noção do quanto a educação brasileira ainda está longe de promover
nível formativo adequado ao enfrentamento de problemas socioculturais, o gráfico
seguinte mostra resultados do PISA (Programa Internacional de Avaliação de
Estudantes) sobre capacidades de jovens de 15 anos em ciências da natureza.
Gráfico 1 – Distribuição de estudantes brasileiros por nível de proficiência em

ciências da natureza na edição do PISA 2015.
6 0,02
5 0,65
4 4,22
3 13,5
2 25,36
1a 32,37
1b 19,85
Abaixo de 1b 4,38
%
Fonte: Brasil (2016).
Como podemos ver no Gráfico 1, a avaliação do PISA adota uma escala de

proficiência que vai de seis (06) pontos no nível mais elevado a abaixo de 1b no nível
inferior e que pode indicar a capacidade de os estudantes resolverem problemas
simples do cotidiano. O PISA considera que a pontuação mínima que se poderia
aceitar que o discente está apto para se tornar um cidadão capaz de incorporar-se à
sociedade globalizada de forma ativa e consciente é o nível 2. Infelizmente, registra-
se que a maioria dos estudantes brasileiros (56,6%) não alcançou tal nível.
Por outro lado, o baixo índice de estudantes com proficiência acima de 02

pontos (próximo de 18%), sugere que a ideia de alfabetização científica deveria ser
uma constante na escola, pois já se sabe que aulas de ciências, em especial de física,
com foco na memorização e na algoritmização de fórmulas não têm surtido o efeito
desejado. Por isso é importante e necessário procurar alternativas ao chamado ensino
bancário, no qual o professor “deposita” informações na cabeça do estudante, este,
26
em analogia a um cofre, dificilmente possui abertura para questionar e para refletir

durante o processo de aprendizagem (FREIRE, 2005).
Decerto que orientações para uma prática pedagógica que leve em

consideração a construção de competências para alfabetização científica não são
novas nas normativas educacionais brasileiras para o ensino de ciências da natureza.
Nessa direção, na década de 1990 já se destacava como um dos objetivos básicos
do ensino fundamental que os estudantes fossem capazes de “[...] questionar a
realidade formulando-se problemas e tratando de resolvê-los, utilizando para isso o
pensamento lógico, a criatividade, a intuição, a capacidade de análise crítica,
selecionando procedimentos e verificando sua adequação” (BRASIL, 1997, p. 07). Tal
objetivo, dada sua importância para a formação cidadã, perpassa o ensino
fundamental e constitui um dos alvos principais do ensino de ciências da natureza no
nível médio, como ressaltam as Orientações Curriculares Nacionais para o Ensino
Médio:
A tão falada metáfora da alfabetização científica e tecnológica aponta

claramente um dos grandes objetivos do ensino das ciências no nível médio:
que os alunos compreendam a predominância de aspectos técnicos e
científicos na tomada de decisões sociais significativas e os conflitos gerados
pela negociação política (BRASIL, 2006, p. 47).
Desse modo, em consonância com as normativas atuais para o ensino

brasileiro de ciências da natureza, que orientam uma formação voltada à
compreensão de aspectos políticos, sociais, tecnológicos como elementos
importantes na tomada de decisões coerentes pelos cidadãos brasileiros, entendo que
um ensino investigativo que promova alfabetização científica seja importante porque
envolve tanto a capacidade de compreender e de interpretar problemas socioculturais
quanto a capacidade de transformá-los com base nos aportes teóricos e processuais
da própria ciência.
Nesse compasso, a presente pesquisa é em parte justificada pela constatação

do baixo índice de alfabetização científica apresentado por estudantes brasileiros em
exames internacionais como o PISA e em exames nacionais como o ENEM (Exame
Nacional do Ensino Médio), além da constatação empírica de que boa parte dos
professores em formação com os quais compartilho saberes em minha labuta de
formador de educadores em ciências, matemática e pedagogia parecem elaborar suas
27
aulas preocupada eminentemente com o conteúdo conceitual. Com isso, esquecem

das dimensões procedimental, epistemológica e ontológica, que também contribuem
para uma formação diferenciada.
Diversas vezes, ao orientar turmas de estágio docente em que professores em

formação devem acompanhar professores colaboradores nas escolas públicas,
momento em que os licenciandos são solicitados a planejar e a ministrar aulas,
percebo que eles organizam suas atividades quase sempre no estilo bancário
(FREIRE, 2005), isto é, seguem o esquema tradicional: exposição de
conceitos/definições → realização de exercícios → aplicação de prova. Interessante
notar que isso acontece mesmo após compartilharmos previamente saberes com os
professores em formação e focalizarmos a necessidade de pedagogias investigativas
e ativas para uma formação cidadã crítica e reflexiva voltada aos problemas do século
XXI. Quando pergunto porque não mudam suas práticas docentes, uma das respostas
mais frequentes é que é difícil introduzir uma prática investigativa em meio a um
cenário pautado no ensino tradicional, que privilegia o conteúdo conceitual e a
preparação voltada ao ENEM. Além disso, observo que muitos professores
colaboradores dificilmente abrem espaço para que os professores em formação
utilizem didáticas inovadoras em suas aulas, alegando que não têm tempo e que
devem cumprir a grade curricular da disciplina.
Claramente, situações desses tipos configuram-se como desafios a serem

superados quando se deseja uma formação para alfabetização científica. No entanto,
superar esses desafios requer, dentre outras coisas, ao menos a adoção de uma
abordagem pujante. Nesse viés, defenderei a tese central de que a modelagem
matemática enquanto abordagem educacional em física pode gerar ambiente salutar
à construção de competências essenciais para alfabetização científica.
A história da ciência mostra que ao menos desde o século XVI que a

modelagem matemática vem sendo utilizada sistematicamente como método
científico, a exemplo de cientistas notáveis como Galilei Galileu e Isaac Newton. No
entanto, somente a partir do século XX é que ela foi percebida como constituinte
importante na construção do pensamento científico, como podemos inferir das
reflexões de filósofos contemporâneos como Bunge (1974/2013) e Giere (2004). Em
28
suas reflexões, esses filósofos argumentam que a construção de modelos teóricos

(modelos matemáticos) é necessária porque não temos acesso direto ao mundo físico,
tal acesso é sempre parcial e limitado pelo poder preditivo de tais modelos. Desse
modo, a filosofia da modelagem matemática tem possibilitado nos últimos quarenta
anos profícuas discussões sobre ensino de ciências/física.
A meu ver, a modelagem matemática começou a fazer parte da educação

científica de forma mais acentuada por volta dos anos 1970. Foi nesse período que o
filósofo argentino Mario Bunge publicou uma teoria de modelagem científica (BUNGE,
1974/2013) que serviu de base à elaboração de uma teoria cognitiva de modelagem
(HESTENES, 1987). Por sua vez, a teoria de Hestenes impulsionou o surgimento de
uma didática atualmente bastante utilizada na formação de professores de física
norteamericanos, a modeling instruction5, ou, como vem se popularizando aqui no
Brasil, o chamado ciclo de modelagem de Hestenes (HEIDEMANN, ARAÚJO e VEIT,
2012).
No Brasil, a pesquisa sobre modelagem matemática no ensino de física é mais

recente. Ao que parece, um dos artigos pioneiros foi o de Veit e Teodoro (2003) ao
discutirem sobre a importância do uso do software modellus em conexão com os
PCNEM (Parâmetros Curriculares Nacionais para o Ensino Médio). Na última década,
embora de maneira moderada, constata-se que a modelagem tem sido tema de
interesse crescente em artigos, em dissertações e em teses sobre o ensino brasileiro
de física, como ilustra o gráfico seguinte.
Para elaboração do gráfico a seguir, usei os marcadores “modelagem

matemática” + “ensino de física” como palavras-chave de busca na internet. A partir
do resultado, selecionei trabalhos em que a preocupação dos autores fosse lançar
discussões práticas ou teóricas sobre o processo de construção de modelos
matemáticos como meio para compartilhar conhecimentos em física. Desse modo,
foram retirados do corpus de análise os trabalhos em que, apesar de haver construção
5Refiro-me à didática modeling instruction, proposta pelo grupo de pesquisa de David Hestenes e que,
conforme esclarece a AMTA (American Modeling Teachers Association), tem contribuído grandemente
para a reformulação do ensino de ciências norteamericano.
29
de modelos matemáticos, esta construção não se destinava deliberadamente à

aprendizagem de algum conceito, algum procedimento ou alguma atitude em física.
Assim, sem qualquer pretensão de exaustão, selecionei 34 trabalhos publicados em
anais de congressos, repositórios digitais de universidades e de revistas científicas.
Gráfico 2 – Publicações sobre modelagem matemática no ensino de física

(2006/2017).
33,3%
27,3%
18,2% 21,2%
2006/2008 2009/2011 2012/2014 2015/2017
Fonte: Elaboração nossa (2018).
No Gráfico 2, apresento as frequências de trabalhos publicados no período de

2006/2017 sobre ensino de física com modelagem matemática. Destaco que o período
de maior produção foi o de 2009/2011 com 11 (33,3%) trabalhos publicados. Logo em
seguida, o período de 2012/2014 com 09 (27,3%) trabalhos publicados. Talvez as
discussões sobre modelagem matemática ocorridas em eventos científicos nacionais
e internacionais, como a CNMEM (Conferência Nacional sobre Modelagem na
Educação Matemática), tenham contribuído para o número elevado de trabalhos
publicados nesses dois períodos. Por outro lado, nota-se que no período de
2015/2017 houve 07 (21,2%) trabalhos publicados e no período de 2006/2008 houve
06 (18,2%) trabalhos publicados, sendo este o período de menor produção na área.
No entanto, em todos os anos do período compreendido entre 2006/2017 houve a
publicação de pelo menos 01 trabalho. Embora a pesquisa não seja exaustiva e os
números sejam relativamente baixos, eles sugerem o interesse crescente de
pesquisadores brasileiros nessa linha emergente de pesquisa em ensino de ciências.
Visando a uma análise um pouco mais aprofundada, a figura a seguir ilustra a

frequência acadêmico-regional de trabalhos publicados.
30
Figura 1 – Distribuição acadêmico-regional de trabalhos publicados sobre ensino de

física com modelagem matemática.
A visão acadêmico-regional na Figura 1 é importante para apontar focos de

produção e indicar onde estão os coletivos de pensamento6 (FLECK, 2010) sobre
modelagem matemática no ensino de física. Observam-se onze (11) círculos
esotéricos distribuídos em todas as cinco regiões brasileiras (Norte, Nordeste, Centro-
Oeste, Sudeste e Sul). Destaca-se que o Estado do Pará alcançou a maior frequência
de produções, com taxa de 29,4%. Os Estados de São Paulo e Rio Grande do Sul
vêm em seguida, ambas com taxa de 17,6%. Depois, o Estado do Paraná, com taxa
de 8,8%. Os Estados da Bahia e de Goiás, ambas com taxa de 5,9%, aparecem em
seguida. Por fim, todos com taxa de 2,9%, surgem os Estados do Ceará, Espírito
Santo, Rio de Janeiro, Mato Grosso e o Distrito Federal.
Destaca-se que a parte centro-sul do Brasil, pela relativa proximidade

geográfica, pode ser vista como um grande coletivo plural de pensamento em
modelagem matemática no ensino de física, podendo gerar novos círculos esotéricos
6 Um coletivo de pensamento pode ser entendido como constituído de um grupo esotérico de pessoas
responsáveis por divulgar, por meio de interação coercitiva, determinado estilo de pensamento e por
um grupo exotérico mais abrangente, embora com menos força coercitiva, também colaboram para a
divulgação do coletivo de pensamento (FLECK, 2010).
31
e exotéricos pela irradiação das ideias para as demais regiões do país. Contudo, esse
coletivo de pensamento centro-sul não é hegemônico, uma vez que, pela relativa
distância geográfica, existem círculos esotéricos importantes à margem dele, é caso
do Pará e do Ceará. Essas reflexões sugerem que ainda não é possível desenhar um
programa de pesquisa nacional para o tema. Isso seria salutar para impulsionar
discussões acadêmicas sobre as pesquisas realizadas. Nesse sentido, comentarei
sobre algumas dessas pesquisas com olhar nas potencialidades para alfabetização
científica.
Moutinho (2007) realizou pesquisa de mestrado com 32 professores em

formação a fim de saber de que maneira a abordagem CTS (Ciência-Tecnologia-
Sociedade) e a modelagem matemática poderiam ajudar na formação diferenciada de
um professor de física. A partir da frase de Arquimedes “deem-me uma alavanca e um
ponto de apoio e deslocarei o mundo” foram feitos experimentos sobre alavancas a
fim de resolver o problema de como deslocar o mundo. Em suas reflexões, o autor
relata que o ambiente gerado pela interação da abordagem CTS com a modelagem
matemática, auxiliados pela experimentação, foi favorecedor para a formação de um
professor que queira dar significado ao processo de ensino e de aprendizagem.
Considero essa pesquisa importante ao propor um enlace entre modelagem
matemática, educação CTS e experimentação, sugerindo, portanto, potencialidades
para alfabetização científica.
Nessa esteira, Batista (2009) contou com experimentos sobre eletricidade ao

usar a modelagem matemática em conjunto com a experimentação com 19
estudantes do nono ano do ensino fundamental visando discuti-la como ambiente que
conduz a uma aprendizagem efetiva dos conteúdos de matemática e de física. O autor
reforça que a estratégia utilizada possibilitou um aprendizado eficiente e participativo,
em que os estudantes foram capazes de fazer conexões entre a física, a matemática
e as situações cotidianas. Além disso, a estratégia promoveu a interdisciplinaridade e
contribuiu para a formação sociopolítica dos estudantes, contribuindo para o exercício
da cidadania. Percebe-se, nas reflexões do autor, o potencial que a modelagem
matemática possui para desenvolver competências para alfabetização científica, tanto
nas aulas de física quanto nas aulas de matemática; não obstante, não foram
realizadas maiores discussões nesse sentido.
32
Souza (2012) usou a modelagem matemática com ênfase em problemas da

realidade com 24 acadêmicos de um curso de matemática durante uma disciplina de
física fundamental. Os temas escolhidos foram “Aumento de temperatura” e “Compra
de carros”. Após discussões sobre os temas, os grupos de estudantes buscaram
elaborar modelos matemáticos para investigar as seguintes questões: qual o
condicionador de ar ideal para refrigerar determinado ambiente? Qual o carro ideal
para comprar considerando a relação custo x benefício? Durante as investigações, os
acadêmicos recorreram a pesquisas de campo junto a oficinas de refrigeração e a
vendedores de carro da cidade. Também realizaram pesquisas na internet, em livros
e em revistas científicas. Foram mobilizados conceitos sobre calor, temperatura,
unidade BTU (British thermal unit), velocidade, aceleração, força, potência e torque.
Verificou-se que os estudantes se sentiram motivados e que houve experiências
interdisciplinares. Contudo, para que a compreensão conceitual pudesse ser
consolidada, ressalta o autor, houve a necessidade de aprofundamentos por meio de
resolução de problemas. Essa pesquisa é interessante porque novamente ressalta
potencialidades para alfabetização científica, no entanto, ressalta também que a
construção per si de modelos matemáticos, isto é, sem que haja certa preocupação
no aprofundamento de compreensões, pode não garantir aprendizagem
consubstanciada sobre o conhecimento em física.
Ao investigar a relação entre os modelos matemáticos produzidos por

estudantes durante a realização de atividades experimentais e os modelos prescritos
nos manuais técnicos, Silva Neto (2015) propõe, a partir da ideia de ciência normal de
Thomas Kuhn, uma abordagem pela comparação entre modelo experimental e
modelo teórico mediado pela modelagem matemática. Na aplicação dessa proposta,
o autor identificou que estudantes de cursos de engenharia e de ciências naturais de
uma universidade federal sentiram dificuldades para organizar as informações em
relações conceituais complexas e que os modelos matemáticos produzidos por eles
geralmente não alcançaram o mesmo grau de refinamento dos modelos matemáticos
dos manuais técnicos. Apesar disso, a abordagem mostrou-se apropriada para ensino
e para a aprendizagem de conteúdos de disciplinas experimentais de física. Entendo
que a pesquisa de Silva Neto (2015) é relevante ao mostrar o impacto cognitivo da
modelagem matemática na aprendizagem em física mediado pela experimentação,
reforçando, portanto, as inferências de Moutinho (2007) e de Batista (2009).
33
Pesquisas como essas evidenciam o uso de diferentes referenciais teóricos

sobre modelagem matemática no contexto do ensino brasileiro de física, sobretudo,
referenciais advindos da educação matemática, representados principalmente por
Bassanezi (2004), Biembengut e Hein (2009); Burak (1992), Barbosa (2001), Almeida,
Silva e Vertuan (2012). Argumento que, para contribuir com as pesquisas,
considerando as especificidades epistemológicas próprias do conhecimento em física,
torna-se importante inserir nesse framework referenciais próprios da modelagem
matemática na educação científica. Nessa direção é que proponho a teoria da
modelagem de David Hestenes.
Além disso, podemos perceber que o ensino de física com modelagem

matemática, dentre outras possibilidades, pode favorecer à formação de cidadãos
críticos e reflexivos, pode suscitar a motivação, a contextualização e a
interdisciplinaridade, pode promover a compreensão conceitual, pode contribuir para
a aquisição de habilidades experimentais e investigativas, pode fortalecer, portanto, a
tese de que a modelagem matemática pode ser salutar para o desenvolvimento de
sujeitos cientificamente alfabetizados. O que me leva a propor alguns objetivos de
investigação.
1.2 Os marcos de chegada
As discussões acima encaminham para o estabelecimento de alguns objetivos

para a presente pesquisa. Desse modo, o objetivo geral consiste em caracterizar
competências essenciais para alfabetização científica e analisar fatores que possam
potencializar ou limitar seus desenvolvimentos em modelagem matemática no
contexto do ensino de física.
Enquanto objetivos específicos, ressalto três: i) elaborar um inventário de

competências essenciais com base em pesquisas consolidadas sobre alfabetização
científica; ii) desenvolver ciclos de modelagem com professores de física em formação
e iii) identificar competências fundamentais para alfabetização científica nos ciclos de
modelagem.
A seguir explicitarei a questão norteadora.

34
1.3 A questão diretora
Seguindo esse encaminhamento teórico-metodológico, nortearei as discussões

sob o foco da seguinte questão diretora: em que sentido a modelagem matemática
enquanto abordagem educacional em física pode gerar ambiente para a formação de
sujeitos cientificamente alfabetizados?
Responder a tal questão, dentre outras tantas indagações, envolve perguntar:

quais competências para alfabetização científica são consideradas essenciais a partir
do que discutem os pesquisadores da área? Como desenvolver ciclos de modelagem
de Hestenes no contexto do ensino brasileiro de física? Quais competências para
alfabetização científica são identificadas a partir das percepções de professores de
física em formação após vivências em ciclos de modelagem?
1.4 Os capítulos seguintes
No capítulo que segue, discutirei sobre o conceito de alfabetização científica

enquanto um objetivo educacional que visa à formação de estudantes capazes de
argumentar cientificamente sobre problemas que vivenciam. Após apresentar fatores
que determinam o significado desse conceito, apresentarei a argumentação científica
como capacidade central à formação de sujeitos cientificamente alfabetizados.
Finalizarei o capítulo ao consolidar sentidos para alfabetização científica e propor um
inventário de competências essenciais.
No terceiro capítulo, focalizarei reflexões sobre a teoria da modelagem de David

Hestenes como framework ao ensino de física com modelagem matemática. Mostrarei
que essa teoria sustenta o uso compartilhado de múltiplas ferramentas de
representação como fator importante na reformulação de modelos mentais
inconsistentes sobre o mundo físico. Nessa direção, apresentarei os conceitos de
modelo mental e de modelo conceitual e ideias centrais para ressignificar o conceito
comum de modelo matemático. Finalizarei o capítulo com reflexões sobre o ciclo de
modelagem de Hestenes como didática importante para orientar práticas de
modelagem matemática no ensino de física.
35
No quarto capítulo, desenharei o cenário da pesquisa de campo inspirada na

metodologia mista (CRESWELL e CLARK, 2013). Optei por uma abordagem
metodológica que envolveu simultaneamente em uma mesma fase da investigação
tanto dados qualitativos quanto dados quantitativos (CRESWELL e CLARK, 2013).
Nesse viés metodológico, a interpretação dos dados foi orientada por técnicas da
análise textual discursiva em que se procura interpretar episódios discursivos
recorrendo-se a procedimentos tanto da análise de conteúdo quanto da análise do
discurso (MORAES e GALIAZZI, 2016). Os sujeitos participantes foram treze
professores em formação cursantes de uma licenciatura integrada em matemática-
física por meio de um programa nacional de formação de professores. No final do
capítulo, descreverei três ciclos de modelagem cujas temáticas abordadas foram:
poluição sonora, lixo de papel e obesidade.
No quinto capítulo, apresentarei três estudos sobre as práticas realizadas. No

primeiro, analisarei respostas a um questionário aberto com o intuito de identificar
fatores de potencialidades e de limitações do ciclo de modelagem de Hestenes. No
segundo estudo, analisarei respostas ao inventário de competências com o intuito de
identificar capacidades em desenvolvimento nos ciclos de modelagem. Em um
terceiro e último estudo, analisarei discursos de dois professores para aprofundar
compreensões sobre o processo de sofisticação argumentativa como potencializador
da construção de competências cientificamente alfabetizadoras.
Por fim, no sexto capítulo faço um contorno final das discussões. Momento em
que apresentarei implicações gerais da pesquisa para o ensino de física com
modelagem matemática e perspectivas para futuras pesquisas como desdobramento
desta tese de doutoramento.
36
2 Alfabetização científica: consolidando sentidos
“Uma das competências mais valorizadas na atualidade é a

capacidade de tomar boas decisões em um ambiente de
incertezas.” (Marcus Ronsoni).
Minha intenção nesse capítulo é consolidar sentidos para alfabetização

científica enquanto um objetivo educacional que vise à formação de estudantes
capazes de argumentar cientificamente sobre problemas que enfrentam no cotidiano.
Para isso, iniciarei discutindo sobre a polissemia de tal conceito e sobre fatores
determinantes. Utilizarei reflexões já consolidadas na literatura e proporei um
inventário de competências para alfabetização científica pautado na argumentação
científica enquanto capacidade central ao sujeito alfabetizado cientificamente.
2.1 Sobre o conceito
Mesmo após o advento da Nova Lei de Diretrizes e Bases da Educação

Nacional (BRASIL, 1996) e mesmo após várias normativas educacionais
complementares orientando que o professor de ciências, em especial de física, utilize
situações contextualizadas socioculturalmente a fim de promover interesse e
motivação dos discentes; ao acompanhar diversos acadêmicos por ocasição de
disciplinas de estágio docente que normalmente oriento em diversas escolas públicas
do oeste paraense, percebo entristecido que ainda é grande a “apologia conceitual”.
Isto é, tanto professores experientes quanto professores em formação planejam suas
ações pedagógicas com o pensamento voltado predominantemente à aprendizagem
de definições e de fórmulas, preterindo, com isso, outras dimensões igualmente
importantes do ensino investigativo de física.
Esse problema não é regional, mas adquire amplitude nacional. Não estou
dizendo que aprender conceitos não seja importante, mas quero chamar a atenção
que os problemas do século XXI exigem dos estudantes bem mais que noções
conceituais. Os cidadãos brasileiros precisam adquirir competências específicas para
tomar decisões científicas em diversos momentos de suas vidas a fim de melhorá-las
efetivamente de alguma maneira. Julgo que almejar alfabetização científica vai ao
encontro do que se espera para a preparação de um jovem ou de um adulto atuante
37
e crítico diante de problemas atuais, sejam problemas de suas ou de outras

comunidades.
Ambicionar alfabetização científica não é ideia nova na educação em ciências.

Tem sido um objetivo educacional perseguido por diversos países desde meados do
século XX. Ganhou força após o lançamento do satélite Sputnik na década de 1950
pela antiga Rússia, chamando a atenção dos Estados Unidos para o fato de que
deveriam investir na educação científica e tecnológica dos jovens americanos. Em
1958, o pesquisador de currículo Paul Hurd já argumentava que “[...] o problema
imediato é acabar com o fosso entre a riqueza da realização científica e a pobreza da
alfabetização científica na América” (HURD, 1958, p. 14, tradução nossa). Hoje em
dia, as ideias de Hurd ainda ecoam em diversas pesquisas do ensino de ciências e
matemática, contudo, como afirmam Roberts e Bybee (2007), o signficado do que seja
uma pessoa cientificamente alfabetizada não é consenso na comunidade de
estudiosos sobre o tema.
Para o químicoeducador Attico Chassot (2014a), alfabetização científica seria

um “[...] conjunto de conhecimentos que facilitaria aos homens e mulheres fazer uma
leitura do mundo onde vivem” (p. 62). Apesar de importante ao afirmar que ser
cientificamente alfabetizado relaciona-se à leitura do mundo vivencial, essa
concepção, dada sua amplitude, dificilmente aponta características específicas
desses conhecimentos que poderiam facilitar aos homens e às mulheres leitura do
mundo onde estão inseridos. Em outra obra, Chassot (2014b) salienta que a
alfabetização científica deveria potencializar uma educação mais comprometida com
os problemas sociais e pessoais dos estudantes, sejam eles do nível fundamental, do
nível médio ou do nível superior. Percebe-se a abrangência que alfabetização
científica possui para esse autor, embora ele pareça não propor conjunto de saberes
que possam potencializar essa educação comprometida, podemos considerar a
“leitura do mundo-vida” como principal capacidade subjacente a suas proposições.
Apoiando-se nas ideias de Paulo Freire, Sasseron e Machado (2017) entendem

que alfabetização científica refere-se ao ensino de ciências “[...] cujo objetivo é a
formação do indivíduo que o permita resolver problemas de seu dia a dia, levando em
conta os saberes próprios das ciências e as metodologias de construção de
38
conhecimento próprias do campo científico” (p. 11). Em decorrência desse objetivo,

os estudantes podem tornar-se capazes de tomar decisões para melhorar suas vidas
e seus futuros. Para esses autores, alfabetização científica significa ter formação
cidadã para o domínio funcional dos conhecimentos científicos, bem como seus
desdobramentos nas diferentes fases da vida. Considero essa concepção
interessante porque destaca a necessidade de três eixos estruturadores para
alfabetização científica, são eles: a compreensão de termos, de conceitos e de
conhecimentos científicos fundamentais; a compreensão da natureza das ciências e
dos fatores éticos e políticos que circundam sua prática e o entendimento das relações
existentes entre ciência, tecnologia e sociedade.
Nessa mesma direção, a Organização para Cooperação e Desenvolvimento

Econômico (OCDE, 2016) considera que alfabetização científica envolve a
compreensão e o engajamento em discussões críticas de assuntos sobre ciência e
tecnologia. Para isso, é necessário o domínio de três competências gerais: explicar
cientificamente fenômenos da natureza; avaliar e planejar investigações científicas e
interpretar cientificamente dados e evidências. Nota-se que essas competências
gerais são similares aos eixos estruturantes propostos por Sasseron e Machado
(2017). A primeira competência abrange conhecimentos para fornecer explicações
sobre fenômenos naturais, artefatos e tecnologias e suas implicações para a
sociedade; requer saberes sobre ideias fundamentais da ciência e sobre questões que
moldem sua prática e seus objetivos. A segunda competência abrange o
conhecimento e a compreensão da investigação científica para identificar questões
que podem ser respondidas pela pesquisa científica, para identificar procedimentos
apropriados que devem ser utilizados e para propor caminhos visando a responder
questões levantadas. A terceira competência envolve interpretar e avaliar
cientificamente dados e evidências e analisar se as conclusões são justificáveis.
Ao dialogar sobre condições para alfabetização científica pela pesquisa, tal

como aponta a segunda competência do PISA (OCDE, 2016), Demo (2010) referindo-
se sobre a prática discente, reflete que o estudante deve formar-se construindo
conhecimento pela pesquisa. Para isso, é necessária a mediação docente para levar
até esse aprendiz os desafios da aprendizagem. Desafios que o faça ser capaz de
pesquisar e de colaborar com argumentos científicos. O autor reflete ainda que o
39
discente precisa saber produzir conhecimento próprio, precisa saber pensar. Nesse
sentido, alfabetização científica significa “[...] fazer o aluno autor que, produzindo
conhecimento pela pesquisa, também se forme melhor” (p. 118). A discussão desse
autor é interessante quando coloca em relevo a arte de pesquisar e de argumentar
como partes essenciais de práticas pedagógicas cientificamente alfabetizadoras.
Percebe-se nas discussões acima que há uma diversidade de compreensões

para o conceito de alfabetização científica. A meu ver, em todas elas, é possível
perceber subjacente um processo de argumentação científica. Ou seja, um processo
de conscientização, de reflexão, de objetivação, de ação de indivíduos ou de grupos
de indivíduos sobre problemas que enfrentam, um processo de resolução de
problemas que leva à mudança da condição individual e coletiva por meio da
proposição de argumentos fundamentados em justificativas científicas. Porém, para
compreender como pode ocorrer o desenvolvimento de alfabetização científica em
modelagem matemática julgo necessário entender fatores que determinam de
diferentes maneiras o significado desse conceito.
2.1.1 Fatores determinantes
Tomando por base as discussões de Carvalho (2009), inferimos que a

compreensão do conceito de alfabetização científica depende pelo menos de cinco
fatores determinantes: os grupos de interesse; as concepções sobre competências
necessárias; os níveis; os objetivos & benefícios e as formas de avaliações. Relações
entre esses fatores são esquematizadas na figura seguinte.
40
Figura 2 - Fatores determinantes do conceito de alfabetização científica.
Fonte: Adaptado de Carvalho (2009).
A relação acd na Figura 2 ilustra que os grupos de interesse estão relacionados

aos objetivos & benefícios e aos níveis de alfabetização científica. Esses grupos são
constituídos por profissionais que se preocupam em promover a formação de
cidadãos capazes de agir criticamente sobre os problemas enfrentados (professores,
gestores e demais profissionais da educação) e por grupos-alvo em que se pretende
que tal formação seja desenvolvida (cidadãos, estudantes, trabalhadores). Outros
grupos de interesse são os investigadores em ciências sociais (sociólogos, cientistas
políticos) que se interessam pela maneira como as pessoas apoiam e como elas
participam das políticas de ciência e de tecnologia. Existem ainda os divulgadores da
ciência (mídias de maneira geral), cujo foco é a difusão da informação científica pelas
vias formais e não formais. Importante destacar que cada grupo de interesse possui
compreensão peculiar sobre o significado do que seja uma pessoa cientificamente
alfabetizada, isso porque eles têm objetivos diversos e percebem diferentes
benefícios.
As percepções sobre competências essenciais também influenciam na

compreensão do que seja uma pessoa cientificamente alfabetizada. A relação bde na
Figura 2 ilustra como as competências estão relacionadas tanto aos objetivos &
benefícios quanto à forma de avaliação. Na próxima seção, aprofundarei sobre esse
assunto ao apresentar um inventário com algumas competências essenciais.
A relação cea na Figura 2 esquematiza como o nível de alfabetização científica

relaciona-se tanto com as formas de avaliação quanto com os grupos de interesse.
41
Tal nível depende tanto de como se avalia como também de quem avalia a aquisição
de competências. Nesse quesito, o quadro que segue organiza três níveis crescentes:
Quadro 1 - Níveis de alfabetização científica.
Níveis Características
Alfabetização Em que a pessoa tem competências básicas de alfabetização científica para
científica funcional a leitura e a escrita, de forma a poder agir com certa eficiência em algumas
(ou básica). situações do cotidiano.
Em que a pessoa tem competências cognitivas de alfabetização científica
Alfabetização
mais avançadas. Em conjunto com competências sociais permite participar
científica
de forma mais ativa nas situações do cotidiano, permite selecionar
comunicativa (ou
informações básicas e dar-lhes algum significado e permite aplicar nova
interativa).
informação para propor alguma mudança na situação enfrentada.
Em que a pessoa tem competências cognitivas de alfabetização científica
ainda mais avançadas, em conjunto com competências sociais, é capaz de
Alfabetização
analisar criticamente a informação que recebe e usar esta informação para
científica crítica.
exercer maior controle sobre certos acontecimentos nas situações mais
complexas de vida.
Fonte: Com base em Carvalho (2009).
Ao analisar os níveis descritos no Quadro 1, levanto a reflexão de que as

políticas públicas para um ensino investigativo de física deveriam promover
alfabetização científica desde o nível básico até o nível crítico. Desse modo, os
estudantes poderiam agir com algum grau de eficiência frente a situações sociais,
culturais, políticas, tecnológicas. Isso significa que os estudantes não devem ser
meros consumidores passivos do conhecimento científico, mas utilizadores ativos
dele. Em outras palavras, o investimento em políticas educacionais que visem mover
os estudantes (sejam eles crianças, jovens ou adultos) de um nível básico para um
nível crítico de alfabetização científica seria percebido quando esses mesmos
estudandes soubessem justificar com garantias científicas os conceitos, os
procedimentos e as atitudes utilizados para resolver problemas de suas vivências.
Conforme relação dab na Figura 2, os objetivos & benefícios enquanto fatores

que interferem na compreensão do signficado de alfabetização científica estão
relacionados aos grupos de interesse e às competências necessárias. Quanto a esse
conjunto de fatores, o quadro que segue caractetiza-os tanto na dimensão social
quanto na dimensão individual.
42
Quadro 2 - Objetivos & benefícios da alfabetização científica: dimensão social e

dimensão individual.
Objetivos & Benefícios Características

A alfabetização científica é um capital humano necessário para o
desenvolvimento das economias de mercado que requerem a
Para o desenvolvimento
participação de profissionais (cientistas, técnicos, engenheiros) na
econômico do país.
corrida pelas novas tecnologias, sejam elas de informação e de
comunicação, de energias renováveis ou outras.
Dimensão Social
Para o apoio de Elevado nível de alfabetização científica pode favorecer a

políticas públicas de percepção sobre a importância social da ciência e da necessidade
ciência e de tecnologia. da implementação de políticas públicas.
Quanto mais elevado for o nível de alfabetização científica da
população, mais os cidadãos podem compreender os objetivos, os
Para expectativas dos
processos e as capacidades da ciência e menos aceitarão as
cidadãos.
expectativas irrealistas e ilusórias, que podem contribuir para uma
falta de confiança dos cidadãos.
Elevado nível de alfabetização científica pode encorajar a exercer
Para influência nas
os direitos democráticos nas questões relacionadas com a ciência,
decisões políticas.
o que pode favorecer tomadas de decisão democráticas e eficazes.
Para tomadas de A pessoa com elevado nível de alfabetização científica pode possuir
decisão no âmbito do conhecimentos e competências para tomar decisões sobre a sua
estilo de vida. própria vida, especialmente no que diz respeito às relações CTS.
Na atual sociedade baseada no conhecimento e na tecnologia,
Dimensão Individual
aquele que possui elevado nível de alfabetização científica poderá

Para empregabilidade.
ter mais oportunidade de adquirir emprego nestas áreas e de
contribuir para o seu desenvolvimento.
O conhecimento de/sobre ciências pode ser considerado um
aspecto cultural importante a acrescentar à cultura literária e
Para o aspecto
artística. O indivíduo com elevado nível de alfabetização científica
intelectual.
pode sentir-se intelectualmente como um cidadão do mundo,
promotor de uma cultura científica.
Uma vez que as normas e os valores inerentes à ciência são
transponíveis para uma vasta cultura, o aumento de alfabetização
Para a ética.
científica pode contribuir para tornar as pessoas intelectualmente e
moralmente melhores.
Fonte: Com base em Carvalho (2009).
O Quadro 2 é relevante ao realçar para quê/para quem um elevado nível de

alfabetização científica pode ser importante. Ressalto que os benefícios na dimensão
social podem ter reflexos na economia nacional, no próprio desenvolvimento da
ciência e matemática, nas políticas públicas e nas práticas democráticas. Na
dimensão individual, esse reflexo pode manifestar-se na capacidade de tomadas de
decisão das pessoas, nos estilos de vida, na empregabilidade, nos aspectos
intelectual e até moral. Importante frisar que tais benefícios não se tratam de utopias
ou de quimeras. Em países considerados do primeiro mundo, como Finlândia e
Canadá, são uma realidade documentada na avaliação do PISA 2015 (OCDE, 2016).
Nessa pintura, penso que o maior desafio que se nos apresenta enquanto
formadores de educadores não é se os estudantes brasileiros são capazes de adqurir
43
nível crítico de alfabetização científica, presume-se que eles são, mas a necessidade
de políticas educacionais coerentes com a formação de profissionais da educação
(professores, gestores, técnicos) que possam efetivamente favorecer o
desenvolvimento de competências que orientem a formação desejada. Enquanto
abordagem educacional em física, assim reflito, a modelagem matemática pode
contribuir para uma formação dessa natureza.
Por fim, as formas de avaliação em alfabetização científica enquanto fator que

influencia a compreensão desse conceito estão relacionadas às competências
necessárias e aos níveis, conforme esquematizado na relação ebc na Figura 2. Tal
avaliação geralmente é realizada pelos grupos de investigadores em ciências sociais
que se preocupam em pesquisar os conhecimentos adquiridos pelos estudantes e
suas concepções prévias, pesquisar a compreensão dos estudantes sobre a natureza
da ciência, pesquisar os processos científicos e pesquisar os problemas no âmbito
social e tecnológico.
Apresentei acima discussões sobre alfabetização científica com o objetivo de

ratificar a importância desse conceito para o ensino de física com modelagem
matemática. Não obstante, como já assinalado por Sasseron (2015) e por Demo
(2013), a ideia de alfabetização científica também ressalta a ideia de argumentação
científica como capacidade central à formação desejada.
2.2 Argumentação científica
Uma das perguntas que Selma Leitão (2011) levanta no primeiro capítulo do
livro “Argumentação na escola” é: que há de específico na argumentação de sala de
aula e que desafios isto coloca? Tal questionamento encontra solo fértil no terreno
das discussões que pretendo estabelcer nesta seção. Isso porque, na escola, a
argumentação científica torna-se um recurso para gerar modelos mentais para
produção/apropriação reflexiva do conhecimento.
Quando em situação argumentativa, o estudante é levado a formular

claramente seus pontos de vista e a angariar fundamentação para a apresentação de
razões ou de justificativas que sejam aceitáveis a interlocutores críticos. Desse modo,
sustento que a argumentação científica surge como um componente central de uma
44
prática pedagógica que queira suscitar a formação de sujeitos alfabetizados

cientificamente.
Nesse horizonte, a ideia de argumentação que intenciono difere da visão

canônica, ou seja, como sinônimo de puro convencimento ou de persuasão. Embora
todo episódio argumentativo tenha como objetivo principal a persuasão do interlocutor,
tratarei a argumentação sob uma abordagem crítica e dialógica, envolvendo contextos
práticos do cotidiano da sala de aula. Desse modo, a argumentação é vista num
sentido mais amplo que o simples convencer ou persuadir, é entendida como um
ambiente colaborativo de compartilhamento e de confrontação de significados.
[...] como a organização da linguagem, como um instumento, que possibilita

a expansão colaborativa por meio de diferentes técnicas, potecializando o
conhecimento, a partilha, a confrontação e a transformação de sujeitos
envolvidos em atividade, produzindo novos significados (SANTIAGO, 2016,
p. 27).
Para Sasseron e Carvalho (2011), a argumentação pedagógica é entendida

como “[...] todo e qualquer discurso em que aluno e professor apresentam suas
opiniões em aula, descrevendo ideias, apresentando hipóteses e evidências,
justificando ações ou conclusões a que tenham chegado, explicando resultados
alcançados” (p. 100). Sublinho que esse tipo de argumentação não se resume a tentar
convencer o ouvinte, mas a favorecer com que esse ouvinte participe ativamente de
discussões em estreita interação de diálogo.
Justi (2015) considera que um argumento é uma afirmativa acompanhada de

sua justificativa sustentada por evidências. Para essa autora, o processo
argumentativo envolve: atribuição de sentido, quando o indivíduo relaciona evidências
e afirmativas; articulação de ideias, quando um indivíduo constrói um pensamento
comunicável a outros indivíduos e envolve persuasão, quando um indivíduo convence
outros a partir de seu discurso científico. Sendo assim, sublinha a autora, pelo menos
cinco capacidades seriam inerentes à ação de argumentar: lidar com evidências;
elaborar argumentos; contra-argumentar; elaborar teorias alternativas e refutar.
Com esse escopo dialógico, a argumentação pode apresentar várias

características formadoras. Vieira e Nascimento (2013) destacam algumas: potencial
para o desenvolvimento de compreensões conceituais e epistemológicas;
45
possibilidade de construção de afirmações com base em evidências científicas, que

pode favorecer reflexões e críticas sobre afirmações próprias e de outros sujeitos;
avaliação “em tempo real” do pensamento dos estudantes; desenvolvimento de
processos cognitivos de ordem superior, como fazer inferências ou previsões;
desenvolvimento de autonomia e de tomadas de decisão consciente.
Nesse esquadrinhamento, alguns desafios se impõem ao professor que queira

gerar situações argumentativas em sua classe. Desafios que se relacionam à natureza
do conhecimento científico mobilizado, às conclusões envolvidas, às concepções
intuitivas dos agentes envolvidos no episódio argumentativo (professores e
estudantes). Além disso, os temas sobre os quais normalmente se argumenta são
assuntos percebidos como polêmicos, isto é, pode-se articular sobre eles múltiplos
pontos de vista. São temas que, a princípio, admitem diversidade de conclusões.
Outro ponto importante é com relação à mudança nas concepções intuitivas de
estudantes (e de professores) sobre conceitos eventualmente catalizados a paritr de
situações argumentativas, pois é comum os sujeitos envolvidos na argumentação
apresentarem compreensões errôneas sobre o conhecimento científico, o que pode
revelar modelos mentais inconsistentes (misconceptions).
Contudo, como assevera Leitão (2011), a discutibilidade de um tema, isto é, a

possiblidade de ser polemizado e de gerar episódios argumentativos não deve ser
pensado como algo intrínseco à natureza do tema. É o modo como será mobilizado
no discurso de sala de aula que permitirá (ou não) que se gere situações
argumentativas. Nesse sentido, um conceito formal já estabelecido na comunidade
científica pode gerar pontos de argumentação da mesma maneira que um tema
sociocientífico, pois, como explica a autora acima, o tema em si não gera situações
argumentativas, sobretudo, são as ações pedagógicas sobre esse tema que poderão
gerar discussões produtivas. Desse modo, a conversão de temas comuns em temas
de argumentação solicita a adoção de ações discursivas pelo professor. O quadro
seguinte descreve algumas dessas ações.
46
Quadro 3. Ações fomentadoras de argumentação na sala de aula.
Tipos de ações Descrição

Desafios que levem os estudantes a formularem pontos de vista: "o
que você acha disso?”; “O que isso quer dizer?".
Pedido de justificação para pontos de vista: "Por que você pensa
assim?".
Colocação do estudante na posição de oponente: “você concorda
ou discorda?".
Ações em âmbito pragmático Apresentação da argumentação como método de
(ações que criam condições negociação/resolução de diferenças de opinião. Estímulo ao
para o surgimento de estudante para que (re)examine seus próprios pontos de vista à luz
argumentação). de contra-argumentos: "O que você acha da opinião do seu colega
ser diferente da sua?".
Estímulo para que o estudante responda a contra-argumentos: "e
agora?".
Definição de metas para o trabalho de sala de aula que exigem
argumentação (chegar a consenso ou a solução de compromisso,
tomar decisão etc.).
Formulação de argumentos (entendidos como pontos de vista para
os quais se oferecem razões e/ou avaliações).
Ações em âmbito
Formulação e/ou avaliação de dúvidas, objeções, contra-
argumentativo (ações que
argumentos e pontos de vista alternativos em relação a argumentos
sustentam e expandem a
levantados por outros ou antecipados pelo próprio argumentador.
argumentação).
Resposta às objeções consideradas (de forma a reafirmar,
restringir, modular, retirar o ponto de vista inicial).
Apresentação de conteúdos relacionados ao terna (conceitos,
definições etc.).
Demonstração de procedimentos específicos da área do
Ações em âmbito epistêmico conhecimento em questão.
(ações que legitimam o Ensino direto de habilidades.
conhecimento envolvido na Oferecimento de formas de raciocínio típicos da área do
argumentação). conhecimento (por ex.: o uso de argumentos baseados em
experimentação e em observação direta de fenômenos naturais.).
Legitimação de pontos de vista dos estudantes (por meio de
confirmação, ênfase, complementação de ideia apresentada).
Fonte: Leitão (2011).
Conforme organizado no Quadro 3, Leitão (2011) propõe três tipos de ações

fomentadoras de argumentação: as que criam condições para o surgimento da
argumentação; as que sustentam e expandem a argumentação e as que legitimam o
conhecimento envolvido na argumentação. As primeiras são ações que, como um
convite à discussão, dão permissão para que diferentes pontos de vista sejam
formulados sobre um tema, elas criam condições suficientes para que a argumentação
se instale, por isso são consideradas ações em âmbito pragmático. As segundas são
ações que expandem e sustentam diretamente uma argumentação, são consideradas
ações em âmbito argumentativo. Já as terceiras são ações que trazem para o discurso
as informações, os conceitos, as definições com relação ao tema focalizado; bem
47
como implementam os procedimentos e os modos de raciocínio inerentes ao campo

do conhecimento mobilizado, por isso são denominadas ações epistêmicas.
Essas ações são particularmente interessantes porque podem ser usadas para
orientar situações argumentativas em ambiente gerado pela modelagem matemática
no ensino de física, seja para motivar um discurso argumentativo (ações pragmáticas),
seja para manter ou sustentar um discurso já gerado (ações argumentativas), seja
para chamar a atenção para o conhecimento cientificamente constituído envolvido na
situação argumentativa (ações epistêmicas).
Porém, a orientação de situações argumentativas produtivas em ciclos de

modelagem demanda entender como os argumentos são estruturados no discurso
prático de sala de aula.
2.2.1 Estruturas argumentativas
Stephen Toulmin na obra “Os usos do argumento” analisou uma infinidade de

argumentos pragmáticos do cotidiano das pessoas. Ele considera que podemos
produzir argumentos justificatórios de diversos tipos e que os passos envolvidos no
interior dessa produção são igualmente de diferentes naturezas. Numa visão geral,
argumentos pertencentes ao mesmo campo do conhecimento possuem dados e
conclusões do mesmo tipo, são chamados campo-invariáveis. Quando pertencentes
a campos de conhecimentos diferentes, dados e conclusões são de naturezas
diferentes, são campo-dependentes. Entender a organização estrutural de
argumentos campo-invariáveis e campo-dependentes parece importante para analisar
como eles podem se conformar em ambiente gerado pela modelagem matemática no
ensino de física.
O autor acima assevera que, para entender o funcionamento ou fisiologia de

um argumento, devemos observar suas partes mais profundas, mais finas, invisíveis
ao olho de um observador não intencionado, ele comenta que
48
Um argumento é como um organismo: tem uma estrutura bruta, anatômica, e

outra mais fina e, por assim dizer, fisiológica. [...] podem-se distinguir as fases
principais que marcam o progresso do argumento a partir da afirmação inicial
de um problema não resolvido, até a apresentação final de uma conclusão.
Cada uma dessas fases principais [...] representa as principais unidades
anatômicas do argumento (TOULMIN, 2006, p. 135).
Desse modo, ao usar uma lente de aumento, os tecidos argumentativos

revelam-se compostos por três tipos de células principais: os dados (D); as conclusões
(C); e as justificativas (J) e três tipos de células auxiliares: os qualificadores (Q); as
condições de refutação (R) e os fundamentos às justificativas (F). Tais células podem
se reunir formando tecidos argumentativos simples, estruturalmente do tipo DCJ; até
tecidos de argumentos mais complexos, estruturalmente do tipo DCJQRF.
O tecido argumentativo mais básico relaciona os dados (D) às conclusões (C)

por meio das justificativas (J) e pode ser esquematizado como mostra a seguinte
figura.
Figura 3 - Argumento elementar DCJ.
A Figura 3 delineia que, partindo-se de um conjunto de dados, o sujeito pode

elaborar conclusões sobre determinado tema. Tais conclusões são fundamentadas
em justificativas que garantem a passagem dos dados às conclusões.
Para ilustrar no campo da mecânica newtoniana, um exemplo desse

argumento poderia ser o seguinte:
49
Figura 4 - Exemplo de argumento elementar DCJ.
A Figura 4 mostra que, para poder alegar ou concluir (C) que o motor do carro
exerce força de 6.000 newtons, apoiamo-nos no dado (D) ou no fato de que ele age
sobre uma massa de 1.200 kg e que desloca essa massa com aceleração média 5
m/s². Tal conclusão tem a justificativa (J) de que a força pode ser calculada
multiplicando-se o valor da massa pelo valor da aceleração adquirida (𝐹 = 𝑚𝑎).
Justificativas são explanatórias, cuja tarefa é registrar explicitamente que,

tomando-se os dados como ponto de partida, é apropriado e legítimo passar deles à
conclusão ou à alegação apresentada. As justificativas são afirmações gerais,
hipotéticas, servem como pontes para autorizar o tipo de passo com o qual nos
comprometemos. Importante frisar que, normalmente, recorremos aos dados de modo
explícito e às justificativas de modo implícito (motivo dos retângulos pontilhados nas
figuras desta seção).
Existem justificativas de vários tipos, elas podem conferir diferentes suportes

às conclusões. Algumas autorizam a aceitar inequivocamente uma conclusão, desde
que os dados sejam apropriados. No entanto, pode acontecer de que somente os
dados, as justificativas e as conclusões não sejam suficientes para que aceitemos um
argumento como válido. Nesse caso, precisaremos reforçar nossa justificativa, quer
dizer, precisaremos inserir um qualificador modal (Q) ao argumento (advérbios do tipo
necessariamente, provavelmente, presumivelmente, aproximadamente). Mas pode
acontecer também de que necessitamos discutir as limitações de nossas justificativas.
Se assim for, precisaremos inserir uma condição de exceção ou de refutação (R) no
argumento. Nesse caso, estaremos diante de um tecido argumentativo um pouco mais
complexo que o anterior, que pode ser esquematizado da seguinte forma:
50
Figura 5 - Argumento básico DCJQR.
A Figura 5 esquematiza que, a partir dos dados, pode-se chegar a

determinadas conclusões consubstanciadas em garantias apropriadamente
justificadas. No entanto, é possível questionar a validade dessas garantias com
condições que as qualifiquem e/ou que as refutem. O exemplo a seguir auxilia na
compreensão dessa estrutura argumentativa.
Figura 6 - Exemplo de argumento básico DCJQR.
Na Figura 6, em apoio à conclusão (C) de que a força que o motor do carro

exerce é de 6.000 newtons, apelamos aos dados (D) de que ele age sobre uma massa
total de 1.200 kg e que a aceleração média adquirida por esta massa equivale a 5
m/s² e também à justificativa (J) de que “a força resultante pode ser calculada
multiplicando-se o valor da massa pelo valor da aceleração do carro”. Porém, como a
aceleração informada é a média dos valores absolutos, então está sujeita à variação
máxima e mínima em seu valor. Nesse caso, devemos inserir um “aproximadamente”
como qualificador (Q) no interior da conclusão e notar que ela pode ser refutada (R)
caso se verifique que o motorista acelerou ou freou o veículo, o que imediatamente
51
provocaria mudança no valor da força, consequentemente, no valor da aceleração

média do carro, como de fato acontece nas situações do cotidiano.
Finalmente, caso a própria justificativa seja desafiada, poderemos inserir o

fundamento científico (F) que a sustente e lhe dê aval. O resultado será um argumento
geral, como ilustra a figura seguinte.
Figura 7 - Argumento avançado DCJQRF.
A Figura 7 ilustra que a justificativa autoriza passar dos dados às conclusões,

ainda que se acrescente condIições que as qualifiquem ou que as refutem. Mais ainda
assim é possível acrescentar um fundamento científico às próprias garantias para
reforçar seu poder justificatório. Um exemplo prático desse tipo de estrutura seria:
Figura 8 - Exemplo de argumento avançado DCJQRF.

52
Na ilustração da Figura 8, observa-se que, além da justificativa de que o valor

da força exercida pelo motor do carro pode ser calculado multiplicando-se o valor da
massa pelo valor da aceleração, caso tal justificativa não satisfaça o interlocutor
crítico, ainda é possível inserir o próprio fundamento científico da justificativa, no caso
do exemplo em apreço, corresponderia à segunda lei de Newton.
Em suma, temos que justificativas (J) são afirmações pontes, mas o apoio (F)
que as fundamentam pode ser expresso na forma de afirmações categóricas de fato
ou de lei, como também podem ser expressos os dados (D) invocados em suporte
direto de nossas conclusões (C). Embora os dados a que recorremos em um
argumento e o apoio que empresta autoridade às nossas garantias possam do mesmo
modo ser afirmados como questões de fato ou de lei, os papéis que essas afirmações
desempenham em nosso argumento são diferentes. Para haver argumento é
necessário apresentar dado de algum tipo, mas o apoio das justificativas que
invocamos pode não ser explicitado.
Entender as estruturas argumentativas à luz da teoria de Toulmin (2006) é

relevante para o ambiente gerado pela modelagem matemática no contexto do ensino
de física. Isso porque as justificativas dos estudantes geralmente são aceitas pelos
professores sem que sejam explicitados seus fundamentos científicos. Dificilmente, o
professor pergunta sobre os fundamentos científicos das equações utilizadas nos
modelos matemáticos, pois o livro-texto já apresenta essas equações “prontas e
acabadas”, inquestionáveis e infalíveis, que devem ser usadas na resolução de
exercícios.
É preciso, portanto, explicitar os fundamentos científicos que autorizam a usar

determinada equação para modelar um fenômeno físico, explicitando seu poder de
ação e de validade. Por exemplo, os estudantes muitas vezes sabem que para calcular
a força resultante sobre um objeto devem multiplicar o valor da massa pelo valor da
aceleração da gravidade, mas dificilmente sabem dizer porque isso é assim. Ou seja,
não conseguem apoiar a justificativa do uso da equação no princípio científico da
segunda lei de Newton. Isso pode provocar nas discussões de modelagem somente
argumentos estruturalmente elementares, deixando-se de avançar na sofisticação
argumentativa para estruturas básicas e avançadas. A meu ver, a sofisticação dos
53
argumentos é um fator essencial para o desenvolvimento de competências essenciais

para a formação de estudantes cientificamente alfabetizados.
2.3 Um inventário de competências
Inicio a presente seção reforçando que estou entendendo a alfabetização

científica enquanto um objetivo educacional que vise à formação de sujeitos capazes
de argumentar cientificamente sobre problemas enfrentados, sobretudo, problemas
envolvendo interações entre ciência, tecnologia e sociedade (CTS). Nessa visão, a
sofisticação argumentativa dos estudantes é importante para movê-los de uma esfera
inicial para uma esfera mais avançada de análise crítica e de propostas de soluções
aos problemas de suas vivências.
Embora a alfabetização científica não se resuma a blocos de competências,

pois envolve visão holística dos problemas enfrentados, envolve discussões amplas e
profundas sobre o papel da ciência como modificadora das condições socioculturais
e ambientais; não se pode negar que algumas competências essenciais são
importantes e necessárias para orientar uma prática pedagógica para a formação do
cidadão do século XXI. Nessa direção, diversos trabalhos apresentam conjuntos de
saberes considerados fundamentais à formação de sujeitos para o domínio e para o
uso dos conhecimentos científicos nos diferentes estágios de suas vidas. Ressalto
que o termo “competência” está sendo usado nesta pesquisa no sentido atribuído por
Perrenoud (2013), ou seja, tanto como produto de uma aprendizagem quanto
fundamento da ação humana. A competência refere-se ao poder de agir com eficácia
em determinada situação, em que o sujeito é capaz de mobilizar e de combinar, em
tempo real e de modo pertinente, recursos intelectuais e emocionais na resolução de
problemas.
Nesse direcionamento, assumirei os indicadores propostos por Sasseron e

Machado (2017), fruto de análises de atividades investigativas em situação normal de
sala de aula, como um primeiro conjunto de competências essenciais, conforme
quadro que segue.
54
Quadro 4 – Competências com ênfase em práticas investigativas.
Competências Características
Pode surgir quando se busca o estabelecimento de bases para a ação
Seriação de investigativa. Essa categoria não prevê, necessariamente, uma ordenação para
informações as informações: pode ser um rol, uma lista de dados trabalhados, materiais
disponíveis, entre outros.
Pode ocorrer nos momentos em que se discute como um trabalho foi realizado.
Organização de Esse indicador pode ser vislumbrado quando se explicita a busca por um arranjo
informações nas informações disponíveis tanto no início da proposição de um tema quanto
na retomada de uma questão.
Pode aparecer quando se busca estabelecer características comuns para os
dados obtidos, podendo haver uma hierarquia para essas informações.
Classificação de
Entretanto, o aparecimento dessa hierarquia não é condição para a classificação
informações
de informações; constitui-se em um indicador voltado para a ordenação e para
a relação dos elementos com os quais se está trabalhando.
Compreende como as ideias são desenvolvidas e apresentadas; relaciona-se
Raciocínio lógico diretamente com a forma que o pensamento é exposto.
Raciocínio Pretende mostrar como se estrutura o pensamento, refere-se à
proporcional interdependência entre as variáveis, ou seja, as relações que elas têm entre si.
Aponta momentos em que suposições sobre determinado tema são levantadas.
Levantamento de
Esse levantamento de hipóteses pode surgir tanto na forma de afirmação como
hipóteses
de pergunta.
Se refere às etapas em que se coloca à prova as suposições anteriormente
Teste de levantadas. Pode ocorrer tanto na manipulação direta de objetos quanto no nível
hipóteses das ideias, quando o teste é feito por meio de atividades de pensamento
baseadas em conhecimentos anteriores.
Pode aparecer quando em uma afirmação proferida lança-se mão de uma
Justificativa garantia para o que é proposto. Com isso, a afirmação ganha aval, tornando-se
mais segura.
É explicitado quando se prevê uma ação e/ou fenômeno que se sucede
Previsão associado a determinados acontecimentos.
Pode surgir quando se busca relacionar informações e hipóteses já levantadas.
Normalmente, a explicação sucede uma justificativa para o problema, mas é
Explicação possível encontrar explicações que não recebem essas garantias. Mostram-se,
pois, explicações ainda em fase de construção que certamente receberão maior
autenticidade ao longo das discussões.
Fonte: Com base em Sasseron e Machado (2017).
No Quadro 4, o primeiro grupo de competências: seriação; organização e

classificação de informações, é necessário para o momento inicial da investigação em
que os estudantes pretendem agir sobre o problema investigado visando a
caracterizá-lo de alguma maneira. O segundo grupo: raciocínio lógico e raciocínio
proporcional, envolve ações e pensamentos relacionados à estruturação de modelos
mentais dos estudantes durante a resolução de problemas, demostram formas de
organizar o pensamento para a construção de ideias lógicas inter-relacionadas. O
terceiro grupo: levantamento e teste de hipóteses, pode surgir quando se levantam
suposições sobre o fenômeno que está sendo investigado e procura-se verificar a
validade ou a falibilidade de tais suposições. O quarto grupo: justificativa, previsão e
explicação, é necessário para compreender mais a fundo a situação investigada por
55
meio de um modelo explicativo (modelo matemático), envolvem o trabalho com

variáveis presentes na situação e a busca de relações capazes de descrevê-la. Nota-
se que esses indicadores estão fortemente relacionados a ações inerentes à
procedimentos investigativos, são, portanto, indicadores em potenciais que podem
surgir em uma abordagem investigativa, tal como a modelagem matemática.
Em revisão de literatura, Pizarro e Lopes Junior (2015) fizeram um

levantamento de competências em doze periódicos nacionais e internacionais sobre
ensino de ciências, organizadas no quadro seguinte.
Quadro 5 – Competências com ênfase criticossocial.
Pode surgir quando o estudante estabelece relações, seja oralmente ou por
Articulação de
escrito, entre o conhecimento teórico aprendido em sala de aula, a realidade
ideias.
vivida e o meio ambiente no qual está inserido.
Pode ocorrer quando o sujeito se envolve em atividades nas quais necessita
apoiar-se no conhecimento científico adquirido, seja na escola ou até mesmo
Investigação. fora dela, para propor respostas a seus próprios questionamentos e construir
explicações coerentes e embasadas em pesquisas pessoais que leva para a sala
de aula e compartilha com os demais colegas e com o professor.
Está diretamente vinculado com a compreensão que o estudante tem e com a
defesa de seus argumentos. Inicialmente, apoia-se em suas próprias ideias,
Argumentação.
para, posteriormente, ampliar a qualidade desses argumentos a partir dos
conhecimentos adquiridos em debates em sala de aula.
Trata-se de realizar leituras de textos, imagens e demais suportes para a
Leitura em comunicação do pensamento. Reconhece características típicas do gênero
ciências. científico e articula essas leituras com conhecimentos prévios e novos
construídos em sala de aula e fora dela.
Envolve a produção de textos pelos sujeitos que considera não apenas as
Escrita em características típicas de um texto científico, mas avança no posicionamento
ciências. crítico diante de variados temas em ciências e articula, em sua produção,
conhecimentos, argumentos e dados das fontes de estudo.
Pode surgir quando é dada ao estudante a oportunidade de questionar e de
Problematização. buscar informações em diferentes fontes sobre os usos e os impactos da ciência
em seu cotidiano, na sociedade em geral, na tecnologia e no meio ambiente.
É explicitado quando o estudante participa de atividades em que lhe é oferecida
a oportunidade de apresentar novas ideias, argumentos, posturas e soluções
Criação.
para problemáticas que envolvem a ciência e o fazer científico discutidos em sala
de aula com colegas e com professores.
Pode aparecer quando o sujeito compreende que é um agente de mudanças
diante dos desafios impostos pela ciência em relação à sociedade e ao meio
Atuação.
ambiente, tornando-se um multiplicador dos debates vivenciados em sala de
aula para a esfera pública.
Fonte: Com base em Pizarro e Lopes Junior (2015).
No Quadro 5, organizo oito indicadores necessários ao desenvolvimento de

estudantes críticos e ativos e que considerarei como um segundo conjunto
importantes de competências. No meu entender, tais competências complementam o
56
quadro anterior por serem de maior amplitude de ação, uma vez que são capacidades
gerais necessárias à formação de estudantes cientificamente alfabetizados e voltam-
se para interações criticossociais. São, portanto, relevantes para a formação do
pensamento reflexivo, especialmente na dimensão que busca relacionar criticamente
ciência, tecnologia e sociedade em atividades de modelagem matemática no ensino
de física.
Por fim, apresento indicadores amplamente utilizados na edição do PISA 2015

para investigar a proficiência de estudantes na resolução de problemas práticos da
vida diária e que considerarei um terceiro conjunto de competências essenciais,
conforme quadro seguinte.
Quadro 6 – Competências com ênfase no conhecimento conceitual e

epistemológico.
Compreende lembrar e aplicar conhecimento científico
apropriado; identificar, utilizar e gerar modelos explicativos e
Explicação de fenômenos
representações; fazer e justificar previsões apropriadas; oferecer
científicos.
hipóteses explicativas; explicar as implicações potenciais do
conhecimento científico para a sociedade.
Compreende identificar a questão explorada em dado estudo
científico; diferenciar questões possíveis de investigar; propor
Avaliação e planejamento de formas de explorar dada questão; avaliar formas de explorar
investigações científicas. dada questão cientificamente; descrever e avaliar os vários
caminhos que os cientistas usam para assegurar a confiabilidade
dos dados e a objetividade e generalização das explicações.
Compreende transformar dados de uma representação para
outra; analisar e interpretar dados e tirar conclusões apropriadas;
identificar as premissas, evidências e argumentos em textos
Interpretação de dados e de relacionados às ciências; distinguir entre argumentos, quais são
evidências cientificas. baseados em evidência científica e quais são baseados em
outras considerações; avaliar argumentos científicos e
evidências de diferentes fontes (jornais, internet, revistas
científicas.
Fonte: Com base em BRASIL (2016).
O Quadro 6 complementa os dois quadros anteriores ao focalizar a atenção

sobre competências gerais que podem ser úteis para analisar atividades de
modelagem matemática com foco no conhecimento de conteúdo (de ciência), no
conhecimento procedimental e no conhecimento epistemológico (sobre ciência).
Sublinho que as competências organizadas nos últimos três quadros não são
terminais. Decerto que outras capacidades são apontadas por demais pesquisadores
da área. Contudo, chamo a atenção que possuem significados semelhantes, embora
57
diferentes em suas formas de apresentação. Ao reagrupá-las a partir de seus

significados convergentes, é possível construir um instrumento de avaliação que
doravante chamarei de Inventário de Competências para Alfabetização Científica
conforme o próximo quadro.
Quadro 7 – Inventário de Competências para Alfabetização Científica.
Competências Descrição
C1 Adquirir habilidades de comunicação oral e escrita.
C2 Ampliar a percepção social sobre a influência da ciência e tecnologia no cotidiano.
C3 Analisar, interpretar dados e tirar conclusões apropriadas.
C4 Avaliar argumentos científicos e evidências de diferentes fontes.
C5 Avaliar formas de explorar cientificamente dada questão.
C6 Avaliar os vários caminhos que os cientistas usam para assegurar a confiabilidade
dos dados.
C7 Desenvolver habilidades cognitivas que permita articular o conhecimento científico
com a realidade vivida.
C8 Diferenciar questões possíveis de serem investigadas cientificamente.
C9 Distinguir entre argumentos, quais são baseados em evidência científica e quais são
baseados em outras considerações.
C10 Fazer e justificar previsões apropriadas.
C11 Fazer uso das ferramentas científicas e do ambiente para aprender ciências.
C12 Identificar a questão explorada em dado estudo científico.
C13 Identificar, utilizar e gerar modelos explicativos e representações.
C14 Lembrar e aplicar conhecimento científico apropriado.
C15 Oferecer e testar hipóteses.
C16 Produzir textos sobre temas em ciências articulando conhecimentos e argumentos.
C17 Propor formas de explorar cientificamente dada questão
C18 Responder e formular perguntas de forma coerente e com base científica.
C19 Transformar dados de uma representação para outra.
C20 Usar diferentes linguagens científicas para manifestar aprendizagens.
Para organizar o inventário de competências no Quadro 7, levei em

consideração os saberes propostos por Sasseron e Machado (2017), por Pizarro e
Lopes Junior (2015) e por Brasil (2016) consolidados na literatura como competências
essenciais para a formação de sujeitos cientificamente alfabetizados. Na coluna da
esquerda, os códigos identificam vinte (20) competências organizadas em ordem
alfabética por meio de marcador alfanumérico na forma 𝐶𝑛, 𝑛 = 0, 1, 2, 3. . . , 20 sem
qualquer pretensão hierárquica. Na coluna da direita, as competências são
caracterizadas por meio de frases que sintetizam seus significados.
O inventário de competências pode ser útil para orientar planejamentos

pedagógicos e/ou análises de atividades didáticas visando a favorecer o
desenvolvimento de sujeitos críticos e proativos em ambiente gerado pela modelagem
58
matemática. Pode ser utilizado por meio de dois métodos diferentes e

complementares: de um lado, o pesquisador pode avaliar episódios de sala de aula e
identificar possíveis competências emergentes nas falas e nas ações realizadas pelos
estudantes. Esse método solicita a adoção de técnicas de análise de discurso e/ou
análise de conteúdo. Outro modo é aplicar o inventário de competências em forma de
questionário fechado. Nesse caso, os próprios sujeitos participantes da pesquisa
identificam possíveis competências emergentes nas tarefas realizadas. No entanto,
para responder adequadamente, os sujeitos devem ter clareza do significado de cada
competência presente no inventário de competências. Ressalto que utilizei esse
segundo método na presente pesquisa.
Ao finalizar este capítulo, gostaria de enfatizar que almejar uma prática

pedagógica que vise à alfabetização científica em modelagem matemática no contexto
do ensino de física é importante e necessário para a formação de sujeitos capazes de
propor e de defender argumentos científicos visando a agir criticamente frente a
problemas socioculturais.
No próximo capítulo, apresentarei a teoria da modelagem de David Hestenes

como framework ao ensino de física com modelagem matemática.
59
3 A teoria da modelagem: um framework em física
“Não extingua sua inspiração e sua imaginação; não se torne o

escravo do seu modelo” (Vincent van Gogh).
Decerto que na literatura em ciências e em matemática existem diversas

didáticas interessantes em modelagem matemática, a exemplo das propostas de
Angell, Kind e Henriksen (2008), Carrejo e Marshall (2007), Kertil, e Gurel (2016),
Bassanezi (2015), Biembengut (2016), Almeida, Silva e Vertuan (2012), Burak e
Aragão (2012), Heidemann (2015), Silva Neto (2015), dentre muitas outras de igual
valor. Contudo, dois fatores contribuíram fortemente para optarmos pelo ciclo de
modelagem de Hestenes na presente pesquisa. Um deles é que essa didática se apoia
cognitivamente na teoria da modelagem que sustenta o uso compartilhado de
múltiplas ferramentas de representação como importante para a reformulação de
modelos mentais inconsistentes sobre o mundo físico. Outro fator é que se trata de
uma didática cujas implicações empíricas já vêm sendo comprovadas como salutares
ao ensino de física. Meu objetivo no presente capítulo é discutir sobre a teoria da
modelagem como nuvem teórica e possíveis implicações a práticas de modelagem
matemática no ensino investigativo de física.
3.1 Alguns pressupostos
A meu ver, a teoria da modelagem consiste de uma teoria cognitiva que procura
relacionar o mundo mental, o mundo conceitual e o mundo físico. Devido a sua
complexidade e uma abordagem em demasiado poderia fugir do escopo da presente
pesquisa, discutirei sobre alguns pressupostos básicos, especialmente sobre o
conceito de modelo mental e de modelo conceitual. Além disso, farei algumas
proposições afim de ressignificar a ideia comum de modelo matemático, com
implicações diretas ao ensino de física.
Em seus pressupostos, a teoria da modelagem prevê que é possível

reconfigurar a estrutura de modelos mentais reconfigurando a estrutura de modelos
60
conceituais7 em situações argumentativas envolvendo múltiplas ferramentas de

representação e de comunicação. Para isso, foi elaborada levando-se em
consideração pressupostos da ciência cognitiva, da neurociência, da linguística
cognitiva, da epistemologia da ciência e da pesquisa em ensino de física (HESTENES,
1987; 1992; 1996; 2006; 2010; 2015; 2016).
Nesse sentido, uma das preocupações de Hestenes (2015) é refletir sobre o

que a estrutura da ciência e da matemática poderia nos dizer sobre como a mente
funciona. A partir da revolução kantiana do século XVIII, principalmente com a obra
“Crítica da razão pura” (KANT, 2001), que deslocou o foco da epistemologia da
estrutura do mundo externo para a estrutura da mente, começou-se a perceber que
as leis fundamentais da natureza são conhecíveis precisamente porque elas não
descrevem o mundo como ele realmente é, mas descreve a estrutura do mundo à
medida que o percebemos. A filosofia da consciência de Immanuel Kant influenciou
vários ramos da então emergente ciência cognitiva que, no alvorecer deste século
XXI, já conta com predições e explicações testáveis empiricamente, dando força à
teoria da modelagem que apoia a tese de que modelos mentais são frequentemente
influenciados pela ação de múltiplas representações simbólicas, a exemplo da recente
pesquisa de Brewe et al. (2018) que utilizou técnicas de ressonância magnética por
imagem para mapear evidências de possíveis modelos mentais gerados durante o
raciocínio em física em ciclos de modelagem. Considerando que a ciência e a
cognição têm em comum a construção de modelos conceituais e de modelos mentais,
então presume Hestenes, tal ponto em comum poderia dizer algo sobre o
funcionamento da mente.
Nesse vetor, D. Hestenes argumenta que as pessoas criam modelos mentais

para planejar e para guiar suas interações com o mundo físico (HESTENES, 2016).
Ao nascer, nossa mente começa a trocar interações com as coisas ao nosso redor.
São as percepções que chegam por meio de nossos cinco sentidos: visão, audição,
7 Para Hestenes (2010), existem dois tipos principais de modelos conceituais: os modelos científicos
(elaborados para modelar fenômenos físicos, químicos, biológicos) e os modelos matemáticos
(elaborados recorrendo-se a ferramental matemático). Evidentemente, em alguns casos modelos
científicos podem ser modelos matemáticos e vice-versa. Portanto, tal classificação pode ter pouca
funcionalidade pedagógica.
61
olfato, tato, paladar e que começam a formar nossos primeiros modelos mentais.
Esses modelos são úteis porque, na medida em que crescemos, necessitamos agir
rapidamente frente a diversas situações do cotidiano, inevitavelmente, os levamos
para a escola e para a universidade. O problema é que eles geralmente não condizem
com os modelos que a escola pretende ensinar. Por exemplo, a partir de nossa
experiência diária, modelamos mentalmente que sempre é necessário aplicar
determinada força para manter um objeto em movimento, no entanto, na sala de aula,
esse modelo mental entra em conflito com o modelo conceitual do livro didático no
qual objetos podem se mover sem a necessidade de força alguma?!
A pesquisa em ensino de ciências e de matemática tem chamado esses

modelos mentais incoerentes por diversos nomes: “misconceptions”, “concepções
prévias”, “crenças alternativas”, “senso comum”. O resultado pedagógico é que uma
infinidade de abordagens de ensino tem sido proposta para promover mudanças de
base conceitual a fim de atenuar a ação deles no processo de aprendizagem. Não
obstante, os modelos mentais revelam-se resistentes a mudanças, pois são gerados
desde o nascimento do sujeito. Muitos estudantes, comenta Hestenes (1987), saem
das aulas de física com as mesmas concepções errôneas que antes, como se
nenhuma alteração houvesse ocorrido em suas percepções sobre o mundo físico.
Esse problema, ainda atual, pode se estender até estudantes universitários, talvez
prossiga durante toda a vida do sujeito.
No final dos anos 1980, preocupado com o baixo rendimento de estudantes

norteamericanos na aprendizagem em física e, após constatar que o ensino
meramente expositivo não dava conta de reformular modelos mentais prévios que os
estudantes possuíam, D. Hestenes levantou a hipótese de que a modelagem
matemática poderia ser uma atividade recorrente em sala de aula (HESTENES, 1987).
A ideia básica era que os estudantes poderiam aprender física como os físicos
profissionais aprendem: construindo e validando modelos matemáticos para resolver
problemas da natureza e da tecnologia. A partir de então, Hestenes começou um
62
programa de pesquisa8 cuja finalidade foi a aplicação de uma teoria para planejar o
currículo e o ensino por modelagem matemática, bem como para avaliar resultados e
revisar métodos pedagógicos.
A partir da tese principal de que “[...] o problema fundamental na aprendizagem

e na compreensão em ciências é coordenar modelos mentais com modelos
conceituais” (HESTENES, 2016, p. 01, tradução nossa), a teoria da modelagem
estabelece bases teóricas para o planejamento pedagógico e curricular que objetivem
reformular modelos mentais em associação com modelos conceituais, como
esquematizado na figura seguinte.
Figura 9 - Teoria da modelagem.
Fonte: Hestenes (2010, p. 17).
A Figura 9 mostra que a teoria da modelagem foi pensada ao longo de dois

ramos. O ramo da direita que investiga práticas científicas e modelos conceituais, os
quais são explícitos e compartilháveis publicamente, eles promovem uma janela para
investigar a estrutura e o processo cognitivo humano. O ramo da esquerda investiga
modelos mentais, que são implícitos e idiossincráticos e que não podem ser
compartilhados publicamente, a não ser por meio dos modelos conceituais. A
8Trata-se do Modeling Instruction Program, mais informações em: http://modeling.asu.edu/. Acesso

em: 22 abr. 2018.
63
interação entre modelos conceituais e modelos mentais mostrou-se profícua e

importante para o planejamento de ensino e prática pedagógica em física.
Dois princípios são propostos como fundamentais na teoria da modelagem de

Hestenes: o princípio da primazia dos modelos e o princípio das formas universais. O
primeiro estabelece que: “cognição é basicamente construção e manipulação de
modelos mentais” (HESTENES, 2010, p. 20, grifos do autor e tradução nossa).
Comenta Hestenes que o aceitável não é que esse princípio seja verdadeiro, mas que
seja produtivo e leve a predições significativas para serem empiricamente testáveis.
Ao princípio da primazia subjaz a tese de que a capacidade cognitiva humana para
criar, para manipular e para recordar de modelos mentais foi desenvolvida ao longo
dos séculos para facilitar a competição com o meio ambiente. Dessa forma, na teoria
da modelagem os modelos mentais são centrais para o raciocínio e para a
comunicação.
O princípio das formas universais estabelece que: “modelos mentais possuem

cinco tipos de estruturas básicas: sistêmica, geométrica, descritiva, interativa e
temporal” (HESTENES, 2010, p. 20, grifos no original e tradução nossa). Comenta o
autor que tal princípio fornece à teoria da modelagem um rico sistema de conjecturas
para investigar modelos mentais. Este segundo princípio, embora dificilmente possa
passar pelo crivo empírico ao passo que não temos acesso direto aos modelos
mentais utilizados pelas pessoas visando a analisá-los quanto ao seu real mecanismo
estrutural, tem relevância ao possibilitar lançar hipóteses sobre a cognição humana
pela análise de modelos conceituais.
Em complemento a esses dois princípios, Hestenes (2010) aponta pelo menos

três razões para adotar uma epistemologia da ciência centrada em modelos e em
modelagem. A primeira razão é de cunho teórico e considera que os modelos
conceituais são unidades básicas do conhecimento estruturado coerentemente, a
partir dos quais podemos fazer inferências lógicas, predições, explicações, projetos e
planejamentos. Não podemos fazer inferências de fatos ou de princípios teóricos
isolados, um modelo conceitual é necessário porque pode servir como ferramenta
inferencial para qualquer estrutura que o incorporar. A segunda razão é de cunho
empírico e considera que modelos conceituais podem ser comparados diretamente
64
com coisas e com processos reais. Uma hipótese teórica ou um princípio físico não
pode ser testado empiricamente, exceto por meio da incorporação em um modelo,
sem essa incorporação os dados empíricos podem ficar sem sentido. A terceira razão
é de cunho cognitivo e sustenta que a estrutura de um modelo conceitual é
incorporada na intuição física, em que ele serve como um elemento para a
compreensão do mundo físico.
A seguir, aprofundarei reflexões sobre dois conceitos que surgem como

importantes para promover uma primeira noção da teoria da modelagem de Hestenes:
os conceitos de modelo mental e de modelo conceitual.
3.1.1 Modelo mental
A ideia de modelo mental é essencial no arcabouço da teoria da modelagem

de Hestenes. O termo “modelo mental” ganhou força no início dos anos 1980 quando
o psicólogo norte-americano Philip Johnson-Laird publicou o livro intitulado “Mental
models” (JOHNSON-LAIRD, 1983). Uma obra pioneira na qual propõe uma teoria para
explicar o raciocínio e a compreensão com base em representações mentais análogas
ao mundo físico. Ao que parece, por ser contemporânea à teoria da modelagem, a
teoria dos modelos mentais influenciou grandemente o pensamento de David
Hestenes. Assim, começar pelo que diz o próprio Johnson-Laird parece ser um bom
caminho para refinar a ideia superficial que apresentei até aqui sobre o constructo
modelos mentais.
Na perspectiva da teoria dos modelos mentais, “a percepção produz um modelo

mental, a compreensão linguística produz um modelo mental, o pensamento e o
raciocínio são manipulações internas de modelos mentais” (JOHNSON-LAIRD, 2005,
p. 179, tradução nossa). Segundo este autor, quando as pessoas percebem
diretamente o mundo ao redor, a visão produz um modelo mental de que as coisas
estão acontecendo num cenário à frente. Da mesma maneira, quando as pessoas
compreendem a descrição do mundo real, elas podem construir uma representação
similar desse mundo, embora menos rica: um modelo mental baseado nos
significados da descrição em conjunto com conhecimentos prévios.
65
Uma primeira compreensão sobre modelos mentais nos indica que eles não
são conhecimentos “soltos”, ou seja, sem estrutura sistematizada. Por serem
estruturados cognitivamente, os modelos mentais subjazem a percepções, a
intuições, a raciocínios. Desse modo, os modelos mentais estão diretamente
relacionados à capacidade de compreensão e de raciocínio do sujeito. São eles que
guiam os mecanismos cognitivos que geram explicações, justificativas, deduções. Um
bom mecânico de automóvel é capaz de dizer onde está o defeito do motor sem
precisar abri-lo: ele utiliza um modelo mental do motor do carro. A razão nos mostra
que o mecânico elaborou seu modelo mental em diferentes momentos de sua
profissão, com base em erros e em acertos, assimilando cada vez mais informações
que pudessem enriquecer tal modelo e desprezando outras que em nada poderiam
contribuir para sua evolução (SOUZA, 2013).
Nessa linha de raciocínio, um modelo mental é gerado cognitivamente para que

um sujeito possa enfrentar situações novas, para as quais ainda não possui esquemas
cognitivos de ação (PIAGET, 2016). Decerto que um modelo mental primordial pode
evoluir com o tempo e tornar-se um esquema cognitivo. Nessa direção, Borges (1997)
comenta que um sujeito começa com modelos mentais simples, que representam
apenas aspectos parciais de um fenômeno ou de um sistema físico. Esses modelos
iniciais são testados e reforçados em diversas ocasiões de sua vida. Por isso que os
modelos mentais são formados por estruturas que permitem prever e explicar muitas
das observações feitas na vida cotidiana de maneira mais ou menos direta e facilitam
a produção de inscrições simbólicas. Tais modelos podem vir a ser refinados com o
tempo, em maior ou menor grau, dependendo do envolvimento e do interesse do
sujeito por mais conhecimentos naquele domínio até que se tornem verdadeiros
esquemas cognitivos.
Dessa maneira, na dinâmica de aprendizagem por modelagem mental, o

conhecimento assimilado interage com modelos mentais prévios para produzir novos
modelos mentais mais refinados. O resultado é um “sistema mental” cada vez mais
elaborado que “absorve” novas propriedades para descrever e para explicar novos
eventos e novas situações. Evidentemente, para que o sujeito possa elaborar modelos
mentais potentes, ou seja, próximos aos modelos da ciência, é necessário uma série
66
de reformulações cognitivas. Ora, dificilmente isso ocorre em duas ou três aulas, como
equivocadamente acreditam muitos professores e gestores da educação.
Com o avanço da tecnologia de ressonância magnética por imagem (IMR), hoje

em dia, é possível “ver” os modelos mentais durante o raciocínio dos estudantes ao
resolverem problemas em aulas de física ou de matemática (ou de qualquer outra
disciplina). A elaboração de modelos mentais demanda concentração de fluxo
sanguíneo (energia) que pode ser mapeada por sondas de ressonância magnética
produzindo imagens de padrões característicos relacionados a diversos campos do
cérebro em atividade. A figura que segue mostra alguns padrões.
Figura 10 – Regiões do cérebro durante raciocínio em física: indicação de formação

de modelos mentais.
Fonte: Brewe et al. (2018, p. 10).
A Figura 10 mostra em azul e em vermelho regiões do cérebro durante

resolução de problemas em física em um ciclo de modelagem. Considerando que os
modelos mentais são formados para raciocinar e para fazer inferência, dedução,
explicação, então é razoável pensar que as zonas ativas na figura acima localizam
campos do cérebro em que esses modelos mentais são estruturados fisicamente por
meio de sinapses neuronais.
Embora interessante, não é minha intenção aprofundar no campo da

neurociência, o fato é que as pesquisas empíricas indicam que os modelos mentais
“são reais” e para explicar ou para agir sobre um sistema físico, necessariamente, o
sujeito deve compreender minimamente tal sistema, ou seja, ele deve formar
(inconscientemente) um modelo mental. Decorre daí que esses modelos são
estruturas cognitivas inerentes à compreensão. Nessa linha, compreender algo
significa elaborar um modelo mental para este algo. Então compreensões parciais ou
insuficientes significam modelos mentais incoerentes que precisam de reforço em
67
suas estruturas cognitivas. Mas podemos compreender coisas diversificadas, desde

o funcionamento de um motor até o funcionamento do uma equação matemática.
Nas aulas de física, os estudantes chegam com seus modelos mentais prévios
formados a partir de seus modos de vida, de suas ocupações, de suas idiossincrasias,
de aprendizagens anteriores. Esses modelos “latentes” retêm percepções e
concepções sobre o mundo físico. O professor, acostumado ao método meramente
expositivo, apresenta definições, faz exemplos, propõe lista de exercícios como
preparação para uma prova classificatória, não valoriza os modelos mentais prévios
dos estudantes. Os aprendizes, não acomodando modelos cada vez mais inclusivos,
dificilmente formam modelos mentais próximos aos modelos da ciência, em
consequência, não compreendem com solidez o que foi “ensinado”. Evidencia-se a
lacuna existente entre os modelos mentais dos estudantes e os modelos que a escola
pretende ensinar!
Sublinha Hestenes (2006) que modelos mentais representam estados do

mundo como concebido, não como percebido. Aprender alguma coisa é, portanto,
conceber um modelo mental para essa coisa. A partir disso, o autor considera que
qualquer tipo de raciocínio ocorre pela inferência da estrutura de modelos mentais.
Desse modo, a teoria da modelagem distingue pelo menos sete tipos de raciocínios
por modelagem mental: o abdutivo, que completa ou estende um modelo mental
inicial, frequentemente guiado por um quadro de sentido (frame) onde o modelo é
embutido; o dedutivo, que extrai a subestrutura de um modelo mental; o indutivo, que
combina modelos mentais por experiência; o analógico, que interpreta ou compara
modelos mentais; o metafórico, que introduz a estrutura em um modelo mental; o de
síntese, que constrói um modelo mental possivelmente misturando outros modelos; e
o de análise, que recorta ou elabora a estrutura implícita em um modelo mental.
Embora a ideia de modelo mental seja importante no quadro da teoria da

modelagem, ela não é suficiente para entender a cognição humana por meio de
sistemas simbólicos externos. Para isso, Hestenes propõe outra ideia: a de modelo
conceitual.
68
3.1.2 Modelo conceitual
Apresentei até aqui alguns tópicos considerados relevantes sobre modelos

mentais. Mas ainda é preciso entender como a teoria da modelagem propõe agir
deliberadamente sobre eles em situação de aprendizagem. Hestenes (2010) comenta
que enquanto os modelos mentais são subjetivos, privados e representados por meio
de sistemas simbólicos internos (mentais), os modelos conceituais são objetivos,
públicos e representados por meio de sistemas simbólicos externos (semióticos). Para
entender sobre a função dos modelos conceituais na teoria da modelagem,
necessitamos abordar sobre o conceito de modelo (em sentido amplo), de estrutura e
de sistema.
Argumenta Hestenes (2006) que os termos sistema e modelo têm sido

onipresentes na ciência. No entanto, esses termos são usados muitas vezes de
maneira informal e seus significados são bastante variáveis, por isso, é preciso defini-
los tão claramente quanto possível. Assim, um sistema foi definido na teoria da
modelagem como “um conjunto de objetos relacionados” (HESTENES, 2006, p. 41,
grifos do autor e tradução nossa). Os sistemas podem ser de quaisquer tipos,
dependendo da natureza dos objetos que o compõe. Em casos mais simples, um
sistema em si pode ser entendido como um único objeto; em casos mais complexos,
os objetos dos quais o sistema é composto podem ser considerados subsistemas. Em
um sistema conceitual, os objetos são conceitos, em um sistema material os objetos
são coisas materiais. Dependendo das relações e das propriedades atribuídas aos
objetos, um sistema material pode ser classificado como físico, químico ou biológico.
Importante ressaltar que a teoria da modelagem focaliza sistemas materiais que
podem ser representados por meio de modelos conceituais.
A teoria da modelagem sustenta sobre a importância de esclarecer aos

aprendizes modeladores sobre as especificidades da estrutura de um sistema. Ao
compreender que um sistema é constituído por um conjunto de objetos que se
relacionam de alguma maneira, é provável que o sujeito comece a observar os
problemas enquanto sistemas constituídos de objetos em interação; bem como é
provável que o estudante comece a entender como esses objetos podem estar
relacionados. Em outras palavras, ao se explicitar o conceito de sistema aos
69
modeladores iniciantes, eles podem ser levados a se perguntarem: como tal sistema
é composto? Essa questão epistemológica possibilita evidenciar possíveis objetos em
interação no problema, evidenciar relações intrínsecas e extrínsecas, o que nos leva
a aprofundar a noção de estrutura.
A estrutura de um sistema é definida na teoria da modelagem como “o conjunto

de relações entre objetos em um sistema” (HESTENES, 2006, p. 42, tradução nossa).
As relações especificam a composição do sistema (geométrica, causal, temporal).
Assim, enquanto um sistema é um conjunto de objetos que se relacionam, sua
estrutura consiste no conjunto dessas relações. Importante notar que as relações
entre objetos de um sistema definem sua estrutura, então não são os objetos em si
que são importantes para entender o comportamento estrutural de um sistema,
sobretudo, como esses objetos se relacionam geometricamente, causalmente,
temporalmente, levando-nos à ideia de modelo.
Entender as relações entre os objetos de um sistema exige representá-las de

alguma maneira, isto é, demanda a construção de um modelo. Assim, em sentido
amplo, “um modelo é uma representação da estrutura em um dado sistema”
(HESTENES, 2010, p. 17, grifos do autor, tradução nossa). Na sala de aula, é comum
identificarmos um modelo com sua representação externa em um registro de palavras,
de símbolos ou de figuras. Porém, os mecanismos internos para codificação da
estrutura de um modelo não são nada triviais, exigem um sistema de regras e de
convenções (a maioria tácita e desconhecida). A teoria da modelagem de Hestenes
procura iluminar essa codificação.
Resumindo, um sistema físico pode ser entendido como um conjunto de objetos

que mantêm certas relações entre si. A estrutura de um sistema pode ser
compreendida como um conjunto dessas relações. Um modelo (em sentido amplo)
pode ser entendido como uma representação da estrutura de um dado sistema. Por
exemplo, se o objetivo é modelar a melhor maneira para se organizar os carros em
um estacionamento, então o sistema a ser considerado é o próprio estacionamento e
os carros são os objetos e interação no sistema. Mas se queremos modelar a
quantidade de calor na sala de aula, então o sistema a ser considerado é a sala de
aula e os objetos em interação podem ser as paredes, as carteiras, as lâmpadas, as
70
pessoas. Portanto, o tipo de sistema define o tipo de objeto, consequentemente, o tipo

de relações para modelar a estrutura do sistema e o tipo de modelo.
Contudo, os carros em um estacionamento mudam de posição, especificam

mudança na composição geométrica e temporal do sistema. As pessoas em sala de
aula também mudam de posição também especificam mudanças na composição
temporal e geométrica do sistema. Contudo, enquanto os objetos em si (de um certo
ponto de vista) permanecem imutáveis, suas relações podem mudar facilmente com
o tempo, apontam mudanças na estrutura do sistema como um todo. Assim, a
estrutura de um sistema é função das relações entre os objetos.
Nota-se que o conceito de estrutura é central na teoria da modelagem porque

não modelamos os próprios objetos pertencentes a um sistema, mas suas relações.
No caso de maximizar a organização dos carros em um estacionamento, não estamos
interessados em modelar efetivamente os carros em si, mas encontrar relações que
levem à melhor maneira de estacioná-los. De igual modo, no caso de minimizar o uso
do condicionador de ar, não estamos interessados em modelar efetivamente as
pessoas em si, mas relações que nos levem a entender como elas afetam a
quantidade de calor do ambiente. E o melhor instrumento para isso é a construção de
um modelo.
Assim, D. Hestenes usa o termo “forma simbólica” para a tríade de elementos

que definem qualquer modelo: representação, estrutura e referente, como
esquematizado na seguinte figura.
Figura 11 - Forma simbólica de um modelo.

71
A Figura 11 esquematiza que qualquer tipo de modelo, invariavelmente, possui

estes três elementos: representação, estrutura e referente. A representação de um
modelo codifica sua estrutura a partir de regras tácitas por meio de sistemas
simbólicos externos. No caso de modelos matemáticos, suas estruturas são
codificadas por meio de representações externas (diagramas, equações, gráficos)
que, por serem “manipuláveis”, possibilitam fazer inferências sobre o referente a partir
de transformações entre os registros de representação. No caso de modelos mentais,
suas estruturas são codificadas por meio de representações mentais, possibilitando
inferências sobre o referente a partir de transformações inconscientes em âmbito
cognitivo.
Com base nessas considerações gerais sobre sistema, estrutura e modelo, é

possível clarificar discussões sobre o que seria um modelo conceitual na visão da
teoria da modelagem. Primeiramente, Hestenes definiu um modelo conceitual como
“[...]uma representação da estrutura de um sistema material, que pode ser real ou
imaginário” (HESTENES, 2006, p. 42, grifos do autor e tradução nossa). Mas essa
ideia ainda seria revisada. Nesse sentido, ao inserir pressupostos advindos da
linguística cognitiva no arcabouço da teoria da modelagem, Hestenes propõe uma
revisão para a definição de modelo conceitual a partir da definição de conceito
enquanto uma tríade de elementos, como esquematizado na próxima figura.
Figura 12 - Tríade conceitual.
Na Figura 12, ilustro que um conceito é entendido na teoria da modelagem

como um par {forma, significado} representado por um símbolo (ou sistema simbólico).
Para ser compartilhado publicamente, um conceito, naturalmente abstrato, deve ser
representado por meio de uma escritura simbólica visível. Assim, o sistema simbólico
72
escolhido para representar um conceito é responsável por atribuir-lhe morfologia

(forma) e fisiologia (conteúdo). Por exemplo, ao escolher representar o conceito de
força por meio do registro algébrico 𝑭 = 𝑚𝒂, estamos atribuindo-lhe a forma algébrica
e o significado da segunda lei de Newton, sendo que o significado e a forma de um
conceito, segundo a teoria da modelagem, sempre são alimentados por um modelo
mental prototípico (HESTENES, 2006).
A partir da definição de conceito, Hestenes redefine a ideia de modelo

conceitual dada anteriormente, a saber: “um modelo conceitual é agora definido
como um conceito (ou construto) com a condição adicional que a estrutura de seu
referente ser codificada por uma construção simbólica, ou figura, ou alguma outra
inscrição” (HESTENES, 2006, p. 46, grifos do autor e tradução nossa). Desse modo,
como um conceito, um modelo conceitual pode agora ser caracterizado por uma tríade
de elementos: representação, estrutura e referente, conforme figura a seguir.
Figura 13 - Modelo conceitual.
A Figura 13 delineia que um modelo conceitual é gerado quando se codifica a

estrutura de um modelo mental (o referente) por meio de uma representação simbólica
externa (ou sistema semiótico). Ou seja, um modelo conceitual é visível, concreto,
pode ser “manipulado” de alguma maneira a partir de transformações entre o registro
de partida e o registro de chegada. A partir dessas ideias propõe Hestenes que
modelos matemáticos e modelos científicos sejam considerados tipos principais de
modelos conceituais em física (HESTENES, 2010). Ademais, o referente de um
modelo conceitual é sempre um modelo mental. Ou seja, devemos distinguir dois tipos
de representação para um modelo conceitual: uma representação externa (objetiva)
em termos de sistemas simbólicos ostensivos e uma representação interna (subjetiva)
73
na mente do sujeito modelador (HESTENES, 1987). Desse modo, Hestenes faz uma
primeira aproximação consubstanciada entre modelos mentais e modelos conceituais.
Para ir mais a fundo na ideia de modelo conceitual, Hestenes utiliza um dos

principais pressupostos da linguística cognitiva, a saber, “(...) os referentes da
linguagem são modelos mentais em vez de objetos concretos no mundo externo
(HESTENES, 2010, p. 19, grifos do autor e tradução nossa). Esse pressuposto reflete
em dizer que uma prática de modelagem matemática não modela aspectos do mundo
físico em si, os verdadeiros alvos são modelos mentais que formamos para raciocinar
sobre o fenômeno investigado. Nesse prisma, por exemplo, não modelamos a queda
de objetos tal como ela ocorre de fato no mundo físico, mas um modelo mental que
formamos para raciocinar sobre essa situação cotidiana.
Essas ousadas reflexões levaram Hestenes a refinar cognitivamente a

definição de modelo conceitual dada anteriormente, posto que: “um modelo
conceitual é uma representação da estrutura de um modelo mental” (HESTENES,
2010, p. 19, grifos do autor e tradução nossa). Em outras palavras, qualquer modelo
conceitual desenvolvido por um sujeito encontra-se necessariamente coordenado a
um modelo mental subjacente (HESTENES, 2015). Nessa atualização, o autor estreita
ainda mais a relação entre modelos conceituais e modelos mentais.
Nesse sentido, argumenta Hestenes (2006) que modelos mentais são

construções privadas na mente de um indivíduo. Embora sejam particulares, os
modelos mentais podem ser convertidos a modelos conceituais pela codificação
estrutural por meio de inscrições simbólicas que ativam e que correspondem a
modelos mentais de outros indivíduos.
Nesse prisma, a figura em seguida ilustra uma relação entre modelos mentais,
mundo físico e modelos conceituais.
74
Figura 14 - Modelos mentais e modelos conceituais.
Na Figura 14, infere-se que modelos mentais são subjetivos e incorporados em

redes neurais, possibilitam tanto a percepção quanto a ação sobre processos e coisas
do mundo físico; além disso, participam ativamente da criação e da compreensão de
modelos conceituais, estes objetivos e codificados em inscrições simbólicas,
permitindo, portanto, interpretação e representação de processos e coisas a partir da
transformação de registros de representação.
Assinalei acima sobre a noção de modelos conceituais à luz da teoria da

modelagem de David Hestenes. A seguir, veremos como essa discussão pode ser útil
para ressignificar a ideia de modelo matemático e alinhavar algumas implicações para
o ensino de física.
3.2 Modelo matemático: ressignificando a ideia
A partir do que foi visto acima, passarei a discutir sobre algumas proposições
visando ressignificar a ideia de modelo matemático entendido muitas vezes como uma
mera equação matemática. Com base na teoria da modelagem, argumentarei que um
modelo matemático pode ser caracterizado em duas dimensões complementares: a
epistemológica e a cognitiva. Esse “novo olhar” é importante quando se deseja
modelar problemas complexos em aulas de física, momento em que entra em jogo
75
bem mais que uma equação matemática, envolve conhecimentos relacionados ao

conhecimento científico e à cognição humana.
Na dimensão epistemológica, de acordo com a teoria da modelagem, um

modelo matemático envolve uma estrutura sistêmica representada por diagramas, por
esquemas e especifica a composição, o ambiente e as conexões do sistema
modelado. Envolve uma estrutura geométrica representada por mapas de movimento,
por trajetórias e especifica a localização, a configuração espacial e as propriedades
geométricas do sistema. Envolve uma estrutura temporal representada por tabelas,
por gráficos, por equações e especifica processos e causas em função do tempo.
Envolve uma estrutura de interação representada por diagramas de forças, por
diagramas de energia, por equações, por tabelas e especifica variáveis de interação
como função de variáveis de estado para o sistema modelado.
O quadro que segue detalha essas considerações iniciais.

76
Quadro 8 – Estrutura epistemológica de um modelo matemático.
Estrutura Características
Especifica a composição (objetos do sistema); ambiente (agentes externos ligados ao
sistema) e conexões (ligações externas e internas). Ferramenta de representação
mais utilizada: diagramas (esquemas, circuitos elétricos, fluxogramas).
Sistêmica
Especifica a posição com relação a um quadro de referência e a configuração referente

a relações geométricas entre os objetos do sistema. Ferramenta de representação
mais utilizada: mapas de movimento, gráficos, equações.
Geométrica
Especifica propriedades das ligações entre os objetos do sistema. Ferramenta de

representação mais utilizada: mapas de interação, gráficos, equações.
Interativa
Especifica mudança temporal na estrutura do sistema. Ferramenta de representação

mais utilizada: gráficos, equações.
Temporal
Fonte: Com base em Hestenes (1996).
De acordo com o Quadro 8, é possível caracterizar um modelo matemático em

sua dimensão epistemológica considerando ao menos quatro tipos de estruturas
fundamentais: a sistêmica, a geométrica, a interativa e a temporal. Conforme
Hestenes (1996), a estrutura sistêmica do modelo especifica a composição do
sistema, ligações entre as partes (objetos), ligações com agentes externos.
Representações diagramáticas tais como circuitos elétricos, fluxogramas geralmente
77
são ferramentas de representação mais utilizadas para essa estrutura porque

permitem uma imagem geral do sistema. A estrutura geométrica especifica a
localização espacial dos objetos no sistema modelado. Mapas de movimento são
ferramentas de representação bastante utilizadas para esse tipo de estrutura ao
caracterizar objetos em várias posições no sistema. A estrutura interacional do modelo
matemático especifica leis de interação e expressa interações entre ligações causais,
geralmente como função das variáveis de estado. Mapas de força são ferramentas de
representação bastante utilizadas para a estrutura interacional. Por fim, a estrutura
temporal especifica mudança temporal no estado do sistema, permite comparação de
estados em diferentes momentos ao longo do tempo. Gráficos espaço x tempo,
equações velocidade x tempo são ferramentas de representação muito utilizadas para
esse tipo de estrutura. Interessante ressaltar que as estruturas caracterizadas nesse
quadro referem-se à conhecimentos que fundamentam a construção e a
representação de modelos matemáticos, por sua vez, cada estrutura pode ser
representada por diferentes tipos de ferramentas de representação. Não podemos
confundir, portanto, a ferramenta de representação com a estrutura que ela representa
em um modelo matemático.
Na dimensão cognitiva, de acordo com a teoria da modelagem, um modelo

matemático é estruturado por modelos mentais que especificam inferências ou
predições associadas à sua estrutura epistemológica. Nesse sentido, podemos
presumir que tanto modelos matemáticos quanto modelos mentais possuem ao
menos quatro tipos de estruturas fundamentais: sistêmica, geométrica, interativa e
temporal. Embora essa hipótese dificilmente possa passar pelo crivo empírico, ela é
importante pois permite conjecturar um elo de codificação entre modelos mentais e
modelos matemáticos. Nesse direcionamento, podemos agora supor que modelos
mentais podem ser convertidos a modelos matemáticos pela codificação de suas
respectivas estruturas:
modelo mental [estrutura] ↔ modelo matemático [estrutura].
Ou seja, no ciclo de modelagem, a estrutura de um modelo matemático deve

ser associada à estrutura de um modelo mental para poder ser útil no sentido de
possibilitar inferências científicas. Isso deve ser assim, pois são os modelos mentais
78
que nutrem os modelos matemáticos tanto de forma quanto de significado. Em outras

palavras, um modelo matemático adquire significado quando o sujeito associa sua
estrutura à estrutura de um modelo mental subjacente, caso contrário, o modelo
matemático poderá ser compreendido apenas como um conjunto de representações
sem significado científico para o sujeito. A figura que segue ajuda a entender essa
relação:
Figura 15 – Relações entre modelos matemáticos e modelos mentais.
Fonte: Com base em Brewe et al. (2018, p. 03).
A Figura 15 é relevante ao sugerir que modelos matemáticos quando

participantes ativamente da elaboração do discurso social (conversação) podem
influenciar diretamente a formação e a reformulação de modelos mentais no cérebro
dos interlocutores. Significa que no discurso mediado por modelos matemáticos, os
sujeitos apropriam-se ou ativam modelos mentais já consolidados em seus cérebros,
isso pode promover a construção ou a abstração reflexiva do conhecimento científico.
Esse viés cognitivo do modelo matemático é importante porque esclarece que seu
componente estrutural “observável” são as diversas ferramentas de representação
utilizadas no ciclo de modelagem. Contudo, não podemos perder de vista os
elementos “menos evidentes”, embora não menos importantes, como os modelos
mentais associados que fundamentam interpretações e tomadas de decisão na
resolução de problemas.
79
Desse modo, submerge naturalmente uma vinculação entre modelos mentais

e modelos matemáticos. Nesse direcionamento, um dos postulados da linguística
cognitiva sustenta que os referentes da linguagem que usamos para nos referir ao
mundo físico não são propriamente as coisas desse mundo, sobretudo, são os
modelos mentais elaborados mente do sujeito que pensa sobre o mundo físico. Nesse
sentido, Ferrari (2016) assevera:
[...] a linguística cognitiva defende que a relação entre palavra e mundo é

mediada pela cognição. Assim, o significado deixa de ser um reflexo direto
do mundo, e passa a ser visto como uma construção cognitiva através do
qual o mundo é apreendido e experienciado. Sob essa perspectiva, as
palavras não contêm significados, mas orientam a construção de sentido.
(FERRARI, 2016, p. 14, grifos no original).
Ao considerar que o significado deixa de ser reflexo direto do mundo físico e

que, por isso mesmo, a escrita simbólica em si não contém significados, sobretudo
norteia a construção de sentidos, Ferrari (2016) endossa a reflexão de que as
ferramentas de representação de um modelo matemático não se referem diretamente
ao mundo físico, todavia a modelos mentais na mente do sujeito que tenta
compreender esse mundo. Significa, portanto, que modelos matemáticos modelam o
mundo mental que os indivíduos elaboram para pensar sobre o mundo físico, como
esquematizo na seguinte figura.
Figura 16 – Modelos matemáticos, modelos mentais, mundo físico.
A Figura 16 esquematiza que modelos matemáticos são gerados a partir de

decodificações de modelos mentais referentes a coisas e a processos do mundo
físico. Ou seja, o processo de modelagem matemática não tem como alvo o mundo
físico, os verdadeiros alvos são modelos mentais no cérebro do sujeito que interage
com este mundo. Interessante ainda destacar que, enquanto um modelo matemático
80
recorre a inscrições simbólicas acessadas diretamente pelo sujeito modelador de

maneira deliberada, um modelo mental recorre a símbolos mentais sobre os quais não
temos acesso direto, no entanto, de acordo com a teoria da modelagem, tal ação pode
ocorrer pela interação com múltiplas ferramentas de representação.
Nessa interação, um modelo matemático teria a função de ativar conceitos

embutidos em modelos mentais, podendo promover suas reformulações. Como já
frisou Hestenes (2006), o significado e a forma de um conceito são alimentados por
um modelo mental prototípico, isto quer dizer que o elemento de sustentação
necessária para a construção cognitiva de um modelo matemático provém de um
modelo mental prototípico, que fornece significados-gérmens a sua estrutura
epistêmica, como delineio na próxima figura.
Figura 17 – Compreensão de modelos matemáticos.
Na Figura 17, a forma e o significado de um modelo matemático são

germinados a partir de um modelo mental prototípico. Para formar as primeiras
compreensões sobre a estrutura epistêmica de um modelo matemático, cada pessoa
insere (inconscientemente) tal estrutura na estrutura de um modelo mental prototípico.
Tal inserção é necessária porque são os modelos mentais que “nutrem” os modelos
matemáticos tanto de forma quanto de significado na mente do modelador. Esse
processo é a base do poder inferencial e preditivo dos modelos matemáticos usados
na resolução de problemas em física, em matemática ou em outra disciplina.
Enquanto a percepção é ativada por estímulos sensoriais (internos), realça

Hestenes (2006), um conceito é ativado por estímulos simbólicos (externos). Nessa
81
linha, os modelos matemáticos, sendo necessariamente conformados por inscrições

simbólicas, tornam-se importantes porque podem favorecer a ativação de sistemas
conceituais, agrupando-os ou segregando-os para a formação de novos modelos
mentais. Assim, conceitos simples podem ser combinados para produzir conceitos
mais elaborados pela ação direta dos modelos matemáticos. Isso nos leva a outra
suposição sobre como os modelos matemáticos poderiam influenciar no processo de
modelagem mental para gerar compreensões cada vez mais consolidadas. Tal
suposição é ilustrada na próxima figura.
Figura 18 – Compreensão por modelos matemáticos.
A Figura 18 delineia que os modelos matemáticos, ricos em linguagem

simbólica e de natureza ostensiva (visível), favorecem a ativação conceitual, isso é
mostrado no topo da figura. De fato, empiricamente em sala de aula percebe-se que
as curvas coloridas de um gráfico cartesiano são mais eficazes para recuperar no
cérebro do sujeito uma informação quando comparado a textos escritos, justamente
pela capacidade de ativar diretamente conceitos sobre o referente embutidos em
modelos mentais. Considerando a parte central da mesma figura, vemos que a
estrutura de cada conceito está “encaixada” na estrutura de um modelo mental
prototípico, que o alimenta de forma e de significado. Presume-se que, ao se modificar
a estrutura epistêmica do modelo matemático, consequentemente, modificamos a
estrutura do modelo mental prototípico alimentador. Ora, ao se deparar com outro
82
gráfico referente a outra situação física (outra estrutura epistêmica), o estudante deve
ativar outra estrutura do modelo mental referente para nutrir de significado a nova
informação simbólica subjacente à nova situação. Por fim, a parte inferior da figura
ilustra que a modificação na estrutura de modelos mentais ativa novas compreensões
para a situação enfrentada. Resulta que, como um processo em cadeia, podem
ocorrer novas compreensões à medida que os modelos mentais sofrem novas
modificações em função da modificação dos modelos matemáticos associados.
As discussões dessa seção ganham importância na dinâmica de representação

e de comunicação em ambiente gerado pela modelagem matemática no ensino de
física. Digamos que em uma atividade de campo os estudantes consigam coletar
dados referentes ao deslocamento em função do tempo de um carro em determinada
via. Eles produzem modelos matemáticos envolvendo diagramas de movimento,
tabelas de dupla entrada, gráficos cartesianos, equações matemáticas. No momento
em que comunicam suas ideias em situações argumentativas, para interpretar
corretamente os modelos matemáticos, os estudantes devem observar a forma
geométrica da curva delineada pelos pares ordenados (x, y) no gráfico cartesiano. A
forma observável (reta, parábola...) orienta a ativação de conceitos que, conforme a
teoria da modelagem, estão encaixados em modelos mentais subsunçores. Por isso
que ao observarem uma reta esboçada no gráfico, alguns estudantes logo concluem,
a partir de modelos mentais prévios, que o movimento do carro foi uniforme. De outro
modo, ao se depararem com uma parábola, eles concluem que o movimento foi
uniformemente variado. No entanto, alguns gráficos gerados a partir de dados
empíricos nem sempre são fáceis de interpretar, nesse caso, os estudantes precisam
observar atentamente o modelo matemático, ativar novos conceitos e gerar novos
modelos mentais para obter novas interpretações. Portanto, ao refinar os modelos
matemáticos, consequentemente, os modelos mentais associados também são
refinados.
Para finalizar esta seção de proposições de ideias iniciais sobre modelos

matemáticos x modelos mentais, sublinho que existem outros conceitos na teoria da
modelagem que podem fortalecer algumas considerações acima levantadas, como o
conceito de analogia, de morfismo, de intuição matemática, de intuição física. No
entanto, considero que, para o objetivo desta pesquisa, abordar em complexidade
83
esses conceitos não seja o mais adequado, farei isso em pesquisas futuras. O
essencial é entender que a teoria da modelagem prevê que o planejamento
pedagógico em ciências e matemática enfatize o uso de uma diversidade de
ferramentas representacionais de maneira coordenadas a modelos mentais. Fruto
dessa predição foi a elaboração da didática modeling instruction ou, como vem sendo
chamado aqui no Brasil, do ciclo de modelagem de Hestenes.
3.3 O ciclo de modelagem de Hestenes
Hestenes (2010) pontua algumas implicações pedagógicas da teoria da

modelagem para o planejamento curricular e para o ensino de física. Comenta que a
grade curricular pode ser organizada ao redor de modelos matemáticos gerais em vez
de tópicos. Isso porque esses modelos são unidades do conhecimento estruturado
coerentemente, a partir dos quais podemos fazer inferências diretas sobre sistemas
físicos em comparação com dados experimentais. Além disso, os estudantes podem
ser familiarizados com um pequeno conjunto de modelos básicos como conteúdo
central para cada ramo da física. Desse modo, os aspectos teóricos podem ser
apresentados como um sistema de princípios gerais para construção de modelos
matemáticos com certo domínio de validade. Os estudantes podem aprender
modelagem matemática para investigação científica, isso inclui proficiência com
ferramentas de representação, raciocínio qualitativo, procedimentos para medidas
quantitativas e comparação de modelos matemáticos com dados empíricos.
Orientações desses tipos geraram uma didática atualmente bastante utilizada

pelos norteamericanos e considerada pela AMTA (American Modeling Teaching
Association) como promissora para o ensino de ciências: a modeling instruction, que
vem sendo conhecida em nosso país como ciclo de modelagem de Hestenes
(HEIDEMANN, ARAÚJO e VEIT, 2012). Veremos que entender os métodos dessa
didática pode ser importante para orientar práticas de modelagem matemática no
contexto brasileiro.
Nesse horizonte, Jackson, Dukerich e Hestenes (2008) sublinham que, por

meio da didática hestenesiana, os estudantes são engajados no discurso e no debate
compartilhado de conteúdos e de técnicas científicas. Esclarecem que a essência do
ciclo de modelagem é corrigir inconsistências do ensino meramente expositivo,
84
principalmente com relação à fragmentação do conhecimento, à passividade dos

estudantes e à persistência de concepções incoerentes sobre o mundo físico. O
professor procura desenvolver habilidades nos estudantes para que deem significado
a experiências vividas, para que compreendam afirmações científicas, para que
articulem coerentemente suas próprias opiniões e as defendam com argumentos
convincentes, enfim, para que avaliem evidências visando a apoiar e a justificar seus
discursos.
Brewe (2008) descreve a aplicação da didática hestenesiana em um curso

universitário de física básica e enfatiza as fases de desenvolvimento, de aplicação, de
adaptação, de extensão e de revisão de modelos matemáticos em um esforço para
materializar o papel destes em sala de aula. O autor comenta que a didática
possibilitou a organização efetiva do conhecimento consistente com a prática aceita
cientificamente. Comenta ainda que o conteúdo do curso foi organizado em um
pequeno número de modelos gerais aplicados a uma ampla classe de situações. Isso
resultou em pelo menos dois benefícios: a organização curricular levou os estudantes
a uma expertise em modelagem matemática e os discentes estudaram um pequeno
número de modelos matemáticos como um corpo de conhecimento coerente. Por fim,
o autor reflete que, embora haja muitos benefícios para a adoção da didática nas aulas
de física, também existem alguns impedimentos. Um deles é a falta de compreensão
do papel e da epistemologia dos modelos matemáticos no ensino. Outro problema é
que o currículo do ensino médio é diferente do universitário. Essa pesquisa é relevante
quando aborda diversas questões pedagógicas que podem servir de orientação ao
contexto brasileiro, ressalvadas as devidas peculiaridades educacionais.
Ao estudar os efeitos da didática hestenesiana em estudantes da zona rural do

ensino fundamental nas aulas de física auxiliadas por simulações computacionais,
Ditmore (2016) detectou que os discentes obtiveram melhor desempenho ao
responderem o force concept inventory (FCI)9 em comparação a alunos submetidos
9O FCI é um questionário bastante utilizado em pesquisas norteamericanas contendo trinta questões

básicas sobre mecânica newtoniana especialmente formuladas para avaliar a discrepância entre
conceitos newtonianos e conceitos do senso comum (HESTENES, WELLS, SWACKHAMER, 1992;
MAZUR, 2015).
85
ao método meramente expositivo. Além disso, experimentaram mudança social

positiva ao se sentirem mais motivados a obterem sucesso nas tarefas de
aprendizagem em física. O foco desse estudo foi avaliar a habilidade dos estudantes
no planejamento de experimentos para resolver problemas com ênfase na coleta e na
análise de dados, no desenho das conclusões obtidas e na construção de modelos
matemáticos que puderam ser usados para explicar e para defender os resultados
obtidos. O estudo foi planejado com o objetivo de melhorar a compreensão dos
estudantes em mecânica newtoniana e de possibilitar a construção do conhecimento
da mesma maneira que os cientistas o fazem.
O autor acima conclui que os estudantes transitaram do cognitivo para o formal

pela formação de novas conexões mentais (modelos mentais) por meio de
experiências e de observações, com prioridade para a compreensão de conceitos.
Além disso, os estudantes desenvolveram e defenderam todos os aspectos de
modelos matemáticos para descrever fenômenos físicos. Sublinha Ditmore que os
estudantes foram engajados na discussão e na correção de aspectos conflitantes de
modelos matemáticos por eles construídos. Esse processo ajudou os aprendizes a
progredir de um pensamento concreto para um pensamento abstrato enquanto
desenvolveram habilidades para resolução de problemas. Reflete ainda que o ciclo de
modelagem de Hestenes pode corrigir diversas misconceptions (concepções
equivocadas) que os estudantes levaram para a sala de aula.
Em dissertação de mestrado, Selau (2017) analisou atitudes e crenças de

autoeficácia dos estudantes para aprender física, para realizar atividades
experimentais e para trabalhar colaborativamente com uso de episódios de
modelagem (HEIDEMANN, ARAÚJO e VEIT, 2016) inspirados nos ciclos de
modelagem de Hestenes. Destaca o autor que os estudantes reajustaram suas
avaliações sobre os níveis de autoeficácia, inicialmente superestimados, e que tal
reajuste independeu da forma como as medidas foram realizadas. Os resultados
mostraram atitudes positivas de toda a turma em relação à aprendizagem em física.
Além disso, as crenças de autoeficácia para realizar atividades experimentais e para
trabalhar colaborativamente foram avaliadas de maneira positiva pelos sete alunos
participantes da pesquisa. Concluiu o autor que os estudantes aumentaram o nível de
autoeficácia em todos os eixos analisados a partir de relatos de entrevistas
86
semiestruturadas e de respostas ao questionário final. No entanto, como era de se

esperar quando se introduz uma abordagem ativa em meio a um ambiente com
predomínio de aulas meramente expositivas, o autor menciona como pontos negativos
a dedicação requerida pela disciplina e o exíguo tempo em aula para a realização dos
planejamentos e para a análise de dados.
As pesquisas acima evidenciam que o ciclo de modelagem de Hestenes possui

certa potencialidade para o desenvolvimento de competências essenciais para
alfabetização científica. Contudo, até onde pude observar, não se tem feito estudos
mais sistemáticos para entender fatores que possam influenciar ou limitar tal
desenvolvimento. Isso evidencia uma lacuna nas pesquisas, lacuna que começa a ser
preenchida com a presente tese. É preciso, portanto, entender como efetivamente
“materializar” o ciclo de modelagem de Hestenes em sala de aula, especialmente no
contexto brasileiro do ensino de física, o que encaminha as discussões para aspectos
procedimentais.
Embora David Hestenes seja o mentor da teoria da modelagem, a ideia de ciclo

de modelagem não é sua criação. Ela surgiu originalmente por volta de 1987 por
ocasião da tese de doutoramento de Malcolm Wells, orientando de Hestenes. Após
longas discussões com seu orientador para entender detalhadamente a teoria da
modelagem e, após constatar o fracasso de seus próprios alunos na aplicação do FCI,
M. Wells utilizou ciclos de modelagem como veículo principal para desenvolvimento e
para aplicação de modelos matemáticos.
No relato de sua tese, Wells (1987) comenta que o ciclo de modelagem

aumentou a complexidade das ferramentas de representação iniciais conforme os
estudantes desenvolveram habilidades para construir modelos matemáticos cada vez
mais detalhados. Wells manteve a preocupação de deixar explícito aos sujeitos de
sua pesquisa a importância dos modelos matemáticos na resolução de problemas: “O
papel dos modelos na resolução de problemas foi explicitamente discutido ao longo
do processo [...]” (WELLS, 1987, p. 16, tradução nossa). O objetivo do método
proposto por Wells foi tornar os estudantes autossuficientes na resolução de
problemas por meio da elaboração e do refinamento de modelos matemáticos. Em
suas próprias palavras:
87
O professor, utilizando o ciclo modificado de aprendizagem por modelagem,

seleciona conceitos-alvos, atividades experimentais básicas, técnicas de
tratamento de dados, e outros aparatos e atividades necessárias para apoiar
a agenda pedagógica e levar aos resultados de ensino desejados. A gestão
docente deve ficar relativamente transparente aos estudantes, encorajando-
os a aceitar a responsabilidade pelo processo de aprendizagem. A ação
principal do professor é promover e supervisionar atividades que levem à
obtenção da aprendizagem desejada. Isso inclui orientar tarefas em grupo,
oferecer recomendações que ajudem os estudantes nas atividades, auxiliá-
los na interpretação, na análise gráfica e no desenvolvimento conceitual.
(WELLS, 1987, p. 16, tradução nossa).
M. Wells planejou detalhadamente oito ciclos de modelagem que foram

desenvolvidos por diferentes professores de física do Estado do Arizona (EUA). Os
temas das atividades foram: “Trator de brinquedo” (relação entre deslocamento e
tempo para velocidade constante); “Trilho inclinado” (relação entre deslocamento e
tempo, velocidade e tempo para aceleração constante); “Atrito” (relação entre força
normal e força de atrito); “Segunda Lei de Newton” (relação entre força, massa e
aceleração); “Movimento circular uniforme” (relação entre força radial, massa e raio);
“Colisões”; “Lei de Hooke” (relação entre força aplicada e elongamento), “Oscilação
massa-mola” (relação entre massa e período de oscilação). Enfatiza o autor que o
propósito das atividades de laboratório foi promover expertise em modelagem
matemática. Para isso, o aspecto crítico não foi caracterizá-las conceitualmente,
sobretudo, caracterizar técnicas para o desenvolvimento de modelos matemáticos.
Comenta ainda que os experimentos não foram tratados como atividades especiais,
contudo, constituíram o centro das atividades desenvolvidas. Com isso, os estudantes
moveram-se espontaneamente entre tarefas de laboratório e discussões utilizando o
computador para elaborar e para analisar representações simbólicas.
Dessa maneira, M. Wells enfatizou o uso de modelos matemáticos para

descrever e para explicar fenômenos físicos, além de centrar na resolução de
problemas. Seu objetivo maior foi ensinar habilidades para construção e para
refinamento de modelos matemáticos como fundamento principal para investigação
científica. Parte da eficácia do método de Wells deveu-se ao fato de que os estudantes
foram engajados ativamente em atividades para desenvolver modelos matemáticos,
tanto durante a resolução de problemas quanto em atividades experimentais de
laboratório. Somado a isso, eles foram solicitados constantemente a articular
planejamentos e hipóteses, a explicar seus procedimentos e a justificar suas
conclusões na defesa de seus modelos.
88
Malcolm aprendeu a encorajar os estudantes a elaborar e a avaliar questões

relevantes no discurso colaborativo com outros estudantes. No contexto das
atividades de modelagem, eles dispunham de um quadro teórico para testar
e para corrigir suas próprias ideias, especialmente considerando a relevância
e a coerência com outras ideias (WELLS, HESTENES e SWACKAMER,
1995, p. 08, tradução nossa).
Wells desenvolveu uma técnica para melhorar a qualidade do discurso dos

estudantes. Tal técnica envolveu misturar elementos qualitativos e elementos
quantitativos em que os estudantes foram equipados com pequenos quadros brancos
(whiteboards) nos quais poderiam escrever e desenhar usando marcadores de
diferentes cores, facilmente apagáveis.
Para Malcolm, o whiteboard foi um instrumento para melhorar a qualidade do

discurso dos estudantes. Na preparação para a apresentação, os grupos de
estudantes eram encorajados a esboçar seus modelos e a apoiar argumentos
sobre o whiteboard (WELLS, HESTENES e SWACKAMER, 1995, p. 09,
tradução nossa).
Na conclusão de sua tese, M. Wells destaca que os estudantes participantes

da pesquisa, em relação aos não participantes (grupos de controle), exibiram maior
ganho de aprendizagem medido pelo FCI; mostraram melhor retenção conceitual
durante entrevistas e superior habilidades de resolução de problemas. Com isso, “o
estudo indicou que a aprendizagem pode focar sobre o desenvolvimento de modelos
matemáticos em vez da aquisição de conteúdos conceituais específicos” (WELLS,
1987, p. 27, tradução nossa). A pesquisa de M. Wells revelou ainda que a efetiva
reformulação de modelos mentais depende da habilidade de o professor induzir
conflitos cognitivos entre as misconceptions dos estudantes e os modelos
matemáticos desenvolvidos durante o ciclo de modelagem.
Heidemann, Araújo e Veit (2012) aplicaram ciclos de modelagem com treze

alunos de um mestrado profissional em ensino de física. Num primeiro momento,
apresentaram aos estudantes a equação para pêndulo simples e solicitaram que fosse
investigado seu poder de predição em diferentes situações. Em outro momento,
descreveram um experimento sobre a lei de resfriamento de Newton e solicitaram aos
alunos que elaborassem um modelo matemático para representá-lo. Para realizar as
atividades, os estudantes utilizaram os softwares computacionais modellus e tracker.
Os autores refletem que as atividades desenvolvidas proporcionaram a interação de
atividades experimentais com recursos computacionais, aumentaram o entusiasmo
89
dos estudantes, a aprendizagem pareceu ocorrer de forma mais sólida e houve

evolução com relação a conceitos relacionados à epistemologia da física. Contudo,
observaram o desconforto de alguns alunos com a abertura da qual dispunham para
desenvolver as tarefas, para expor suas ideias e para analisar criticamente os
argumentos dos colegas. Considero essa pesquisa relevante porque aponta a
importância do ciclo de modelagem como promotor da interação entre atividades
experimentais e recursos computacionais, interação que pode suscitar o
desenvolvimento de competências para alfabetização científica.
Ezequiel (2016) aplicou ciclos de modelagem de Hestenes com 32 estudantes

do segundo ano do ensino médio de uma escola particular brasileira. Ele elaborou
atividades na forma de sequência didática para integrar atividades experimentais e
ferramentas computacionais, como sugerido por Heidemann, Araújo e Veit (2012),
com o intuito de analisar o desenvolvimento do perfil conceitual sobre o efeito Doppler.
Os dados produzidos foram interpretados por meio de análise de conteúdo para
encontrar evidências do perfil conceitual dos estudantes. Os resultados sugerem
aprimoramento no modo de pensar dos estudantes. No início, possuíam perfis
meramente intuitivos, depois as respostas passaram a ter um cunho experimental ou
empírico, em que o ponto alto foi quando os grupos conseguiram definir o que é o
efeito Doppler. A organização de ciclos de modelagem na forma de sequência didática
foi fundamental para a obtenção dos bons resultados, ressalta o autor.
De maneira geral, a análise procedimental das atividades descritas acima

revela que o ciclo de modelagem de Hestenes pode ser organizado em dois estágios
básicos: elaboração do modelo e implementação do modelo, conforme ilustro na
seguinte figura.
90
Figura 19 – O ciclo de modelagem de Hestenes.
Na Figura 19, apresento um esquema para o ciclo de modelagem de Hestenes.

No primeiro estágio, ocorre a elaboração de um modelo matemático a partir de um
problema comum aos grupos. No segundo estágio, ocorre a implementação da
estrutura epistêmica do modelo matemático por meio da resolução colaborativa de
problemas diversos. Cada um desses estágios possui subetapas com características
mais ou menos distintas a serem realizadas pelos estudantes sob orientação docente.
Delinearei discussões sobre cada um desse momentos a seguir.
3.3.1 Elaboração do modelo
De acordo com o esquematizado na Figura 19, o primeiro estágio do ciclo de

modelagem, elaboração do modelo, inicia com a descrição do problema. O problema
pode ser proposto pelo professor ou pelos grupos de estudantes. O importante é que
seja atendido tanto os objetivos pedagógicos quanto o interesse dos estudantes pelo
tema de pesquisa. Importante ressaltar que um problema é entendido próximo à
concepção de Dante (2011), isto é, trata-se de uma situação que os estudantes
precisam resolver, contudo, não dispõem imediatamente de um caminho rápido e
direto que leve à solução. Nesse norte, um autêntico problema é diferente de um
exercício. No primeiro, os estudantes possuem certas habilidades e cognição, mas
91
não são suficientes para propor um caminho ao enfrentamento, isto é, eles devem
investigar possibilidades de soluções. No segundo, os estudantes possuem certas
habilidades e cognição suficiente para propor soluções ao problema, embora
geralmente ainda tenham que recorrer a pesquisas para consolidar suas
investigações. Geralmente, para resolver um problema em física, os estudantes
podem levantar questionamentos, fazer hipóteses e delinear o desenvolvimento de
um modelo matemático. No caso do exercício, eles já conhecem o modelo matemático
a ser aplicado.
Heidemann (2015) ressalta que o momento inicial do ciclo de modelagem de

Hestenes pode ser contextualizado de diferentes maneiras: “[...] podendo ser
explorados vídeos, simulações computacionais, experimentos de laboratório etc. (p.
41). A proposta de que o problema inicial seja aberto e não se concentre em
experimentos produzidos de maneira controlada em laboratório parece interessante
aos objetivos da presente pesquisa. Isso porque ciclos de modelagem cujas temáticas
façam parte do cotidiano dos estudantes podem suscitar discussões que conduzam a
uma postura crítica diante de desafios socioculturais, aspecto importante para a
construção de competências para alfabetização científica.
Ademais, Heidemann observa que um ciclo de modelagem não

necessariamente começa pelo estágio de elaboração do modelo.
Além disso, ao contrário de iniciar pela exposição de uma situação física para
que os estudantes explorem e construam um modelo teórico com o intuito de
descrevê-lo, o ciclo pode começar com a apresentação de um modelo teórico,
cabendo aos alunos avaliar a sua adequação para descrever uma
determinada situação. O essencial é que o problema envolva o uso de
habilidades e ferramentas de modelagem [...] (HEIDEMANN, 2015, p. 41-42).
Essa flexibilidade no desenvolvimento de um ciclo de modelagem deixa o

professor livre para iniciar a atividade pelo estágio de implementação do modelo.
Contudo, é necessário explicitar que essa implementação não quer dizer substituição
de valores numéricos em uma equação matemática. Nesse caso, os estudantes terão
a tarefa de investigar se o modelo matemático é apropriado ou não para analisar
determinada situação física, eles poderão investigar seu limite de validade, sua
aplicabilidade, sua importância sociocultural, econômica, histórica.
92
O objetivo principal da descrição do problema é evidenciar princípios, leis,

teorias físicas, variáveis e constantes; ou seja, grandezas físicas que se inter-
relacionam no contexto da situação enfrentada. Hestenes (1987) argumenta que a
descrição de um sistema é norteada por alguma teoria científica, pois é a teoria que
especifica quais tipos de objetos e de propriedades podem ser modelados e quais
tipos de modelos podem ser desenvolvidos. O apogeu do momento de descrição do
problema é um conjunto de conceitos, de procedimentos, de atitudes que poderão ser
utilizados no momento do laboratório de investigação.
Para iniciar o momento de laboratório de investigação, a classe é organizada

em grupos pequenos de três a cinco componentes (grupos colaborativos). Ressalto
que a palavra laboratório não deve ser entendida como um ambiente fechado cheio
de equipamentos técnicos especializados, mas um momento em que serão
planejadas e realizadas atividades que envolverão a observação de campo, a
experimentação, a prática de determinada arte ou habilidade, enfim, os erros e os
acertos.
Heidemann (2015) chama atenção que no momento de investigação

laboratorial:
Em pequenos grupos, os alunos trabalham no planejamento e na condução

de experimentos para responder ou esclarecer o problema proposto [...].
Durante essa etapa, os professores devem estar preparados para introduzir
novas ferramentas de representação na medida em que os alunos estiverem
preparados para fazer bom uso delas. [...] é necessário dar-se maior atenção
ao papel crítico do tipo de representação no desenvolvimento da
compreensão física. Deve-se reconhecer que a habilidade de modelar, e
assim compreender, depende das ferramentas disponíveis (equações,
gráficos, tabelas, diagramas etc.). Portanto, é preciso que as atividades sejam
projetadas para auxiliar os estudantes a desenvolverem habilidades
associadas ao uso de tais ferramentas (HEIDEMANN, 2015, p. 42).
No ciclo de modelagem, o laboratório de investigação envolve produção e

discussão de dados qualitativos e de dados quantitativos pelos próprios estudantes
sob orientação docente. Envolve discussões para o planejamento de procedimentos
necessários e o levantamento de informações em fontes diversas (internet, livros,
entrevistas, visitas de campo, experimentos). O clímax do laboratório de investigação
é um conjunto de informações que deve ser logicamente coordenado em um modelo
matemático fazendo-se uso de múltiplas ferramentas de representações. Por fim, os
93
modelos matemáticos são registrados nos whiteboards utilizando-se marcadores de

diferentes cores.
Figura 20 – Produção de um whiteboard em um ciclo de modelagem.
Fonte: Arquivo do autor (2016).
Whiteboards são pequenos quadros brancos de aproximadamente 80 cm x 60

cm que auxiliam na argumentação científica durante a defesa dos modelos
matemáticos elaborados pelas equipes (Figura 20). Desse modo, cada whiteboard
sistematiza um modelo matemático (ou parte dele) que será defendido e discutido
coletivamente pela classe no decorrer da última fase do estágio de elaboração do
modelo: a primeira sessão de discussão.
Na primeira sessão de discussão, as equipes apresentam seus modelos

matemáticos e justificam procedimentos e raciocínios. Heidemann (2015) chama a
atenção que nesse momento:
[...] os alunos apresentam e justificam as suas conclusões na forma oral e

escrita. Para isso, utilizam as mais diversas ferramentas de representação
destacando-as em seus quadros-brancos [...]. Com isso, busca-se aprimorar
a habilidade de argumentação dos alunos e a qualidade de seus discursos.
Durante essa etapa, é importante se estabelecer um clima de abertura e
respeito em que cada estudante se sinta incentivado a participar. O professor
assume o papel de mediador e fica atento às principais concepções
alternativas que os alunos externalizam sobre os conteúdos de física
abordados. Esses equívocos são discutidos com os estudantes, que são
convidados a explicitar suas ideias e raciocínios de modo que, a partir de suas
contribuições, se estabeleçam as bases para o compartilhamento de
significados entre os participantes do processo de ensino-aprendizagem.
(HEIDEMANN, 2015, p. 43).
Desse modo, o professor assume a importante tarefa de orientar os discursos

dos estudantes de modo a fazer com que insiram suas justificativas em teorias e em
94
leis físicas, sendo que os whiteboards servem de âncoras para tal inserção. De acordo
com a teoria da modelagem, isso possibilita que os estudantes reformulem seus
modelos mentais quando associados a múltiplas ferramentas de representação em
meio a explicações, justificativas, previsões.
Importante ressaltar que a sessão de discussão não consiste na mera

apresentação de pesquisas realizadas pelos grupos como culminância da atividade
de modelagem matemática. Para além disso, é um momento fundamental do ciclo de
modelagem de Hestenes em que os estudantes são questionados de tal maneira que
justifiquem com fundamento científico procedimentos e raciocínios mobilizados na
elaboração do modelo matemático. É um momento em que a argumentação científica
concorre para melhorar a compreensão por meio da reformulação de modelos mentais
inconsistentes. O professor age no sentido de direcionar perguntas aos grupos
colaborativos por meio de técnicas de pedagogia argumentativa, é o chamado
discurso de modelagem. Com apoio dos modelos matemáticos registrados nos
whiteboards, cada grupo defende as razões que os levaram a usar tal conceito, a
realizar determinado experimento ou pesquisa de campo, a tomar determinada
decisão ou atitude.
Nesse processo argumentativo, conforme os modelos matemáticos vão sendo

compartilhados pelos grupos, as discussões entre os pontos convergentes e os pontos
divergentes permitem compreensão comum sobre a estrutura epistêmica do modelo,
que será aprofundada no próximo estágio do ciclo de modelagem: a implementação
do modelo.
3.3.2 Implementação do modelo
Conforme esquematizado na Figura 19, o segundo estágio do ciclo de

modelagem de Hestenes, implementação do modelo, inicia com a resolução
colaborativa de problemas. Problemas esses que suscitem a estrutura epistêmica do
modelo matemático em foco. Nesse sentido, podem-se utilizar problemas adaptados
do livro-texto, testes de múltipla escolha, questões conceituais, experimentos de baixo
custo ou de laboratório técnico, simulações computacionais etc. Importante ressaltar
que não se trata de uma lista enfadonha de exercícios, mas preza-se pela qualidade
de poucos problemas a serem investigados colaborativamente pelos grupos.
95
Heidemann (2015), comenta que no momento de implementação do modelo:
[...] os estudantes utilizam o modelo recém-explorado em novas situações

para refinar e aprofundar a sua compreensão. Os estudantes trabalham em
problemas desafiadores em pequenos grupos, e depois apresentam e
defendem seus resultados para a classe por meio dos quadros brancos. Essa
fase inclui questionários, testes, trabalhos em laboratório, implementação
computacional etc. (HEIDEMANN, 2015, p. 43).
As atividades de implementação do modelo são importantes porque os

estudantes aprofundam compreensões ao ramificarem sua estrutura epistêmica na
análise de aspectos físicos do fenômeno investigado. Hestenes (1987) sublinha que
a ramificação é um processo principalmente matemático e é importante para se
trabalhar propriedades e implicações especiais do modelo. Por exemplo, no caso da
mecânica newtoniana, equações de movimento são resolvidas para determinar
trajetórias com várias condições iniciais, resultados são representados e analisados
analiticamente e graficamente. Quando existe necessidade e condições apropriadas,
o modelo matemático é validado pela avaliação empírica.
Para sistematizar por escrito as soluções dos problemas de implementação do

modelo as equipes produzem relatórios em que organizam suas respostas envolvendo
os conteúdos (conceituais, procedimentais e atitudinais) e as discussões críticas. O
relatório é importante como forma de incentivar a produção textual coletiva entre os
integrantes do grupo colaborativo. Com base em minhas experiências de sala de aula,
tenho observado que a produção grupal dos relatórios possibilita que os estudantes
aprofundem compreensões ao terem que pesquisar e discutir sobre conceitos e
procedimentos que consideram relevantes de serem expostos no texto escrito. Nesse
sentido, a produção do relatório tem mostrado ser relevante como gerador de debates
e de reflexões entre os integrantes de uma mesma equipe, possibilitando profundas
discussões.
Na segunda sessão de discussão, os grupos colaborativos resumem as

respostas aos problemas de implementação do modelo e defendem as resoluções,
justificando procedimentos e pensamentos com argumentos científicos. Novamente,
o professor assume a importante tarefa de orientar o discurso de modelagem de modo
a fazer com que os estudantes insiram suas justificativas em teorias e em leis físicas.
Wells, Hestenes e Swackhamer (1992) propõem como forma de motivar episódios
96
argumentativos que os relatórios sejam redistribuídos entre os grupos colaborativos

de modo a fazer com que uma equipe avalie criticamente as soluções de outra equipe.
Conforme as soluções dos problemas vão sendo compartilhadas e refinadas, a
estrutura epistêmica do modelo matemático ganha novos significados, que favorecem
compreensões e aplicações em novas situações.
Resta dizer que a avaliação de aprendizagem no ciclo de modelagem é

formativa. O professor pode checar de alguma maneira a aprendizagem individual dos
estudantes e decidir em resolver outros problemas ou iniciar novo ciclo para o estudo
de outro campo conceitual. Nesse sentido, tenho utilizado portfólios de aprendizagem
e alcançado bons resultados avaliativos. Ambrósio (2013) argumenta que o portfólio
consiste de uma coleção de trabalhos realizados pelos estudantes que permite
acompanhar seus desenvolvimentos por meio de diferentes formas de análise, de
avaliação, de execução e de apresentação de produções desencadeadas nas ações
de ensino e de aprendizagem desenvolvidas num determinado espaço-tempo. Nesse
processo, o estudante guarda suas produções, produções essas que mostram pistas,
evidências, vestígios dos conceitos, dos fatos, dos procedimentos e das atitudes
desenvolvidas durante um tempo mediado pelo docente.
No decorrer de um ciclo de modelagem, é essencial que o professor desenvolva

técnicas de pedagogia argumentativa, é a chamada gestão do discurso de modelagem
(modeling discourse management).
3.3.3 O discurso de modelagem
Como bem observou em sua tese de doutoramento aquele que é considerado

por Hestenes o primeiro professor modelador com excelência, Malcolm Wells, para
que um ciclo de modelagem seja eficaz no sentido de agir efetivamente sobre modelos
mentais inconsistentes (misconceptions) que os estudantes eventualmente
apresentam ao tornarem públicos seus pensamentos, são necessárias algumas
técnicas específicas de gestão argumentativa.
Sobre o discurso de modelagem, Heidemann (2015) comenta que:

97
O elemento mais crítico na implementação bem-sucedida dos ciclos de

modelagem é a habilidade do professor em sala de aula. Ele deve ter clareza
dos seus objetivos e sempre manter um ambiente de abertura com seus
alunos. Os estudantes devem ser envolvidos repetidamente nas discussões
sobre modelagem para que naturalmente substituam termos vagos da
linguagem cotidiana por termos científicos e esse processo pode durar
semanas (HEIDEMANN, 2015, p. 43).
Uma boa atuação docente por meio do discurso de modelagem pode evitar
limitações observadas por alguns pesquisadores. Por exemplo, como destaca
Heidemann (2015), existem alunos que “não compram” as atividades propostas pelo
menos por três motivos: alguns estudantes acostumados ao método meramente
expositivo preferem atividades de memorização e podem se sentir frustrados diante
de tarefas investigativas; outros discentes, por motivos geralmente particulares, não
se sentem à vontade para exposição durante as sessões de discussão e existem ainda
aqueles que preferem primeiramente estudar a “parte teórica” e depois se envolver
em tarefas experimentais e investigativas. Como veremos ao abordarmos sobre a
pesquisa de campo, em minhas experiências com professores de física em formação
encontrei desafios semelhantes a esses, contudo, também obtive que a maioria dos
professores que participaram das atividades no “modo aluno” aprovaram o trabalho
pedagógico com ciclos de modelagem, mesmo diante das contingências educacionais
próprias do contexto brasileiro.
Desbien (2002) investigou uma gestão de sala de aula elaborada para

aprimorar o discurso dos estudantes em ciclos de modelagem. Trata-se de uma
dinâmica não-diretiva centrada no estudante que focaliza a epistemologia da ciência,
ou seja, os fundamentos do conhecimento científico. Tal gestão foi desenvolvida para
estimular os estudantes a apresentar suas pesquisas aos outros grupos. A gestão
proposta por Desbien foi comparada ao método meramente expositivo e verificou-se
que promoveu bom nível de aprendizagem e que sua efetividade pode ser
amplamente disseminada. A relevância da proposta de Desbien, a meu ver, consiste
em colocar em relevo o processo de argumentação científica entre grupos de
estudantes, possibilitando que seja aplicado no contexto da educação brasileira, uma
vez que é uma dinâmica de grupo que independe de recursos tecnológicos
sofisticados.
98
Somente desenvolver e implementar modelos matemáticos sem que o

professor promova situações argumentativas em que os estudantes possam discutir
sobre conhecimentos factuais, procedimentais, epistemológicos resultou em ganho de
aprendizagem no FCI considerado baixo. Por outro lado, Desbien também revelou que
a presença de processos argumentativos sem que ocorra elaboração e
implementação de modelos matemáticos pelos próprios estudantes também resultou
em ganho de aprendizagem conceitual igualmente baixo no FCI. Em vista disso, o
autor chegou à conclusão de que é imprescindível que o professor possua alguns
conhecimentos específicos para gerir situações argumentativas em ciclos de
modelagem. Ao consultar a literatura, é possível identificar dois tipos principais de
gestão de discurso, que doravante chamarei de gestão diretiva e de gestão não-
diretiva.
Gestão diretiva
A gestão diretiva tem origem no modo como o filósofo Sócrates realizava sua
dialética no período clássico da Grécia Antiga (469 aC), por isso, também é chamada
de “discurso socrático”. Nesse tipo de discurso, o professor induz diretamente
situações argumentativas ao questionar ele mesmo pequenos grupos colaborativos
ou mesmo a classe toda com perguntas que podem ser consideradas óbvias, mas que
levam os estudantes a um alto nível de reflexão. Nesse caso, o discurso principal
geralmente é do tipo professor ↔ estudantes. Como ilustro na figura que segue.
Figura 21 - Gestão diretiva: professor ↔ estudantes.
Fonte: Desbien (2002)

99
A Figura 21 mostra que, na gestão diretiva, o professor assume a função de

conduzir argumentações por meio de questionamentos direcionados aos grupos
colaborativos. É chamada de diretiva porque o professor toma parte como ator
principal do discurso ao direcionar ele mesmo questionamentos aos grupos, que
raramente interagem entre si. As setas contínuas de duas pontas indicam o
compartilhamento de informações em duas direções e a seta pontilhada de duas
pontas indica interação não muito frequente entre grupos colaborativos. Embora seja
a mais comum em ciclos de modelagem, na gestão diretiva a interação intergrupos
precisa ser continuamente estimulada. Nesse sentido, ressalto que as ações
fomentadoras de argumentação propostas por Leitão (2011) podem ser úteis para
gerar estímulos argumentativos entre os grupos colaborativos.
A figura que segue ilustra uma visão geral da organização da classe na gestão
diretiva durante uma sessão de discussão.
Figura 22 – Organização da classe na gestão diretiva.
A Figura 22 ilustra a organização da classe sugerida para a realização da

gestão diretiva durante uma sessão de discussão. Note que o professor ocupa um
lugar fixo na circunferência juntamente com os demais estudantes. Cada grupo
colaborativo dispõe seu whiteboard de modo a ficar visível para os demais da classe.
As setas de uma ponta indicam que a função do professor é lançar diretamente
questionamentos que resultem em argumentação científica.
100
Gestão não-diretiva
Diferentemente da gestão diretiva, na gestão do tipo não-diretiva o professor

“orbita” o processo discursivo que focaliza as interações estudantes ↔ estudantes.
Nesse tipo de discurso, as perguntas partem dos grupos em direção a outros grupos
ou em direção a toda a classe, ou seja, os próprios grupos ficam responsáveis por
induzir argumentações científicas por meio de questionamentos ou de dúvidas. É
chamada de não-diretiva porque o professor não conduz diretamente o processo
argumentativo. Mas isso não quer dizer que ele é passivo. Ao contrário, ele é ativo no
sentido de “semear” ideias em determinados grupos. Ideias que serão transformadas
em questionamentos geradores de argumentação produtora. Além disso, o professor
usa seu conhecimento disciplinar para oferecer atividades, ferramentas de
representação, terminologias científicas. A figura seguinte ilustra a gestão não-
diretiva.
Figura 23 - Gestão não-diretiva: estudantes ↔ estudantes.
Fonte: Desbien (2002).
A Figura 23 ilustra que na gestão não-diretiva o professor desloca-se da

posição de ator principal do discurso para a posição de ator coadjuvante ao interagir
indiretamente com a comunidade de aprendizagem. Isso faz com que o discurso fique
focalizado nos próprios grupos colaborativos, que aumentam o nível interacional e
formam uma comunidade que se fortalece com o tempo.
A organização comum da classe para a gestão não-diretiva durante uma

sessão de discussão é mostrada na figura a seguir.
101
Figura 24 – Organização da classe na gestão não-diretiva.
Na Figura 24, esquematizo a organização comum da classe para a realização

da gestão não-diretiva, em que, como na gestão diretiva, a classe também é
organizada em formato semelhante ao de circunferência, porém, o professor não
ocupa lugar fixo nela. Ele movimenta-se discretamente entre as equipes com o intuito
de semear ideias em certos grupos colaborativos que as lançarão no grupo maior. As
setas mostram que o produto da semeadura é fazer com que ocorra maior interação
entre os grupos e menor dependência do professor no desenvolvimento dos
movimentos argumentativos.
A gestão diretiva e a gestão não-diretiva constituem-se extremos do discurso

de modelagem. Naquela, o professor assume totalmente a orientação do movimento
discursivo entre os grupos. Nesta, os estudantes ficam responsáveis por gerar suas
próprias discussões. A passagem da gestão diretiva para a gestão não-diretiva ocorre
naturalmente conforme aumenta a sofisticação argumentativa dos grupos. A primeira
geralmente é utilizada nas atividades iniciais, em que os estudantes ainda não têm
habilidades necessárias para gerar processos argumentativos por conta própria. A
segunda é realizada quando os estudantes já estão iniciados e possuem certa
sofisticação argumentativa. Com base em minhas práticas de sala de aula, tenho
observado que a passagem da gestão diretiva para a gestão não-diretiva ocorre com
certa naturalidade pela necessidade de tornar os estudantes proficientes no
estabelecimento e manutenção de situações argumentativas.
102
Para que o discurso de modelagem seja realizado com certa efetividade,

Desbien (2002) esclarece que são necessários alguns “ingredientes essenciais”.
Comentarei sobre alguns desses elementos a seguir.
Formação da comunidade de aprendizagem
Desbien (2002) sugere que uma das primeiras ações para efetivar com sucesso
o discurso de modelagem é gerar uma comunidade de aprendizagem, ou seja, motivar
a classe de tal maneira que favoreça aprendizagem compartilhada entre os grupos
colaborativos. Isso é importante para manter um clima de respeito e fortalecer
discussões no decorrer do ciclo de modelagem. Nesse sentido, atividades
preliminares são propostas para encorajar os estudantes a interagir de uma maneira
não competitiva e promover uma atmosfera sem a “pressão” de ter que aprender
física, ao mesmo tempo, favorecer que o maior número de estudantes se envolva em
discursos e prepará-los para contribuir com os outros membros da comunidade de
aprendizagem. Desse modo, a cooperação e a interação estudantes ↔ estudantes
deve ser continuamente reforçada. Isso evita o “desconforto” que alguns alunos
sentem quando inseridos em atividades em que precisam avaliar criticamente a
produção de outros alunos, como atestado por Heidemann, Araújo e Veit (2012).
Um exemplo de atividade com a finalidade de favorecer a formação de uma

comunidade de aprendizagem é apresentado por Desbien (2002), intitulada “Avião de
papel”. Organiza-se a classe em grupos colaborativos de estudantes (o autor sugere
até cinco componentes por grupo) e solicita-se que eles criem orientações sobre como
construir um avião de papel10. Deixa-se que discutam entre si. Eventuais dúvidas são
respondidas repetindo-se o comando da tarefa: que os grupos criem orientações
sobre como construir um avião de papel. Importante que os grupos decidam por eles
mesmos sobre significados e ações necessárias para elaborar os procedimentos.
10Tenho utilizado uma variante dessa atividade que se adequa perfeitamente ao contexto educacional
amazônico brasileiro ao solicitar que os estudantes criem orientações sobre como construir um
barquinho de papel.
103
Concluída a atividade, o professor recolhe as produções de todos os grupos e

depois as redistribui pela classe. Cada grupo deve tentar seguir exatamente as
orientações dos outros grupos, interpretando-as da melhor maneira possível.
Enquanto isso, o professor caminha entre os grupos para observar e para chamar a
atenção sobre palavras que possam causar dúvidas, por exemplo, “dobre o papel
longitudinalmente...”. O professor pode perguntar: que borda do papel é o
comprimento? Que borda é a largura? Os estudantes geralmente respondem que o
lado maior é o comprimento e o menor é a largura. O professor pergunta: por quê? Os
estudantes devem perceber que os termos podem ser interpretados de diferentes
maneiras. Em função disso, os aviões de papel não serão necessariamente parecidos
com os intencionados pela equipe que elaborou a orientação. Finalmente, o professor
organiza a classe para discussão das atividades.
Desbien (2002) ressalta que as discussões iniciais são importantes porque

estabelecem padrões para discussões futuras. Ocasionalmente, o professor lança
algum questionamento, mas deve evitar ocupar lugar central nas discussões. Dessa
maneira, ele é visto como coparticipante das discussões em vez de autoridade em
sala de aula. No caso da construção do avião de papel, o professor pode solicitar que
os grupos registrem nos whiteboards e compartilhem as dificuldades envolvidas: quais
termos foram ambíguos? Quais hipóteses eles precisaram elaborar? O que eles
aprenderam? Qual a importância da atividade para o envolvimento da classe nas
discussões? Os estudantes devem compreender que os termos precisam ficar bem
definidos e acordados pela classe. Assim, eles resolvem conflitos e chegam a um
acordo geral. Sempre que isso acontece, o professor revisa o que foi estabelecido
pela comunidade de aprendizagem e enfatiza que compartilhar definições é positivo
para fortalecer as discussões intergrupos.
O professor deve estabelecer as bases para a construção de uma comunidade

de aprendizagem que será fortalecida ao longo do tempo. Esse fortalecimento ocorre
quando os estudantes compreendem que analisar criticamente e com fundamento
científico a produção dos outros estudantes é uma atitude positiva e salutar para
aprendizagem em comunidade.
104
Modelos matemáticos na ciência
Outro ingrediente necessário para uma boa efetivação do discurso de

modelagem, segundo Desbien (2002), é deixar claro aos estudantes desde os
primeiros dias de aula a necessidade de desenvolver modelos matemáticos para
compreender e para agir sobre os problemas enfrentados. Os estudantes devem
perceber a importância dos modelos como constituintes de teorias e de leis físicas.
Nesse prisma, algumas perguntas cruciais podem contribuir para a percepção dos
estudantes: o que é a realidade? O que é a física? O que é o modelo matemático? O
objetivo ao propor essas questões não é respondê-las, mas motivar reflexões sobre a
necessidade de modelos matemáticos na ciência.
A primeira pergunta, por ser subjetiva, envolve perceber o mundo ao redor.

Cada estudante compreende o mundo a sua volta a partir de seu mundo interior, a
partir de seus modelos mentais prévios. Isso deve ficar claro aos estudantes, pois os
diferentes pontos de vista são importantes para catalisar discussões na comunidade
de aprendizagem. A segunda pergunta contribui para que o estudante faça um recorte
de sua realidade e focalize processos físicos e tecnológicos no ambiente em que vive.
Importante deixar claro aos estudantes que a evolução da física inclui entendê-la tanto
como incompleta quanto em estado de constante mudança. Desse modo, a
parcialidade de um modelo matemático é uma característica importante que deve ficar
entendida pelos aprendizes modeladores, isso porque qualquer modelo representa
apenas parte do que se considera realidade. Nessa visão, a física não é um saber
completo e imutável, mas está em constante mudança e evolução conforme se
constroem modelos matemáticos cada vez mais potentes para explicar o mundo. Ou
seja, devido à parcialidade dos modelos não existe verdade definitiva em física,
apenas verdades transitórias. Assim, a ideia de modelo como algo em processo deve
ser constantemente reforçada aos estudantes, especialmente durante as discussões
em grupo. Os discentes precisam compreender que as respostas aos problemas
dependem do modelo matemático utilizado, não há resposta certa ou errada,
sobretudo, modelos mais adequados que outros.
105
O compartilhar significados
Desbien (2002) sublinha que esse ingrediente do discurso de modelagem é

importante para enfatizar os significados que os estudantes atribuem às palavras
enquanto falam. A comunidade de aprendizagem deve entrar em acordo sobre termos
usados para compreender definições e conceitos científicos. Em consequência, os
modeladores entendem a importância de compartilhar significados. Atividades como
a do avião de papel são importantes para chamar a atenção dos estudantes sobre o
coletivizar significados. Ao lado das definições, os estudantes precisam entrar em
acordo sobre os significados atribuídos à estrutura epistêmica dos modelos
matemáticos produzidos pela comunidade de aprendizagem. Os significados
acordados para termos, conceitos, definições podem ser usados livremente nas
discussões. Contudo, termos que ainda não foram acordados, primeiramente, devem
ser compartilhados na comunidade de aprendizagem para depois fazerem parte das
discussões. Isso evita dúvidas, consequentemente, a formação de modelos mentais
incoerentes.
Outro importante aspecto no coletivizar significados é entender o papel das

ferramentas de representação. Os whiteboards são ferramentas essenciais que
auxiliam nas discussões, contudo, outras ferramentas são necessárias, como os
softwares computacionais e os aplicativos instalados em smartphones. A teoria da
modelagem propõe o uso de uma variedade de ferramentas representacionais, mas
que devem ser discutidas pelos grupos colaborativos sobre suas utilidades e escopos
a fim de que se tornem produtivas no ciclo de modelagem (DESBIEN, 2002).
O discurso de modelagem difere de outras técnicas argumentativas ao envolver

os modeladores na seleção de ferramentas de representação e assegurar suas
utilidades. A falta intencional de conclusão no discurso é frequentemente utilizada
para impulsionar a utilização de novas ferramentas representacionais. As ferramentas
são semeadas em pequenos grupos colaborativos que as compartilham nas
discussões em classe. Após a introdução das novas ferramentas pelos estudantes,
geralmente, os pares avaliam e questionam sobre elas. Diferentemente, quando as
ferramentas são introduzidas pelo professor os estudantes as aceitam sem
questionamentos significativos.
106
A semeadura (seeding)
Desbien (2002) explica que a semeadura é uma técnica fundamental para

introduzir novas ideias e novas ferramentas de representação no decorrer do discurso
de modelagem. O professor semeia em um pequeno grupo colaborativo uma questão
ou uma “dica”. A semeadura pode ser feita em um grupo “inerte” para motivar sua
participação no processo discursivo, ou em um grupo “ativo” para motivar discussões
sobre um tópico de interesse pedagógico. O professor não precisa apresentar a ideia
para a classe toda, pois isso é feito pelos pequenos grupos colaborativos. Contudo, o
grupo em que a ideia foi semeada deve ter um momento para discutir sobre os
detalhes e então levá-la até seus pares. Desse modo, são os pares que aprofundam
as discussões e não o professor enquanto figura de autoridade.
O quê e quando semear depende do objetivo pedagógico do professor. No

início de cada ciclo de modelagem, ele deve ter uma agenda bem definida com os
objetivos que pretende alcançar. Enquanto os grupos colaborativos estão discutindo,
o professor escuta seus comentários e/ou observa registros feitos por eles a partir dos
quais formula uma questão. Depois de lançada a pergunta, o professor não deve
necessariamente respondê-la, os próprios grupos devem contemplar suas respostas.
Uma semeadura bem planejada deve ser direta e induzir a investigações produtivas.
Além disso, deve ser feita de tal maneira que os grupos colaborativos tenham tempo
de pensar nos pormenores da ideia semeada.
A semeadura também estimula ampla participação da classe. Se um grupo é

contido, o professor pode semear uma ideia simples nesse grupo, mas que seja
importante e fácil de ser inserida na discussão. Por outro lado, se um grupo tende a
dominar as discussões, o professor pode optar por não semear ideias nesse grupo
para que outras equipes tenham oportunidade de discutir. Frequentemente, pode
acontecer de os estudantes discutirem sobre ideias tangentes que não foram
semeadas pelo professor. Nesse caso, se a discussão tangente não puder ser
explorada produtivamente, o professor deve ser flexível e esperar o momento ideal
para realizar outra semeadura.
Finalizo este capítulo ao reforçar que a teoria da modelagem de David

Hestenes configura-se como uma possibilidade de nuvem teórica a práticas de
107
modelagem matemática no ensino de física. Como vimos, sua essência é sustentar

sobre a importância do uso de múltiplas ferramentas de representação como promotor
do processo de reformulação de modelos mentais inconsistentes. Nessa perspectiva,
o ciclo de modelagem tem sido considerado promissor por pesquisadores
norteamericanos e, assim suponho, pode orientar práticas de modelagem matemática
no contexto do ensino brasileiro de física.
A seguir, descreverei a metodologia da pesquisa de campo e o

desenvolvimento de três ciclos de modelagem realizados com professores de física
em formação.
108
4 Em campo com professores
“É no problema da educação que assenta o grande segredo do

aperfeiçoamento da humanidade.” (Immanuel Kant).
No presente capítulo, minha intenção é discutir sobre a metodologia da

pesquisa de campo. Para isso, discutirei sobre procedimentos da metodologia mista
que envolve tanto métodos qualitativos quanto métodos quantitativos. Em seguida,
apresentarei o contexto geográfico da pesquisa, realizada em um município do interior
paraense, norte brasileiro. Apresentarei ainda os sujeitos participantes e discutirei
sobre as atividades desenvolvidas e sobre os instrumentos para produção e para
interpretação de dados. Finalizarei o capítulo ao descrever detalhadamente três ciclos
de modelagem realizados com professores de física em formação.
4.1 Características da pesquisa de campo
A pesquisa de campo foi orientada por procedimentos da metodologia mista,

em que houve enfoque tanto em técnicas qualitativas quanto em técnicas
quantitativas. Creswell e Clark (2013) pontuam algumas características importantes
de métodos mistos, dentre os quais destaco: o pesquisador coleta e analisa
rigorosamente, com base na questão de pesquisa, tanto os dados qualitativos quanto
os dados quantitativos; ele mistura (integra ou vincula) as duas formas de dados
concomitantemente, fazendo um construir o outro ou incorporando um no outro,
contudo, pode priorizar uma ou outra forma de dados.
Nessa linha, desenvolvi um projeto paralelo convergente em que são

implementados simultaneamente os dois tipos de técnicas (qualitativas e
quantitativas) no decorrer da mesma fase do processo de pesquisa. A figura que
segue esquematiza esse tipo de projeto:
109
Figura 25 – Projeto paralelo convergente.
Fonte: Creswell e Clark (2013, p. 73).
A Figura 25 realça que o projeto paralelo convergente é relevante porque

prioriza igualmente tanto elementos qualitativos quanto elementos quantitativos. Num
primeiro momento, mantém-se os elementos independentes; em um segundo
momento, os elementos são misturados para promover uma interpretação geral do
fenômeno investigado. Ou seja, trata-se de um movimento reflexivo contínuo em que
as interpretações referentes a uma espécie de dado complementam as interpretações
referentes a outra espécie de dado, enfatizando-se, portanto, a complementaridade
entre procedimentos objetivos e subjetivos.
Nesse movimento, os dados foram produzidos in natura, isto é, no próprio

ambiente em que os participantes vivenciaram os ciclos de modelagem. No caso da
presente pesquisa, a produção de dados ocorreu em situação normal de escola
pública brasileira amazônica. O registro de dados foi realizado por meio de múltiplas
formas de informações, como documentações, observações, entrevistas. Além disso,
captei significados expressos por meio da linguagem verbal e da linguagem não verbal
dos participantes da pesquisa.
Os sujeitos participantes foram treze (n=13) professores de física em formação.

Importante ressaltar que, embora eles já fossem professores atuantes no ensino
fundamental menor do município de Almeirim-PA, ainda não possuíam a licenciatura
em física. Nesse cenário, à época da pesquisa, estavam cursando uma disciplina de
estágio I sob minha orientação como componente curricular de uma licenciatura
integrada em matemática-física de uma universidade pública federal pelo Plano
Nacional de Formação de Professores da Educação Básica (PARFOR). A distribuição
por gênero dos participantes consistiu de 69,3% que se declararam do gênero
masculino e 30,7% que se declararam do gênero feminino. As idades variaram entre
110
25 a 47 anos, com média de 32,3 anos e desvio padrão de 6,4 anos. As idades revelam
que os sujeitos da pesquisa estavam em fase jovem-adulta, portanto, econômica e
profissionalmente produtivos. O tempo de docência dos sujeitos da pesquisa variou
entre 03 a 21 anos, com média de 8,8 anos e desvio padrão de 5,0 anos. Essas
informações revelam que os participantes da pesquisa, na maioria homens, possuíam
experiência pessoal e experiência em sala de aula. Destaco que esse perfil docente
foi importante para fundamentar percepções, falas e raciocínios a respeito das
atividades desenvolvidas.
Conquanto os sujeitos da pesquisa já fossem professores do ensino

fundamental menor, eles participaram dos ciclos de modelagem no “modo aluno”, na
condição de futuro professor de física. Considero que realizar pesquisas em que os
professores em formação ocupem o lugar de seus futuros alunos é importante para
motivá-los a entrar em contato com propostas pedagógicas alternativas ao método
bancário (FREIRE, 2005); uma vez que, conforme nos ensina Tardif (2014), os
professores em formação tendem a repetir em suas salas de aula práticas
pedagógicas vivenciadas em cursos de formação inicial e continuada.
A figura que segue ilustra o lócus geográfico da pesquisa de campo.
Figura 26 – Vista superior da cidade de Almeirim-PA.
Fonte: Agência Pará (2015).
Na Figura 26, observa-se que, na dimensão geográfica, o estudo foi delimitado

na região do município de Almeirim, oeste do estado do Pará, norte do Brasil. Almeirim
é um município brasileiro, pertencente à mesorregião do Baixo Amazonas. Localiza-
se a uma latitude 01º31'24" sul e a uma longitude 52º34'54" oeste. Escolhi esse lócus
111
porque o considero um bom representante do contexto educacional brasileiro,

especialmente amazônico. Minha proposta é que, quando devidamente planejado, o
ciclo de modelagem pode ser aplicado em diferentes contextos socioeconômicos, seja
em locais de baixa renda e/ou longe de centros urbanos.
Uma visão frontal da escola onde as práticas foram realizadas é mostrada na

próxima figura.
Figura 27 - Escola pública em Almeirim-PA: ambiente educacional da pesquisa de

campo.
Conforme a Figura 27 transparece, o ambiente educacional no qual as

atividades foram aplicadas foi típico de escola pública brasileira. A infraestrutura
disponível constou de sala de aula com carteiras de madeira, quadro branco,
retroprojetor e marcador para quadro branco. Assim, os dados foram produzidos
efetivamente em situação normal de escola pública brasileira, ou seja, sem recorrer a
equipamentos sofisticados ou a experimentos de laboratório de elevado custo
financeiro. Ressalto ainda que a quantidade de sujeitos participantes da pesquisa
certamente contribuiu para maior controle na coleta e na interpretação de dados
produzidos.
O planejamento das atividades limitou-se a ações referentes ao estágio de

elaboração do modelo do ciclo de modelagem, conforme descrito no próximo quadro.
Ou seja, não foi realizado o estágio de implementação do modelo. Decerto que isso
permitiu a diminuição da quantidade de possíveis variáveis intervenientes e aumentou
o foco na interpretação dos dados produzidos. Todavia, na continuidade de minhas
112
investigações, pretendo analisar ciclos de modelagem completos com vistas à

compreensão mais avançada sobre possibilidades e desafios para alfabetização
científica.
Quadro 9 – Síntese das ações desenvolvidas no estágio de elaboração do modelo.
Etapa Ações Ciclo sobre poluição Ciclo sobre lixo de Ciclo sobre
sonora papel obesidade
Usou-se slides Apresentou-se um Apresentou-se um
contendo a descrição vídeo sobre a vídeo sobre causas
de uma situação- fabricação de papel. da obesidade. Após
problema sobre Após discussões discussões inicias,
poluição sonora iniciais, propôs-se as propôs-se as
projetados no quadro seguintes questões: seguintes questões:
Motivação ao branco. Após será que é produzido será que ocorre
problema discussões iniciais, muito lixo de papel na obesidade na sala de
propôs-se as seguintes sala de aula? Como aula? Como melhorar
questões: será que melhorar essa essa situação?
ocorre poluição sonora situação?
na escola? Como
Descrição do Problema
melhorar essa
situação?
Identificou-se as Identificou-se as Identificou-se as
estruturas estruturas estruturas
fundamentais do fundamentais do fundamentais do
modelo matemático em modelo matemático modelo matemático
Caracterização desenvolvimento. Para em desenvolvimento. em desenvolvimento.
do modelo isso, explicitou-se Para isso, explicitou- Para isso, explicitou-
matemático relações entre as se relações entre as se relações entre as
variáveis: intensidade variáveis: disciplina, variáveis: massa,
sonora, nível sonoro, quantidade de aulas, peso,
local e tempo. massa e área da folha hereditariedade,
de papel. sedentarismo.
Aprofundou-se Aprofundou-se Aprofundou-se
discussões sobre os discussões sobre discussões sobre a
conceitos de nível transformação da diferença entre os
Detalhamento
sonoro, intensidade unidade quilograma conceitos de massa e
conceitual
sonora, unidades de para grama e da de peso.
medida dB e Watt/m². unidade centímetro
para metro. (continua...).
113
Discutiu-se sobre Discutiu-se sobre Discutiu-se sobre
procedimentos procedimentos e procedimentos e
necessários para equipamentos equipamentos
produzir dados sobre o necessários para necessários para
nível sonoro na escola. coletar dados sobre o coletar dados sobre a
Para a coleta de dados lixo de papel relação entre o índice
no interior e no exterior produzido na disciplina de massa corporal,
Planejamento do ambiente escolar foi de física. Foi presença de obesidade
de ações utilizado um aplicativo necessário fazer na família e
de celular, o Sound estimativas sobre o sedentarismo. Foi
Meter. total de folhas de necessário fazer
papel utilizadas como diversas pesquisas na
“borrão” e fazer internet para sanar
pesquisa sobre a dúvidas conceituais.
massa de uma única
folha de papel A4.
Utilizou-se Estimou-se a Coletou-se informações
decibelímetros quantidade de lixo de sobre altura e massa
Laboratório de Investigação
instalados nos papel produzido na corporal por meio de

smartphones para sala de aula. Por meio entrevistas entre os
coletar dados nos da gramatura do papel sujeitos da pesquisa.
diversos ambientes da A4, calculou-se a Foram feitas
escola e nas ruas massa de uma folha estimativas sobre a
adjacentes. Cada de papel. A massa altura e a massa de
grupo colaborativo também foi obtida alguns professores. Por
Produção de
percorreu diferentes utilizando-se uma meio dessas
dados
ambientes escolares balança de padaria e informações, calculou-
(salas de aula, por meio de pesquisa se o IMC de cada
diretoria, secretaria, na internet. Calculou- professor. O IMC foi
banheiros, quadra e se o total de lixo de relacionado aos casos
esporte) visando a papel em quilograma. de sedentarismo e de
fazer o mapeamento obesidade hereditária
acústico da escola. identificados nas
entrevistas.
Registrou-se os Registrou-se os Registrou-se os

modelos matemáticos modelos matemáticos modelos matemáticos
nos whiteboards nos whiteboards nos whiteboards
utilizando múltiplas utilizando múltiplas utilizando múltiplas
ferramentas de ferramentas de ferramentas de
Registro de
representação. As representação. As representação. As
modelos
ferramentas mais ferramentas mais ferramentas mais
matemáticos
utilizadas foram: utilizadas foram: utilizadas foram:
diagramas, tabelas e diagramas, tabelas tabelas, gráficos e
gráficos. gráficos e equações. equações.
(continua...).
114
Discutiu-se sobre Discutiu-se sobre Discutiu-se sobre
procedimentos e procedimentos e procedimentos e
raciocínios referentes raciocínios referentes raciocínios referentes
aos modelos aos modelos aos modelos
Defesa dos
matemáticos matemáticos matemáticos
modelos
elaborados para elaborados para elaborados para
matemáticos.
compreender a compreender a compreender a
poluição sonora na produção de lixo de obesidade entre os
escola. papel na sala de aula. professores
Propôs-se a inversão Propôs-se a Propôs-se mudança

das salas de aula para substituição de no hábito alimentar
onde ficava a quadra material impresso por dos professores,
de esporte,material digital, diminuição da carga
Sessão de Discussão
isolamento acústico e digitalização de livros de trabalho na escola,

Proposta de climatização das salas impressos, uso de realização de
soluções de aula, construção de aplicativos de exercícios físicos
lombadas nas ruas celulares para leitura rotineiramente,
próximo à escola, de e-books, utilização controle do IMC.
fiscalização por meio de whiteboards nas
de radar sonoro e tarefas de sala de
aplicação de multas. aula.
Propôs-se aPropôs-se a Propôs-se a
elaboração de um elaboração de um elaboração de um
relatório sobre a relatório sobre a relatório sobre a
investigação investigação investigação
descrevendo os descrevendo os descrevendo os
problema pesquisado, problema pesquisado, problema pesquisado,
procedimentos procedimentos procedimentos
Produção
realizados, conceitos realizados, conceitos realizados, conceitos
escrita
envolvidos, resultados envolvidos, envolvidos, resultados
alcançados e resultados alcançados e proposta
proposta de soluções alcançados e de soluções para o
para o problema da proposta de soluções problema da
poluição sonora na para o problema do obesidade entre os
escola. lixo de papel na professores.
escola.
Fonte: Elaboração nossa (2018)
Conforme o Quadro 9, organizei as ações referentes ao estágio de elaboração

do modelo em três etapas: descrição do problema; laboratório de investigação e
sessão de discussão. Por sua vez, cada etapa foi subdivida em três subetapas. O
momento de descrição do problema foi organizado em motivação ao problema,
caracterização do modelo matemático e detalhamento conceitual. O momento de
laboratório de investigação foi organizado em planejamento de ações, produção de
dados e registro de modelos matemáticos. O momento de sessão de discussão foi
organizado em defesa de modelos matemáticos, proposta de soluções e produção
escrita. Ressalto que essas etapas e subetapas não são rígidas, evidentemente,
podem variar de acordo com a natureza do cenário educacional em foco; contudo,
115
possibilitam um planejamento prévio que pode evitar “momentos de desconforto” em

sala de aula.
Enquanto instrumentos de coleta de dados, utilizei observação participante,

diário de campo, questionários fechados e questionários abertos (Apêndice I).
Malheiros (2011) comenta que, na observação participante, o professor coleta dados
na própria sala de aula em que é regente. Como não houve roteiro prévio para as
observações, pois procurei estar atento a quaisquer fatos que chamassem a atenção
em função de meu objetivo geral, a observação realizada aproximou-se da não
sistemática. O diário de campo consistiu de anotações durante e/ou após as
observações. Na visão de Severino (2007), os questionários são um conjunto de
questões articuladas de maneira sistemática cujo objetivo é levantar informações
escritas por parte dos sujeitos da pesquisa. No caso de questionários com questões
fechadas, as respostas são escolhidas dentre opções predeterminadas pelo
pesquisador. No caso de questionários com perguntas abertas, o sujeito pode elaborar
as respostas com suas próprias palavras. Os múltiplos instrumentos de registro de
dados contribuíram para uma interpretação mais autêntica do fato educacional
estudado.
Desse modo, ao final do terceiro ciclo de modelagem, solicitei que os

professores respondessem a um questionário com seis questões abertas, sendo três
sobre pontos considerados positivos e três sobre pontos considerados negativos.
Sobre o uso de questionários, Malheiros (2011) comenta que eles são a forma mais
comum de coletar dados em uma pesquisa em educação, pois apresentam benefícios
como a eficiência do tempo, o anonimato do respondente, possibilidades de alto
retorno e padronização das perguntas. Sublinho que antes de os sujeitos da pesquisa
responderem aos questionários, as perguntas foram lidas e discutidas coletivamente
para esclarecer quaisquer dúvidas. Após as respostas, houve sessão de discussão
sobre o que haviam escrito. Todos os treze professores em formação responderam a
todas as perguntas dos questionários.
Assim, o corpus de análise constando de textos escritos, de imagens, de

vídeos, de transcrições e de minhas próprias anotações foi interpretado por meio de
análise textual discursiva envolvendo unitarização, categorização e metatexto. Num
116
primeiro instante, da unitarização, realizei leitura cuidadosa do corpus de pesquisa

para identificar unidades de significado em cada unidade de contexto. “Unitarizar um
texto é desmembrá-lo, transformando-o em unidades elementares, correspondendo a
elementos discriminantes de sentidos, significados importantes para a finalidade da
pesquisa, denominadas de unidades de significado” (MORAES e GALIAZZI, 2016, p.
71). As unidades de significado geraram subcategorias que foram codificadas por
meio de sistema alfanumérico. Por exemplo, no código S7.3, S7 refere-se sujeito de
número 7 no corpus de análise e 3 refere-se à 3ª subcategoria identificada. Num
segundo instante, da categorização, tentei perceber convergências/divergências de
significados entre as subcategorias, reagrupando-as em categorias emergentes.
Categorizar “corresponde a simplificações, reduções e sínteses de informações da
pesquisa, concretizadas por comparação e diferenciação de elementos unitários,
resultando em formação de conjuntos de elementos que possuem algo em comum”
(MORAES e GALIAZZI, 2016, p. 97). Por fim, elaborei um metatexto com interlocuções
empíricas e teóricas resultante de descrições e de interpretações das categorias
emergentes para potencialidades e para desafios do ciclo de modelagem. O metatexto
representa “[...] sínteses elaboradas pelo pesquisador no sentido de expressar as
novas compreensões atingidas em relação ao seu objetivo de pesquisa” (MORAES e
GALIAZZI, 2016, p. 111).
Ressalto ainda que as falas dos sujeitos foram transcritas conforme regras de
transcrição de Carvalho (2006). A transcrição é um instrumento essencial na
metodologia qualitativa, isso porque “detalhes de linguagem ou mesmo a coerência
entre a linguagem oral e a linguagem gestual podem passar desapercebidos numa
análise direta do áudio ou do vídeo, ficando mais claras nas transcrições”
(CARVALHO, 2006, p. 35). Assim, as transcrições seguiram fielmente ao
correspondente vocabulário das falas, ou seja, não houve a substituição de termos
originais por sinônimos. Contudo, recorrendo a posições éticas, houve a necessidade
de fazer pequenas correções gramaticais.
Para não perder informações sobre entonação, pausa, humor, grau de certeza
nas afirmações, usei algumas regras de transcrição já acordadas na literatura, foram
elas (CARVALHO, 2006, p. 36):
117
1. Para marcar qualquer tipo de pausa deve-se empregar reticências no lugar

dos sinais típicos da língua escrita, como ponto final, vírgula, ponto de
exclamação, dois pontos e ponto-e-vírgula. O único sinal de pontuação a ser
mantido é o ponto de exclamação;
2. ( ) para hipótese do que se ouviu;
3. (( )) para inserção de comentários do pesquisador;
4. :: para indicar prolongamento de vogal ou de consoante. Por exemplo: “éh::”;
5. / para indicar o truncamento de palavras. Por exemplo: “o pro/... o
procedimento”;
6. - para silabação. Por exemplo: “di-la-ta-ção”;
7. -- para quebra na sequência temática com inserção de comentários. Por
exemplo: “as partículas do arame ¾ -- que é um sólido-- se afastam”;
8. Letras maiúsculas para entonação enfática;
9. Para turnos superpostos (falas sobrepostas) utilizamos deslocamento
________ e colchetes [ ] no caso de falas simultâneas;
10. Para representar a simultaneidade das diversas linguagens, por exemplo, oral
e gestual, deve-se alterar a formação da fonte utilizando letras em negrito,
itálico ou sublinhado.
A seguir, visando a contextualizar a análise de dados, farei descrição detalhada

dos três ciclos de modelagem desenvolvidos com os sujeitos da pesquisa.
4.2 Atividades desenvolvidas
Como já comentei acima, a primeira atividade foi sobre o problema da poluição

sonora na escola, a segunda sobre o problema do lixo de papel na sala de aula e a
terceira sobre o problema da obesidade entre os professores em formação. Uma vez
que os participantes ainda não haviam vivenciado ciclos de modelagem, o tema do
primeiro ciclo de modelagem foi escolhido somente por mim enquanto professor-
pesquisador após observar o contexto sociocultural dos sujeitos da pesquisa. O tema
do segundo ciclo de modelagem foi escolhido em conjunto com os participantes, pois
eles já haviam participado do primeiro ciclo de modelagem. O tema do terceiro ciclo
de modelagem foi escolhido pelos próprios professores em formação a partir de seus
interesses e de suas vivências nos dois ciclos anteriores.
4.2.1 Poluição sonora
Essa primeira atividade foi desenvolvida nos dias 30 de janeiro e 01 de fevereiro

de 2016, no período da manhã (8:00h às 12:00h), demandando carga horária de 08
horas. O objetivo principal foi elaborar um modelo matemático para analisar o índice
de poluição sonora na escola e propor possíveis soluções ao problema.
118
Inicialmente, informei aos professores em formação que realizaríamos

atividades de modelagem matemática como parte prática da disciplina de Estágio I
em Física e que as tarefas a serem realizadas seriam registradas por meio de áudio
e de vídeo para produção de dados em função de minha pesquisa para doutorado.
Expliquei sobre as ações referentes ao estágio de elaboração do modelo do ciclo de
modelagem de Hestenes (descrição do problema, laboratório de investigação e
sessão de discussão). Após esclarecimentos sobre dúvidas com relação às tarefas a
serem realizadas, todos os sujeitos aceitaram participar da pesquisa e assinaram o
termo de consentimento livre e esclarecido (Anexo I).
Importante deixar claro que, para orientar os ciclos de modelagem, assumi a

ideia ressignificada de modelo matemático já discutida anteriormente. Assim, entendo
que reduzir um modelo matemático a uma equação matemática limita seu poder
interpretativo diante de situações complexas oriundas do contexto sociocultural dos
estudantes. É necessário, portanto, conceber uma visão holística sobre a ideia de
modelo matemático a fim ressignificar sua epistemologia e cognição. Nessa direção,
em sua estrutura epistemológica, um modelo matemático envolve uma estrutura
sistêmica, uma estrutura geométrica, uma estrutura temporal e uma estrutura de
interação. Além disso, em sua estrutura cognitiva, um modelo matemático envolve
modelos mentais subjacentes necessários à sustentação de compreensões e de
inferências sobre o problema. Essa ideia ressignificada de modelo matemático foi
importante para orientar a dinâmcia do ciclo de modelagem, pois possibilitou um olhar
“mais aberto” para as produções simbólicas dos grupos colaborativos.
Para apresentar o problema inicial, escolhido após observar o contexto

sociocultural da comunidade de aprendizagem (DESBIEN, 2002), suscitei
comentários sobre o constante barulho ao redor da escola e que esse barulho poderia
prejudicar a aprendizagem e a própria saúde auditiva dos estudantes e dos
professores da escola. Então projetei no quadro branco alguns slides contendo uma
situação-problema, conforme mostrado no quadro seguinte.
119
Quadro 10 – Texto sobre poluição sonora.
Poluição Sonora
A poluição sonora ocorre quando, num determinado ambiente, o som altera a condição normal
de audição. Embora ela não se acumule no meio ambiente, como outros tipos de poluição,
causa vários danos ao corpo e à qualidade de vida das pessoas. O ruído é o que mais colabora
para a existência da poluição sonora. Ele é provocado pelo som excessivo das indústrias,
canteiros de obras, meios de transporte, áreas de recreação etc. Estes ruídos provocam
efeitos negativos para o sistema auditivo das pessoas, além de provocar alterações
comportamentais e orgânicas. A OMS (Organização Mundial de Saúde) considera que um
som deve ficar em até 50 dB (decibéis – unidade de medida do nível sonoro) para não causar
prejuízos ao ser humano. A partir de 50 dB, os efeitos negativos começam. Alguns problemas
podem ocorrer a curto prazo, outros levam anos para serem notados. Efeitos negativos da
poluição sonora na saúde dos seres humanos: insônia, estresse, depressão, perda de
audição, agressividade, perda de atenção e concentração, perda de memória, dores de
cabeça, aumento da pressão arterial, cansaço, gastrite, úlcera, queda de rendimento escolar,
surdez.
E na escola, será ocorre poluição sonora?
O objetivo da situação no Quadro 10 foi chamar a atenção dos professores para

o problema da poluição sonora no contexto escolar e motivá-los de alguma maneira
para que criassem interesse no tema abordado. A próxima figura ilustra o momento
de leitura coletiva da situação-problema.
Figura 28 – Momento de leitura coletiva do texto sobre poluição sonora.
Conforme mostra a Figura 28, a situação-problema foi lida e discutida

coletivamente pela classe. Esse momento de discussão grupal foi importante para
consolidar a formação de uma comunidade de aprendizagem (DESBIEN, 2002) e
motivar os sujeitos para a investigação do problema por mim proposto. Jackson,
Dukerich e Hestenes (2008) comentam que o estágio de elaboração do modelo
geralmente inicia com a apresentação e a discussão de um problema. “Isso
120
estabelece a compreensão de uma questão comum a ser investigada” (p. 11, tradução
nossa). Julgo fundamental fazer a descrição do problema inicial juntamente com os
estudantes para que tal problema não seja percebido como uma “imposição docente”,
mas como um tema que merece ser pesquisado pelos grupos colaborativos.
No decorrer da leitura da situação-problema, um dos professores em formação

perguntou:
- AR11: Mas... assim... vai ter uma técnica visual ou auditiva que a gente possa
identificar qual o grau de... de sonora que pode existir?
Aproveitei a pergunta elaborada pelo sujeito AR para informar à comunidade

de aprendizagem que a coleta de dados empíricos seria feita por meio do aplicativo
sound meter a ser instalado nos smartphones. A figura que segue mostra tal aplicativo
em funcionamento durante uma coleta de dados.
Figura 29 – Aplicativo de smartphone utilizado na coleta de dados sobre poluição

sonora na escola.
11Para guardar o anonimato, usarei somente algumas iniciais dos nomes dos sujeitos participantes da
pesquisa.
121
A Figura 29 mostra o aplicativo em funcionamento durante um procedimento

de coleta de dados sobre o nível sonoro na escola em que a média mostrada no visor
do aparelho foi de 59 decibéis (dB).
De acordo com a teoria da modelagem, é importante caracterizar as estruturas

sistêmica, geométrica, descritiva, interativa e temporal de um modelo matemático. Ou
seja, “[...] reconhecer que a especificação da estrutura sistêmica é um primeiro passo
essencial na construção de qualquer modelo” (HESTENES, 2010, p. 34, grifos do
autor e tradução nossa). Desse modo, frisei aos professores sobre a importância de
“ver” a escola como um sistema constituído de objetos que se inter-relacionam de
alguma maneira. No caso, poderíamos considerar como objetos do sistema-escola os
respectivos ambientes da escola (diretoria, salas de aula, secretaria).
Ressaltei ainda sobre a importância de entender como era constituída a

estrutura do sistema-escola. No decorrer do processo descritivo, um dos grupos
desenhou em uma folha de cartolina um diagrama de descrição do tipo “planta baixa”
como ferramenta de representação para a estrutura geométrica do modelo
matemático em desenvolvimento, como mostra a seguinte figura.
Figura 30 – “Planta baixa” para o sistema-escola: ferramenta de representação para

a estrutura geométrica do modelo matemático.
Na Figura 30, observa-se um diagrama de descrição do tipo “planta baixa”,

importante como ferramenta de representação para a estrutura geométrica do modelo
matemático. A teoria da modelagem esclarece que qualquer modelo deve apresentar,
embora não necessariamente todas, uma estrutura sistêmica, uma estrutura
122
geométrica, uma estrutura interacional e uma estrutura temporal (HESTENES, 1996).

Enquanto ferramenta de representação para a estrutura geométrica do sistema-
escola, a “planta baixa” foi extremamente importante para identificar interações
intrínsecas e extrínsecas com relação ao fenômeno da poluição sonora na escola.
Para caracterizar as estruturas sistêmica e interacional do modelo matemático,

levantei dois questionamentos para a comunidade de aprendizagem:
- Pesquisador: quais fatores vocês acham que influenciam na poluição sonora na

escola [estrutura sistêmica do modelo]? Quais desses fatores vocês acham que
afetam outros fatores [estrutura interacional do modelo]?
Essas questões foram profícuas para gerar discussões sobre a composição e

as interações internas e externas ao sistema-escola e para identificar leis de interação
por meio de variáveis e constantes. O resultado dessas discussões foi que os
professores em formação perceberam que a poluição sonora na escola variava
principalmente em função do local e do horário a ser medido o nível sonoro.
Hestenes (1987) ressalta que “o principal objetivo do estágio descritivo é um

conjunto completo de nomes e de variáveis descritivas para o modelo matemático,
juntamente com interpretações científicas para todas as variáveis” (p. 443, tradução
nossa). Para caracterizar as variáveis de interesse, ressaltei aos grupos que o nível
sonoro seria uma grandeza física que permite medir o quanto um som é “mais forte”
ou “mais fraco” e depende da energia que a onda sonora é capaz de transferir ao se
movimentar. Esclareci ainda que a unidade de medida utilizada para o nível sonoro é
o Bel (B), mas que essa unidade é muito grande comparada aos níveis sonoros
geralmente encontrados no dia-a-dia. Assim, convencionou-se utilizar um submúltiplo
do Bel: o decibel (dB), equivalente a 0,1B.
Para aprofundar discussões sobre os conceitos de nível sonoro, de intensidade

sonora e sobre as unidades de medida decibel (dB) e watt/m², distribuí uma folha de
resumo conceitual (Anexo IIa) para cada um dos sujeitos da pesquisa. O texto de
resumo conceitual foi lido e discutido coletivamente pela comunidade de
aprendizagem. As dúvidas foram colocadas em público para serem compartilhadas e
discutidas coletivamente. A comunidade de aprendizagem possibilitou que os próprios
123
sujeitos agissem no sentido de esclarecer as dúvidas dos outros colegas, ora por meio
de suas próprias reflexões, ora por meio de pesquisa na internet e em livros didáticos.
Vale ressaltar que os professores em formação poderiam consultar livremente
qualquer material de pesquisa (livros, internet...) para reforçar compreensões ou para
esclarecer dúvidas pendentes em qualquer momento do ciclo de modelagem.
Finalizada a descrição do problema, passamos para a fase de laboratório de
investigação.
Ao orientar o laboratório de investigação, sublinhei sobre a importância de

fundamentar cientificamente as eventuais conclusões das equipes. Realcei que o
fundamento científico deveria sustentar qualquer proposição de solução para o
problema da poluição sonora na escola. Além disso, a pesquisa científica poderia
respaldar eventuais solicitações à direção da escola para melhorias das condições
enfrentadas no dia-a-dia pelos professores, estudantes e funcionários.
No laboratório de investigação, comentam Heidemann, Araújo e Veit (2012), os

sujeitos trabalham em pequenos grupos no planejamento e na condução de
experimentos para responder ou para esclarecer o problema proposto. Então solicitei
aos professores em formação que se organizassem em pequenos grupos de acordo
com suas afinidades para discutir e para planejar investigações. Foram formados
cinco grupos colaborativos: três equipes com três componentes e duas equipes com
dois componentes, totalizando treze sujeitos envolvidos na pesquisa, um dos grupos
colaborativos é ilustrado pela próxima figura.
124
Figura 31 - Grupo colaborativo discutindo sobre o plano de investigação sobre a

poluição sonora na escola.
A Figura 31 ilustra um grupo colaborativo no exato momento em que discutiam

sobre procedimentos necessários ao laboratório de investigação sobre a poluição
sonora na escola. Aproveitei esse momento de planejamento para reforçar sobre o
funcionamento do decibelímetro. Somente um (01) aparelho de celular não possuía o
sistema Android para a instalação do aplicativo, fato que não provocou maiores
problemas. Depois de aprenderem a manuseá-lo corretamente, os professores
partiram efetivamente para a coleta de dados, tanto no interior da escola (salas de
aula, secretaria, cantina, quadra etc.), quanto no exterior, nas ruas adjacentes ao
prédio da escola, como mostra a seguinte figura.
Figura 32 – Grupo colaborativo realizando a produção de dados sobre poluição

sonora.

125
Na Figura 32, é possível notar um ambiente de produção colaborativa de dados.

Enquanto um dos professores em formação mensurava o valor mostrado no celular,
o outro fazia as anotações. Importante destacar que, enquanto coletavam dados e
analisavam previamente resultados encontrados, eles percebiam e levantavam
suposições sobre o melhor lugar para serem construídas as salas de aula. Verificaram
que as salas de aula haviam sido construídas próximo às ruas que apresentaram
maior intensidade no nível sonoro, ao passo que a quadra de esporte havia sido
construída próximo às ruas com menor intensidade. Em vista disso, foi unânime a
hipótese de que parece não ter havido um estudo prévio que levasse em consideração
o melhor lugar para a construção das salas de aula com vistas a amenizar o problema
da poluição sonora.
Possíveis erros entre os valores medidos por diferentes aparelhos em um

mesmo local e horário também foi alvo de discussões no decorrer do laboratório de
investigação. Um grupo chegou a efetuar várias medidas usando três celulares
diferentes e verificou que cada equipamento registrava um valor diferente para os
níveis sonoros. Tal fato suscitou discussões sobre o grau de validade de um modelo
matemático. Entenderam que os modelos são representações parciais suscetíveis de
serem melhorados em função de dados mais precisos ou de novas informações que
possam enriquecê-los de alguma maneira. Nesse sentido, Desbien (2002) ressalta a
importância de discutir com os aprendizes modeladores sobre a parcialidade dos
modelos matemáticos e que não existe modelo certo ou errado, apenas aquele que
pode favorecer melhor interpretação sobre algum aspecto da natureza.
Outro procedimento recorrente foi a elaboração de esboços de gráficos

enquanto ferramenta de representação para o modelo matemático, conforme figura a
seguir.
126
Figura 33 – Elaboração de esboços de gráficos como primeira ferramenta de

representação para o modelo matemático.
Conforme ilustra a Figura 33, primeiramente, os professores em formação

elaboravam esboços simples para registrar os gráficos, mas sem almejarem exatidão.
Posteriormente, os esboços eram repassados para os whiteboards com uso de réguas
e de compassos visando a conseguir o máximo de exatidão nas escalas e nos
traçados das curvas. Com base na teoria da modelagem, é importante compreender
os esboços de inscrições simbólicas como promotores de uma primeira “noção” dos
possíveis modelos mentais associados a tais esboços. Nessa visão, os registros
podem “dar pistas” sobre a qualidade dos modelos mentais formados no momento em
que foram produzidos. Cada traçado, cada variável, cada número presente no esboço
corresponde a um elemento de significado no interior de um modelo mental associado.
Ou seja, um traçado (vertical, horizontal, oblíquo, circular) ou uma variável
(dependente ou independente) ou um número considerado inconsistente no esboço
pode indicar inconsistência no modelo mental subjacente ao raciocínio. Isso é
importante para que o professor possa corrigir eventuais incongruências conceituais
antes que se consolidem na cognição do sujeito como modelos mentais incoerentes.
Nessa primeira atividade, em função das próprias contingências no cenário da

pesquisa, folhas de cartolina foram usadas como opção de baixo custo financeiro em
substituição aos whiteboards convencionais para o registro dos modelos matemáticos.
No geral, como mostra a seguinte figura, as ferramentas de representação mais
127
utilizadas pelos grupos foram: gráficos de barra, gráficos de coluna, gráficos de pizza
e tabelas.
Figura 34 – Gráficos e tabelas: ferramentas de representação para o modelo

matemático sobre poluição sonora.
A Figura 34 mostra que folhas de cartolina foram usadas como suporte para
registrar os modelos matemáticos. Observa-se ainda que as ferramentas de
representação mais utilizadas para tal registro foram gráficos e tabelas. Contudo, uma
vez registrados, os modelos não puderam mais serem apagados, isso exigiu tempo e
atenção dos grupos para não terem que recomeçar os registros em função de eventual
erro. Esse fato demandou investigar outro material de baixo custo financeiro que
pudesse substituir as folhas de cartolina, mas que fosse prático considerando a
dinâmica argumentativa do ciclo de modelagem. No próximo relato de experiência,
apresentarei tal material. Após o laboratório de investigação passamos para a sessão
de discussão.
Para iniciar a sessão de discussão, organizei as carteiras da sala semelhante

ao formato de circunferência, cada grupo colaborativo posicionou seu whiteboard de
tal maneira que pudesse ser visto pelos demais componentes dos outros grupos,
conforme próxima figura.
128
Figura 35 - Sessão de discussão sobre poluição sonora.
Na Figura 35 mostro o momento da sessão de discussão para o problema da

poluição sonora na escola. Comentei com os professores em formação que o
interessante era discutir sobre os modelos matemáticos, especialmente sobre
procedimentos para sua elaboração, sobre as interpretações e sobre as propostas de
soluções ao problema central. Contudo, não me preocupei em estabelecer
efetivamente uma gestão de discurso, em vez disso, optei por deixar que os grupos
falassem à vontade sem interrompê-los com algum questionamento. Notei que os
demais grupos também não fizeram quaisquer questionamentos ao grupo que
apresentava, apenas faziam um ou outro comentário, mas sem que se estabelecesse
alguma situação argumentativa. Além do mais, não foi minha intenção focalizar
discussões sobre aspectos conceituais, meu objetivo principal foi que os grupos
vivenciassem o ciclo de modelagem para que pudessem ganhar experiências e
habilidades para o desenvolvimento de outras atividades.
Ressalto que o formato de disposição das carteiras semelhante ao de

circunferência não é obrigatório no ciclo de modelagem, no entanto, facilita a
visualização dos modelos matemáticos entre as equipes. Hestenes (2010) considera
que é principalmente nesse momento que as compreensões dos sujeitos sofrem
reformulações ao serem enriquecidas durante as argumentações. Porém, como
salientou Malcolm Wells (1987), para que essa reformulação efetivamente aconteça é
necessária a habilidade do professor para fazer uma boa gestão do discurso de
modelagem.
129
Fato interessante foi que, talvez por se tratar de um problema vivenciado de

fato pelos sujeitos da pesquisa, portanto, do contexto sociocultural deles, houve a
manifestação de diversas propostas de solução ao problema. Dentre as quais ressalto
a possibilidade de mudar as salas de aula para o local da quadra de esporte, uma vez
que na quadra o nível sonoro medido foi menor que nas salas de aula. Mas como essa
proposta envolveria reconstruir toda a escola, outras propostas menos ambiciosas
foram apresentadas, como a construção de lombadas nas vias movimentadas ao
redor da escola, a instalação de radar sonoro e a aplicação de multas pela prefeitura
da cidade.
Para finalizar a sessão de discussão, solicitei que os grupos produzissem

relatórios sobre as tarefas realizadas. O relatório deveria descrever o problema
pesquisado, os procedimentos realizados, os principais conceitos envolvidos e as
propostas de solução ao problema.
4.2.2 Lixo de papel
Esta atividade ocorreu no dia 25 de maio de 2016, nos períodos da manhã e

da tarde (8:00h às 12:00h e 14:00h às 18:00h), totalizando carga horária de 08 horas.
O objetivo foi elaborar um modelo matemático para avaliar a produção de lixo de papel
na escola e conscientizar sobre a necessidade de usar outros meios em substituição
ao material impresso.
Ao apresentar o problema do lixo de papel na escola, escolhido conjuntamente

por mim e pelos professores em formação a partir da análise da situação
socioeconômica da comunidade de aprendizagem, ressaltei sobre a grande
quantidade de papel que diariamente circulava na escola, causando lixo em excesso.
Comentei que bastava entrar na secretaria para perceber caixas de papel empilhadas,
lotes de livros didáticos, documentos arquivados, dentre outros. Após alguns
comentários dos sujeitos da pesquisa, apresentei um vídeo sobre a fabricação do
papel. No decorrer da apresentação do vídeo, procurei chamar a atenção para a
necessidde de fazer a retirada de celulose das árvores de forma sustentável para não
agredir a natureza e causar danos irreparáveis às plantações de eucalipto. Outro
problema que procurei reforçar foi quanto ao lixo produzido pelo uso de papel sem
controle na escola. Após algumas discussões sobre esse problema, suscitei debates
130
sobre a quantidade de lixo de papel que seria produzida diariamente na sala de aula.
Então perguntei: será que é produzido muito lixo de papel na sala de aula? Perguntei
ainda como era possível minimizar o lixo de papel na escola. Essas perguntas foram
importantes para motivar discussões a respeito do problema.
A teoria da modelagem (HESTENES, 2010) sustenta sobre a importância de

explicitar os componentes estruturais de um modelo matemático (estrutura sistêmica,
geométrica, temporal e interacional). Diante disso, comentei que era necessário
“olhar” a produção de papel na sala de aula como um sistema constituído de fatos que
se inter-relacionavam de alguma maneira. Perguntei aos professores em formação:
- Pesquisador: quais fatores vocês acham que influenciam a produção de lixo de papel
na sala de aula [estrutura sistêmica do modelo]?
Eles responderam:
- Comunidade: “A quantidade de alunos... a quantidade de aulas... o tipo de matéria...

o tipo de atividade...”.
Enquanto falavam, escrevia as respostas no quadro branco de modo a

“visualizar” uma espécie de diagrama de descrição para representar a estrutura
sistêmica do modelo matemático. Isso possibilitou enfatizar variáveis e constantes
relacionadas ao problema, possibilitou ainda um panorama geral das estruturas
sistêmica, descritiva e interacional do modelo, o que contribuiu grandemente para sair
da inércia inicial do processo de modelagem matemática.
Visando a ressaltar a estrutura interacional do modelo, perguntei aos

professores em formação:
- Pesquisador (apontando para o quadro branco): quais desses fatores poderiam ser
considerados constantes? Quais fatores poderiam ser considerados variávies? Quais
fatores poderiam afetar outros fatores?
Refletindo sobre essas perguntas, os sujeitos da pesquisa perceberam que a

quantidade de estudantes e a quantidade de aulas poderiam ser considerados
131
constantes. Por outro lado, o tipo de assunto e o tipo de atividade poderiam ser
considerados variáveis do problema.
Para finalizar a descrição do problema, aprofundei discussões conceituais

sobre unidades de massa e transformações de medidas, especialmente quilograma
(kg) e grama (g). Discutimos ainda sobre o cálculo de área de figuras planas, unidades
de área e suas transformações.
Após a descrição do sistema, iniciamos a etapa de laboratório de investigação,

como ilustra a próxima figura.
Figura 36 – Laboratório de investigação sobre lixo de papel.
Na Figura 36, um grupo colaborativo discute sobre dados produzidos em

campo. No decorrer da investigação laboratorial sobre lixo de papel foi necessário
estimar quanto seria produzido de lixo de papel em quilogramas (kg) por apenas um
estudante e multiplicar esse valor pelo número total de estudantes. Por sua vez, a
produção individual de lixo de papel estava condicionada ao modus operandi de cada
sujeito. No caso de disciplinas como matemática ou física, em que se necessita fazer
diversos cálculos, ficou estimado que cada estudante produziria, em média, meia (1/2)
folha de lixo de papel por aula. Considerando o contexto real do PARFOR, em que
cada disciplina é intensiva no turno da manhã e no turno da tarde, totalizaria 08 aulas
diárias, então teríamos 04 folhas de papel por dia produzidas como lixo por apenas
01 professor. Para uma turma com 13 estudantes, teríamos 52 folhas de papel por
dia.
132
Como estávamos interessados em saber a quantidade de lixo de papel em

quilogramas (kg), para saber qual a massa de 52 folhas de papel, teríamos que saber
a massa de apenas uma folha de papel. Em meio às pesquisas, um grupo encontrou
que poderiam obter a massa de uma folha de papel A4 por meio de sua gramatura
(medida que relaciona a massa com a área). Desse modo, a gramatura foi pesquisada
em 75 g/m². Essa “dica” logo foi repassada aos outros grupos. Assim, a massa de
apenas uma folha de papel A4 foi calculada em 4,6 gramas e o peso em 0,046
newtons. Desse modo, o total de lixo de papel produzido diariamente pela turma foi
calculado em 239,2 gramas.
Interessante ressaltar que para validar o valor da massa da folha de papel, além
de pesquisar diretamente na internet, um grupo foi até uma padaria próximo à escola
para “pesar” uma folha de papel. No momento da “pesagem”, eles levantaram a
seguinte dúvida:
- Grupo colaborativo: o que pesa mais, o papel aberto ou o papel amassado?
Para responder a essa questão, eles “pesaram” o papel de diferentes maneiras:

sem dobrar ou amassar, amassado e com dobraduras. Verificaram que a massa era
sempre a mesma. Quando perguntei para um dos professores em formação por que
ele achava que o papel aberto “pesava” menos que o papel amassado, ele respondeu:
- AG: é porque quando a folha de papel está aberta em cima da balança... o ar embaixo
dela pode diminuir seu peso...
Estranhamente, encontrei a mesma resposta na explicação de outros sujeitos

de outra turma em que realizei essa mesma atividade. Esse fato pode estar sugerindo
modelos mentais incoerentes e para agir sobre eles é necessário torná-los conhecidos
de alguma maneira. Essa é uma característica importante do ciclo de modelagem de
Hestenes a ser ressaltado: a discussão em grupo não ocorre efetivamente sobre o
conhecimento formal já estabelecido, sobretudo, acerca dos modelos mentais
inconsistentes que os estudantes levam para a sala de aula.
Devido às tarefas de pesquisa, alguns professores em formação comentaram

sobre a importância da internet para o êxito das atividades investigativas e também
133
sobre o uso do smartphone como ferramenta de pesquisa. Considero que discussões

dessa natureza são importantes para motivar reflexões sobre as potencialidades e as
limitações que as novas (e velhas) tecnologias podem ter no ciclo de modelagem.
No final da investigação laboratorial, os modelos matemáticos foram

devidamente registrados nos whiteboards. Ressalto que o uso dos pequenos quadros
brancos foi, talvez, o maior desafio que encontrei para realizar ciclos de modelagem
de Hestenes nas condições próprias de escola pública brasileira. Um whiteboard
convencional geralmente é fabricado utilizando-se pequenos painéis de Duratex
branco de aproximadamente 80 cm x 60 cm que são vitrificados para serem utilizados
como quadros magnéticos portáteis. No contexto econômico atual, isso gera um
investimento de aproximadamente R$ 80,00 por unidade. Infelizmente, nem sempre a
escola ou os professores possuem recursos financeiros para investir em novos
materiais didáticos, talvez por isso muitas vezes limitam-se ao método meramente
expositivo. Surgiu, então, a precisão de confeccionar whiteboards de baixo custo
financeiro, mas que fossem funcionais à dinâmica do ciclo de modelagem.
As ferramentas de representação mais utilizadas pelas equipes para registrar

o modelo matemático nos whiteboards foram: tabelas, gráficos e equações. Na
atividade sobre poluição sonora, utilizei whiteboards confeccionados com folhas de
cartolina. Mas esse material não foi adequado por duas razões: a dificuldade para
fazer registros, pois não era possível apagá-los por motivo de eventuais erros e a
excessiva flexibilidade, que dificultava a escrita sem que estivesse apoiado em alguma
superfície plana e rígida. Contudo, após minuciosa pesquisa e reflexão, encontrei uma
solução altamente eficaz para esse problema: revestir folhas de papel cartão com
folha de papel contact! A figura que segue mostra um whiteboard de baixo custo
financeiro em pleno funcionamento.
134
Figura 37 – Sessão de discussão sobre lixo de papel.
Na Figura 37, observa-se um whiteboard de baixo custo confeccionado com

papel cartão revestido com folha papel contact. O papel cartão tem boa rigidez e o
papel contact possibilita escrita e correção com marcadores para quadro branco de
diferentes cores. No Apêndice II, mostro detalhadamente o passo a passo de como
esses whiteboards são confeccionados. Venho utilizando-os com frequência e eles
mostram-se eficazes para o registro recursivo de modelos matemáticos, além de que
podem ser facilmente dobrados e transportados. Ressalto que é uma alternativa viável
quando não se puder adquirir whiteboards convencionais.
Cada grupo decidiu sobre a melhor maneira de registrar seus modelos

matemáticos utilizando múltiplas ferramentas de representação (gráficos, tabelas,
equações, diagramas). Isso fez com que houvesse a elaboração de diferentes
modelos matemáticos entre as equipes, mesmo sendo desenvolvidos a partir do
mesmo problema. Evidentemente, modelos matemáticos diferentes resultou em
argumentos diferentes nas sessões de discussão. Nesse sentido, os pequenos
quadros brancos foram importantes porque serviram de fonte para o registro e para a
discussão colaborativa dos modelos matemáticos. Interessante notar que as equipes
efetuaram análises peculiares sobre seus modelos, portanto, sobre a própria situação
modelada, mas as análises como um todo não foram divergentes, sobretudo,
complementares. De certa forma, essa complementariedade foi útil para validar os
diferentes modelos matemáticos ao reforçar considerações feitas pelos grupos
durante a sessão de discussão.
135
Diferentemente da atividade sobre poluição sonora, em que os grupos

elaboraram livremente seus discursos sem que ocorresse questionamentos geradores
de situações de argumentação, nesta atividade, optei por realizar o discurso de
modelagem por meio da gestão diretiva. Ou seja, enquanto defendiam seus modelos,
os questionava diretamente de modo a gerar situações de argumentação. Notei que
os professores, ao expressarem seus pensamentos e procedimentos, o faziam quase
sempre em minha direção, sob influência de minha presença enquanto figura de
autoridade (DESBIEN, 2002). Para evitar esse direcionamento e favorecer discussões
intergrupos, evitei ficar em um ponto fixo na sala de aula. Ao mudar discretamente de
lugar e incentivar a participação dos outros grupos para que lançassem
questionamentos, a gestão diretiva parecia sofrer transição gradual para a gestão não-
diretiva, movimento importante para motivar discussões intergrupos.
Nessa dinâmica, uma das possibilidades mais destacadas pela maioria dos
grupos para amenizar o problema do lixo de papel, não somente na sala de aula, mas
em toda a escola, foi transformar livros impressos em livros digitais que pudessem ser
lidos diretamente nos smartphones por meio de aplicativo de leitura de e-book, uma
vez que o smartphone é um equipamento comum de ser encontrado entre os
estudantes. Outra solução foi utilizar documentos digitais para expedir declarações,
ofícios e outros expedientes próprios da escola. Além disso, foi proposto o uso
frequente dos whiteboards de baixo custo no decorrer das aulas, seja para resolver
problemas em grupo ou gerar discussões sobre algum conceito, pois isso diminuiria a
quantidade de papel em sala de aula, uma vez poderiam ser limpos e reutilizados em
aulas posteriores.
Pana finalizar a sessão de discussão, solicitei que as equipes produzissem

relatórios escritos sobre a atividades. Nos relatórios, eles deveriam discutir sobre os
procedimentos realizados, conteúdos mobilizados e soluções encontradas.
Infelizmente, o exíguo tempo da atividade não foi suficiente para que pudéssemos
discutir coletivamente sobre os relatórios produzidos.
136
4.2.3 Somos obesos?
Esta atividade aconteceu no dia 13 de julho de 2016, no perído da manhã e da

tarde (8:00h às 12:00h e 14:00h às 18:00h), totalizando carga horária de 08 horas. O
objetivo foi elaborar um modelo matemático para avaliar a obesidade entre os próprios
sujeitos da pesquisa e discutir sobre a necessidade de alimentação saudável.
Ressalto que esse tema não foi escolhido por mim, mas a partir de interesse
manifestado pelos professores em formação no decorrer de aulas anteriores, ou seja,
foi um problema escolhido por eles mesmos a partir de suas motivações particulares.
Para iniciar a descrição do problema, apresentei um vídeo sobre a questão da

obesidade mórbida. Ao terminar a apresentação do vídeo, perguntei:
Pesquisador: será que ocorre obesidade aqui na sala de aula?
Essa pergunta inicial suscitou diversas outras perguntas: o que realmente é

obesidade? Como saber se uma pessoa é ou não obesa? Como considerar se uma
pessoa é ativa ou sedentária? Essas questões foram relevantes para motivar
discussões e pesquisas visando a saber se ocorria ou não obesidade entre os
professores em formação.
Conforme a teoria da modelagem, é importante destacar as estruturas

sistêmica, geométrica, interativa e temporal que podem estar envolvidas na
elaboração de um modelo matemático. Assim, comentei sobre a importância de “olhar”
o problema da obesidade como um sistema constituído de fatores inter-relacionados
e que tais relações definiriam o tipo de modelo a ser construído. Aproveitei para
reforçar que um sistema poderia ser compreendido como um conjunto de objetos inter-
relacionados, a estrutura do sistema seria o conjunto dessas relações e que o modelo
era uma representação para a estrutura do sistema. A partir disso, para evidenciar a
estrutura sistêmica do modelo matemático, perguntei para a comunidade de
aprendizagem:
- Pesquisador: que fatores vocês acham que estão relacionados com a obesidade
[estrutura sistêmica do modelo]?
137
Eles responderam:
- Comunidade: sedentarismo... doença... massa... ansiedade... hábito alimentar...

insatisfação... desejo... insônia... hereditariedade... temperatura... preconceito...
Enquanto falavam, registrava as respostas no quadro branco de maneira a

elaborar um diagrama de descrição. Como mostra a próxima figura.
Figura 38 – Diagrama de descrição para representar a estrutura sistêmica do modelo

matemático referente ao problema da obesidade.
Podemos inferir pela Figura 38 que a prática de elaborar um diagrama de

descrição com o objetivo de caracterizar a estrutura sistêmica do modelo matemático
foi relevante para fazer emergir conhecimentos prévios sobre o problema enfrentado.
Além disso, tal prática revela-se um momento essencial para tornar evidente a
heurística do modelo, ou seja, os meios que orientaram os estudantes a perceber
composições e interações (internas e externas) da situação modelada.
A partir daí houve necessidade de aprofundar discussões sobre o conceito de

sedentarismo, de hereditariedade, de peso, de massa. Para isso, distribuí um resumo
conceitual (Anexo IIb) que foi discutido coletivamente na comunidade de
aprendizagem e também orientei pesquisas na internet..
Para dar início ao laboratório de investigação, convidei os grupos colaborativos

a planejar e a executar pesquisas visando a responder ao problema em foco.
138
Por meio de pesquisa na internet, um grupo encontrou informações sobre o

IMC (Índice de Massa Corporal), como mostra o seguinte quadro.
Quadro 11 – Pesquisa de grupo colaborativo sobre IMC.
IMC
IMC é uma sigla utilizada para Índice de Massa Corporal. O IMC é uma medida utilizada para
medir a obesidade adotada pela Organização Mundial de Saúde (OMS). É o padrão
internacional para avaliar o grau de obesidade. O sobrepeso e a obesidade, indicados pelo
IMC, são fatores de risco para doenças tais como a hipertensão arterial, a doença arterial
coronariana e o diabetes melittus, além de outras patologias consideradas de alto risco para
a saúde pública. Hoje em dia, o IMC é utilizado como forma de comparar a saúde de
populações, ou até mesmo definir prescrição de medicações. Os valores de IMC são
independentes de idade e sexo. Apesar disso, o IMC pode não corresponder ao mesmo grau
de gordura em diferentes populações devido às diferentes proporções do corpo. Riscos à
saúde associados ao aumento do IMC devem ser constantemente observados e interpretados,
já que podem ser diferentes em cada população. O cálculo do IMC é feito dividindo o peso
(em quilogramas) pela altura (em metros) ao quadrado.
Consulta de índices IMC.
Resultado Situação
Abaixo de 17 Muito abaixo do peso
Entre 17 e 18,49 Abaixo do peso
Entre 18,5 e 24,99 Peso normal

Entre 25 e 29,99 Acima do peso
Entre 30 e 34,99 Obesidade I
Entre 35 e 39,99 Obesidade II (severa)
Acima de 40 Obesidade III (mórbida)
Fonte: Relatório de grupo (2016).
O Quadro 11 organiza informações coletadas por um grupo colaborativo sobre

IMC a partir de pesquisas na internet. Os demais grupos encontraram informações
semelhantes. Percebi que o laboratório de investigação foi importante para que os
grupos colaborativos desenvolvessem autonomia no levantamento de informações
qualitativas e quantitativas. Além de pesquisas na internet, informações sobre massa
corporal, altura, presença ou ausência de obesidade hereditária e/ou sedentarismo na
família foram coletadas entre os próprios sujeitos da pesquisa. O principal instrumento
de coleta de dados foi a entrevista, no entanto, devido à falta de material disponível
na escola, não foi possível utilizar balança e fita métrica para fazer medições
empíricas.
Uma dúvida que surgiu entre os grupos foi quanto ao conceito de

sedentarismo. Por exemplo, se uma pessoa que faz caminhada todos os dias de casa
para o trabalho ou vice-versa, poderia ser considerada sedentária? Para sanar essa
139
dúvida, por meio de novas pesquisas na internet, um grupo colaborativo encontrou a

seguinte informação.
Quadro 12 – Pesquisa de grupo colaborativo sobre sedentarismo.
Sedentarismo
O sedentarismo pode ser definido como falta de atividade física suficiente, o que pode afetar
potencialmente a saúde da pessoa. Na verdade, a falta de atividade física não
necessariamente está ligada a não praticar esportes. O indivíduo que tem atividades físicas
regulares, como limpar a casa, caminhar para o trabalho, ou realiza funções profissionais que
requerem esforço físico, não é classificado como sedentário. O sedentarismo acontece
quando a pessoa gasta poucas calorias diárias com atividades físicas. O sedentarismo é
muitas vezes chamado de "doença do século" por causa dos vários malefícios que causa à
saúde.
Fonte: Relatório de grupo (2016).
O Quadro 12 organiza informações pesquisadas por um grupo colaborativo

sobre o conceito de sedentarismo e apresentado no relatório de pesquisa.
Após a coleta de informações, os grupos passaram efetivamente aos cálculos

dos IMC, como mostra a figura que segue.
Figura 39 – Laboratório de investigação sobre obesidade.
Podemos inferir na Figura 39 evidências do alto nível de interesse

apresentado pelos sujeitos para realizar as tarefas de pesquisa, consequência da
motivação advinda de um problema real que eles mesmos escolheram e que é atual
no contexto de um mundo globalmente industrializado.
140
As ferramentas de representação mais utilizadas pelas equipes para registrar

o modelo matemático nos whiteboards foram tabelas e gráficos. Após esse registro,
passamos para a fase de sessão de discussão, como ilustra a próxima figura.
Figura 40 - Sessão de discussão sobre obesidade.
Como ilustra a Figura 40, organizei as carteiras em formato semelhante ao de

circunferência para que os modelos matemáticos ficassem amplamente visíveis para
a comunidade de aprendizagem. Isso favoreceu que as equipes acompanhassem
atentamente os discursos das outras equipes. Ao comparar os diferentes modelos
matemáticos, os grupos levantavam questionamentos, elaboravam hipóteses,
apresentavam justificativas, formulavam explicações. Isso possibilitou um ambiente
propício a situações argumentativas.
Destaco que os sujeitos cujos valores dos IMC foram considerados altos ou
acima da normalidade, ressaltaram que mudariam seus hábitos alimentares e fariam
exercícios físicos regularmente, deixando clara a intenção de mudança de atitude a
partir do enfrentamento de um problema sociocultural vivido pelos próprios
professores em formação. Finalizei a atividade ao solicitar que os grupos produzissem
relatórios escritos sobre as tarefas realizadas. Da mesma maneira que nas atividades
anteriores, os relatórios deveriam conter a descrição do problema investigado,
métodos utilizados, conceitos estudados e soluções propostas.
No próximo capítulo, aprofundarei agumas análises com vistas à questão

diretora de pesquisa.
141
5 Os dados em análise
“É precisamente na fronteira do conhecimento que a imaginação

tem seu papel mais importante; o que ontem foi apenas um
sonho, amanhã poderá se tornar realidade” (Marcelo Gleiser).
No atual capítulo, minha intenção é refletir sobre a questão orientadora de

investigação, a relembrar: em que sentido a modelagem matemática enquanto
abordagem educacional em física pode gerar ambiente para a formação de sujeitos
cientificamente alfabetizados? Para isso, apresentarei três estudos. Num estudo
preliminar, analisarei respostas a um questionário aberto a fim de identificar
percepções dos sujeitos da pesquisa sobre fatores de potencialidades e de limitações
referentes ao ciclo de modelagem de Hestenes. Num segundo estudo, analisarei
respostas a um questionário fechado a fim de identificar competências em
desenvolvimento nos ciclos de modelagem na visão dos sujeitos da pesquisa. Num
terceiro estudo, analisarei falas de dois professores em formação com o intuito de
aprofundar compreensões sobre o processo de sofisticação argumentativa como
importante para aquisição de competências em alfabetização científica.
5.1 Percepções sobre possibilidades e desafios
Meu objetivo nesta seção é investigar evidências para refletir sobre como os
professores em formação perceberam o ciclo de modelagem de Hestenes face ao
cenário educacional brasileiro de ensino de física, especialmente amazônico. Para
isso, as respostas ao questionário aberto sobre fatores de potencialidades e de
desafios foram transcritas e interpretadas por meio de análise textual discursiva
(MORAES & GALIAZZI, 2016) com uso de categorias a posteriori. O resultado foi um
quadro de categorias de potencialidades e de desafios, codificadas com sistema
alfanumérico em que, por exemplo, PDP1, refere-se à 1ª potencialidade (P)
categorizada para o momento de descrição do problema (DP).
A seguir, os resultados e as análises para cada uma das três fases do estágio
de elaboração do modelo.
142
5.1.1 Na fase de descrição do problema
No quadro que segue, sintetizo a categorização final para as potencialidades

emergentes na fase de descrição do problema (PDP). Para obtê-lo, as respostas dos
treze sujeitos da pesquisa ao questionário aberto foram “quebradas” em unidades de
significado. Cada unidade de significado correspondeu a uma subcategoria.
Posteriormente, as subcategorias foram reorganizadas a partir de seus significados
convergentes em categorias finais.
Quadro 13 – Categorias e subcategorias para potencialidades emergentes na fase

de descrição do problema.
Subcategorias Categorias
S1.1 A partir de uma situação do cotidiano; S9.1 Situação do cotidiano; S11.2 PDP1 Usar
Abordar inúmeras situações. situações do
cotidiano.
S1.2 Construir o conjunto de caracterização do sistema modelado; S2.6
Variável direciona o tipo de estudo; S3.3 Relacionar variáveis e constantes; PDP2 Caracterizar
S6.2 Surgimento de variáveis; S12.1 Relacionar diversas variáveis e variáveis.
constantes; S13.3 Observar variáveis e constantes.
S1.4 Relacionar o conteúdo norteador; S2.3 Tópicos mais importantes do
tema; S3.4 Enriqueceu o conteúdo; S5.1 Abre leque de possibilidades de PDP3 Direcionar o
estudo; S8.7 Para quais conceitos direcionar o estudo; S9.2 Relacionar conteúdo.
conceitos; S11.5 Ligar o máximo de informações; S12.2 Leque de subtemas.
S2.2 Discussões sobre o tema; S4.2 Diversidade de opiniões sobre o tema;
PDP4 Realizar
S7.2 Instiga ao questionamento; S8.5 Socializar conhecimentos; S10.1
discussões.
Amplas discussões; S13.1 Buscar conhecimentos em grupo.
S2.4 Escolher uma questão norteadora; S7.1 Leque de questões; S8.2 O PDP5 Realizar
que explorar dentro do tema; S13.2 Resolver questões. questionamentos.
S3.1 Bom entendimento; S4.1 Aproveitar o conhecimento prévio; S5.3
PDP6 Promover
Promover conhecimento; S10.2 Produtivo para o ensino; S12.3 Enriquece a
compreensão.
aprendizagem.
S4.3 Ramificar o tema; S5.2 Inúmeras ramificações do tema; S6.3
PDP7 Caracterizar o
Familiarização com o tema; S7.3 Pensar sobre o objeto de estudo; S11.4
tema.
Relacionar apenas um tema.
S8.9 Como investigar; S11.1 Traçar caminhos; S13.3 Focar em uma PDP8 Realizar
estratégia de resolução. investigações.
Na coluna da esquerda do Quadro 13, organizo as subcategorias e, na coluna

da direita, as categorias emergentes pelo agrupamento das subcategorias quanto à
convergência semântica. Nota-se que foram geradas oito categorias, cada uma, por
sua vez, possui certa quantidade de subcategorias a ela associada. A essa quantidade
de subcategorias geradora das categorias gerais chamarei de “frequência”.
Considerarei que categorias com alta frequência são mais passíveis de emergirem em
determinada fase do ciclo de modelagem de Hestenes em comparação a categorias
143
com baixa frequência. Ou seja, a frequência é relevante para indicar vetores de

desenvolvimento das potencialidades e dos desafios.
No gráfico seguinte, ilustro as frequências de potencialidades para a fase de

descrição do problema. Importante ressaltar que em uma mesma unidade de contexto
marcou-se mais de uma unidade de significado, portanto, mais de uma subcategoria.
Assim, as frequências relativas foram calculadas em relação ao número de
subcategorias emergentes e não ao número de sujeitos participantes da pesquisa.
Gráfico 3 – Frequências de categorias para potencialidades emergentes na fase de

descrição do problema.
PDP1 Usar situações do

cotidiano
7,5 7,5 PDP2 Caracterizar variáveis
12,5 15
PDP3 Direcionar o conteúdo
PDP4 Realizar discussões
12,5 % PDP5 Realizar

questionamentos
20 PDP6 Promover compreensão
10
PDP7 Caracterizar o tema
15
PDP8 Realizar investigações
Infere-se do Gráfico 3 que a potencialidade emergente com maior frequência

na fase de descrição do problema foi PDP3, alcançando taxa de 20% (08
subcategorias), como reforça a fala do sujeito S2: “A escolha da questão foi bastante
interessante, pois nela vimos o que seria ideal para trabalhar sobre o tema, a variável
que direcione para que tipo de estudo você quer realizar”. Para este professor em
formação, a possibilidade de escolher um problema de pesquisa favoreceu a
investigação de conteúdos de interesse pedagógico. Além disso, sua fala sugere que
a descrição de variáveis também contribuiu para direcionar o estudo para
determinados assuntos considerados relevantes.
144
Em seguida, com média frequência, surgem as potencialidades PDP2 e PDP4,

cada uma com taxa de 15% (06 subcategorias). Vejamos o que diz o sujeito S12 com
relação à caracterização de variáveis: “Nesta, estão as relações entre variáveis,
analiso tal etapa de forma positiva, visto que podemos relacionar uma com as outras
com o intuito de mobilizar vários subtemas a partir de um mesmo conteúdo”. Para este
professor em formação, a tarefa de encontrar relações entre as variáveis do problema
foi positiva no sentido de permitir eleger diversos subtemas que poderiam ser
investigados de maneira coesa dentro de uma mesma situação de aprendizagem.
Em seguida, ainda com grau médio de força, surgem as potencialidades PDP6

e PDP7, cada uma alcançando taxa de 12,5% (05 subcategorias). A fala do sujeito S3
exemplifica quanto à possibilidade de compreensão de conteúdo: “Foi importante os
temas escolhidos e trabalhados em cada aula que tivemos com o professor, pois
parecia um simples tema, mas quando foram coletados dados acerca do tema, trouxe
um bom entendimento e um conteúdo categórico”. Este professor em formação
ressalta a importância das tarefas realizadas como forma de “desempacotar” tópicos
de estudo dentro de um tema aparentemente simples, promovendo compreensão
sobre os conteúdos mobilizados na atividade.
Ainda com média frequência, vem a potencialidade PDP5 com taxa de 10% (04
subcategorias), a exemplo da fala do sujeito S13 sobre o levantamento de questões:
“Com a questão de modelagem foi muito importante e positivo, quando no grupo
buscamos conhecimentos para resolver certa questão proposta pelo tema”. A fase de
descrição do problema também foi importante na visão do sujeito S13 não somente
para o levantamento de questões, mas também para buscar respostas às questões
levantadas pelo grupo.
Por fim, com baixa frequência, emergem as potencialidades PDP1 e PDP8,

cada uma com taxa de 7,5% (03 subcategorias). Vejamos o comentário do sujeito S9
a respeito do uso de situações do cotidiano: “Para mim, é de extrema importância a
escolha do tema e sua real discussão (do mesmo). Sendo que o tema seja uma
situação do cotidiano do aluno o que facilitará sua discussão”. Este professor em
formação ressalta claramente em sua fala a importância do uso de situações do
cotidiano como facilitadora do processo de descrição do problema.
145
Desse modo, os dados evidenciam que, para os sujeitos da pesquisa, a fase

de descrição do problema, considerando a alta frequência, parece ser favorável
predominantemente para direcionar o conteúdo conceitual a ser estudado visando a
cumprir a grade curricular de interesse pedagógico, ou seja, destaca-se uma visão
conteudista dos professores em formação. Podemos ainda considerar, embora com
média frequência, que essa fase pode ser favorável para realizar várias discussões
sobre conceitos, procedimentos e atitudes; para caracterizar variáveis dependentes e
independentes relevantes à elaboração do modelo matemático; para caracterizar o
problema ao especificar suas propriedades gerais e específicas; para promover
compreensão significativa sobre conteúdos envolvidos no processo e para propor
questionamentos sobre conceitos e procedimentos relevantes. Por outro lado,
considerando a baixa frequência, podemos inferir que a fase de descrição do
problema parece não ser muito favorável para realizar investigações em busca de
respostas e para estimar o valor das situações do cotidiano enquanto contexto
motivacional.
A partir dessas evidências, reflito que os fatores de potencialidades acima

destacados para a fase de descrição do problema podem estar emergindo
principalmente pelo fato de que, como ressalta Megowan-Romanowicz (2016), no
ciclo de modelagem, o problema não é simplesmente imposto pelo professor, mas
discute-se sobre o problema de modo a angariar motivações para investiga-lo e
diferenciá-lo enquanto um sistema caracterizado por relações conceituais intrínsecas
e extrínsecas.
O professor geralmente propõe um problema no início da aula. Os estudantes

reúnem-se em pequenos grupos colaborativos para encontrar uma solução
consensual, então representam seus pensamentos em quadros brancos
medindo 60 cm x 80 cm. O professor move-se de grupo em grupo escutando
atentamente as discussões enquanto os estudantes discutem sobre o
problema e registram suas soluções nos quadros brancos, ocasionalmente,
o professor faz um comentário ou levanta uma questão. Quando a discussão
em grupo termina, o professor orienta a “sessão de quadro branco” em que a
classe inteira compartilha e discute suas soluções (MEGOWAN-
ROMANOWICZ, 2016, p. 03, tradução nossa).
Diferentemente do ensino bancário (FREIRE, 2005), em que a aula segue o

paradigma do exercício (SKOVSMOSE, 2000) e inicia com a apresentação de
definições e de fórmulas, no ciclo de modelagem de Hestenes, o início da aula é a
descrição de um problema inicial. Segue-se uma série de discussões em grupos,
146
culminando com a apresentação das soluções de maneira argumentativa com auxílio

didático dos whiteboards. Essa característica dinâmica e aberta do ciclo de
modelagem pode favorecer a emergência de potencialidades como as apresentadas
acima.
No quadro que segue, apresento a categorização para os fatores de desafios

emergentes na fase de descrição do problema (DDP). Para obtê-lo, as respostas dos
treze sujeitos da pesquisa ao questionário aberto sobre os desafios foram unitarizadas
em unidades de significado em que cada unidade de significado correspondeu a uma
subcategoria. Posteriormente, as subcategorias foram reorganizadas a partir de seus
significados semânticos convergentes em categorias finais.

S1.1 Escolha de temas; S2.1 Escolher o tema; S4.1 Escolher o tema; S6.1
DDP1 Escolher
Escolher tema; S8.1 Escolher o tema; S11.1 Escolher temas; S12.1 Escolher
temas.
o tema.
S1.2 Diversas opções para desenvolver o trabalho; S2.2 Desenvolver todos DDP2 Definir tópicos
os tópicos do tema; S10.2 Discernir objetivos específicos. importantes.
S1.3 Relacionar variáveis ao conteúdo; S4.4 Definir variáveis importantes; DDP3 Definir
S8.2 Excluir variáveis que poderiam ser discutidas. variáveis relevantes.
S4.3 Necessidade de pesquisa; S10.1 Tempo para pesquisar. DDP4 Realizar
pesquisas.
S10.3 Pouca prática; S11.2 Ansiedade para desenvolver o tema. DDP5 Praticar
modelagem.
Na coluna da esquerda do Quadro 14, estão organizadas as subcategorias e,

na coluna da direita, as categorias emergentes pelo agrupamento das subcategorias
quanto à convergência semântica. Nota-se que foram geradas cinco categorias, cada
uma, por sua vez, possui determinada frequência. Nesse caso, uma frequência
elevada significa maior dificuldade para realizar determinada ação em um ciclo de
modelagem e uma baixa frequência sinaliza menor dificuldade.
O próximo gráfico mostra as frequências relativas de categorias para os

desafios referentes à fase de descrição do problema.
147

11,8 DDP1 Escolher temas
11,8 DDP2 Definir tópicos

41,2 importantes
DDP3 Definir variáveis
% relevantes
DDP4 Realizar pesquisas
17,6
DDP5 Praticar modelagem
17,6
No Gráfico 4, nota-se que o desafio DDP1 obteve maior frequência, com taxa
de 41,2% (07 subcategorias), a exemplo do que comenta S1 sobre a dificuldade de
escolher problemas ou temas de pesquisa: “A dificuldade de escolher o tema, pois o
ciclo de modelagem permite ao modelador ter diversas opções para desenvolver o
trabalho”. Para este sujeito, houve dificuldade na escolha de assuntos a serem
desenvolvidos no ciclo de modelagem, talvez porque, conforme os modeladores
levantavam questões sobre o problema inicial, surgiam diversas possibilidades de
encaminhamento da pesquisa. Assim, as múltiplas possibilidades de temas de
pesquisa configuraram-se como um ponto de desafio a ser superado pelos
professores em formação.
Em seguida, com média frequência, vêm os desafios DDP2 e DDP3, cada um

com taxa de 17,6% (03 subcategorias), como podemos perceber na fala de S4 quanto
à definição de variáveis importantes: “Definir as variáveis necessárias e mais
importantes a serem discutidas e socializadas”. Para o sujeito S4, houve dificuldade
para eleger quais variáveis seriam usadas nas ferramentas de representação do
modelo matemático (gráficos e tabelas). Tal dificuldade pode ter surgido em função
das diferentes possiblidades de variáveis que surgiram por ocasião da descrição do
problema.
148
Por fim, com baixa frequência, surgem os desafios DDP4 e DDP5, cada um
com taxa de 11,8% (02 subcategorias), a exemplo da fala de S10 a respeito da
necessidade de praticar modelagem: “Uma experiência muito produtiva para o
processo de ensino, porém é preciso mais práticas”, em que este sujeito comenta
sobre o desafio de realizar certos procedimentos investigativos, os quais nem sempre
são feitos em sala de aula, como a necessidade de coletar dados empíricos no próprio
ambiente escolar, de organizá-los em tabelas e em gráficos e de fazer estimativas.
Desse modo, com base nas evidências acima, é possível concluir que,
considerando a alta frequência, a principal dificuldade apontada pelos professores
para a fase de descrição do problema foi a necessidade de escolher um tema ou
problema para o desenvolvimento do ciclo de modelagem. Além disso, com média
frequência, os professores relataram a dificuldade para definir tópicos e a dificuldade
para definir variáveis importantes relacionadas ao problema. Outros desafios a serem
superados, embora com baixa frequência, foi a falta de habilidade para fazer
pesquisas e a dificuldade para obter informações, tanto na internet quanto por meio
de entrevista com outros professores.
Reflito que um dos fatores que pode ter contribuído para a emergência desses
desafios foi que, dificilmente, os professores em formação são inseridos em práticas
pedagógicas investigativas, uma vez que o ensino universitário brasileiro ainda possui
fortes raízes com métodos meramente expositivos pautados no paradigma do
exercício (SKOVSMOSE, 2000). Aliado a isso, a falta de habilidades investigativas,
como salientou Heidemann (2015), pode fazer com que alguns estudantes prefiram
memorizar conceitos e fórmulas, pois já estão acostumados e, com isso, são levados
a rejeitar o trabalho com abordagens ativas, tal como a modelagem matemática.
Considero que as dificuldades acima emergentes para a fase de descrição do

problema podem ser amenizadas à medida que os sujeitos são inseridos em ciclos de
modelagem. É possível que, conforme participem de atividades com graus crescentes
de ação e de tomada de decisão, eles possam adquirir competências para fazer
adequadamente a caracterização de problemas, para definir os principais tópicos a
serem estudados sobre determinado assunto, para definir variáveis conforme o
objetivo da investigação, para consultar fontes de pesquisa alternativas além de livros
149
impressos e da internet, para consultar profissionais especializados e até outros

professores da escola.
Passarei a discutir sobre potencialidades e desafios emergentes na fase de

laboratório de investigação.
5.1.2 Na fase de laboratório de investigação
No quadro seguinte, apresento a categorização para as potencialidades

emergentes na fase de laboratório de investigação.

de laboratório de investigação.
S1.1 Liberdade para coletar dados; S2.2 Usar vários meios de informações;
S3.2 Buscar informações e coletar dados; S4.1 Descoberta de informações
e dados numéricos; S5.1 Possibilita buscar informações; S6.1 A coleta de PLI1 Buscar
dados; S7.1 Perceber e pesquisar informações; S8.1 Buscar meios para informações.
coletar dados; S9.1 Buscar informações; S10.1 Várias formas e caminhos
em busca de dados; S11.1 Coleta de dados.
S1.2 Liberdade para representar dados coletados; S2.4 Diferentes
representações; S3.4 Representação dos dados; S4.4 Diversidade de
representações do tema; S6.3 Várias ideias para representar o modelo; S7.3
Inúmeros métodos de representação; S8.5 Encontrar meios para expor PLI2 Usar diferentes
dados coletados; S9.5 Organizar dados da maneira mais adequada; S10.2 representações.
Várias representações matemáticas; S11.3 Representações colocada de
maneira significativa; S12.1 Organização de dados em representações;
S13.5 Diferentes maneiras de escrever o modelo matemático.
S2.3 Usar conhecimento científico; S3.3 Processo científico; S8.6 Meios de
PLI3 Usar processo
como resolver problemas; S9.6 Melhor aproveitamento dos dados da
científico.
pesquisa.
S3.1 Aumentou o desempenho da turma; S4.3 Estimula busca por mais PLI4 Melhorar o
informações; S9.2 Bastante produtivo. desempenho.
S5.2 Compartilhar e usufruir de conhecimentos; S13.3 Interagir com outros PLI5 Compartilhar
grupos. conhecimentos.
S6.2 possibilita planejamento; S7.2 Inúmeras possibilidades de obter
resultados; S8.6 Meios de como resolver problemas; S11.2 Possibilita PLI6 Planejar ações.
planejar o desenvolvimento.
S8.4 Uso de tecnologias para obter dados. PLI7 Usar
tecnologias.
S9.4 Tirar próprias conclusões; S12.2 Subsídio para formulação de PLI8 Levantar
hipóteses e conclusões. hipóteses e
conclusões
S13.2 Fazer questionamentos. PLI9 Fazer
questionamentos.
Na obtenção do Quadro 15, as respostas dos treze sujeitos da pesquisa ao

questionário aberto sobre potencialidades do laboratório de investigação foram
150
segmentadas em unidades de significado em que cada unidade de significado

correspondeu a uma subcategoria. Posteriormente, as subcategorias foram
reorganizadas a partir de seus significados convergentes em categorias finais. Na
coluna da esquerda, estão organizadas as subcategorias e, na coluna da direita, as
categorias para potencialidades emergentes. Ressalto que a frequência determinada
pela quantidade de subcategorias indica o sentido mais favorável para o vetor de
desenvolvimento de determinada potencialidade. Isso é importante para o
planejamento de atividades que objetivem enfatizar potencialidades de maior ou de
menor frequência.
No próximo gráfico, ilustro as frequências relativas de categorias para

potencialidades emergentes na fase de laboratório de investigação.
Gráfico 5 – Frequência de categorias para potencialidades emergentes na fase de

PLI1 Buscar informações
PLI2 Usar diferentes

5 2,5 representações
2,5
PLI3 Usar processo científico
10 27,5
PLI4 Melhorar o
desempenho
5 PLI5 Compartilhar
% conhecimentos
7,5 PLI6 Planejar ações
PLI7 Usar tecnologias

10
30 PLI8 Levantar hipóteses e
conclusões
PLI9 Fazer questionamentos
Infere-se do Gráfico 5 que a potencialidade emergente com maior frequência

foi PLI2, com 30% (12 subcategorias). Com referência ao uso de diferentes
representações, o sujeito S1 relata: “A livre escolha de como o modelador irá
representar os dados que foram coletados e o modelador poderá usar mais de uma
representação”. Para S1, foi positivo o fato de poder escolher mais de uma ferramenta
de representação para organizar os dados coletados durante a atividade empírica em
151
um modelo matemático. Ao que parece, a possibilidade de escolher o tipo de

ferramenta representativa contribuiu para o aspecto positivo destacado por este
professor em formação.
Ainda com elevada frequência, alcançando taxa de 27,5% (11 subcategorias),

surge a categoria PLI1. Quanto à necessidade de planejar e de buscar informações,
o sujeito S7 ressalta: “Na produção de dados nós percebemos e pesquisamos as
informações de como obtermos informações para satisfazer as nossas necessidades.
Para S7, o laboratório de investigação possibilitou elaboração de planos de trabalho
em que os professores deveriam pesquisar diferentes maneiras para fazer a
investigação científica.
Em seguida, com média frequência, surgem as categorias PLI3 e PLI6, cada

uma com taxa de 10% (04 subcategorias). Com referência ao planejamento de ações,
o sujeito S11 sublinha: “São que, a partir do momento que começamos a coletar
dados, já temos em mente a real necessidade daquilo que iremos desenvolver”. Para
este sujeito, o fato de poder planejar procedimentos investigativos antes de
efetivamente executá-los constituiu um fator positivo do laboratório de investigação,
pois possibilitou organizar o pensamento e prever eventuais necessidades de
materiais e de métodos necessários ao processo investigativo.
Ainda com média frequência, surge a categoria PLI4, com taxa de 7,5% (03
subcategorias). Quanto à possibilidade de melhorar o próprio desempenho pela
pesquisa, o sujeito S3 reforça: “Foi gratificante, pois houve um grande desempenho
na turma e partimos em busca de informações de coleta de dados”. Nota-se que este
professor em formação admite evolução em seu próprio desempenho em função da
necessidade de buscar e de compreender as informações necessárias ao laboratório
de investigação.
As categorias PLI5 e PLI8 surgem também com média frequência, cada uma
com taxa de 5% (02 subcategorias). Quanto à possibilidade de compartilhar
conhecimentos, o sujeito S13 assevera: “Na produção de dados foi muito significativa
quando começamos a produzir tabelas, fazer questionamentos, interagir com outros
grupos, buscar uma resposta coerente para o problema designado pelo tema”.
Observa-se que este professor em formação chama atenção para a importância de
152
interagir e de compartilhar informações com outros grupos colaborativos durante a

busca de respostas aos questionamentos no laboratório de investigação.
Finalmente, com baixa frequência, cada uma com taxa de 2,5% (01
subcategoria), vêm as potencialidades PLI7 e PLI9. Quanto ao uso da tecnologia, o
sujeito S8 assevera: “O uso de tecnologias para obter dados e conceitos”. Este
professor em formação ressalta a relevância das tecnologias como ferramentas
facilitadoras na obtenção de informações e de conceitos no laboratório de
investigação.
Desse modo, levando em consideração as diferentes frequências evidenciadas

para cada potencialidade emergente, podemos concluir que, para os sujeitos da
pesquisa, o laboratório de investigação favoreceu principalmente ao uso de diferentes
ferramentas de representação para organizar e para comunicar os modelos
matemáticos. Além disso, infere-se que esse momento do ciclo de modelagem de
Hestenes também foi favorável para buscar dados em diferentes fontes de
informações. Com média frequência, podemos dizer que o laboratório de investigação
pode promover o uso de processos científicos nos procedimentos de pesquisa,
promover o planejamento e a execução de ações investigativas pelos próprios
estudantes, promover o desempenho dos sujeitos modeladores, promover o
compartilhamento de significados atribuídos a conceitos e a procedimentos, promover
o levantamento de hipóteses e de conclusões. No entanto, é possível concluir que,
dada a baixa frequência, para os sujeitos da pesquisa, o laboratório de investigação
não representou um momento muito favorável para o uso de tecnologias e para a
realização de questionamentos.
Considero que as potencialidades acima realçadas podem ter emergido em

função do ambiente de investigação colaborativa propiciado pelo ciclo de modelagem
de Hestenes, em que, nas palavras de Dye et al. (2013): “os estudantes em grupos
pequenos discutem colaborativamente, desenvolvem, debatem e testam um modelo
para descrever um fenômeno ou responder a uma questão” (p. 02, tradução nossa).
Desse modo, o ambiente investigativo em que os sujeitos da pesquisa foram inseridos,
cujas pesquisas foram realizadas na internet, em livros digitais e em livros impressos,
possibilitou envolvimentos para a construção e para debates sobre modelos
153
matemáticos. Além disso, também houve pesquisas por meio de entrevistas e visitas
a uma papelaria para verificar a massa de uma folha de papel A4 visando à validação
do modelo matemático construído. Contudo, é de estranhar que os professores em
formação não tenham percebido a importância das tecnologias no processo
investigativo, talvez porque eles não tenham utilizado massivamente o computador na
pesquisa e na tabulação dos dados produzidos.
No próximo quadro, apresentarei a categorização para desafios emergentes na

fase de laboratório de investigação (DLI). Na obtenção desse quadro, as respostas
dos treze sujeitos da pesquisa ao questionário aberto sobre desafios do laboratório de
investigação foram unitarizadas em unidades de significado em que cada unidade de
significado correspondeu a uma subcategoria emergente. Posteriormente, as
subcategorias foram reorganizadas a partir de seus significados convergentes em
categorias finais.

S1.1 Dificuldade na coleta de dados; S6.1 Dificuldade na coleta de dados DLI1 Coletar
dados.
S1.2 Fontes de pesquisa insuficientes; S2.1 Fontes de pesquisa insuficientes;
DLI2 Fontes de
S10.1 Fontes de pesquisa insuficientes; S12.2 Fazer pesquisas em outras
pesquisa.
fontes além da sala de aula.
S2.2 Pouco tempo para pesquisar. DLI3 Tempo para
pesquisar.
S4.1 Dificuldade validar os dados obtidos. DLI4 Validar
dados.
S6.2 Dificuldade de fazer entrevistas. DLI5 Fazer
entrevistas.
S6.3 Dificuldade para definir o modelo mais fácil de apresentar; S8.1 DLI6 Definir o
Dificuldade para iniciar a construção do modelo matemático. modelo.
S11.1 Dificuldade para definir objetivos qualitativos e quantitativos. DLI7 Definir
objetivos.
S12.1 Dificuldade para compreender os dados obtidos. DLI8 Compreender
os dados.
No Quadro 16, organizo na coluna da esquerda as subcategorias e, na coluna

da direita, oito categorias para desafios emergentes na fase do laboratório de
investigação em que uma frequência elevada significa fator de maior desafio apontado
pelos sujeitos da pesquisa.
A frequência relativa das categorias é mostrada no gráfico que segue:

154

DLI1 Coletar dados
7,7 DLI2 Fontes de pesquisa

15,4
7,7
DLI3 Tempo para pesquisar
15,4
DLI4 Validar dados
% DLI5 Fazer entrevistas
30,8
7,7 DLI6 Definir o modelo
7,7 DLI7 Definir objetivos

7,7
DLI8 Compreender os dados
No Gráfico 6, percebe-se que o desafio DLI2 obteve maior frequência, com taxa
de 30,8% (04 subcategorias), sendo a dificuldade mais relatada pelos sujeitos para a
fase de laboratório de investigação. Sobre a insuficiência de fontes de pesquisa, o
sujeito S2 comenta: “Depende do meio em que está sendo pesquisado, pois pode
haver ou não informações suficientes”. Para este professor em formação, a
insuficiência de material para pesquisar depende das condições de infraestrutura
educacional disponível. No contexto em que a pesquisa foi desenvolvida, isto é, em
uma escola do interior do Estado do Pará, a insuficiência de materiais e a
infraestrutura inadequada certamente configuraram-se como desafios a serem
superados para a realização do ciclo de modelagem.
Em seguida, com média frequência, cada um com taxa de 15,4% (02

subcategorias), surgem os desafios DLI1 e DLI6. Com relação à dificuldade de
elaborar o modelo matemático, o sujeito S6 comenta: “É definir qual modelo será mais
fácil para apresentar”. Para este sujeito, não foi tarefa fácil escolher a “melhor”
ferramenta de representação para compartilhar com os outros sujeitos os modelos
matemáticos elaborados pela equipe. Destaca-se que estudantes de um mesmo
grupo podem divergir quanto à ferramenta representativa mais adequada para
registrar o modelo matemático.
155
Por fim, com baixa frequência equivalente a uma taxa de 7,7% (01
subcategoria), surgem os desafios DLI3, DLI4, DLI5, DLI7 e DLI8. Quanto à
dificuldade de definir objetivos, o sujeito S11 acrescenta: “São em determinadas
ocasiões não saber definir realmente os objetivos a serem alcançados quando se trata
de qualidade e quantidade”. Para este sujeito, a necessidade de trabalhar com dados
qualitativos e com dados quantitativos no laboratório de investigação dificultou a
definição de objetivos a serem seguidos. Algumas vezes, os estudantes podem se
sentir “perdidos” quanto ao prosseguimento da investigação. Isso acontece quando
não conseguem definir com clareza onde pretendem chegar com determinação ação.
Em situações desse tipo, a orientação docente é fundamental para que determinado
grupo colaborativo possa prosseguir com as ações investigativas.
Considero que tais fatores de desafios podem ter como causa o pouco contato
com práticas ativas, como se propõe com a modelagem matemática. Hestenes (2010,
p. 34) comenta que, no ciclo de modelagem, os estudantes “[...] são introduzidos em
ferramentas representacionais e são engajados no uso de ferramentas para estruturar
modelos de sistemas reais” (tradução nossa). Como já frisou Heidemann (2015), a
inserção de ferramentais representacionais (diagramas, gráficos, equações) é
importante porque pode promover expertise em modelagem matemática. Com isso,
os estudantes podem levar cada vez menos tempo para pesquisar informações, para
aprimorar suas habilidades investigativas, para coletar e validar dados, para melhorar
suas técnicas de entrevistas, para definir objetivos e para compreender os dados
produzidos.
Na sequência, discutirei somente sobre fatores de potencialidades para a fase

de sessão de discussão, uma vez que não foram destacados fatores de desafios pelos
sujeitos da pesquisa para esta fase.
5.1.3 Na fase de sessão de discussão
No quadro a seguir, apresento categorias e subcategorias para potencialidades

emergentes na fase de sessão de discussão (PSD). Na obtenção desse quadro, as
respostas dos treze sujeitos da pesquisa ao questionário aberto sobre potencialidades
foram segmentadas em unidades de significado em que cada unidade de significado
156
correspondeu a uma subcategoria emergente. Posteriormente, as subcategorias

foram reorganizadas a partir de seus significados convergentes em categorias finais.

de sessão de discussão.
S1.1 Permite socializar; S2.3 Discussões entre os colegas; S5.1 Socialização
do conhecimento; S6.1 Socialização do conhecimento; S7.2 Compartilhar PSD1 Socializar
saberes; S9.2 Todos os sujeitos participam do início ao fim; S11.1 conhecimento.
Socialização do conhecimento; S12.1 Socialização do conhecimento.
S1.2 Permite argumentar; S2.1 Troca de ideias; S3.2 Houve discussão; S5.2
Variedade de opiniões sobre o tema; S8.1 Discussões entre os sujeitos; S9.1 PSD2 Favorecer
Diversidade de ideias; S10.2 Argumentação entre os sujeitos; S12.6 discussões e
Exposição dos resultados para reflexão; S13.2 Argumentação entre os debates.
sujeitos.
S1.3 Permite analisar criticamente; S2.3 Discussões entre os colegas. PSD3 Analisar
criticamente.
S2.2 Diferentes maneiras para expor as informações; S4.2 Várias maneiras
para apresentar os dados; S7.1 Organização matemática dos dados; S8.2 PSD4 Usar múltiplas
Diferentes métodos de exposição; S12.3 Levantamento de relações representações.
matemáticas.
S2.4 Enriquece o conhecimento científico; S6.2 Ampliação do conhecimento; PSD5 Enriquecer o
S7.4 Conhecimento amplamente distribuído; S10.3 Proporciona mais conhecimento.
conhecimentos; S13.1 Exposição da aprendizagem adquirida.
S4.1 Variedade de conclusões; S7.3 Diferentes maneiras de chegar a um PSD6 Variedade de
objetivo; S8.3 Diferentes métodos de resolução. conclusões.
S6.3 Levantar questões contundentes; S12.5 Questionamentos. PSD7 Levantar
questões.
S6.4 Boas explicações. PSD8 Elaborar
explicações.
S12.2 Levantamento de hipóteses. PSD9 Levantar
hipóteses.
No Quadro 17, as subcategorias estão organizadas na coluna da esquerda e

nove categorias para potencialidades emergentes estão organizadas na coluna da
direita.
As frequências relativas para potencialidades emergentes são mostradas no

próximo gráfico.
157
Gráfico 7 – Frequência de potencialidades emergentes na fase de sessão de

discussão.
PSD1 Socializar
conhecimento.
PSD2 Favorecer discussões
2,8 2,8 e debates.
5,6
22,2 PSD3 Analisar
8,3 criticamente.
PSD4 Usar múltiplas
representações.
PSD5 Enriquecer o
13,9 % conhecimento.
PSD6 Variedade de
conclusões.
25,0 PSD7 Levantar questões.
13,9
PSD8 Elaborar explicações.
5,6
PSD9 Levantar hipóteses.
No Gráfico 7, nota-se que a potencialidade PSD2 foi a que alcançou maior

frequência, com taxa de 25% (09 subcategorias). Com relação ao favorecimento de
discussões e de debates, o sujeito S2 comenta: “Foi importante a troca de ideias com
a turma, as informações expostas de diferentes maneiras pela turma, as discussões
entre os colegas enriqueciam ainda mais o conhecimento científico sobre o tema”.
Para este sujeito, o momento em que os grupos discutiam sobre seus modelos
matemáticos foi relevante para fomentar a troca de ideias, o que causou certo
enriquecimento na compreensão dos conteúdos.
Com frequência ainda elevada, correspondente a uma taxa de 22,2% (09)

subcategorias), surge a potencialidade PSD1, como exemplifica a fala do sujeito S7
com relação à socialização do conhecimento: “É na produção do whiteboard que
organizamos matematicamente e compartilhamos as diferentes formas de chegarmos
a um objetivo”. Para este sujeito, o trabalho com whiteboards foi importante para a
organização do modelo matemático visando à socialização de ações e de
pensamentos.
As potencialidades PSD4 e PSD5 surgem com média frequência, cada uma

com taxa de 13,9% (05 subcategorias). Quanto à possibilidade de enriquecer o
158
conhecimento, o sujeito S6 assevera: “É a socialização que amplia o conhecimento...”.

Nota-se que este sujeito enfatiza que o ato de socializar as pesquisas realizadas pelos
grupos colaborativos pode promover um aumento de compreensões sobre conteúdos
mobilizados nas discussões.
Ainda com média frequência, alcançando taxa de 8,3% (03 subcategorias),

surge a potencialidade PSD6, como se pode notar no comentário de S8 sobre a
possibilidade de obter diferentes conclusões a partir de diversos procedimentos
realizados: “Diferentes métodos de exposição e resolução”. Este sujeito refere que as
múltiplas ferramentas de representação para o modelo matemático contribuíram para
a obtenção de várias conclusões pelos grupos colaborativos.
Com taxa de 5,6% (02 subcategorias) e com média frequência, surgem as

potencialidades PSD3 e PSD7, como exemplifica a fala de S12 sobre a possibilidade
de analisar criticamente os modelos matemáticos: “Através de gráficos, debates,
questionamentos, os resultados são expostos para a plateia para fins de reflexão”.
Este sujeito ressalta que a socialização do modelo matemático com a comunidade de
aprendizagem contribuiu para visão crítica sobre a situação modelada.
Por fim, com baixa frequência, surgem as potencialidades PSD8 e PSD9 cada
uma com taxa corresponde a 2,8% (01 subcategoria). Com relação à possibilidade de
elaborar explicações, o sujeito S6 assevera: “... surgem questionários contundentes e
respostas com boas explicações”. Para este sujeito, os questionamentos que vêm à
tona no decorrer do processo de análise argumentativa do modelo matemático
contribuem para melhorar as explicações dos assuntos debatidos.
Desse modo, considerando a alta frequência, é possível concluir que, para os

sujeitos da pesquisa, o momento de sessão de discussão foi potencialmente favorável
para o estabelecimento de discussões e de debates e para a socialização do
conhecimento intergrupos. Com média frequência, esse momento foi favorável para o
uso de múltiplas ferramentas de representação para expressar e para comunicar os
modelos matemáticos, para enriquecer o nível de conhecimento dos sujeitos, para
elaborar uma variedade de conclusões a respeito do problema investigado, para fazer
análise crítica sobre o tema de pesquisa e para o levantamento de questões. Contudo,
na visão dos sujeitos da pesquisa, a julgar pela baixa frequência, o momento da
159
sessão de discussão parece não ter sido favorável para elaborar explicações e para
levantar hipóteses.
Reflito que a sessão de discussão configura-se um diferencial do ciclo de

modelagem de Hestenes em relação a outros ciclos de modelagem encontrados na
literatura. No ciclo de Hestenes o processo argumentativo ganha apoio cognitivo dos
modelos matemáticos expressos nos pequenos quadros brancos.
Os estudantes, em pequenos grupos, trabalham no planejamento de

atividades para a construção de modelos. Eles compartilham suas ideias por
meio dos whiteboards que dirigem as discussões em classe. O papel do
instrutor é moderar as discussões e orquestrar atividades apropriadas para o
desenvolvimento conceitual (BREWE, KRAMER e O’BRIEN, 2009, p.
013102-2, tradução nossa).
A sessão de discussão diferencia-se das discussões finais que geralmente

ocorrem em outros ciclos de modelagem em que se toma esse momento como uma
espécie de “fechamento” da atividade. No ciclo de Hestenes, esse momento
caracteriza-se principalmente por gerar situações de argumentação com foco nos
modelos matemáticos. Ou seja, a atividade não termina com a socialização dos
modelos matemáticos, mas é a partir daí que toda a dinâmica argumentativa tem seu
início e perpassa posteriormente pelo estágio de implementação do modelo.
Certamente, a sessão de discussão conforma-se como um momento ímpar nesse
sentido, pois os modelos matemáticos inscritos ostensivamente nos pequenos
quadros brancos podem fortalecer cognitivamente o discurso científico dos grupos
colaborativos. Nesse processo, o professor atua no sentido de orientar as discussões
dos estudantes com o objetivo de gerar situações de argumentação a partir da
estrutura epistêmica do modelo matemático. Tal característica pode ter contribuído
para a emergência das potencialidades acima destacadas.
Para finalizar as análises desse primeiro estudo, o gráfico subsequente

organiza as frequências relativas para os fatores de potencialidades e para os fatores
de desafios obtidos para estágio de elaboração do modelo.
160
Gráfico 8 – Frequências totais para fatores de potencialidades e de desafios

emergentes no estágio de elaboração do modelo.
0
Sessão de discussão
24,7
8,9
Laboratório de investigação
27,4
11,6
Descrição do problema
27,4
Desafio Potencialidade
Registra-se no Gráfico 8 que os fatores de potencialidades correspondem a

79,5% das categorias totais emergentes no estágio de elaboração do modelo e os
fatores de desafios correspondem a 20,5% dessas categorias. Assim, o estudo junto
aos professores em formação evidenciou que o ciclo de modelagem de Hestenes
mostrou-se predominantemente favorável de ser aplicado no contexto do ensino
brasileiro de física. O momento da descrição do problema e o momento de laboratório
de investigação alcançaram a mesma taxa geral de potencialidade (27,4%) ao passo
que o momento de sessão de discussão alcançou taxa de potencialidade corresponde
a 24,7%. Destaca-se ainda que o momento de descrição do problema apresentou taxa
de desafio igual a 11,6%, portanto, maior que a taxa de desafio para momento de
laboratório de investigação, que foi de 8,9%.
Mas o que esses resultados podem dizer sobre o desenvolvimento de

competências para alfabetização científica? Visando a uma resposta para essa
pergunta, no quadro que segue resumo as potencialidades e os desafios em ordem
decrescente de frequência, em que a frequência indica o vetor de desenvolvimento de
determinada categoria.
161
Quadro 18 – Elaboração do modelo: potencialidades & desafios.
Etapas Potencialidades Desafios Frequência

Usar situações do Escolher temas.
cotidiano.
Caracterizar variáveis. Definir tópicos importantes.
Direcionar o conteúdo. Definir variáveis relevantes.
Descrição do
Realizar discussões. Realizar pesquisas.
Problema
Realizar questionamentos. Praticar modelagem.
Promover compreensão. ---
Caracterizar o tema. ---
Realizar investigações. ---
Buscar informações. Produzir dados.
Usar múltiplas Fontes de pesquisa.
representações.
Usar processo científico. Tempo para pesquisar.
Melhorar o desempenho. Validar dados.
Laboratório de Compartilhar Fazer entrevistas
Investigação conhecimentos.
Planejar ações. Definir o modelo.
Usar tecnologias. Definir objetivos.
Levantar hipóteses e Compreender os dados.
conclusões.
Fazer questionamentos. ---
Socializar o conhecimento. ---
Favorecer discussões e ---
debates.
Analisar criticamente. ---
Usar múltiplas ---
Sessão de Discussão representações.
Enriquecer o conhecimento. ---
Variedade de conclusões. ---
Levantar questões. ---
Elaborar explicações. ---
Levantar hipóteses. ---
No Quadro 18, relaciono as etapas referentes ao estágio de elaboração do

modelo, as potencialidades e os desafios em ordem decrescentes de frequência. A
seta de ponta para cima (vetor de desenvolvimento de competências) significa que,
em cada etapa, a frequência das categorias aumenta de baixo para cima. O vetor de
desenvolvimento corresponde à maior ou à menor possibilidade de desenvolvimento
de determinada categoria. Assim, no momento de descrição do problema, a
potencialidade usar situações do cotidiano surge com maior frequência que a
potencialidade realizar investigações e o desafio escolher temas surge com maior
frequência que o desafio praticar modelagem. No momento do laboratório de
investigação, a potencialidade buscar informações surge com maior frequência que a
potencialidade fazer questionamentos e o desafio produzir dados surge com maior
frequência que o desafio compreender dados produzidos. Por fim, no momento de
162
sessão de discussão, a potencialidade socializar o conhecimento surge com maior

frequência que a potencialidade levantar hipóteses.
Certamente, os fatores de potencialidade relacionados no quadro anterior

podem ser relacionados, tanto em forma quanto em conteúdo, a competências para
alfabetização científica organizadas no inventário de competências. Por exemplo, usar
situações do cotidiano relaciona-se em termos de significado à competência C2
(ampliar a percepção social sobre a influência da ciência no cotidiano); caracterizar
variáveis relaciona-se à competência C3 (analisar, interpretar dados e tirar conclusões
apropriada); realizar discussões relaciona-se com a competência C18 (responder e
formular perguntas de forma coerente e com base científica); buscar informações
entra em ressonância com a competência C14 (lembrar e aplicar conhecimento
científico apropriado); usar múltiplas representações entra em ressonância com a
competência C19 (transformar dados de uma representação para outra); usar
processo científico entra em ressonância com a competência C17 (propor formas de
explorar cientificamente dada questão); socializar o conhecimento aproxima-se da
competência C16 (produzir textos sobre temas em ciências articulando
conhecimentos e argumentos); favorecer discussões e debates aproxima-se da
competência C2 (ampliar a percepção social sobre a influência da ciência no
cotidiano); analisar criticamente aproxima-se da competência C3 (avaliar argumentos
científicos e evidências de diferentes fontes). Portanto, tais correspondências
sinalizam que o ciclo de modelagem pode ser efetivo para o desenvolvimento de
diferentes competências para alfabetização científica.
No próximo estudo, adentrarei na questão central de pesquisa ao discutir sobre

eventuais competências fundamentais para a formação de estudantes cientificamente
alfabetizados identificadas na visão dos professores em formação.
163
5.2 Competências em desenvolvimento
Neste segundo estudo, meu objetivo é investigar evidências que fundamentem

reflexões para entender possíveis competências para alfabetização científica em
desenvolvimento nos ciclos de modelagem. Para isso, utilizei o inventário de
competências em forma de questionário fechado (Apêndice Ib). Dessa maneira, os
professores em formação identificaram, a partir de suas próprias percepções,
possíveis competências nas tarefas realizadas em cada fase do estágio de elaboração
do modelo. Contudo, para que pudessem respondê-lo adequadamente, as perguntas
do questionário foram lidas e discutidas coletivamente visando ao esclarecimento de
dúvidas pendentes. Após as respostas, houve sessão de discussão para consolidar
compreensões sobre o que haviam respondido.
As respostas dos questionários foram interpretadas com recursos da análise

textual discursiva (MORAES e GALIAZZI, 2016) em que as competências descritas
no inventário de competências foram tomadas como categorias a priori. Para facilitar
as análises, as categorias foram codificadas na forma alfanumérica do tipo 𝐶𝐷𝑃𝑛, 𝑛 =
1, 2, 3, … , 20, em que, por exemplo, CDP1 corresponde à competência C1 do inventário
de competências categorizada na análise da fase de descrição do problema (DP).
Novamente, usarei a ideia de “frequência” relacionada à quantidade de citações

de determinada competência identificada nas percepções dos professores. Dessa
maneira, uma competência com alta frequência significa que foi bastante citada nas
respostas dos questionários. Por outro lado, baixa frequência significa uma
competência pouco referida pelos sujeitos da pesquisa.
A seguir, apresento e analiso os resultados alcançados.
5.2.1 Na fase de descrição do problema
Começarei com o resultado para as competências apontadas na fase de

descrição do problema. Ressalto que os resultados das frequências relativas nos
gráficos que seguem referem-se ao total de sujeitos participantes que responderam
os questionários (n = 13).
164
O gráfico seguinte ilustra competências emergentes para a fase de descrição

do problema.

emergentes na fase de descrição do problema.
84,6
76,9
61,5 61,5 61,5
53,8
46,246,2 46,2 46,2 46,2
38,5 38,5
30,8
23,1
%
15,4 15,415,4
7,7
0,0
No Gráfico 9, observa-se que a competência de maior frequência foi CDP8,

com taxa de 84,6% (11 citações). Em seguida, com média frequência, surgem as
competências: CDP2, com taxa de 76,9% (10 citações); CDP1, CDP3 e CDP17, cada
uma com taxa de 61,5% (08 citações); CDP12, com taxa de 53,8% (07 citações);
CDP4, CDP5, CDP7, CDP10 e CDP15 cada uma com taxa de 46,2% (06 citações);
CDP9 e CDP18 cada uma com taxa de 38,5% (05 citações); CDP16 com taxa de
23,1% (03 citações); CDP6, CDP13 e CDP14, cada uma com taxa de 15,4% (02
citações). Por fim, com baixa frequência e com taxa de 7,7% (01 citação) surge a
competência CDP20.
Considerando a alta frequência, para os sujeitos participantes da pesquisa, a

fase de descrição do problema parece ser favorável principalmente para a construção
da capacidade de diferenciar questões com possibilidades de serem investigadas
cientificamente, como podemos inferir na fala de S2: “a escolha da questão foi
bastante interessante, pois nela vimos o que seria ideal para trabalhar sobre o tema,
a variável que direcione para que tipo de estudo você quer realizar”. Para este
165
professor em formação, a discussão do problema foi importante para selecionar ou

para definir o que realmente investigar sobre o tema, ou seja, questões passíveis de
serem investigadas e questões que não apresentam condições de investigação
científica. Para este sujeito, o levantamento de variáveis durante a descrição do
problema também foi relevante para analisar questões ideais sobre o tema de
investigação.
Quanto à independência dos aprendizes para selecionar questões em ciclos de

modelagem, Hestenes (2010) comenta que os estudantes que assimilam o
conhecimento procedimental conseguem prosseguir de maneira sistemática em suas
próprias pesquisas, sem muita dependência do professor. Reflito que ao se sentirem
independentes para levar a cabo suas próprias pesquisas, possivelmente, essa
sensação fez com que os professores em formação relatassem a construção da
capacidade de diferenciar questões como uma das principais competências
emergentes no momento da descrição do problema.
Contudo, com baixa frequência, a fase de descrição do problema parece não

ser favorável para a construção da capacidade de transformar dados de uma
representação para outra. Sobre essa questão, S4 comenta “a dificuldade de definir
as variáveis necessárias e mais importantes a serem discutidas e socializadas”.
Entende-se que a descrição do problema possibilita aos modeladores melhorar a
compreensão sobre as variáveis em jogo no ciclo de modelagem, mas nem sempre é
fácil a definição dessas variáveis. Essa definição envolve descartar outras variáveis
que poderiam promover discussões talvez até mais ricas que a variável escolhida de
fato pelos sujeitos da pesquisa. A caracterização de variáveis, portanto, pode ser uma
capacidade que precisa ser incentivada para ser uma competência passível de ser
construída no momento da descrição do problema.
5.2.2 Na fase de laboratório de investigação
No seguinte gráfico, mostro o resultado para as competências apontadas pelos

sujeitos da pesquisa como emergentes na fase de laboratório de investigação,
codificadas na forma 𝐶𝐿𝐼𝑛, 𝑛 = 1, 2, 3, … , 20, em que CLI4 corresponde, por exemplo,
à competência C4 do inventário de competências categorizada na análise da fase de
laboratório de investigação (LI).
166

emergentes na fase de laboratório de investigação.
92,3
84,6 84,6
76,9 76,9 76,9 76,976,9
69,269,2 69,2 69,2 69,2 69,2
61,5 61,5
53,8
46,2
%
23,1 23,1
Como ilustra o Gráfico 10, na visão dos sujeitos da pesquisa, a competência de

maior frequência foi CLI5, com taxa de 92,3% (12 citações). Em seguida, com média
frequência, surgem as competências: CLI4 e CLI11, ambas com taxa de 84,6% (11
citações); CLI1, CLI6, CLI12, CLI14 e CLI15, cada uma com taxa de 76,9% (10
citações); CLI2, CLI3, CLI7, CLI9, CLI13 e CLI18, cada uma com taxa de 69,2% (09
citações); CLI17 e CLI19 ambas com taxa de 61,5% (08 citações); CLI8 com taxa de
53,8% (07 citações); CLI10 com taxa de 46,2% (06 citações). Por fim, baixa
frequência, cada uma com taxa de 23,1% (03 citações), as competências CLI16 e
CLI20.
Esses dados evidenciam que, para os sujeitos da pesquisa, a fase de

laboratório de investigação parece ser favorável, dada a alta frequência,
principalmente para a emergência da capacidade de avaliar formas de explorar
cientificamente dada questão. Nessa direção, S7 comenta que: “na produção de
dados nós percebemos e pesquisamos as informações de como obtermos
informações para satisfazer as nossas necessidades”. Para este professor em
formação, o fato de terem que pesquisar sobre processos investigativos foi
significativo para avaliar as diferentes maneiras que poderiam ser aplicadas para
explorar o problema em ciclos de modelagem.
167
Quanto ao processo de pesquisa, Hestenes (2010) reflete que o primeiro passo

é construir um modelo explícito da situação implícita nas condições iniciais do
problema. Em seguida, faz-se a extração de uma resposta para a questão proposta.
Talvez em função desse processo científico foi que os sujeitos envolvidos na pesquisa
perceberam a potencialidade para avaliar diferentes maneiras de questionar sobre o
problema em foco no ciclo de modelagem.
No entanto, considerando a baixa frequência, na visão dos sujeitos, o

laboratório de investigação parece não ter contribuído para a produção de textos
científicos e para usar diferentes linguagens no decorrer da aprendizagem. Nessa
linha, S12 argumenta: “vejo como negativo nessa etapa a dificuldade que
encontramos na absorção dos dados que, em alguns momentos, nos remeteram à
pesquisa em fontes diferentes, além da sala de aula”. Para este professor em
formação, houve dificuldade para absorver os dados produzidos em campo visando a
elaborar o modelo matemático, uma vez que houve necessidade de fazer pesquisas
adicionais para alcançar o objetivo. Além disso, a dificuldade na absorção dos dados
parece ter inibido o uso de diferentes linguagens no processo investigativo.
Reflito que os sujeitos participantes da pesquisa podem não ter percebido a

capacidade de produção de texto no decorrer da fase de laboratório de investigação
porque não foi solicitado explicitamente atividade desse tipo nessa etapa do ciclo de
modelagem de Hestenes. Porém, chama a atenção o fato de eles não terem percebido
a capacidade de usar diferentes linguagens, talvez porque não tenha ficado claro
quais tipos de linguagens o questionário se referia.
5.2.3 Na fase de sessão de discussão
O resultado da análise para as competências apontadas pelos sujeitos da

pesquisa na fase de sessão de discussão é mostrado no gráfico que segue,
codificadas como 𝐶𝑆𝐷𝑛, 𝑛 = 1, 2, 3, … , 20, em que CSD20 corresponde, por exemplo,
à competência C20 do inventário de competências categorizada na análise da fase de
sessão de discussão (SD).
168

emergentes na fase de sessão de discussão.
13 13
12
11 11 11
9 9 9 9
8 8
7 7
%
6 6 6
5
4
2
Percebe-se no Gráfico 11 que as competências CSD16 e CSD20 surgem com

maior frequência, citadas pela totalidade dos sujeitos, com taxa de 100% (13
citações). Com elevada frequência, surgem as competências: CSD19, com taxa de
92,3% (12 citações); CSD1, CSD7 e CSD14 cada uma com taxa de 84,6% (11
citações). Com média frequência, surgem as competências: CSD3, CSD6, CSD11 e
CSD13, cada uma com taxa de 69,2% (09 citações); CSD5 e CSD18, ambas com taxa
de 61,5% (08 citações); CSD4 e CSD9 cada uma com taxa de 53,8% (07 citações);
CSD2, CSD12 e CSD17 com taxa cada uma de 46,2% (06 citações); CSD10 com taxa
de 38,5% (05 citações); CSD15 com taxa de 30,8% (04 citações). Por fim, com baixa
frequência, surge a competências CSD8, com taxa de 15,4% (02 citações).
Desse modo, em função da alta frequência, para os sujeitos da pesquisa, a

sessão de discussão foi importante principalmente para desenvolver competências
para a produção de textos sobre temas em ciências com articulação de
conhecimentos e argumentos e para usar diferentes linguagens para manifestar
aprendizagens. Nessa direção, S1 comenta que esse momento: “nos permite
organizar os textos ou qualquer outro material que foi produzido durante o ciclo de
modelagem”. Em acréscimo, S2 relata que: “foi importante a troca de ideias com a
turma, as informações expostas de diferentes maneiras pela turma, as discussões
169
entre os colegas enriqueciam ainda mais o conhecimento científico sobre o tema”.

Para o primeiro sujeito, a fase de sessão de discussão foi relevante para sistematizar
a pesquisa por meio de produção textual. Já para o segundo sujeito, essa etapa foi
importante para promover discussões intergrupos e para apresentar as ideias por
meio de diversos tipos de representações simbólicas.
Com relação ao uso dos whiteboards, Hestenes (2010) assevera que é um

momento em que os estudantes aprofundam aprendizagens, porque estimula a
avaliação e a consolidação das vivências em atividades recentes de modelagem.
Nesse processo, como apontado pelos professores em formação, é possível articular
a produção de textos a processos argumentativos, possibilitando maior compreensão
do conhecimento científico.
Porém, em função da baixa frequência, para os sujeitos da pesquisa, a sessão

de discussão não se mostrou favorável para diferenciar questões possíveis de serem
investigadas cientificamente. Nesse sentido, S12 comenta que “ao meu ver, nessa
etapa o ponto negativo se restringe justamente na seleção do tema [problema] que
requer uma reflexão mais profunda, levando as considerações, as características que
cercam o tema”. Para este professor em formação, houve dificuldade para selecionar
pontos a serem investigados e discutidos. Tal percepção pode ser explicada pelo fato
de que os questionamentos produzidos no decorrer desse momento do ciclo de
modelagem visam a gerar situações argumentativas e não investigações
propriamente ditas, embora eventualmente possa ser desencadeado um novo
processo de investigação em função do processo argumentativo gerado.
Ao finalizar as análises desse segundo estudo, ressalto que as competências

identificadas na aplicação do inventário de competências não são terminais, uma vez
que foram apontadas por professores em formação após participação efetiva em três
ciclos de modelagem. Decerto que outros sujeitos poderiam apontar outras
competências a partir de outras percepções, mas julgamos que é possível tecer
algumas implicações iniciais ao ensino de ciências/física.
Nesse sentido, o gráfico que segue mostra uma visão geral das frequências
absolutas referentes a competências do inventário de competências consideradas
170
emergentes pelos professores em formação para cada fase do estágio de elaboração

do modelo.
Gráfico 12 – Competências apontadas no estágio de elaboração do modelo nas

percepções dos professores em formação.
13 13
12 12
11 11 1111,0 11 11
10 10,0 10 10 10 10
9 99 9 9 9 9 99 9
8,0 8,0 8 8,08 8 8
7 7 7 7,0
6 6,0 6,0 6,0 6,06 6 6,0 6
5,0 5 5,0
4,0 4
3,03 3
2,0 2 2,0 2,0
1,0
0,0
Descrição do Problema Laboratório de Investigação Sessão de Discussão
Chama a atenção no Gráfico 12 que, com exceção da competência C19, todas

as demais foram citadas como possíveis de serem desenvolvidas em todas as três
fases do estágio de elaboração do modelo (descrição do problema, laboratório de
investigação e sessão de discussão). Tem-se, portanto, que esse estágio se
apresentou como potencialmente favorável ao desenvolvimento de sujeitos com
capacidades básicas para alfabetização científica. Ou seja, as tarefas desenvolvidas
no ciclo de modelagem foram percebidas pelos sujeitos da pesquisa como altamente
favoráveis à formação de estudantes alfabetizados cientificamente. Tal asserção pode
ser ratificada observando-se o pico de cada frequência absoluta no gráfico em tela,
em que se percebe que a quantidade de competências emergentes na fase de
laboratório de investigação ultrapassa de maneira considerável a quantidade de
competências emergentes nas duas outras fases. Podemos inferir, portanto, que a
fase de laboratório de investigação foi a que possibilitou maior desenvolvimento de
competências, ao passo que a fase de sessão de discussão foi que favoreceu médio
171
desenvolvimento e a fase de descrição do problema possibilitou baixo

desenvolvimento de competências.
A seguir, num terceiro e último estudo, aprofundarei discussões sobre o

processo de sofisticação argumentativa como importante para a construção de
competências para alfabetização científica no ciclo de modelagem.
5.3 Efeitos da sofisticação argumentativa
Neste terceiro e último estudo, aprofundarei analises sobre falas de dois

professores em formação com o intuito de identificar evidências que apoiem reflexões
para entender como o processo de sofisticação argumentativa pode influenciar no
desenvolvimento de competências para alfabetização científica. Esse estudo, embora
inicial, é importante para perceber o efeito do apoio cognitivo de modelos matemáticos
sobre a estrutura dos argumentos dos estudantes em ciclos de modelagem.
Desse modo, avaliarei a estrutura argumentativa dos discursos do sujeito MS e

do sujeito PC no momento em que defendiam os modelos matemáticos de suas
esquipes. Para isso, fiz transcrições de suas falas (Apêndice III) conforme técnicas de
transcrição de Carvalho (2006). Após as transcrições, as falas foram “esquadrinhadas”
a partir dos layouts de argumentação de Toulmin (2006) discutidos anteriormente no
capítulo 2. Esse passo foi necessário para identificá-las em estrutura elementar,
estrutura básica ou estrutura avançada. Considerei que uma estrutura argumentativa
elementar possui apenas dados (D), Justificativas (J) e conclusões (C). Uma estrutura
argumentativa básica, além desses três, apresenta qualificadores (Q) e/ou condições
de refutação (R). Uma estrutura argumentativa avançada acrescenta um fundamento
(F) às justificativas do argumento.
5.3.1 O discurso de MS
MS foi um sujeito que, à época da pesquisa, contava com 30 anos de idade,

sendo 08 anos de experiência docente municipal. No decorrer dos ciclos de
modelagem, mostrou-se interessado na realização das tarefas. Participou ativamente
de discussões e de pesquisas. Em grupo, era solidário com os demais colegas. No
quadro a seguir, transcrevo o discurso de MS para explicar sobre o modelo
172
matemático construído por sua equipe visando ao entendimento do problema poluição

sonora na escola:
Quadro 19 – Episódio argumentativo de MS: poluição sonora.
Turno Verbal Oral Ação/gestos

2 MS: Então... a comparação dos nossos... dos nossos gráficos... a Aponta com uma
(04'07'') gente fez uma pesquisa né... e a gente verificou que... há uma régua para um
poluição assim um pouco que alta né em relação à norma da gráfico no
instituição ((MS se refere ao valor limite de cinquenta decibéis whiteboard.
estabelecido pela organização mundial de saúde)) então assim... e
a gente verificou que a/aonde há um/quase um digamos que um
equilíbrio para a norma padrão foi só nas/nos locais... por
exemplo... cozinha... quadra... onde eram retiradas a ques/é da
avenida nos locais... mas mesmo nas salas... éh:: vazias mas Gesticula
sinalizando
próximas da avenida então há uma perturbação sonora meio
equilíbrio:
grande né... então há nos locais retirados não... há uma
perturbação sonora quase que... quase que normal né... a/o limite...
então por exemplo a quadra... a cozinha... então a gente... a gente
preparou assim soluções né para amenizar esse problema... por
exemplo... que fosse... é... transferido as salas que são próximas
aqui da avenida... é... avenida Maicá para o outro lado né... sendo
que aquela rua ali é pouco movimentada... claro que
((incompreensível)) não solucionava o problema... mas minimizaria
bastante né... éh::/mas... éh::... uma outra solução que eu...
questão da minha opinião seria mais viável né... questão de fechar
essa...a parte... essas partes abertas... fecharia tudo... e
climatizava... climatizava... então se fechasse eu acredito que é...
minimizava muito mais o problema... porque a gente tem como Aponta para uma
exemplo ali a sala de... de informática né... que é toda fechada e a rua ao lado da
gente... a gente te/... a gente tem um... digamos que uma aula mais escola.
agradável né... as salas fechadas ali... porque elas não são tão
fechadas mas... também são aulas mais agradáveis né... e essas
aqui não... porque são... éh:: abertas assim... fica muito... nem que
se fosse numa... numa... questão duma avenida... por exemplo ali... Aponta para partes
mas sempre ia haver uma perturbação sonora... ela sendo aberta... abertas na lateral da
devido... gritos de pessoas... pessoas que passam... pessoas que sala de aula de aula.
falam... a própria outra sala ao lado né... e vinha o som ainda
te/teria uma perturbação sonora... agora fechando não... aí
minimizaria isso...
Na transcrição apresentada no Quadro 19, verifica-se que, com base nos dados
sobre os níveis sonoros, MS concluiu que havia nível sonoro alto nos locais próximos
às avenidas movimentadas e que, nos locais afastados dessas avenidas, o nível
sonoro ficou próximo do permitido por lei. Além disso, ele concluiu que as salas de
aula deveriam ser construídas no local onde ficavam a quadra de esportes ou
deveriam ter suas aberturas laterais fechadas e serem climatizadas. Tais conclusões
foram fundamentadas nas garantias de que os valores obtidos para os níveis sonoros
próximos às ruas movimentadas foram superiores ao permitido pela Organização
173
Mundial de Saúde (OMS), ou seja, de 50 dB. E que, na quadra de esportes e na

cozinha, os níveis sonoros ficaram próximos ao permitido, assim como o valor do nível
sonoro registrado nas salas fechadas. Essas garantias foram apoiadas na normativa
estabelecida pela OMS em que o valor de 50 dB deveria ser o limite aceitável do nível
sonoro para garantir a saúde auditiva. Contudo, MS não atribuiu qualificadores do tipo
“possivelmente” ou “provavelmente” para suas conclusões, embora tenha
apresentado condições de refutação ao propor que a troca de lugar das salas de aula
poderia não resolver totalmente o problema e que, por mais que as aberturas laterais
fossem fechadas, ainda poderia haver algum barulho devido à proximidade da avenida
movimentada.
Ao desconstruir o discurso de MS em unidades de significado, é possível

analisá-lo quanto a sua estrutura argumentativa, conforme figura a seguir:
Figura 41 - Estrutura argumentativa do discurso de MS.
Na Figura 41, o retângulo superior esquerdo representa a origem dos dados

(D) do argumento, no caso, inferidos a partir do modelo matemático elaborado pela
equipe de MS. O retângulo superior direito representa as conclusões (C) do
174
argumento, obtidas com base na interpretação do modelo matemático. O retângulo

central esquerdo representa as justificativas (J) do argumento para garantir as
conclusões e as afirmações, sendo que o pontilhado indica que, de acordo com Vieira
e Nascimento (2013), nem sempre as garantias estão explícitas nas falas dos sujeitos,
mas implícitas no discurso. O retângulo inferior esquerdo representa o apoio (F) para
dar sustentação às justificativas do argumento e o retângulo inferior direito representa
condições de refutação (R) para as conclusões do argumento. Ou seja, trata-se de um
argumento bem elaborado, portanto, estruturalmente avançado.
Interessante frisar que o argumento de MS foi passível de ser estruturado a

partir do layout avançado de Toulmin (2006), revelando ser um argumento coerente
com uso de fundamento científico. Uma pergunta a colocar é: quais fatores podem ter
contribuído para a formação desse argumento estruturalmente avançado? Considero
razoável pensar que um desses fatores pode estar relacionado, ao menos em parte,
à presença ostensiva do modelo matemático no movimento argumentativo. Nesse
sentido, o modelo matemático parece ter contribuído para gerar um argumento
estruturalmente coerente, pois ele serviu de foco para o desenvolvimento do raciocínio
do sujeito.
Por outro lado, um fator que pode ser limitante ao movimento argumentativo diz
respeito ao repertório conceitual dos sujeitos. Durante seu discurso, MS citou termos
como “poluição sonora” e “perturbação sonora”, contudo, sem aprofundar discussões
sobre os significados físicos desses termos. Isso realça a importância de o professor,
enquanto gestor do discurso, promover argumentações sobre conteúdos conceituais
para consolidar justificativas científicas.
Na próxima análise, reforçaremos algumas inferências realizadas acima.
5.3.2 O discurso de PC
A transcrição no próximo quadro, que vai desde o turno 2 ao turno 12, refere-
se ao momento em que o sujeito PC inicia seu discurso para defender o modelo
matemático de sua equipe referente ao problema do lixo de papel na sala de aula. À
época da pesquisa de campo, PC contava com 24 anos de idade, sendo 03 anos de
experiência docente na esfera municipal. Durante os ciclos de modelagem, mostrou-
175
se participativo e reflexivo frente as situações analisadas. Não mediu esforços para

pesquisar dados qualitativos e quantitativos. Sua curiosidade o levava a ser
questionador, ao mesmo tempo, procurava responder suas próprias perguntas por
meio de pesquisas. Não gostava de ficar em grupos grandes, porém, mostrava-se
solidário com os componentes de seu grupo e com os componentes dos outros
grupos.
Quadro 20 – Episódio argumentativo de PC: lixo de papel.
Turno Discurso Verbal Ação/Gestos

2 PC: Lembrando lá da geometria... desenhei uma folha... a unidade
(02'15'') que dava... dava em milímetros... e eu transformei logo para
metros... então duzentos e dez milímetros equivale a zero virgula Aponta para o
vinte e um metros... que era altura da folha... ou a largura... nesse whiteboard.
caso aqui o comprimento que seria igual à base... dava duzentos
e noventa e sete milímetros... eu transformei para zero vírgula
duzentos e noventa e sete metros... então aí... eu calculei a área
de uma folha... a área de uma folha é igual à base vezes a altura...
que é um retângulo... calculei uma área medida em metros
quadrados... por isso que eu fiz aquelas transformações antes...
então zero vírgula vinte e um vezes zero vírgula duzentos e
noventa e sete é igual a zero vírgula zero seiscentos... seis mil...
seis mil duzentos e trinta e sete metros quadrados... ou zero
vírgula zero seis aproximadamente... só que eu não usei essa
aproximação... depois... eu usei a proporção... que a informação Gesticula apontando
que tinha lá... na capa do negócio lá ((PC se refere à gramatura da para o whiteboard:
folha de papel A4) dizia que setenta e cinco gramas por metro
quadrado... aí logo veio uma dúvida antes de eu resolver isso eu
via aqui... quanto era que valia... quantas folhas eu formaria um
metro... então eu peguei um metro e dividi pela área de uma
folha... então para mim formar um metro de um/ um metro quadro
dessas folhas de papel a quatro eu usaria aproximadamente
dezesseis folhas... que é o que ia ser/equivaler a essa
((incompreensível))... então eu joguei da proporção setenta e cinco
gramas está para um metro assim como o valor da massa de uma
folha está para a área de uma folha... multipliquei os meios pelos Aponta para o valor
extremos... e achei o valor em grama... a massa de uma folha é da massa no
quatro vírgula seis... aproximadamente... gramas... aí como eu whiteboard.
precisava achar o peso... eu transformei essa grama para
quilograma... ficou zero vírgula zero quatro meia sete sete cinco...
gramas... aí eu achei o peso... para achar o peso... nós sabemos
que o peso é a massa vezes a gravidade... então eu queria achar
apenas de uma folha... então a massa de uma folha... que é isso
aqui que foi encontrado vezes a gravidade que é dez... então a
massa de uma folha é zero vírgula zero quatro seis sete cinco...
sete sete cinco... (Continua...).
176
Turno Discurso Verbal Ação/Gestos

3 Professor-pesquisador: Alí em cima por que que você Aponta para a parte
(5'02'') transformou para metros? superior do whiteboard.
4 PC: Aqui... por que... a área é medida em metros quadrados... Aponta para a parte
(5’06’’) então por isso que eu transformei essa informação... para superior do whiteboard.
facilitar o cálculo...
5 Professor-pesquisador: E como foi que você fez para calcular a
(5’16’’) área?
6 PC: A área... base vezes altura...
(5’18’’)
7 Professor-pesquisador: E da onde você tirou essa informação
(5’22’’) bases vezes altura?
8 PC: Tá aqui na imagem que é um retângulo... cálculo da área Aponta para o
(5’28’’) de um retângulo... é a base vezes a altura... whiteboard.
9 EF: Por causa do/da embalagem né...
(5’35’’)
10 LC: O formato da folha...
(5’40’’)
11 Professor-pesquisador: Se não fosse retângulo?
(5’44’’)
12 PC: Se fosse um triângulo teria que usar outra fórmula... se
(5’48’’) fosse um/uma circunferência... pi erre ao quadrado...
O Quadro 20 apresenta a transcrição do discurso de PC durante a sessão de

discussão sobre o lixo de papel. Verifica-se no turno 2 que, a partir dos dados
presentes no modelo matemático, PC concluiu que a área de uma folha de papel era
proximamente igual a 0,06 m². Conclusão justificada na garantia de que, sendo a folha
em forma de retângulo, para encontrar tal valor, ele multiplicou o valor da base (0,21
m) pelo valor da altura (0,297 m). Além disso, concluiu que a massa de apenas uma
folha de papel correspondia a 4,6 g, justificando que tal valor foi calculado ao aplicar
a proporção direta obtida da gramatura do papel A4 (75g/m²). Por fim, PC concluiu
que o peso de uma folha de papal A4 correspondia a aproximadamente 0,04 newtons;
cuja garantia para esta afirmação foi que o peso poderia ser calculado multiplicando-
se a massa da folha de papel pela aceleração da gravidade local. Além disso, verifica-
se que PC apresentou o qualificador “aproximadamente” para suas afirmações,
contudo, não apresentou condições de refutação ou apoio científico para o uso da
equação para o cálculo da área da folha de papel.
Utilizando-se o layout de Toulmin (2006), a estrutura do argumento de PC pode

ser esquematizada como mostra a figura que segue.
177
Figura 42 - Estrutura argumentativa do discurso PC.
Na figura 42, o retângulo superior esquerdo representa a origem dos dados (D)
do argumento, inferidos a partir da leitura do modelo matemático. O retângulo da
direita representa as conclusões (C) do argumento. Note a presença do qualificador
(Q) “aproximadamente” no interior das conclusões. O retângulo inferior esquerdo
representa as justificativas (J) do argumento, que legitimaram as conclusões.
Considerando que este argumento não apresenta condições de refutação (R) ou apoio
científico (F) para as garantias, podemos reconhecê-lo como estruturalmente básico,
pois apresenta advérbios que qualificam as conclusões.
Poderíamos novamente perguntar: qual fator pode estar contribuindo para a

formação de um argumento estruturalmente básico? Novamente, suponho que um
fator que parece estar interferindo na sofisticação do argumento de PC, ao menos em
parte, é a presença ostensiva do modelo matemático no cenário argumentativo.
178
Percebe-se que o modelo matemático serviu de foco para o desenvolvimento do

raciocínio de PC. A todo o instante, ele apontava para o modelo matemático buscando
informações contidas nas ferramentas de representação. Ao fazer isso, transformava
as inferências em afirmativas ou conclusões do argumento. Isso reforça a hipótese de
que a sofisticação de um argumento ou sua potência justificatória pode depender da
capacidade de o sujeito associar modelos mentais a modelos matemáticos no
momento do processo argumentativo.
Contudo, dada a ausência do fundamento científico na estrutura argumentativa

elaborada por PC, embora importante para a sofisticação do argumento, infere-se que
a presença do modelo matemático por si só no cenário argumentativo não foi
suficiente para que PC gerasse um argumento avançado e fundamentasse suas
justificativas em apoios científicos. Para isso, fez-se necessária a constituição de um
discurso de modelagem do tipo diretivo.
À primeira vista, por ter elaborado um modelo matemático funcional para

analisar o peso da folha de papel e ter aplicado apropriadamente as equações para o
cálculo da área e do peso, poderíamos ficar satisfeitos com as respostas
apresentadas por PC. Contudo, a estrutura básica do seu argumento revela a
necessidade de ação pedagógica por meio de gestão diretiva para evidenciar os
apoios científicos subjacentes aos procedimentos realizados a fim de evoluí-lo a uma
estrutura argumentativa avançada.
Nesse sentido, para estabelecer um discurso de modelagem do tipo diretivo foi

preciso uma série de questionamentos (turno 03 ao turno 12 do Quadro 20), como
descrevo nas passagens que segue:
Pesquisador: Como foi mesmo que você fez para calcular a área da folha de papel?
Nesse momento, PC apontou para o whiteboard e respondeu:
PC: Multipliquei a base vezes a altura...
Continuei a questionar:
179
Pesquisador: E como você sabe que a área pode ser calculada multiplicando-se a
base vezes a altura?
Então, PC apontou para um retângulo desenhado no whiteboard e respondeu:
PC: Pela imagem dá para saber... pois é um retângulo e a área de um retângulo é

calculada multiplicando-se a base vezes a altura...
Em auxílio ao sujeito PC, o sujeito LC acrescentou:
LC: Professor... nesse caso... o formato da folha indica que a área pode ser calculada
dessa maneira...
Então, para inserir uma condição de refutação, questionei:
Pesquisador: E se não fosse retângulo?
Outro sujeito, EF, exemplificou:
EF: Se fosse um triângulo usaria outra fórmula...
O sujeito PC forneceu outro exemplo:
PC: Se fosse uma circunferência seria pi erre quadrado...
No trecho acima, verifica-se minha tentativa enquanto gestor do discurso de

modelagem para estabelecer uma gestão diretiva com o objetivo de evidenciar o apoio
científico subjacente ao uso da equação usada no cálculo da área da folha de papel.
Ao questionar como o sujeito PC sabia que para calcular a área do retângulo poderia
multiplicar a base vezes a altura, minha intenção era evidenciar o fundamento
matemático da equação 𝐴 = 𝑏 𝑥 ℎ. Contudo, ficou evidente nas respostas dadas que
os sujeitos associavam o cálculo de áreas predominantemente ao formato de
superfícies: “Pela imagem dá para saber... pois é um retângulo e a área de um
retângulo é calculada multiplicando-se a base vezes a altura...” (PC); “Professor...
nesse caso... o formato da folha indica que a área pode ser calculada dessa
maneira...” (LC). Ou seja, respostas fundamentadas no uso rotineiro de fórmulas e
que tal uso precisa ser questionado de modo a levar a explicações envolvendo
180
fundamentos matemáticos, por exemplo, dividindo-se um retângulo em grade e

estabelecendo-se relações entre o número de retângulos menores e sua área total.
Desse modo, a falta de apoio científico para justificar o uso da equação sugere
que os sujeitos da pesquisa sabiam operacionalizá-la, mas dificilmente possuíam
modelos mentais capazes de estabelecer fundamentos matemáticos
consubstanciados para tal operação. Por outro lado, tal constatação foi possível
porque os “argumentos-em-ato” foram analisados por meio dos layouts de Toulmin
(2006). Isso favoreceu a percepção da falta do apoio (F) às justificativas no exato
momento em que os argumentos eram verbalizados oralmente em sala de aula. Os
layouts argumentativos mostraram-se uma ferramenta de análise poderosa para
avaliar “em tempo real” o discurso dos estudantes, possibilitando identificar lacunas
em seus modelos mentais, consequentemente, elaborar questionamentos visando
reformulações apropriadas.
Para finalizar as análises desse terceiro estudo, em que procurei evidenciar

principalmente o uso de modelos matemáticos como fator importante na sofisticação
das estruturas argumentativas dos estudantes, farei algumas considerações gerais.
Nesse sentido, vimos que durante o discurso de modelagem, a todo o momento, o
sujeito MS recorria às informações contidas no modelo matemático e as transformava
em afirmativas ou dados do argumento. Desse modo, o discurso argumentativo de MS
teve origem nas ferramentas de representação registradas no whiteboard, isso
significa que, como sustenta a teoria da modelagem, as inscrições simbólicas podem
ter sido de fato associadas a modelos mentais coerentes que apoiaram um raciocínio
argumentativo igualmente coerente.
Para reforçar essas inferências, a figura que segue ilustra o apoio de um

modelo matemático durante um episódio argumentativo de MS.
181
Figura 43 – Sujeito MS aponta com uma régua para o modelo matemático enquanto
elabora seu discurso.
Percebe-se na Figura 43 que o discurso de MS foi norteado pelas ferramentas

de representação constituintes do modelo matemático expresso no whiteboard.
Enquanto MS verbalizava oralmente seu raciocínio, ele usava uma régua escolar para
apontar para os dados do argumento. Nesse processo, o modelo matemático foi
essencial para apoiar seu raciocínio argumentativo.
Denota-se, portanto, a importância dos modelos matemáticos como

influenciadoras de modelos mentais. Para entender tal influência na perspectiva da
teoria da modelagem de David Hestenes, é necessário compreender o modelo
matemático como um modelo conceitual, isto é, um modelo mental coordenado a
inscrições simbólicas. Nessa visão, “a justificativa de raciocínio baseado em modelo
requer a tradução de modelos mentais em inferências a partir de modelos conceituais
que podem ser compartilhados publicamente” (HESTENES, 2015b, p. 13, tradução
nossa). Ou seja, ao compartilhar em público seu raciocínio, o sujeito MS elaborou o
argumento conforme traduziu seu modelo mental em linguagem verbal oral a partir de
inferências apoiadas nas inscrições simbólicas. Isso sugere a hipótese de que a
qualidade de um argumento, ou seja, sua potência justificatória, pode depender da
capacidade de o sujeito associar modelos mentais a modelos matemáticos no
momento do processo discursivo (conversação). Essa é uma hipótese relevante para
182
entender a sofisticação argumentativa em ciclos de modelagem, hipótese a ser

testada em pesquisas futuras.
A figura que segue ilustra múltiplas linguagens no processo argumentativo com

uso dos whiteboards.
Figura 44 – Uso de whiteboards no cenário argumentativo: associação entre

linguagem verbal oral, linguagem matemática e linguagem gestual.
Na Figura 44, nota-se que, enquanto PC usa a linguagem verbal oral, ele
também usa a linguagem gestual para apontar para o modelo matemático registrado
no whiteboard. Desse modo, a associação entre a tríade de linguagens (verbal oral,
matemática e gestual) certamente é um fator que pode contribuir para a sofisticação
argumentativa em ciclos de modelagem. Enquanto MS utilizava a linguagem oral para
verbalizar seu modelo mental durante a situação argumentativa, constantemente, ele
utilizava a linguagem gestual para apontar para as ferramentas de representação do
modelo matemático.
Assim, podemos inferir que o processo argumentativo de MS suscitou o uso de

pelo menos três tipos de linguagens: a linguagem verbal oral, a linguagem gestual e
a linguagem matemática. A linguagem verbal oral caracteriza-se pelo expressar-se
por meio de palavras utilizando a voz, momento em que MS deixou conhecer seus
pensamentos e sentimentos de maneira natural, ou seja, sem recursos simbólicos. A
183
linguagem matemática é rica em recursos simbólicos, por isso é importante para o

desenvolvimento do próprio raciocínio e, conforme a teoria da modelagem, para
desenvolver modelos mentais. A linguagem gestual corresponde a encenações e a
movimentos peculiares que MS fez durante seu discurso, envolve gestos, posturas,
expressões faciais, movimento dos olhos, proximidade entre locutor e interlocutor.
Essa riqueza de linguagens foi possível devido à presença do whiteboard no cenário
argumentativo, caso contrário, predominaria a linguagem verbal oral, como é comum
em discursos de salas de aula convencionais. Desse modo, ao que parece, os
modelos matemáticos expressos nos whiteboards exerceram a relevante função de
potencializar o discurso dos estudantes ao possibilitar o uso associado de múltiplas
formas de linguagens. Trata-se, portanto, de mais uma possibilidade de pesquisa no
futuro.
Destaco ainda que os whiteboards de baixo custo financeiro se configuraram

como ferramentas de representação de fácil aquisição e de fácil implementação, mas
importantes ao movimento argumentativo de um ciclo de modelagem. Contudo, a
presença por si só do whiteboard no episódio discursivo mostrou-se insuficiente para
promover melhoramentos consideráveis nas estruturas argumentativas dos
professores. Nesse sentido, vimos que houve a necessidade de estabelecer um
discurso de modelagem do tipo diretivo, momento em que atuei ativamente na
proposição de questionamentos direcionados aos grupos. Ao fundamentarem suas
explicações apoiando cognitivamente suas falas nos modelos matemáticos,
simultaneamente, a própria estrutura dos “argumentos-em-ato” pareceu sofrer
sofisticação, passando de argumentos elementares a argumentos avançados,
aspecto fundamental para promover a formação de estudantes alfabetizados
cientificamente.
A seguir, resumirei as principais implicações da presente pesquisa no que diz

respeito ao ambiente gerado pela modelagem matemática no ensino de
ciências/física.
184
6 Contorno final
“Há três coisas na vida que nunca voltam atrás: a flecha lançada,
a palavra pronunciada e a oportunidade perdida.” (Autor
desconhecido).
Ao resgatar minha questão principal de pesquisa, a relembrar: em que sentido

a modelagem matemática enquanto abordagem educacional em física pode gerar
ambiente para a formação de sujeitos cientificamente alfabetizados? passo a fazer
algumas considerações, talvez não para finalizar as discussões, mas para propor
outras questões enquanto continuidade de investigação em função da tese aqui
desenvolvida.
Investigar a questão acima é relevante quando nos deparamos com resultados

de avaliações internacionais que apontam os estudantes brasileiros como possuidores
de capacidades insuficientes para resolver e para tomar decisões frente a problemas
simples do cotidiano. Contudo, investigá-la exigiu desafios a serem superados.
Um desafio que destaco foi perceber que, apesar de a alfabetização científica

já acumular cinco décadas de pesquisa mundial, ainda não se sabe ao certo o que
significa “ser cientificamente alfabetizado”. Em vista disso, surge uma avalanche de
compreensões sobre tal conceito, tornando-o polissêmico e difuso. Frente a tal
polissemia, fundamentado em trabalhos amplamente referendados na área, propus
uma concepção que focaliza a argumentação científica como principal capacidade
para a construção de competências essenciais ao cidadão do século XXI. Tal
concepção foi importante para propor um instrumento diagnóstico que chamei de
Inventário de Competências para Alfabetização Científica contendo a descrição de
vinte saberes fundamentais “garimpados” de publicações com grande prestígio no
coletivo de referências. O inventário de competências mostrou-se relevante para
orientar análises de ciclos de modelagem em física.
Outro desafio surgiu ao verificar que ainda não se tem consolidado um

referencial próprio para fundamentar procedimentos e interpretações sobre o ensino
de física com modelagem matemática. Nesse sentido, minha escolha foi utilizar a
teoria da modelagem de David Hestenes. A partir desse referencial, elaborei uma
visão de modelagem matemática como abordagem educacional mediadora entre os
185
modelos mentais e os modelos matemáticos construídos para agir sobre o mundo

físico. Essa visão foi necessária para iluminar a função dos modelos matemáticos na
cognição humana, pois, sendo estes deliberadamente constituídos por múltiplas
ferramentas de representação, podem agir sobre compreensões incoerentes,
levando-as a reformulações apropriadas com base no conhecimento científico. Isso é
importante porque modelos mentais próximos aos modelos da ciência é um requisito
essencial à construção de competências para a formação de sujeitos cientificamente
alfabetizados.
Não obstante, a presente pesquisa evidenciou que tal reformulação dificilmente

ocorre sem orientação pedagógica para tal. Nesse sentido, apresentei o ciclo de
modelagem de Hestenes enquanto didática efetiva ao favorecimento da modelagem
mental. O ciclo de modelagem mostrou-se importante para orientar o planejamento de
atividades de sala de aula uma vez que ele concentra a organização curricular ao
redor da elaboração e da implementação de um modelo matemático constituído de
múltiplas ferramentas de representação. No decorrer do ciclo de modelagem, o
discurso de modelagem foi essencial para orientar situações argumentativas a partir
da estrutura epistêmica do modelo matemático em foco. Na base dessa didática, o
ponto principal é o uso dos whiteboards (pequenos quadros brancos) cuja função é
apoiar raciocínios coletivos sobre conteúdos conceituais, procedimentais e atitudinais
em física.
Cabe relembrar que a ideia de modelo matemático proposta nessa pesquisa foi
para além de uma “equação matemática”. Considerei que um modelo matemático
possui uma conotação ampla ao envolver um conjunto de estruturas (sistêmica,
geométrica, interativa e temporal) associadas a modelos mentais. Essa visão
epistemológica e cognitiva é relevante para abordar apropriadamente em sala de aula
problemas complexos encontrados no dia a dia dos estudantes. Além disso, ela
possibilita um olhar aprofundado nas ferramentas de representação que os discentes
utilizam para desenvolver modelos matemática e para expressar seus raciocínios, pois
orienta a atenção do professor para a cognição humana.
Desse modo, a pesquisa envolveu três estudos. Num estudo preliminar, por
meio de questionário aberto, investiguei potencialidades e desafios do ciclo de
186
modelagem de Hestenes na visão de professores de em formação. Num segundo

estudo, apliquei o inventário de competências em forma de questionário fechado junto
aos sujeitos da pesquisa para investigar possíveis competências a serem construídas
durante o ciclo de modelagem. Num terceiro estudo, investiguei episódios
argumentativos visando a perceber como ocorre a sofisticação dos argumentos com
apoio cognitivo de modelos matemáticos.
Baseando-se nas evidências do primeiro estudo, é possível destacar que, na

visão dos sujeitos da pesquisa, a modelagem matemática, por meio do ciclo de
modelagem de Hestenes, possui potencialidades para direcionar o conteúdo de
acordo com a organização curricular sugerida para a disciplina, para enfatizar o uso
de diferentes formas de representar a situação modelada e para contribuir com o
fortalecimento de discussões e de debates em sala de aula. Não obstante, houve
certos limitadores, entre eles: a dificuldade para escolher problemas dentre uma
infinidade de possibilidades temáticas e a dificuldade para fazer pesquisas devido à
insuficiência de fontes de informações.
Uma questão que se pode levantar para o aprofundamento desse estudo é

investigar: o que apontariam outros sujeitos com relação a potencialidades e a
desafios do ciclo de modelagem de Hestenes considerando outros contextos
educacionais? Esse questionamento revela as limitações do estudo quanto a variáveis
referentes ao contexto em que a investigação foi realizada. Uma vez que não
pretendemos generalizar os resultados somente com os dados apresentados, faz-se
necessário o prosseguimento das discussões, colocando-se outras variáveis no
cenário do ciclo de modelagem.
A partir do evidenciado no segundo estudo, é possível considerar que a fase

de descrição do problema mostrou-se favorável principalmente para diferenciar
questões possíveis de serem investigadas cientificamente (C8). A fase de laboratório
de investigação foi favorável principalmente para avaliar formas de explorar
cientificamente dada questão (C12) e a fase de sessão de discussão apresentou-se
favorável principalmente para produzir textos sobre temas em ciências articulando
conhecimentos e argumentos (C16) e para usar diferentes linguagens para manifestar
aprendizagens (C20).
187
No ciclo de modelagem de Hestenes os estudantes, quando reunidos em

grupos colaborativos, são levados a comparar suas perguntas e seus
questionamentos sobre a situação física. Esse ato de comparar as indagações pode
levá-los a rejeitar perguntas consideradas “não científicas” em detrimento de
perguntas com algum cunho de cientificidade, possibilitando tarefas didáticas
produtivas em termos de alfabetização científica.
Ao elegerem uma pergunta considerada científica, os sujeitos discutem

maneiras de como explorá-la. Primeiramente, por meio de conhecimentos prévios que
possuem no momento, depois, por meio de pesquisas para enriquecer seus próprios
modelos mentais. A partir de novas aprendizagens potencializadas nas discussões
coletivas em que se focaliza o conteúdo conceitual, procedimental e atitudinal, os
estudantes municiam-se de argumentos científicos sobre o problema enfrentado,
possibilitando a produção de textos em que relatam suas vivências. Essa dinâmica
pode, ao que parece, ao menos em algum grau, desenvolver efetivamente
competências para a formação de sujeitos cientificamente alfabetizados. Contudo,
algumas questões surgem para aprimorar reflexões sobre esse segundo estudo: como
o inventário de competências indicaria o desenvolvimento de alfabetização científica
quando aplicado a diferentes contextos socioculturais? ou quando aplicado em função
de um olhar externo em vez do olhar dos próprios sujeitos da pesquisa?
Diante das evidências do terceiro estudo, é possível inferir que os argumentos

dos sujeitos MS e PC parecem ter sofrido sofisticação estrutural em função da
presença ostensiva do modelo matemático no cenário argumentativo. Além disso, o
uso de whiteboards parece ter favorecido a interação efetiva entre a linguagem verbal
oral, a linguagem matemática e a linguagem gestual no processo discursivo. Assim, é
possível inferir que os modelos matemáticos foram essenciais para catalisar
sofisticações na estrutura argumentativa dos discursos dos sujeitos, bem como para
promover a interação entre a linguagem verbal oral, a linguagem matemática e a
linguagem gestual. No entanto, é possível questionar: até que ponto os argumentos
podem ter sofrido sofisticação em suas estruturas somente em função da presença
dos modelos matemáticos no episódio discursivo? quais outras tarefas os professores
em formação realizaram no ciclo de modelagem que podem ter influenciado na
sofisticação de seus argumentos?
188
No geral, os resultados evidenciados nesta pesquisa fortalecem a tese de que,

enquanto abordagem educacional em física, a modelagem matemática pode ser
geradora de ambiente para alfabetização científica em que a natureza das
competências em desenvolvimento vai depender de como se organiza
determinado ciclo de modelagem em sala de aula. Certamente, outras pesquisas
se fazem necessárias para aprofundar discussões sobre a tese aqui desenvolvida, por
exemplo, investigar a alfabetização científica em função de outros ciclos de
modelagem amplamente disseminados na literatura em ciências e em matemática. As
pesquisas continuam!
189
Referências
AGÊNCIA PARÁ. Sustentabilidade nos municípios produtores de energia. 2015.

Disponível em: http://agenciapara.com.br/Noticia/114301/fapespa-lanca-publicacao-
sobre-sustentabilidade-nos-municipios-produtores-de-energia. Acesso em: 03 de jul.
2018.
ALMEIDA, L. W.; SILVA, K. P.; VERTUAN, R. E.; Modelagem matemática na

educação básica. São Paulo: Contexto, 2012.
AMBRÓSIO, M. O uso do portfólio no ensino superior. Rio de Janeiro: Vozes, 2013

(Livro digital).
AMTA. American Modeling Teachers Association. Disponível em:

<http://modelinginstruction.org/>. Acesso em: 19 fev. 2018.
ANGELL, C.; KIND, P. M.; HENRIKSEN. E. K. Implementation of empirical-

mathematical modelling in upper secondary physics: Teachers’ interpretations and
considerations. Nordina, v. 4, n. 2, p. 113-122, 2008.
ATKIN, J. M.; KARPLUS, R. Discovery or invention. The Science Teacher, v. 29, n.

2, p. 121-143, mar. 1962.
BARBOSA, J. C. Modelagem matemática: concepções e experiências de futuros

professores. 2001. 256f. Tese (Doutorado em Educação Matemática) – Instituto de
Geociências e Ciências Exatas, Universidade Estadual Paulista, Rio Claro.
BASSANEZI, R. C. Ensino-aprendizagem com modelagem matemática. São

Paulo: Contexto, 2004.
____ Modelagem matemática: teoria e prática. São Paulo: Contexto, 2015.BRASIL.
BATISTA, M.; C. A utilização da experimentação no ensino de física: modelando

um ambiente de aprendizagem. 85f. Dissertação (Metrado em Educação para a
Ciência e a Matemática) – Universidade Estadual de Maringá, Maringá, 2009.
BIEMBENGUT. M. S. Modelagem na educação matemática e na ciência. São

Paulo: Livraria da Física, 2016.
BIEMBENGUT, M, S.; HEIN, N. Modelagem matemática no ensino. 5ed. São Paulo:

Contexto, 2009, 127p.
BORGES, A. T. Um estudo de modelos mentais. Revista Investigações em Ensino

de Ciências, v. 2, n. 3, p. 207-226, 1997.
BRASIL. Base Nacional Comum Curricular. Secretaria de Educação Básica.

Brasília: MEC, 2017.
190
____. Brasil no PISA 2015 : análises e reflexões sobre o desempenho dos estudantes
brasileiros. OCDE - Organização para a Cooperação e Desenvolvimento Econômico.
São Paulo :Fundação Santillana, 2016.
____. Ministério da Educação. Secretaria da Educação Fundamental. Parâmetros

Curriculares Nacionais. Ciências Naturais. Brasília: MEC, 1997.
____. Ministério da Educação. Secretaria de Educação Básica. Orientações

Curriculares para o Ensino Médio. Ciências da Natureza, Matemática e suas
Tecnologias. Brasília: MEC, 2006.
____. Presidência da República. Casa Civil. Subchefia para Assuntos Jurídicos. Lei
de Diretrizes e Bases nº 9694, de 20 de dezembro de 1996. Disponível em
<http://www.planalto.gov.br/ccivil_03/leis/L9394.htm>. Acesso em: 20 out. 2017.
BREWE, E. Modeling theory applied: Modeling Instruction in introductory physics.

American Journal of Physics, Melville, v. 76, n. 12, p. 1155-1160, dec. 2008.
BREWE, E.; KRAMER, L.; O’BRIEN, G. Modeling instruction: positive attitudinal shifts
in introductory physics measured with class. Physics Education Research. v. 5, n.
013102, p. 0131021-0131025, 2009.
BREWE, et al. Toward a neurobiological basis for understanding learning in university

modeling instruction physics courses. Frontiers in ICT, v. 05, may. 2018.
BUNGE. M. Teoria e realidade. São Paulo: Editora Perspectiva, 1974.
____ Teoria e realidade. Tradução: Gita k. Guinsburg. São Paulo: Perspectiva, 2013.
BURAK, D. Modelagem matemática: ações e interações no processo de ensino-

aprendizagem. Tese de Doutorado em Educação-UNICAMP, São Paulo, 1992.
____. Uma perspectiva de modelagem matemática para o ensino e a aprendizagem

de matemática. In: BRANDT, C. F.; BURAK, D.; KLÜBER, T. E (Orgs.). Modelagem
matemática: perspectivas, experiências, reflexões e teorizações. Ponta Grossa:
Editora UEPG, 2016 (Livro Digital em Epub).
BURAK, D.; ARAGÃO, R, M. R. A modelagem matemática e relações com a

aprendizagem significativa. Curitiba: CVR, 2012.
CARREJO, D. J.; MARSHALL, J. What is mathematical modelling? exploring

prospective teachers’ use of experiments to connect mathematics to the study of
motion. Mathematics Education Research Journal, v. 19, n. 1, p. 45-76, jun. 2007.
CARVALHO, A. M. P. Uma metodologia de pesquisa para estudar os processos de

ensino e aprendizagem em salas de aula. In: SANTOS, F. M. T; GRECA, I. M. A
pesquisa em ensino de ciências no Brasil e suas metodologias. Ijuí: Unijuí, 2006,
p. 13-48.
191
CARVALHO, G. S. Literacia científica: conceitos e dimensões. In: AZEVEDO, F.;

SARDINHA, M. G. Modelos e práticas em literacia. Lisboa: Lidel, 2009, p.179‐194.
CHASSOT, A. Alfabetização científica: questões e desafios para a educação. 6 ed.

Ijuí: Unijuí, 2014a, 368p.
____. Educação conSciência. 2 ed. Santa Cruz do Sul: Edunisc, 2014b, 243p.
CHAVES, M. I. A.; ESPÍRITO SANTO, A. O. Modelagem matemática: uma

concepção e várias possibilidades. Boletim de Educação Matemática. Rio Claro, ano
21, n. 30, Fev. 2008.
CRESWELL, J. W.; CLARK, V., P. Pesquisa de métodos mistos. 2 ed. Porto Alegre:
Penso, 2013.
DANTE, L. R. Formulação e resolução de problemas de matemática: teoria e

prática. São Paulo: Ática, 2011, 217p.
DEMO, P. Educação e alfabetização científica. 1ª Reimpressão. São Paulo:

Papirus, 2013, 160p.
DESBIEN, D. M. Modeling discourse management compared to other classroom

management styles in university physic. 2002. 100f. Dissertation (Doctor of
Philosophy)-Arizona State University Arizona, Arizona, 2002.
DITMORE, D. A. Eﬀect of modeling instruction on concept knowledge among

ninth grade physics students. 2016. 100f. Dissertation (Doctor of Education)-
College of Education, Walden University, Arizona, 2016.
DUVAL, R. Semiósis e pensamento humano: registros semióticos e aprendizagens

intelectuais. Tradução: Lênio Fernandez Levy e Marisa Rosâni Abreu da Silveira. São
Paulo: Livraria da Física, 2011, 120p. (Fascículo I).
DYE, J. et all. The impact of modeling instruction within the inverted curriculum on
student achievement in science. Electronic Journal of Science Education. Texas,
v. 17, n. 2, p. 1-19, 2013.
EZEQUIEL, L. F. C. Análise de perfil conceitual em ciclos de modelagem: um

estudo sobre o ensino do efeito doppler. 2016. 148f. Dissertação (Mestrado em Ensino
de Física)-Universidade Federal de Lavras, Lavras, 2016.
FERRARI, L. Introdução à linguística cognitiva. São Paulo: Contexto, 2016, 171p.
FERREIRA, A. B. H. Miniaurélio. 8 ed. Curitiba: Positivo, 2014.
FLECK, L. Gênese e desenvolvimento de um fato científico. Tradução de Georg

Otte e Mariana Oliveira. Belo Horizonte: Fabrefactum, 2010. (Série Ciência,
Teconologia, Sociedade).
192
FREIRE, P. Pedagogia do oprimido. 46 ed. Rio de Janeiro: Paz e Terra, 2005, 213p.
GIERE, R. How models are used to represent reality. Philosophy of Science, v. 71,
n. 5, Dec. p. 742-752, 2004.
GOOGLE PLAY. Decibelímetro: Sound Meter. Disponível em:

<https://play.google.com/store/apps/details?id=kr.sira.sound&hl=pt_BR>. Acesso em:
25 out. 2017.
HALLOUN, I. A.; HESTENES. D. O. Modeling Instruction in mechanics. American

Journal of Physics. Melville, v. 55, n. 5, p. 455-462, may, 1987.
HEIDEMANN, L. A. Ressignificação das atividades experimentais no ensino de

física por meio do enfoque no processo de modelagem científica. 2015. 298f.
Tese (Doutorado em Ensino de Física)-Instituto de Física. Universidade Federal do
Rio Grande do Sul, Porto Alegre, 2015.
HEIDEMANN, L. A; ARAUJO, I. S.; VEIT, E. A. Atividades experimentais com enfoque

no processo de modelagem científica: uma alternativa para a ressignificação das aulas
de laboratório em cursos de graduação em física. Revista Brasileira de Ensino de
Física, São Paulo, v, 38, n. 01, p. 15041-150415, 2016.
____. Ciclos de modelagem: uma proposta para integrar atividades baseadas em

simulações computacionais e atividades experimentais no ensino de física. Cad. Bras.
Ens. Fís., Florianópolis, v. 29, n. Especial 2, p. 965-1007, 2012.
HESTENES, D. Conceptual Modeling in physics, mathematics and cognitive science.

SemiotiX, 2015. Disponível em:
<https://semioticon.com/semiotix/2015/11/conceptual-modeling-in-physics-thematics-
and-cognitive-science/>. Acesso em: 18 out. 2017.
____. Modeling theory and modeling instruction for stem education. 2016.
Disponível em: http://episteme6.hbcse.tifr.res.in/index.html. Acesso em 06 jun. 2018.
____. Modeling games in the Newtonian World. American Journal of Physics.

Melville, v. 60, n. 8, p. 732-748, aug. 1992.
____. Modeling methodology for physics teachers. In: INTERNATIONAL

CONFERENCE ON UNDERGRADUATE PHYSICS EDUCATION, 1996, College
Park. Proceedings... College Park, 1996, p. 935-958.
____. Modeling theory and modeling instruction for STEM education. IN:
INTERNATION CONFERENCE TO REVIEW RESEARCH ON SCIENCE,
TECHNOLOGY AND MATHEMATICS EDUCATION, 6., 2015, Mumbai.
Proceedings... Mumbai: Episteme6, 2015a.
____. Modeling theory for math and science education. In: LESH, R. et al. (Eds.)
Modeling student’s mathematical modeling competencies. New York: Springer,
2010, p. 13-42.
193
____. Notes for a modeling theory of science, cognition and instruction. In: GIREP
CONFERENCE, 2006, Amsterdam.Proceedings... Amsterdam: Girep, 2006, p. 34-65.
____. Toward a modeling theory of physics instruction. American Journal of Physics.

Melville, v. 55, n. 5, p. 440-454, may, 1987.
____. Modeling methodology for physics teachers. 1996. Disponível em:

http://modeling.asu.edu/R&E/ModelingMeth-jul98.pdf. Acesso em: 09 jun. 2018.
HESTENES, D., WELLS, M., e SWACKHAMER, G. Force concept inventory. The

Physics Teacher, College Park, v. 30, n. 3, p. 141-158, mar. 1992.
HURD, P. D. Science literacy: Its meaning for american schools. Educational

Leadership. October, v. 16, n. 1, p. 13-16, 1958.
JACKSON, J.; DUKERICH, L.; HESTENES, D. Modeling instruction: an effective

model for science education. Science Educator, v. 17, n. 1, p. 10-17, Spring, 2008.
JOHNSON-LAIRD, N. P. Mental models and human reasoning. PNAS, v. 107, n. 43,

p. 18243–18250, oct. 2010.
JOHNSON-LAIRD, N. P. Mental models. Cambridge: Harvard University Press, 1983.
____. The history of mental models. 2005. Disponível em:

<http://mentalmodels.princeton.edu/papers/2005HistoryMentalModels.pdf>. Acesso
em 17 out. 2017.
JUSTI. R. Relações entre argumentação e modelagem no contexto da ciência e do

ensino de ciências. Revista Ensaio, Belo Horizonte, v. 17, n. especial, p. 31-48, nov.
2015.
KANT. I. Crítica da razão pura. Tradução de Manuela Pinto dos Santos e Alexandre
Fradique Morujão. 5ed. Lisboa: Fundação Calouste Gulbenkian, 2001.
KERTIL, M.; GUREL, C. Mathematical modeling: a bridge to STEM education.

International Journal of Education in Mathematics, Science and Technology, v.
4, n. 1, p. 44-55, 2016.
KILPELA, D. W. The effects of modeling instruction on student learning of a

newtonian force concept. 2013. 71f. Dissertation (Master of Science)-Department of
Coginitive and Learning Sciences, Michigan Technological University, Michigan, 2013.
LEITÃO, S. O lugar da argumentação na construção do conhecimento em sala de

aula. In: DAMIANOVIC, M. C.; LEITÃO, S. (Orgs.). Argumentação na escola: o
conhecimento em construção. São Paulo: Pontes Editores, 2011, p. 13-46.
LIBÂNEO, J. C. Educação: pedagogia e didática. In: PIMENTA, S. G (Org.). Didática

e formação de professores: percursos e perspectivas no Brasil e em Portugal. 6 ed.
São Paulo: Cortez, 2011, p. 89-147.
194
MALHEIROS, B. T. Metodologia da pesquisa em educação. 2 ed. Rio de Janeiro:

LTC, 2011 (Livro Digital).
MAZUR, E. Peer instruction: a revolução da aprendizagem ativa. Tradução Anatólio

Laschuk. Porto Alegre: Penso, 2015 (Livro Eletrônico).
MEGOWAN-ROMANOWICS C. What is modeling instruction? NSTA Reports, p. 3,

2016. Disponível em: < http://www.nsta.org/publications/nstareports.aspx>. Acesso
em: 19 out. 2017.
MORAES, R.; GALIAZZI, M. C. Análise textual discursiva. 3 ed. Rio Grande do Sul:
Unijui, 2016, 224p.
MOUTINHO, P. E. C. CTS e a modelagem matemática na formação de

professores de física. 2007. 115 f. Dissertação (Mestrado em Educação em Ciências
e Matemática) – Núcleo Pedagógico de Apoio ao Desenvolvimento Científico –
NPADC, Universidade Federal do Pará, Belém, 2007.
OCDE. PISA 2015 Assessment and Analytical Framework: science, reading,

mathematic and financial literacy, 2016. Disponível em:
<http://dx.doi.org/10.1787/9789264255425-en>. Acesso em: 20 out. 2017.
PERRENOUD, P. Desenvolver competências ou ensinar saberes? a escola que

prepara para a vida. Trad. Laura Solange Pereira. Porto Alegre: Penso, 2013 (Livro
digital).
PIAGET, J. Epistemologia genética. Tradução: Álvaro Cabral. 4 ed. São Paulo:

Martins Fontes, 2016 (Textos de Psicologia).
PIZARRO, M. V.; LOPES JUNIOR, J. Indicadores de alfabetização científica: uma

revisão bibliográfica sobre as diferentes habilidades que podem ser promovidas no
ensino de ciências nos anos iniciais. Investigações em Ensino de Ciências. v. 20,
n. 01, p. 208-238, 2015.
ROBERTS, D. A e BYBEE R. W. Scientific literacy/science literacy. In: LEDERMAN,

N.G e ABELL, S.K. (Eds.). Handbook of research on science education, v. 2. p.
729-780, 2007.
SANTIAGO, C. Argumentação: a retórica antiga, a nova retórica e a perspectiva

enunciativo-dialógica. In: LIBERALI, F. C et al. (Orgs.). Argumentação em contexto
escolar: relatos de pesquisa. São Paulo: Pontes Editores, 2016, p. 15-33.
SASSERON, L. H. Alfabetização científica, ensino por investigação e argumentação:

relações entre ciências da natureza e escola. Revista Ensaio, Belo Horizonte, v.17,
p. 49-67, 2015. Número especial.
SASSERON, L. H.; CARVALHO, A. M. P. Construindo argumentação na sala de aula:

a presença do ciclo argumentativo, os indicadores de alfabetização científica e o
padrão de Toulmin. Ciência e Educação, Bauru, v. 17, n. 1, p. 97-114, 2011.
195
SASSERON, L. H.; MACHADO, V. F. Alfabetização científica na prática: inovando

a forma de ensinar física. São Paulo, SP: Livraria da Física, 2017.
SELAU, F. F. Atividades experimentais e crenças de autoeficácia: um estudo de

caso com o método episódios de modelagem. 2017. 109f. Dissertação (Mestrado em
Ensino de Física)-Instituto de Física, Universidade Federal do Rio Grande do Sula,
Porto Alegre, 2017.
SEVERINO, A. J. Metodologia do trabalho científico. 23ed. São Paulo: Cortez,

2007, 304p.
SILVA NETO, M. J. Ensino de física pela comparação entre experimento e modelo

teórico com uso da modelagem matemática. 2015, 131f. Tese (Doutorado em
Educação em Ciências e Matemáticas) - Instituto de Educação Matemática e
Científica, Universidade Federal do Pará, Belém, 2015.
SKOVSMOSE, O. Cenários para investigação. Bolema, Rio Claro, v. 13, n. 14, p. 66-
91, 2000.
SOUZA, E. S. R. Uma experiência com modelagem matemática para a abordagem de

conceitos de física. Acta Scientiae, v. 14, n. 02, p. 309-325, mai./ago. 2012.
____. A formação de modelos mentais na sala de aula. Revista Exitus, v. 3, n. 1, p.

169-184, jan/jun. 2013.
____. Modelagem matemática no ensino de física: registros de representação

semiótica. 2010. 124f. Dissertação (Mestrado)-Instituto de Educação Matemática e
Científica, Universidade Federal do Pará, Belém, 2010.
____. Dedução da equação tridimensional de condução de calor em sólidos e

análise de métodos para resolução. 2007. 36f. Trabalho de Conclusão de Curso
(Licenciatura em Física). Faculdade de Física, Universidade Federal do Pará, Belém,
2007.
SOUZA, E. S. R.; ESPÍRITO SANTO, A. O. Modelagem matemática como

metodologia para o ensino-aprendizagem de física. In: ENCONTRO PARAENSE DE
MODELAGEM MATEMÁTICA, 6. 2008, Belém. Anais...Belém: SBEM, 2008. 1 CD-
ROM.
SOUZA, E. S. R.; ROZAL, E. F. Instrução por modelagem de David Hestenes: uma

proposta de ciclo de modelagem temático e discussões sobre alfabetização científica.
Amazônia-Revista de Educação em Ciências e Matemática. v. 12, n. 24, p. 99-115,
2016.
SOUZA, E. S. R.; SANTOS, M. J. C.; FONSECA, C. L. Atitude interdisciplinar em

ambiente gerado pelo processo de modelagem matemática: uma atividade
envolvendo professores de matemática e física. 2009. 33f. Trabalho de Conclusão de
Curso (Especialização)-Instituto de Educação Matemática e Científica, Universidade
Federal do Pará, Belém, 2010.
196
TARDIF, M. Saberes docentes e formação profissional. 17 ed. Rio de Janeiro:

Vozes, 2014. 325p.
TOULMIN, S. E. Os usos do argumento. Trad. Reinaldo Guarany. 2 ed. São Paulo:

Martins Fontes, 2006, 375p.
VEIT, E. A.; TEODORO, V. D. Modelagem no ensino/aprendizagem de física e os

novos parâmetros curriculares nacionais para o ensino médio. Revista Brasileira de
Ensino de Física. v, 24, n. 02, jun. 2002.
VIEIRA, R. D.; NASCIMENTO, S. S. Argumentação no ensino de ciências:

tendências, práticas e metodologia de análise. Curitiba: Appris, 2013, 112p.
WELLS, M. Modeling instruction in high school physics. 1987. 166f. Dissertation

(Doctor of Education)-Physics Department, Arizona State University, Arizona, 1987.
Disponível em <http://modeling.asu.edu/thesis/WellsMalcolm_dissertation.doc>.
Acesso em: 18 out. 2017.
WELLS, M.; HESTENES, D.; SWACKHAMER, G. A modeling method for high school
physics instruction. American Journal of Physics. Melville, v. 63, n. 7, p. 606-619,
july, 1995.
197
Apêndices
Apêndice I - Questionários
Ia - Questionário aberto sobre fatores positivos e fatores negativos do ciclo de

modelagem.

Programa de Pós-Graduação em Educação em Ciências e Matemática-
PPGECM
Rede Amazônica de Educação em Ciências e Matemática-REAMEC
Nome:
Telefone: E-mail:
O objetivo deste questionário é analisar fatores positivos e fatores negativos
referentes ao ciclo de modelagem em face do contexto educacional brasileiro.
Certo de sua inestimável contribuição, fica meus sinceros agradecimentos!
Prof. Ednilson Sergio Ramalho de Souza
1) FATORES POSITIVOS.
1a) Descrição do problema
1b) Laboratório de investigação
1c) Sessão de discussão

198
2) FATORES NEGATIVOS.
2a) Descrição do problema
2b) Laboratório de investigação
2c) Sessão de discussão

199
Ib - Questionário fechado sobre competências essenciais em alfabetização

científica.

Programa de Pós-Graduação em Educação em Ciências e
Matemática-PPGECM
Rede Amazônica de Educação em Ciências e Matemática-
REAMEC
Nome:
Telefone: E-mail:
O objetivo deste questionário é analisar a emergência de competências para
alfabetização científica nas tarefas realizadas durante os ciclos de modelagem. Para
isso, é importante que você o responda com atenção e dedicação, assinalando:
quais competências você considera que emergiram durante as fases do ciclo
de modelagem? Certo de sua inestimável contribuição, fica meus sinceros
agradecimentos!
Prof. Ednilson Sergio Ramalho de Souza
Nº COMPETÊNCIAS AÇÕES
1 Adquirir habilidades de comunicação oral e escrita. DP LI SD
2 Ampliar a percepção social sobre a influência da Ciência no DP LI SD
cotidiano.
3 Analisar, interpretar dados e tirar conclusões apropriadas. DP LI SD
4 Avaliar argumentos científicos e evidências de diferentes DP LI SD
fontes.
5 Avaliar formas de explorar cientificamente dada questão. DP LI SD
6 Avaliar os vários caminhos que os cientistas usam para DP LI SD
assegurar a confiabilidade dos dados.
7 Desenvolver habilidades cognitivas que permita articular o DP LI SD
conhecimento científico com a realidade vivida.
8 Diferenciar questões possíveis de serem investigadas DP LI SD
cientificamente.
9 Distinguir entre argumentos, quais são baseados em evidência DP LI SD
científica e quais são baseados em outras considerações.
10 Fazer e justificar previsões apropriadas. DP LI SD
11 Fazer uso das ferramentas a sua disposição e do ambiente DP LI SD
para aprender ciências.
200
12 Identificar a questão explorada em dado estudo científico. DP LI SD

13 Identificar, utilizar e gerar modelos explicativos e DP LI SD
representações.
14 Lembrar e aplicar conhecimento científico apropriado. DP LI SD
15 Oferecer e testar hipóteses. DP LI SD
16 Produzir textos sobre temas em ciências articulando DP LI SD
conhecimentos e argumentos.
17 Propor formas de explorar cientificamente dada questão DP LI SD
18 Responder e formular perguntas de forma coerente. DP LI SD
19 Transformar dados de uma representação para outra. DP LI SD
20 Usar diferentes linguagens para manifestar aprendizagens. DP LI SD
Observações:
DP: Descrição do problema; LI: Laboratório de investigação; SD: sessão de
discussão.
201
Apêndice II – Confecção de whiteboards de baixo custo financeiro
Materiais:
• 03 folhas brancas de papel cartão medindo 50 cm x 70 cm.
• 02 metros de papel contact transparente.
• 01 tesoura.
• 01 tubo de cola branca pequeno.
• Investimento atual (2017) para 05 unidades: R$ 23,00.
Passo a passo.
1. Colar “meio a meio” duas folhas de papel cartão pela base maior conforme a
figura abaixo:
2. Cortar ao meio pela base maior uma folha de papel cartão conforme figura
abaixo:
3. Colar cada “meio” no resultado anterior, conforme figura abaixo:
4. O resultado do passo anterior é uma placa de papel cartão medindo

aproximadamente 70 cm x 70 cm.
5. Para finalizar, basta cobrir o conjunto com o papel contact. O “segredo”
consiste em deixar sobre uma mesa plana o papel contact com o lado
aderente para cima e então colar cuidadosamente a placa de papel cartão
sobre ele, depois, vira-se o conjunto e, com uma flanela seca, refina-se a
colagem e pronto! Veja o resultado:
202
203
Apêndice III – Transcrições
IIIa – Respostas ao questionário aberto.
S1
Pontos positivos Pontos negativos
“Nessa fase, você poderá escolher o tema a “A dificuldade de escolher o
partir de uma situação do cotidiano, por exemplo, tema, pois o ciclo de modelagem
e a partir da escolha, o modelador construirá o permite ao modelador ter
conjunto de caracterização do sistema diversas opções para
modelado”. desenvolver o trabalho”.
“Possibilidade de escolher quais das variáveis o “Dificuldade de relacionar a
modelador irá escolher para relacionar o variável escolhida com o
conteúdo que irá nortear outros processos do conteúdo que abrange o campo
ciclo”. conceitual”.
“A liberdade de como podemos coletar os dados “Dependendo de como se queira
quantitativos e qualitativos”. coletar os dados, de negativo
“A livre escolha de como o modelador irá será algo que impossibilite a
representar os dados que foram coletados e o coleta dos dados para poder
modelador poderá usar mais de uma estabelecer a relação com o que
se quer procurar. Ex.: Se, por um
representação”.
acaso, o modelador quer coletar
dados pela internet e, de
repente, a conexão falha e não
tem previsão de normalizar, é
claro que naquele momento
contribuirá para a não produção
de dados”.
“O tamanho dos whiteboards
que foram utilizados para
trabalhar, afinal, as ideias eram
muitas”.
“A maneira que este ciclo nos permite socializar, Não relatado.
argumentar e analisar criticamente o que foi
produzido”.
“Nos permite organizar os textos ou qualquer
outro material que foi produzido durante o ciclo
de modelagem”.
204
S2
“Foi interessante a troca de ideias para a escolha “A escolha do tema”.
do tema. A discussão de como iríamos repassar “Não poder trabalhar todos os
o tema foi interessante também, e os tópicos tópicos do tema”.
mais importantes do tema”.
“A escolha da questão foi bastante interessante,
pois nela vimos o que seria ideal para trabalhar
sobre o tema, a variável que direcione para que
tipo de estudo você quer realizar”.
“Foi interessante fazer com que os alunos “Depende do meio em que está
pesquisassem, através de vários meios de sendo pesquisado, pois pode
informação, conhecimentos científicos que haver ou não informações
possam dá subsídio ao seu trabalho”. suficientes”.
“As informações expostas no modelo “Infelizmente, o tempo foi curto
matemático são de suma importância na durante a exposição com a
qualidade do trabalho”. turma e as informações que não
foram colocadas todas”.
“Foi importante a troca de ideias com a turma, as Não relatado.
informações expostas de diferentes maneiras
pela turma, as discussões entre os colegas
enriqueciam ainda mais o conhecimento
científico sobre o tema”.
S3
“Foi importante os temas escolhidos e Não relatado
trabalhados em cada aula que tivemos com o
professor, pois parecia um simples tema, mas
quando foram coletados dados acerca de cada
tema, trouxe um bom entendimento e um
conteúdo categórico”.
“As relações que os temas trouxeram entre as
variáveis e constantes. Isso enriqueceu muito o
conteúdo da disciplina de matemática”.
205

“Foi gratificante, pois houve um grande Hão relatado.
desempenho na turma e partimos em busca de
informações de coleta de dados”.
“A organização dos dados, o processo científico
nos trouxe uma maneira boa de compreender
melhor como podemos chegar a se alfabetizar
cientificamente”.
“Os trabalhos foram muito bem apresentados, Não relatado.
houve debate e discussão”.
S4
“O aproveitamento do conhecimento prévio dos “A definição do tema e, quando
alunos, diversidade de opiniões sobre o tema e escolhido, às vezes a pouca
escolha do mesmo”. informação que surgem sem a
“A percepção que de um tema gerador há várias pesquisa”.
ramificações que ajudam no desenvolvimento do “Definir as variáveis necessárias
mesmo”. e mais importantes a serem
discutidas e socializadas”.
“A descoberta de informações e dados “A verificação de os dados
numéricos, que chamam a atenção e estimulam verídicos, e que tais métodos de
a busca por mais informações”. obter esses dados não
“Diversidade de intepretações dos dados, confiáveis”. “Os resultados não
tabelas, esquemas, de representações do tema”. serem precisos, pois o modelo
matemático sempre é possível
ser melhorado”.
“As variedades de conclusões do tema, as Não relatado.
formas e maneiras de apresentação mais
apropriada ao lugar do campo de pesquisa”.
S5
206
“O ponto positivo neste primeiro tópico é que ele Não relatado.

abre um leque bem abrangente de possibilidades
de estudo, pois, a partir da escolha do tema,
surgem inúmeras ramificações desse tema que
podem ser trabalhadas”.
“O ponto positivo é que ele nos revela uma nova
forma de se promover conhecimento”.
“O ponto positivo é que ele nos permite ir em Não relatado
busca de informações”.
“Ele nos possibilita compartilharmos e
usufruirmos de conhecimentos adquiridos no
decorrer da vida de estudante”.
“O ponto positivo é a socialização do Não relatado.
conhecimento adquirido e a variedade de
opiniões referentes ao mesmo tema”.
S6
“A partir da descrição do tema, tive uma visão “Dificuldade de escolher o tema”.
mais crítica sobre a minha comunidade”.
“É que a partir do tema surgem muitas variáveis
que facilita se familiarizar com o tema”.
“É que a partir da coleta de dados, já temos em “É em coletar os dados, quando
mente como vamos desenvolver”. necessita de entrevista”.
“É que surgem várias ideias de fazer, e isso abre “É definir qual modelo será mais
um leque de opções”. fácil para apresentar”.
“É a socialização que amplia o conhecimento, Não relatado.
surgem questionários contundentes e respostas
com boas explicações”.
S7
207

“Penso que na escolha de um tema nos faz Não relatado.
pensar em algo isolado, mas nem paramos para
pensar que tudo que nós consumimos tem um
leque de questões a serem comentadas e essa
escolha do tema nos instiga essa questão”.
“E na questão de modelagem que me fez
perceber a todo que nos deparamos tem uma
história, de onde vem para que serve para onde
vai, isso nos faz pensar sobre o que faremos com
determinado objeto”.
“Na produção de dados nós percebemos e Não relatado.
pesquisamos as informações de como obtermos
informações para satisfazer as nossas
necessidades”.
“No modelo matemático nos dá a ideia de
inúmeras possibilidades de obtermos resultados,
os inúmeros métodos diferentes de cada turma”.
“É na produção do whiteboard que organizamos Não relatado.
matematicamente e compartilhamos as
diferentes formas de chegarmos a um objetivo”.
“O conhecimento se dá amplamente distribuído”.
S8
“A escolha do tema nos permitiu escolher que “Escolher o tema a ser
área queríamos abordar e o que poderíamos discutido”.
explorar dentro deste tema”. “Excluir variáveis que poderiam
“Nos permitiu também escolher que ‘caminho’ ser discutidas”.
seguir, ou seja, para que disciplina direcionar a
socialização dos conhecimentos e o que
trabalhar dentro desta disciplina”.
“Para que conceitos direcionar os estudos”.
“Escolha do que investigar”.
“De que maneira realizar investigações”.
“Onde obter as informações para resolução do
dado problema”.
208
“Buscar meios para a coleta de dados e “Encontrar um caminho a
encontrar informações para a resolução dos seguir”.
problemas envolvidos na questão”.
“O uso de tecnologias para obter dados e
conceitos”.
“Encontrar meios para expor os dados
coletados”.
“Como resolver os problemas”.
“A organização de dados em tabelas, gráficos e
outras fontes”.
“Discussões geradas a partir da exposição do Não relatado.
whiteboard”.
“Diferentes métodos de exposição e resolução”.
S9
“Para mim é de extrema importância a escolha Não relatado.
do tema e sua real descrição (do mesmo). Sendo
que o tema seja uma situação do cotidiano do
aluno o que facilitará sua descrição”.
“Nesta etapa o interessante é que haja uma
relação entre conceitos já definidos sobre o tema
e sua descrição feita pelos alunos”.
“Nesse momento, o aluno será o responsável em Não relatado.
ir em busca das informações o que será bastante
produtivo, pois poderá pesquisar de várias
maneiras e, com isso, terá suas próprias
conclusões”.
“Com os dados da pesquisa o aluno irá organizá-
los da maneira mais adequada ao tema
escolhido, levando em consideração os dados
coletados na sua pesquisa visando um melhor
aproveitamento dos dados da pesquisa”.
209

“Apesar de ser o mesmo tema, nesta fase haverá Não relatado.
uma diversidade de ideias para se expor o
mesmo tema, o que faz com que todos sejam
levados a participar do início ao fim da sessão de
discussão”.
S10
“O que foi bom foram os próprios temas “O que precisa melhorar é o
trabalhados que nos deram amplas discussões”. tempo para a realização da
pesquisa de dados”.
“Uma experiência muito produtiva para o
processo de ensino”. “Dificuldade no discernimento
específico para o objetivo”.
“É preciso mais práticas”.
“O que foi positiva as várias formas e caminhos “O que precisa melhorar é a falta
em busca dos dados necessários”. de fontes para a pesquisa, como
“Positivas as várias representações acesso à internet e outros”.
matemáticas”. “É preciso ter mais fontes de
pesquisa”.
“Positiva foram as discussões e argumentações “É preciso melhorar o tamanho
que proporcionaram maior conhecimento”. dos whiteboards para as
representações matemáticas”.
S11
“São os caminhos que podemos traçar partindo “São as dificuldades
de um tema gerador, onde serão abordadas encontradas na hora da escolha
inúmeras situações em torno do problema do tema, mas vem à mente a
obtido”. ansiedade de como desenvolvê-
“São as oportunidades de escolhas que fazemos lo”.
relacionando apenas um tema onde ligamos o
máximo de informações possíveis”.
210
“São que, a partir do momento que começamos “São em determinadas ocasiões

a coletar dados, já temos em mente a real não saber definir realmente os
necessidade daquilo que iremos desenvolver”. objetivos a serem alcançados
“São as representações colocadas de maneira quando se trata de qualidade e
bastante significativa, antes de se iniciar as quantidade”.
apresentações”. “Falta de materiais para colocar
em prática esses
conhecimentos”.
“Socialização com a turma e uma nova maneira Não relatado.
metodológica”.
S12
“Julgo como ponto positivo nesta etapa as “Ao meu ver, nessa etapa o
diversas variáveis e constantes que estão ponto negativo se restringe
relacionadas com o tema, fazendo surgir um justamente na seleção do tema
leque de subtemas que acabam enriquecendo que requer uma reflexão mais
mais a modelagem matemática”. profunda, levando as
“Neste estão as relações entre variáveis, analiso considerações, as
características que cercam o
tal etapa de forma positiva, visto que podemos
tema”.
relacionar uma com as outras, com intuito de
mobilizar vários subtemas a partir de um mesmo
conteúdo. Isso possibilitará a fixação das
informações pelos envolvidos na modelagem
matemática”.
“Mas os pontos positivos superam os negativos,“Vejo como negativo nessa
uma vez que é o momento propício para a etapa a dificuldade que
organização dos dados que darão subsídio para encontramos na absorção dos
formulação de possíveis hipóteses e dados que, em alguns
conclusões”. momentos, nos remeteram à
“De posse dos dados coletados fica mais fácil pesquisa em fontes diferentes,
além da sala de aula”.
escolher o modelo matemático que melhor se
adeque às características do tema”.
“Vejo como etapa puramente positiva, sendo um “Vou intitular o tamanho do
dos momentos mais aguardados pelos whiteboard como um ponto
participantes. Momento esse relacionado à negativo”.
211
socialização das ideias, hipóteses e relações.

Através de gráficos, debates e questionamentos,
os resultados são expostos para a plateia para
fins de reflexão”.
S13
“Foi de extrema importância para mim o ciclo de Não relatado.
modelagem, desde o início com a escolha do
tema, tanto no primeiro dia quanto no segundo
dia. Porque um nunca parei para pensar qual era
o peso de uma folha de papel A4. Sobre o tema
obesidade, foi valiosa a descrição do tema”.
“Com a questão de modelagem foi muito
importante e positivo, quando no grupo
buscamos conhecimentos para resolver certa
questão proposta pelo tema. Conheci que
observa-se variáveis e constantes e que através
destas variáveis e constantes podemos focar em
uma estratégia de resolução de um problema”.
“Na produção de dados foi muito significativa Não relatado.
quando começamos a produzir tabelas, fazer
questionamentos, interagir com outros grupos,
buscar uma resposta coerente para o problema
designado pelo tema”.
“Foi positiva a maneira que os grupos utilizaram
o modelo matemático, porque de diferentes
maneiras que foram escritos, mas o resultado era
o mesmo”.
“Sessão de discussão foi para mim de grande Não relatado.
significância, porque foi nesse momento que
colocamos a aprendizagem que foi adquirida
durante o processo do ciclo de modelagem
desde a escolha e descrição do tema, até chegar
à apresentação e argumentação com a turma”.
212
IIIb – Sessão de discussão sobre poluição sonora
1. ((01'17'')) Professor-pesquisador: então olha só gente... chegou o momento da

gente fazer a discussão dos whiteboards de vocês... assim... em termos de quem
vai apresentar primeiro a gente não estabelece né... a gente deixa a vontade para
quem quiser se manifestar e apresentar... sendo que TODOS os grupos vão
apresentar seus whiteboards... o que é interessante nesse momento? é a gente
comparar os modelos matemáticos que foram construídos né... e as análises que
vocês vão fazer em cima desses modelos matemáticos... é isso que é importante
nesse momento... e também comparar as soluções que vocês vão dar né... as
possíveis soluções para o problema... então assim... eu deixo a vontade para quem
quiser começar a apresentar o que encontrou... o que fez...
2. ((04'07'')) MS: então a comparação dos nossos... dos nossos gráficos... a gente
fez uma pesquisa né... e a gente verificou que... há uma poluição assim um pouco
que alta né em relação a norma da instituição ((MS se refere ao valor limite de
cinquenta decibéis estabelecido pela organização mundial de saúde)) então
assim... e a gente verificou que a/aonde há um/quase um digamos que um
equilíbrio para a norma padrão foi só nas/nos locais... por exemplo... cozinha...
quadra... onde eram retiradas a ques/é da avenida nos locais... mas mesmo nas
salas... é vazias mas próximas da avenida então há uma perturbação sonora meio
grande né... então há nos locais retirados não... há uma perturbação sonora quase
que... quase que normal né... a/o limite... então por exemplo a quadra... a cozinha...
então a gente... a gente preparou assim soluções né para amenizar esse
problema... por exemplo... que fosse... é... transferido as salas que são próximas
a qui a avenida... é... avenida Maicá para o outro lado né... sendo que aquela rua
ali é pouco movimentada... claro que ((incompreensível)) não solucionava o
problema... mas minimizaria bastante né... é/mas... é uma outra solução que eu...
questão da minha opinião seria mais viável né... questão de fechar essa...a parte...
essas partes abertas... fecharia tudo... e climatizava... climatizava... então se
fechasse eu acredito que é... minimizava muito mais o problema... porque a gente
tem como exemplo ali a sala de... de informática né... que é toda fechada e a
gente... a gente te/a gente tem um... digamos que uma aula mais agradável né...
as salas fechadas ali... porque elas não são tão fechadas mas... também são aulas
mais agradáveis né... e essas aqui não... porque são/é abertas assim... fica muito...
213
nem que se fosse numa... numa... questão duma avenida... por exemplo ali... mas
sempre ia haver uma perturbação sonora... ela sendo aberta... devido... gritos de
pessoas... pessoas que passam... pessoas que falam... a própria outra sala ao
lado né... e vinha o som ainda te/teria uma perturbação sonora... agora fechando
não... aí minimizaria isso...
3. ((07'11'')) BC: muito bem...
4. ((07'11'')) Professor-pesquisador: mais alguém para continuar?
5. ((07'14'')) EF: é... uma outra alternativa que a gente estava até conversando... aliás
não era uma alternativa né... ((incompreensível)) ela foi mal planejada... talvez
alguns anos atrás né... não se pensou que aqui seria uma avenida principal né...
digamos se as pessoas que construíram tivessem essa visão... como MS já falou...
esse pavilhão do lado daqui deveria passar para o lado de lá né... aí sim... claro
que não ia amenizar TOTALMENTE né... mais ia diminuir né... não ia ficar assim...
com esse ruído... esse barulho... essa poluição sonora aqui... éh:::... prejudica o
aprendizado tanto do professor quanto do aluno né...
6. ((07'58'')) BC: COM CERTEZA... aí em função ainda dessa questão dessa
perturbação que tu tá falando desse nível de pressão sonora que teve no ouvido...
além de... éh:::... fazer a mudança das salas que vocês colocaram e também nós
colocamos... éh:::... é um problema porque em cidade pequena geralmente...
geralmente não... NÃO TEM éh::... limite... questão de trânsito... não tem
regulamentação de trânsito né... não tem placas... não tem éh::... semáforos... não
existe isso... então não tem controle de VELOCIDADE... então nós colocamos
além disso... qu/que checasse... por exemplo... éh::... o limite da velocidade...
porque aqui passa com cinquenta... com sessenta... com oitenta... com cem... com
cento e vinte toda hora... então não há isso... né... a gente percebe isso... às vezes
passa carro e moto aí que a gente... a gente acha que vai se quebrar na moto...
ou seja... muito alta...
7. ((0857'')) EF: tem essa questão das pessoas não t/não tem uma educação...
((incompreensível)) que tiram o silenciador da/principalmente de moto... que
passam em alta velocidade... tudo isso prejudica...
8. ((09'16'')) BC: ((incompreensível)) tirar o silenciador ((incompreensível)) que é para
minimizar esse ruído... a pessoa ela tira para quê? por falta de educação e de
respeito... e fora da lei mesmo... com certeza...
214
9. ((09'28'')) Professor-pesquisador: éh::... EF detalha melhor o modelo matemático...

ou seja... explica melhor ele pra gente... os gráficos...
10. ((09'43'')) MB: éh::... nós pegamos aqui com... com base na parte numérica que o
primeiro gráfico a partir do cinquenta né... com mínimo cinquenta... e aqui nós
temos cinquenta... sessenta... setenta... oitenta... noventa... ((MB aponta para
gráficos de barra registrados no whiteboard)) esse local aqui... nós temos aqui o
gráfico né... então aqui... secretaria da escola... então nós encontramos setenta e
oito...
11. ((10'20'')) Professor-pesquisador: alguém tem a secretaria da escola aí?
12. ((10'27'')) AA: setenta e quatro...
13. ((10'41'')) LC: setenta e sete...
14. ((10'46'')) AR: secretaria da escola o nosso deu oitenta...
15. ((10'48'')) RP: setenta e cinco...
16. ((10'51'')) Professor-pesquisador: éh:: tá na média...
17. ((10'55'')) MB: nós temos aqui o horário... dez e quarenta e cinco... e dez e quarenta
e seis da manhã... horário de pesquisa... esse daqui...
18. ((11'09'')) Professor-pesquisador: essa outra secretaria é do parfor né? quem foi
que fez do parfor? quanto foi que deu?
19. ((11'14'')) RP: o nosso deu setenta e cinco...
20. ((11'15'')) AA: setenta e quatro o nosso...
21. ((11'16'')) IB: o nosso deu sessenta e nove...
22. ((11'17'')) LC: setenta e oito...
23. ((11'24'')) Professor-pesquisador: também está... está na média...
24. ((11'27'')) MB: aqui essa outra medida fala das salas de aula... foram três salas
vazias pesquisadas... temos aqui o gráfico alcançando aproximadamente até
setenta e oito... então salas com alunos... esse gráfico vermelho...
25. ((11'56'')) MS: sendo também que as salas com alunos eram salas próximas da
avenida né... as salas sem alunos eram salas mais retiradas...
26. ((12'07'')) Professor-pesquisador: quem mais fez salas sem alunos? Dá para saber
quais são essas salas e em que/que pavilhão estavam?
27. ((12'25'')) MS: no segundo pavilhão lá professor... aquele pavilhão com as salas
mais retiradas lá...
215
28. ((12'58'')) MB: ((incompreensível)) a quadra... a quadra a cozinha e a avenida...

primeiro a gente foi medir ali ((incompreensível)) então a avenida
((incompreensível)) setenta e oito cobrindo as demais... temos aqui a cozinha
((incompreensível)) e... a quadra... mais silencioso ((incompreensível)) as medidas
dão setenta e três decibéis... no horário de onze horas da manhã até às... éh:: ou
melhor... das dez e quarenta e cinco até às onze...
29. ((13'36'')) Professor-pesquisador: e o que é que vocês concluíram?
30. ((13'43'')) MS: éh::... eu acho que no/no momento de fluxo aqui da... da avenida...
a média de poluição sonora são quase iguais... um pouco maior aqui do que
naquelas regiões ali ((MS aponta para o outro lado da escola)) mas éh::
((incompreensível)) não modifica muito né... até porque o barulho da moto é forte...
então no/não tem... a distância vai longe mesmo... então éh:: assim... mais aí tem
momentos que está calmo né... naquele momento que a gente foi medir lá... na
avenida lá óh ((MS aponta para o outro lado da escola)) estava calmo nesse
momento... mas mesmo assim deu setenta e oito ainda...
31. ((14'29'')) RP: nós fizemos a média aritmética de todo...
32. ((14'32'')) Professor-pesquisador: de todo o ambiente...
33. ((14'34'')) RP: a poluição sonora de todo o ambiente ((incompreensível))
concluímos que é de aproximadamente setenta e quatro vírgula setenta e cinco
decibéis...
34. ((14'51'')) Professor-pesquisador: então aproveita e explica logo o modelo de
vocês...
35. ((14'58'')) LC: éh:: nós fizemos um modelo matemático baseado num gráfico de
linha... aí... aqui ((LC aponta para um gráfico no whiteboard)) foram... os decibéis
que nós conseguirmos coletar né... aqui as... os ambientes onde nós fomos coletar
os dados... e aqui nós marcamos os decibéis de cada ambiente... onde nós
constatamos que o maior... foi de setenta e nove né... o maior ambiente foi de
setenta e nove... foi...
36. ((15'41'')) Professor-pesquisador: dá para saber onde foi o de setenta e nove?
37. ((15'52'')) LC: foi a da sala da:: computação...
38. ((15'54'')) Professor-pesquisador: deu alta...
39. ((15'56'')) LC: deu alta... ((incompreensível)) não tendo aula mas... o trânsito estava
bastante... e o pessoal da outra sala estava apresentando...
216
40. ((16'05'')) Professor-pesquisador: veio o som de lá né...

41. ((16'06'')) LC: foi aí quando... quando... acredito que quando nós fomos lá na outra
sala... eles estavam terminando a apresentação... aí estava mei calmo mas... tinha
um barulho... ficou próximo... foi de setenta e oito... aí fomos também no banheiro
feminino... foi aonde... -- o menor foi sessenta e sete foi numa sala vazia no
pavilhão da frente porque não tinha aula também né -- ... fomos no banheiro que...
-- nós calculamos assim que devido ser um ambiente menor né e como estava
mais afastado um pouco do barulho da avenida aqui... nós concluímos que poderia
ser menor né ... -- mais ainda deu... sessenta e nove decibéis... aí a sala da parfor
deu sessenta e oito... a cantina e a sala da supervisão pedagógica daqui da escola
mesmo também deu... setenta e oito... aí aqui... ((LC aponta para registros no
whiteboard)) nós colocamos a média aritmética né...
42. ((17'33'')) Professor-pesquisador: sim de todo o ambiente...
43. ((17'35'')) LC: como a RP já explicou... de todo o ambiente... e aqui ((LC aponta
para registros no whiteboard)) os níveis atingidos... nesse gráfico aqui né...
44. ((17'45'')) RP: de sessenta e cinco a sessenta e nove é uma conversação normal
né... de setenta a setenta e nove é transito local...
45. ((17'53'')) Professor-pesquisador: olha só é interessante aí que a gente pode
observar daqui... que de setenta e quatro vírgula setenta e cinco que é a média...
se refere a um trânsito local né... dentro do ambiente aqui era para ser nessa de
sessenta e cinco a sessenta e nove de conversação... mas caiu para o trânsito...
ou seja... está um ambiente realmente barulhento né...
46. ((18'18'')) EF: mas isso vai d/vai depender do/do caso do horário né... nesse horário
aí vai estar um po/não está mesmo o horário de bastante movimento né...
47. ((18'31'')) Professor-pesquisador: eu acredito que se fosse fazer agora à tarde iria
cair geral... mas mesmo assim ainda iria dar mais alto aqui... poderia ter uma queda
mas ainda dar mais alto... a linha do gráfico talvez ficasse exatamente assim...
48. ((18'44'')) LC: oscilando né...
49. ((18'44'')) Professor-pesquisador: mais ou menos assim né... oscilando...
exatamente... talvez apenas com os decibéis menores...
50. ((18'53'')) BC: outra coisa que a gente pode notar... assim ((incompreensível))... tá
quase deserta ((incompreensível))... que tinha de manhã... ou seja... imagina essa
escola... com todas as salas cheias e com esse trânsito aí...
217
51. ((19'12'')) Professor-pesquisador: éh::.. seria uma outra atividade para fazer... com
a escola mesmo funcionando a pique né... para verificar...
52. ((19'17'')) RP: as nossas possíveis soluções... nós abordamos aqui a temática né...
poluição sonora no ambiente escolar... a coleta de dados na tabela lá... e a análise
de dados coletados e as possíveis soluções colocamos aqui... ((RP aponta para o
gráfico no whiteboard)) salas climatizadas né... que as salas climatizadas sabemos
que precisam ser fechadas... e/ou salas com revestimento acústico... aí tem a
segunda opção também... guarda de trânsito e instalação de radar sonoro para
fiscalizar os infratores e aplicar multas... coma as multas quem sabe eles não iriam
amenizar...
53. ((20’03’’) Professor-pesquisador: é uma maneira de repressão né...
54. ((20'07'')) LC: é quando se mexe no bolso né...
55. ((20'10'')) RP: construção de lombadas próximo ao perímetro da escola... quando
eles vierem já bem longe assim com as lombadas eles já vêm freando diminuindo
a velocidade...
56. ((20'27'')) MS: essa questão da construção de... de guarda de trânsito e aplicação
de multas... muito bom né porque... quando se aplica o radar sonoro não vai
investigar apenas o... a questão de multas caras... a questão também de sons né...
que a gente já teve problemas ((incompreensível))... ligar o som bem alto aí... e a
gente não ter condições de estudar mesmo... precisou a gente gritar daqui... baixou
mas não foi muito né... ainda ficou ainda... então uma vez que isso acontecesse
não servia só para as motos e carros passando aí... o som também... outras
coisas... pelo menos próximo das escolas né...
57. ((21'13'')) BC: olha é... isso é um problema aqui para nós né... por exemplo...
estamos estudando nessa escola... além de outros problemas que ela tem... ainda
apresenta esse problema aí de poluição sonora... e isso é prejudicial ao nosso
aprendizado... nós já tivemos aqui dia de prova que a gente não conseguia se
concentrar... quase impossível... mas mesmo assim... ou seja... isso vai refletir até
um déficit para nós de aprendizagem...
58. ((21'41'')) LC: professor no caso essas soluções nós colocamos apenas essas
porque a nossa carta iria ser endereçada à diretora né... nós depois pensamos se
fossemos mandar para uma autoridade... aí a gente iria pedir que criasse uma lei
que eles colocassem silenciador nos veículos...
218
59. ((22'05'')) Professor-pesquisador: no caso poderia ser uma lei municipal né... é
também uma boa alternativa...
60. ((22'19'')) BC: é no caso... esse que seria o papel né do/do legislativo né... levar
isso daí... porque... o problema é que não vai só resolver o problema da escola...
mas o problema de uma sociedade... da cidade... não é só nós que sofremos com
esse problema né... mas toda a polução sofre com isso...
219
IIIc – Sessão de discussão sobre lixo de papel
1. ((01'18'')) Professor-pesquisador: então vamos começar... quem é que quer

começar a discutir seu whiteboard?
2. ((02'15'') PC: Lembrando lá da geometria... desenhei uma folha... ((PC aponta para
o desenho de um retângulo no whiteboard)) a unidade que dava... dava em
milímetros... e eu transformei logo para metros... então duzentos e dez milímetros
equivale a zero virgula vinte e um metros... que era altura da folha... ou a largura...
nesse caso aqui o comprimento que seria igual à base... ((PC aponta para o um
dos lados do retângulo desenhado no whiteboard)) dava duzentos e noventa e sete
milímetros... eu transformei para zero vírgula duzentos e noventa e sete metros...
então aí... eu calculei a área de uma folha... a área de uma folha é igual à base
vezes a altura... que é um retângulo... calculei uma área medida em metros
quadrados... por isso que eu fiz aquelas transformações antes... então zero vírgula
vinte e um vezes zero vírgula duzentos e noventa e sete é igual a zero vírgula zero
seiscentos... seis mil... seis mil duzentos e trinta e sete metros quadrados... ou zero
vírgula zero seis aproximadamente... só que eu não usei essa aproximação...
depois... eu usei a proporção... que a informação que tinha lá... na capa do negócio
lá ((PC se refere à gramatura da folha de papel A4) dizia que setenta e cinco
gramas por metro quadrado... aí logo veio uma dúvida antes de eu resolver isso
eu via aqui... quanto era que valia... quantas folhas eu formaria um metro... então
eu peguei um metro e dividi pela área de uma folha... então para mim formar um
metro de um/ um metro quadro dessas folhas de papel a quatro eu usaria
aproximadamente dezesseis folhas... que é o que ia ser/equivaler a essa
((incompreensível))... então eu joguei da proporção setenta e cinco gramas está
para um metro assim como o valor da massa de uma folha está para a área de
uma folha... multipliquei os meios pelos extremos... e achei o valor em grama... a
massa de uma folha é quatro vírgula seis... aproximadamente... gramas... aí como
eu precisava achar o peso... eu transformei essa grama para quilograma... ficou
zero vírgula zero quatro meia sete sete cinco... gramas... aí eu achei o peso... para
achar o peso... nós sabemos que o peso é a massa vezes a gravidade... então eu
queria achar apenas de uma folha... então a massa de uma folha... que é isso aqui
que foi encontrado ((PC aponta para o valor da massa no whiteboard)) vezes a
220
gravidade que é dez... então a massa de uma folha é zero vírgula zero quatro seis
sete cinco... sete sete cinco...
3. ((5'02'')) Professor-pesquisador: Alí em cima ((Pesquisador aponta para a parte
superior do whiteboard)) por que que você transformou para metros?
4. ((5'06'')) PC: Aqui... por que... a área é medida em metros quadrados... então por
isso que eu transformei essa informação... para facilitar o cálculo...
5. ((5'16'')) Professor-pesquisador: E como foi que você fez para calcular a área?
6. ((5'18'')) PC: A área... base vezes altura...
7. ((5'22'')) Professor-pesquisador: E da onde você tirou essa informação bases
vezes altura?
8. ((5'28'')) PC: Tá aqui na imagem que é um retângulo... cálculo da área de um
retângulo... é a base vezes a altura...
9. ((5'35'')) EF: Por causa do/da embalagem né...
10. ((5'40'')) LC: O formato da folha...
11. ((5'44'')) Professor-pesquisador: Se não fosse retângulo?
12. ((5'48'')) PC: Se fosse um triângulo teria que usar outra fórmula... se fosse um/uma
circunferência... pi erre ao quadrado...
13. ((5'55'')) Professor-pesquisador: Alguém tem alguma... algum questionamento
para fazer ao PC?
14. ((6'00'')) BC: Eu achei interessante a forma que ele utilizou né... que ele é...
simplificou mais ainda... você pode ver que o meu tem mais cálculo... (BC aponta
para a resolução no seu whiteboard)) no caso ele transformou logo para metro...
nós trabalhamos com o próprio milímetro... então... está bem simplificado e
conciso...
15. ((6'20'')) EF: No caso estaria melhor para explicar para o aluno...
16. ((6'26'')) PC: Eu tive um professor que falou que a matemática tem que servir para
facilitar a vida do aluno...
17. ((6'32'')) EF: Ser um agente facilitador...
18. ((6'33'')) Professor-pesquisador: quem é o próximo?
19. ((6'51'') BC: Primeiro eu cheguei num resultado... eu trabalhei com as dimensões
de uma folha né... que segundo os dados que temos aí é que setenta e cinco
gramas por metro quadrado... ((BC se refere à gramatura da folha de papel a
quatro)) cabe a informação que uma folha que é duzentos e dez milímetros né...
221
por duzentos e noventa e sete né... as dimensões de uma folha... então eu peguei
trabalhei com essa folha... achei a área em milímetros... ((BC aponta para um
cálculo no whiteboard)) certo... depois fiz as transformações... acho também
interessante mostrar né para o aluno essa questão das unidades... porque isso é
um entrave âs vezes... se eu partir logo para o resultado final... porque o que eu
quero é metro quadrado né... talvez eu deixe a desejar para ele sobre as
transformações finais... porque em outro/possa que em outro trabalho tenha a
necessidade de se transformar né... caso assim... ver os passos né...
20. ((7''51')) Professor-pesquisador: Se você não tivesse visto ainda unidades de
medida?
21. ((7'55'')) BC: Exatamente né... eu ficaria sem condições de transformar isso né...
então... essa parte azul... foi que eu trabalhei com as quinhentas folhas... com a
resma do papel todo né... porque eu cheguei num resultado trabalhando sempre
com as dimensões de uma folha... e... fui questionado que talvez não tivesse
certo... então tá... vou trabalhar com as quinhentas... cheguei no mesmo
resultado... então vamos lá... então... duzentos e dez milímetros né... vezes
duzentos e noventa e sete milímetros... chegamos a sessenta e dois mil trezentos
e setenta milímetros quadrados... essa é a área da folha em milímetros... então...
a unidade de medida de área trabalha com metros quadrados por quê? porque é
dez vezes dez cada movimento de uma cada para outra... então você vai ter um...
é... digamos assim... a reta da medida de área tem uma unidade fundamental que
é metro quadrado... temos os múltiplos e os submúltiplos... no caso dos
submúltiplos que é o que nós vamos trabalhar... depois do metro vem decímetro
quadrado... centímetro quadrado... milímetro quadrado... então nós estamos em
milímetro... vou transformar para chegar em metro porque o problema quer em
metro... lá no final a questão do peso tem que medir com a medida de metro...
então primeiro passo... se você quiser... por exemplo... chegar no metro de
imediato... se cada movimento é por cem... então você tem cem vezes cem vezes
cem... cem vezes cem dá dez mil dez mil vezes cem dá um milhão... se você dividir
por um milhão você chega em metro de forma imediata... mas eu fiz assim... dividi
primeiro por cem e transformei para metro... para centímetro aliás... e foi
seiscentos e vinte e três vírgula sete centímetros quadrados... depois dividi por
cem e cheguei em cento e uma vírgula duzentos e trinta e sete decímetros
222
quadrados... dividi por cem e cheguei em metro... zero vírgula zero meia dois três
sete metros quadrados... então eu cheguei aqui ((BC aponta para um resultado no
whiteboard)) na medida... na área da folha em metros quadrados... tá... perfeito...
é isso que eu quero... então... se eu já tenho em metros quadrados... e o problema
diz que setenta e cinco gramas por metro quadrado... então eu pego isso aqui e
multiplico por setenta e cinco... ((BC aponta para um resultado no whiteboard)) o
resultado dessa multiplicação... chegamos em quatro vírgula meia sete sete
gramas... ou seja... é a massa de uma folha certo... então se é a massa de uma
folha... eu estou em grama... mas eu quero transformar isso para quilograma...
sabemos que o grama é o submúltiplo do quilograma... então para chegar em quilo
é só dividir por mil certo... então dividindo por mil... chegamos em zero vírgula zero
quatro meia sete sete cinco... quilograma... isso aqui é a massa da folha em
quilograma certo... ((BC aponta para um resultado no whiteboard)) então para
chegar no peso... da fórmula diz que peso é igual a massa vezes a gravidade... a
gravidade é dez metros por segundo ao quadrado... então vou pegar a massa que
é zero vírgula zero quatro meia sete sete vezes dez... vamos chegar no peso que
é igual a zero vírgula zero quatro meia sete sete newtons...
22. ((14'16'')) Professor-pesquisador: voltando para o desenho... de onde tu tirou...
como foi que tu calculou a área assim?
23. ((14'25'') BC: sim... eu coloquei a fórmula de área né... como o colega colocou...
bases vezes altura... então... eu tenho a folha em formato de um retângulo... então
um retângulo... para achar a área... então eu pego a base vezes a altura né... então
é multiplicar né... a altura vezes a base... ou vice versa...
24. ((14'49'')) Professor-pesquisador: e da onde tu tirou que a área é a base vezes a
altura?
25. ((14'55'')) BC: ahn... da fórmula da área do retângulo... do quadrado... do quadro
só é lado ao quadrado... lado vezes lado...
26. ((15'03'')) PC: ia pedir conhecimento de geometria né...
27. ((15'07'')) BC: sim... no caso se fosse um triângulo já ia ser bases vezes a altura
dividido por dois...
28. ((15'20'')) Professor pesquisador: ali também quando tu faz é... aquela
multiplicação por quinhentos... e depois tu divide por quinhentos... é... dá onde tu
tirou também isso aí?
223
29. ((15'28'')) BC: porque eu trabalhei... primeiro eu trabalhei com a folha né para achar
a área de uma... como eu sei que numa resma de papel são quinhentas... foi dado
no início... então eu multipliquei por quinhentos para saber o total de milímetros
quadrados na resma...
30. ((15'45'')) Professor-pesquisador: como se pegasse uma folha e colocasse um ano
lado da outra né...
31. ((15'47'')) BC: sim... todas elas né... então eu chegaria nisso... transformando para
metro... se pegasse todas essas folhas da resma eu tinha trinta e um vírgula cento
e oitenta e cinco metros quadrados que elas cobririam né... esses trinta e um
vírgula cento e oitenta e cinco metros... certo... então isso são as quinhentas...
então para ter de uma... divido pelas quinhentas que eu tinha no início né...
32. ((16'14'')) Professor-pesquisador: e se não tivesse dado os quinhentos ali... vezes
quinhentos? ((Professor-pesquisador aponta para um cálculo no whiteboard))
33. ((16'20'')) BC: sim... já usei porque eu queria saber da resma... porque eu fiz só
com uma folha... no primeiro cálculo não achei necessário utilizar a resma né...
34. ((16'38'')) Professor-pesquisador: porque tu multiplica e depois divide... é como se
tivesse dando e tirando...
35. ((16'44'')) BD: fica a mesma coisa...
36. ((16'49'')) BC: mas é o seguinte... porque aqui eu tô trabalhando a questão...
37. ((16'50'')) Professor-pesquisador: ((incompreensível))... teve um... um
pensamento de usar as quinhentas lá né...
38. ((16'54'')) BC: eu tô trabalhando com a área de uma folha... aqui é questão de
área... quando eu divido pelas quinhentas já é uma outra questão... já é questão
de unidade... entendeu... cada unidade de folha... corresponde... a um total... né...
de milímetros quadrados... nesse caso aqui... com uma unidade de folha
corresponde a sessenta e dois mil trezentos e setenta milímetros quadrados... uma
unidade de folha... então dentro de uma resma são quinhentas unidades... eu
ainda estou querendo saber milímetros quadrados... que é essa unidade... então
multiplico... então se eu trabalho com quinhentas unidades... a questão de área...
a divisão por quinhentas para saber quanto representa uma unidade...
39. ((17'46'')) MS: ((incompreensível))... aqui tá em milímetros... aqui nessa divisão
((MS aponta para um cálculo no whiteboard)) já não está em milímetro... já está
em metro... isso daqui olha... ele fez essa divisão por milímetros porque ele colocou
224
uma fo/tipo como se ele tivesse essas lajotas aqui...i ((MS aponta para o chão da
sala de aula)) como se fosse uma lajota... e aqui ele fez a transformação... houve
a necessidade... porque aqui já estava em metros... já não era a mesma unidade...
40. ((18'13'')) BC: na VERDADE... faz sentido a pergunta... multiplica e depois divide...
faz sentido né... é quase a mesma coisa... mas só para via de dúvidas se mudava
alguma coisa...
41. ((18'24'')) Professor-pesquisador: e teve o teu raciocínio né... na primeira foi
pensando na área... na segunda foi quantidade...
42. ((18'30'')) BC: sim... quantidade...
43. ((18'33'')) Professor-pesquisador: então faz sentido né... por isso que é importante
a gente entender né... porque olhando daqui... multiplicou por quinhentos e dividiu
não fez NADA né... mas olha o raciocínio...
44. ((18'44'')) BC: verdade... primeiro eu tô trabalhando uma noção de área... depois
eu quero saber uma questão de unidade... de quantidade...
45. ((18'56'')) Professor-pesquisador: quem seria o próximo?
46. ((19'12'')) BD: olha... no começo nós tivemos... um impasse né... estávamos
fazendo certo... mas diziam que não estava... e aí depois de pesquisar... usar a
internet para saber... nós chegamos a esse resultado... primeiro nós desenhamos
uma folha de papel a quatro... e vimos que... ela formava um retângulo... como nós
já estudamos geometria... a gente já viu área... fizemos um trabalho sobre área...
e sabemos que a área de um retângulo é a base vezes a altura... aí fizemos um
cálculo aqui... colocamos em milímetros... fizemos um cálculo de área... e depois
transformamos em metros quadrados...
47. ((20'03'')) LC: aí no caso para transformar... fazer a transformação de unidade...
nós usamos a unidade de área... aí que deu esse valor aqui ((LC aponta para um
cálculo no whiteboard)) de zero vírgula zero seis/sessenta e dois mil trezentos e
setenta mil metros quadrados... aí como nós precisávamos saber a massa de uma
folha apenas né... aí partimos para a regra de três... aí... se um metro quadrado
equivale a/tem setenta e cinco gramas... então nós procuramos saber quanto é
que tem este resultado aqui que está em metros quadrados... quantas gramas
teria... aí fizemos... aí... usamos a regra da proporção né... é... meio vezes os
extremos... e achamos aqui ó... o resultado deu... transformando em quilogramas
logo... deu quatro vírgula seiscento/sessenta e sete mil setecentos e setenta e
225
cinco gramas... aí usamos a transformação em unidade de medida de... unidade

de medida né...
48. ((21'35'')) Professor-pesquisador: sim... em quilogramas... unidade de massa...
49. ((21'36'')) LC: quilogramas... aí ficou zero vírgula zero... zero quarenta e seis
quilogramas... aí usando a fórmula do peso que é o que a gente quer saber qual é
o peso da... de uma folha de papel a quatro né... com essas medidas aqui... aí
usando a fórmula do peso que é a massa dividido pela gravidade... multiplicamos
o valor que tínhamos... multiplicamos por dez e o resultado deu zero vírgula zero
quarenta e seis mil...
50. ((22'11'')) Professor-pesquisador: e como vocês... descobriram que é essa a
equação para usar? Como vocês sabiam?
51. ((21'17'')) LC: primeiramente professor... é... nós estávamos é... calculando mais
ou menos dessa forma né... só que... a gente achou que... não seria porque
perguntava para os colegas qual seria... achou diferente né... a mania de ir pela
cabeça dos outros... aí... nós tivemos a ideia de usar a regra de três... porque... na
regra de três você usa duas grandezas... aí estávamos trabalhando... a grama e o
metro quadrado né... só que a gente sabe que quando... dá um resultado aqui ((LC
aponta para um resultado no whiteboard)) é preciso que para achar o peso esteja
em quilogramas né... aí fizemos a regra de três e chegamos a esse resultado...
52. ((23'12'')) BD: e também professor... acho que de extrema importância foi a
persistência do PC que ele persistia... ele dizia que não era... e a gente falava...
ele dizia que não era assim... que era daquele jeito lá... então acredito que o
trabalho em equipe é é muito bom...
53. ((23'32'')) LC: porque o nosso a princípio dava zero vírgula quatrocentos e alguma
coisa... e aí era o único que tava dando diferente... até então os outros dava um
vírgula dois alguma coisa... eu digo é BD o nosso tá errado... vamos partir para o
outro porque... eles diziam que dividiam e a gente dizia que multiplicava né... o
nosso erro estava que a gente pegou... nós pegamos a área né... envez de
multiplicar por setenta e cinco multiplicamos por quinhentos...
54. ((24'15'')) Professor-pesquisador: ok... vamos?
55. ((24'17'')) IB: a pergunta é... queria saber do peso papel né... como a gente não
tinha peso... a gente não tinha massa... a única informação que deu foi as
dimensões da folha né... aí tá... a única foi/é a informação que deu foi as
226
dimensões da folha né... dos lados da folha e do... total da resma... quanto a
capacidade da resma tinha... no caso ela tinha setenta e cinco gramas por metros
quadrados... a quantia de papel que a gente não tinha... dá tudo isso né... primeira
coisa... pra gente achar a massa... a gente tinha que ter a área... aí... informações
da área já deu... um lado... eu calculo a área de um retângulo dessa forma... lado
vezes lado... igual a área de um quadrado... é lados vezes lado... aí então aqui...
((IB aponta para um cálculo no whiteboard)) eu multipliquei... apenas fiz uma
multiplicação que é lado vezes lado... esse vezes esse deu essa informação aqui...
sessenta e dois mil trezentos e setenta milímetros quadrados... que a unidade de
área são quadrado... aí... como... é... a gente está trabalhando com metros
quadrados... pra gente achar o peso tem que estar em unidade de metros
quadrados... a gente transformou... milímetros para metros quadrados... aí como...
eu posso dividir milímetros para achar metros quadrados? só é eu fazer a divisão
de/dividir pegar esse número aqui e dividir por um milhão no caso... porque... um
metro é/são mil milímetros... então... ao quadrado dá um milhão... aí... fizemos a
multiplicação... a divisão deu isso aqui... zero vírgula zero seis... zero vírgula ZERO
seis dois três sete metros quadrados... então... pela dedução do PC aqui né... a
gente usamos aqui né... ((IB aponta para um cálculo no whiteboard)) como eram
setenta e cinco gramas por metro quadrado... então em cada setenta e cinco
gramas tinha um metro quadrado... aí se a gente achou aqui a questão de/dessa
forma aqui... eu coloquei de uma forma aqui que não foi usado/não foi feito o
cálculo aqui... no caso para cada setenta e cinco gramas tinha um metro
quadrado... eu coloquei setenta e cinco dividido para um no caso... setenta e cinco
dividido por um metro quadrado... e assim... o XIS que é em grama que eu ainda
não sei... vou achar o valor em grama... dividido por... por esse/esse valor aqui...
que foi a massa do/a... foi a área da/do papel... aí para encontrar a massa fez todo
essa regra de três aqui... multipliquei os meios pelos extremos... no caso um metro
quadrado vezes xis dá XIS... o zero vírgula zero sessenta e dois trinta e sete...
vezes o setenta e cinco deu quatro vírgula seis sete sete cinco gramas... no caso
achei em grama... mas como a minha unidade é em quilogramas... fiz de novo uma
outra divisão... transformar gramas para quilogramas... dividi para mil... porque
cada um quilograma tem um grama... dividiu para um vírgula sessenta e sete sete
sete cinco por mil que deu zero vírgula zero zero quarenta e seis... quilogramas...
227
aí eu joguei para cá... no caso... trabalhar... que a unidade de massa trabalha em

quilogramas... vezes a unidade da gravidade que são dez metros por segundo ao
quadrado né... aí eu fiz a multiplicação... multipliquei... a massa vezes a gravidade
que deu zero vírgula zero quarenta e seis sete sete cinco newtons... porque a
gravidade e o peso é... a gente dá a unidade do peso em newtons...
56. ((28'54'')) RP: só uma questão aqui... que o BC tá questionando que isso aqui não
é um quadrado... ((RP aponta para um desenho no whiteboard) é porque é o
seguinte... um quadrado ele não deixa de ser um retângulo...
57. ((29'02'')) LC: é verdade...
58. ((29'03'')) BC: é mas só que se você for ver...
59. ((29'03'')) RP: calma... eu tô explicando... por favor... calma por favor... um
quadrado não deixa de ser um retângulo... pra gente achar a área de um
quadrado... é lado vezes lado... só que como o quadrado tem lados iguais a gente
utiliza lado ao quadrado... só que aqui como nós estamos falando de um
retângulo... não deixa de ser lado vezes lado... é lado vezes o outro lado... não
importa o que que você tá olhando ((incompreensível)) isso aqui não deixa de ser
um lado...
60. ((29'31'')) IB: porque que se tu for dizer que é comprimento e altura... se tu for
ca/medir uma área de um piso desse ((IB aponta para o piso da sala de aula)) tu
não tem altura num caso desse... é LADO VEZES LADO... não pode medir/dizer
que é... é comprimento vezes altura... por exemplo... não pode dizer que é... é lado
vezes altura... largura vezes comprimento...
61. ((29'53'')) MB: seria o comprimento vezes altura...
62. ((29'58'')) BC: não professor também o seguinte... porque se tu pegar qualquer
livro... tu vai olhar o seguinte... como o PC colocou aí... a área de um retângulo é
bê vezes agá... pela fórmula entendeu... do quadrado... pode ser lado elevado ao
quadro... ele ao quadrado entendeu..
63. ((30'11'')) AR: uma questão da notação ((incompreensível))...
64. ((30'13'')) BC: pois é... isso que eu quis colocar... porque quando a gente tá
falando... se no caso tu fala lado vezes lado... tá se relacionando ao quadrado...
65. ((30'23'')) LC: aí e o seguinte... eu já vi com as duas situações...
228
66. ((30'27'')) IB: é porque tem livros mesmo que... o que o BS tá falando é certo...
porque olha... no caso fala bases vezes o agá... aí quem é esse agá? se é a altura...
comprimento... largura...
67. ((30'38'')) BC: aí a base geralmente... é para o lado maior... a gente chama de base
para uma coisa quando indica o lado maior entendeu...
68. ((30'43'')) RP: eu só quis dizer que a maneira como ((incompreensível)) antes não
tá errada...
69. ((30'45'')) BC: eu não quis dizer que vocês estão errados... eu só quis dizer que
existe uma outra forma no livro... só isso... no mais... certinho... parabéns pelo
trabalho de vocês...
70. ((30'256')) IB: aí uma questão... que o BS estava citando também né... como aqui
a gente achou a massa de um papel... se a gente fosse achar a massa de uma
resma... só era pegar a massa de um papel multiplicado pelos quinhentos... que
dá dois/dois trezentos e alguma coisa...
71. ((31'19'')) Professor-pesquisador: isso aí... quem é que ainda falta?
72. ((31'36'')) AR: professor nossa... a nossa dedução... nossa lógica foi a mesma do
PC no caso né... a gente... de primeira dava aquela informação lá... a gente de
primeira transformou logo para centímetros... ficou vinte e um centímetros né de/no
caso da folha de papel né... ficou vinte e um centímetro aqui e vinte e nove vírgula
sete aqui... ((AR aponta para um desenho no whiteboard)) então é... a gente
transformou logo isso aí... para metro... a medida de metro né... que no caso em
metro ficou zero vírgula duzentos e noventa e sete... o comprimento no caso aqui...
e a largura ficou zero vírgula vinte e um... metros porque a gente transformou... a
gente não colocou a transformação aqui mas foi isso que deu... então é... a gente
procurou saber a questão da massa... isso aqui foi a área... aí a gente jogou aqui
na regra de três... porque a gente tinha a informação que setenta e cinco... gramas
por metro quadrado... e a gente fez a proporção aqui da área... se setenta e cinco
está para um metro quadrado... quanto está para zero vírgula zero seis... aí a gente
encontrou aqui quatro vírgula cinco gramas... tá... então a gente transformou isso
daqui de grama para quilograma... ou seja... a divisão por mil... e ficou zero vírgula
zero zero quarenta e cinco... e aqui... aí de lá... simplesmente ((incompreensível))
encontrar o quê? o peso... o peso é o quê? massa vezes a gravidade... se a massa
é zero vírgula zero quarenta e cinco... aqui é bom lembrar que a gente não usou
229
todas as casas decimais... multiplicando esse valor pela gravidade... deu zero
vírgula zero quarenta e cinco newtons...
73. ((33'52'')) Professor-pesquisador: e como foi que vocês... é... descobriram que a
área era multiplicada assim?
74. ((33'59'')) AR: porque na geometria... na geometria plana a gente viu que... aquela
questão do BS né... porque é base vezes altura... claro que a gente não tá
trabalhando com altura aqui... mas como a gente tem a noção de que é... pra gente
encontrar a área do... do retângulo né... no caso é o lado vezes o lado... é o
comprimento vezes a largura... no caso de duas dimensões... então a gente
colocou a fórmula geral no caso né... que é a área... nós utilizamos... nós fizemos
assim no caso né... que é a base vezes a altura... ((AR aponta para um desenho
no whiteboard))
75. ((34'39')) Professor-pesquisador: pois é... mas dá onde vocês tiraram que era a
base vezes a altura?
76. ((34'44'')) EF: pelo formato da... da...
77. ((34'48'')) AR: pelo formato em que tá aqui no caso... como é que está essa... como
é que está esse retângulo? no whiteboard... aqui a base... aqui está a altura ((AR
aponta para um desenho no whiteboard))... como ele está colocado aqui assim...
no caso... a gente sabe encontrar a área de um material plano assim... a base
vezes a altura... ou o lado vezes o lado... não importa é... no caso pra gente aqui
não importa como... como encontrar né... o importante é a gente ter na mente...
78. ((35'16'')) BD: o importante é encontrar o resultado...
79. ((35'18'')) AR:((incompreensível)) para chegar num resultado... a gente tem isso na
mente que é base vezes altura...
80. ((35'25''')) IB: professor... como eu entendo essa questão do retângulo... seria um
retângulo aqui ((IB aponta para os lados do whiteboard)) ele tem dois lados
diferentes... para mim achar a área dele... eu calculo... é lado xis... como se fosse
lados um ou/e lado dois... lado um vezes lado dois... sobre a questão de base
vezes altura... porque a gente não sabe se a gente está calculando ele assim ou
ele assim... ((AR movimenta os braços na direção vertical e na direção horizontal))
a dimensão dele... como ele está... posicionado... por isso que é lado maior... ou
lado xis vezes lado ípsolon...
81. ((36'02')) Professor-pesquisador: e por que que é lado vezes lado?
230
82. ((36'06'')) IB: porque ele é um retângulo professor...((incompreensível)) olhar uma

figura quadrilátero...
83. ((36'11'')) RP: quadrilátero... lados paralelos...
84. ((36'16')) MS: porque é assim... se você fazer lado um e lado dois é diferente se
fosse lado vezes lado... né... é diferente... e eu entendi agora bacana como ele
explicou...
85. ((36'25'')) IB: ((incompreensível)) com quadrilátero... toda multiplicação de
quadrilátero é assim... lado vezes lado...
86. ((36'31'')) MS: porque é assim... se ele fizer lá na hora lá... lado vezes lado com
aluno... eles podem pegar esse lado e aquele lado e não vai dar certo... tem que
ser esse lado com esse lado que é diferente... diferente do/do quadrado que é
lado/qualquer lado que você pegar vai dar certo... ((incompreensível)) fazendo lado
um e lado dois aqui aí já vai ser diferente... já vai achar um valor preciso...
87. ((36'56''')) IB: pois é... como tinha duas dimensões diferentes... sabia que são lados
diferentes... então é lado vezes o lado... dá para perceber que são dimensões
diferentes...
88. ((37'32''')) AR: e aí... tem uma fórmula é... científica logo...
89. ((37'47''')) PC: em alguns livros... depende do autor... depende do autor que
escreve o livro... também depende do professor na hora que trabalha na sala de
aula como vai utilizar os critérios... se ele colocar base vezes a altura não dá certo
porque a superfície é plana e a gente está na horizontal... existe outra superfície
aí ó... na vertical... que poderia ser bem encaixado bases vezes a altura... nesse
caso... em alguns livros está assim... comprimento vezes a largura... a largura...
nesse caso aqui é igual a altura... e o comprimento é igual a base... a mesma coisa
você pode usar um quadrado... existe a fórmula do quadrado que é ele al
quadrado... a mesma coisa... base vezes a altura... como são iguais...
90. ((38'37''')) IB: como são iguais é ele ao quadrado... são os dois lados ao quadrado...
é o mesmo que ser lado xis vezes lado ípsolon...
91. ((38'56'')) Professor-pesquisador: e da onde vocês tiraram que o peso era a massa
vezes a gravidade? da onde vocês tiraram essa informação?
92. ((39'03''')) AR: de onde a gente tirou essa ideia? rapaz essa ideia... não sei como
foi... foi um professor de física aí... que o peso era a massa vezes a gravidade...
eu aprendi aqui na faculdade...
231
Anexos
Anexo I – Termo de consentimento livre e esclarecido
TERMO DE CONSENTIMENTO LIVRE E ESCLARECIDO

Você está sendo convidado(a) como voluntário(a) a participar do estudo em âmbito
de doutorado O Desenvolvimento de Alfabetização Científica em Ambiente de
Modelagem Matemática e que tem como objetivo investigar o desenvolvimento de
Alfabetização Científica em práticas de Modelagem Matemática com futuros
professores de Física. Acreditamos que ela seja importante porque poderá promover
um ensino voltado à formação de cidadãos capazes de explicar cientificamente
fenômenos da natureza, capazes de discutir as relações éticas entre Ciência,
Tecnologia, Sociedade e Ambiente, capazes de argumentar cientificamente a partir
da modelagem de problemas da realidade.
PARTICIPAÇÃO NO ESTUDO
A minha participação no referido estudo será de participar da oficina Alfabetização

Científica em Ambiente de Modelagem Matemática oferecida na própria instituição de
ensino nos dias 13 e 14 de julho de 2016, como responder questionários e dar
entrevistas quando necessário.
RISCOS E BENEFÍCIOS
Fui alertado(a) de que, da pesquisa a se realizar, posso esperar alguns benefícios,

tais como adquirir habilidade no planejamento de projetos de modelagem matemática
com ênfase em alfabetização científica voltados ao ensino de ciências e matemática.
Recebi, também que é possível que aconteçam desconfortos como permanência de
dúvidas quanto a assuntos estudados na oficina.
SIGILO E PRIVACIDADE
Estou ciente de que minha privacidade será respeitada, ou seja, meu nome ou
qualquer outro dado ou elemento que possa, de qualquer forma, me identificar, será
mantido em sigilo. Os pesquisadores se responsabilizam pela guarda e
confidencialidade dos dados, bem como a não exposição dos dados de pesquisa.
AUTONOMIA
É assegurada a assistência durante toda pesquisa, bem como me é garantido o livre

acesso a todas as informações e esclarecimentos adicionais sobre o estudo e suas
consequências, enfim, tudo o que eu queira saber antes, durante e depois da minha
participação. Também fui informado de que posso me recusar a participar do estudo,
ou retirar meu consentimento a qualquer momento, sem precisar justificar, e de, por
desejar sair da pesquisa, não sofrerei qualquer prejuízo à assistência que venho
recebendo.
232
RESSARCIMENTO E INDENIZAÇÃO
No entanto, caso eu tenha qualquer despesa decorrente da participação na pesquisa,

tais como transporte, alimentação entre outros, haverá ressarcimento dos valores
gastos na forma seguinte: depósito em conta corrente.
De igual maneira, caso ocorra algum dano decorrente da minha participação no

estudo, serei devidamente indenizado, conforme determina a lei.
CONTATO
Os pesquisadores envolvidos com o referido projeto são Prof. Ednilson Sergio

Ramalho de Souza da Universidade Federal do Oeste do Pará/UFOPA e com ele
poderei manter contato pelos telefones (91) 98738-3405/(91)3085-8403.
O Comitê de Ética em Pesquisa em Seres Humanos (CEP) é composto por um grupo

de pessoas que estão trabalhando para garantir que seus direitos como participante
de pesquisa sejam respeitados. Ele tem a obrigação de avaliar se a pesquisa foi
planejada e se está sendo executada de forma ética. Se você achar que a pesquisa
não está sendo realizada da forma como você imaginou ou que está sendo
prejudicado de alguma forma, você pode entrar em contato com o Comitê de Ética em
Pesquisa da UFOPA (CEP) pelo telefone (93) 2101 - 6518 entre segunda e sexta-feira
das 08h00 às 18h00 ou pelo e-mail: comissaodeetica@ufopa.edu.br.
DECLARAÇÂO
Declaro que li e entendi todas as informações presentes neste Termo de

Consentimento Livre e Esclarecido e tive a oportunidade de discutir as informações
deste termo. Todas as minhas perguntas foram respondidas e eu estou satisfeito com
as respostas. Entendo que receberei uma via assinada e datada deste documento e
que outra via assinada e datada será arquivada pelo pesquisador responsável do
estudo.
Enfim, tendo sido orientado quanto ao teor de todo o aqui mencionado e compreendido
a natureza e o objetivo do já referido estudo, manifesto meu livre consentimento em
participar, estando totalmente ciente de que não há nenhum valor econômico, a
receber ou a pagar, por minha participação.
Dados do participante da pesquisa

Nome:
Telefone:
e-mail:
Local, _____ de _____________ de _____.
Assinatura do participante da pesquisa Assinatura do Pesquisador

233
USO DE IMAGEM
Autorizo o uso de minha imagem, áudio e vídeo para fins da pesquisa, sendo seu uso
restrito a finalidades acadêmicas para análises/interpretações sobre alfabetização
científica em ambiente de modelagem matemática.
Assinatura do participante da pesquisa Assinatura do Pesquisador

234
Anexo II – Resumos conceituais
IIa - Nível sonoro
MEDINDO A INTENSIDADE DOS SONS

Fonte: http://mundoeducacao.bol.uol.com.br/matematica/medindo-intensidade-dos-
sons.htm
O som que ouvimos são ondas sonoras produzidas por vibrações de
partículas do meio. Por exemplo, ao acontecer uma explosão num dado ponto, as
moléculas do ar em volta desse ponto são comprimidas e vão propagando ao longo
dos meios materiais. O nosso ouvido, ao ser atingido por essa onda sonora, possui
a capacidade de converter a variação de pressão no ar em estímulo nervoso, o qual,
quando alcança o cérebro, nos passa uma sensação auditiva, o som. A onda sonora
pode ser um ruído como a do exemplo citado ou um som musical, produzido pela
vibração periódica de uma fonte.
A classificação do som como forte ou fraco está relacionada ao nível de
intensidade sonora, medida em watt/m². A menor intensidade sonora audível ou
limiar de audibilidade possui intensidade 𝐼0 = 10−12 𝑊/𝑚². A relação entre as
intensidades sonoras permite calcular o nível sonoro do ambiente que é dado em
decibéis. Em virtude dos valores das intensidades serem muito pequenos ou muito
grandes, utiliza-se as noções de logaritmos na seguinte fórmula capaz de calcular
níveis sonoros:
Onde:
NS = nível sonoro.
I = intensidade do som considerado.
I0 = limiar de audibilidade.
A exposição a níveis sonoros superiores a 80 dB pode causar lesões
irreparáveis ao aparelho auditivo, ocasionando desvios de personalidade, como
fadiga, neurose e até psicoses. A tabela a seguir mostra o tempo máximo que uma
pessoa deve ficar exposta a ruídos contínuos ou intermitentes, no intuito de evitar
lesões irreversíveis.
Para níveis superiores a 120 dB, a sensação auditiva é uma sensação

dolorosa. Observe alguns níveis sonoros decorrentes em nosso cotidiano, para
efeito de comparação.
235
Vamos, através de um exemplo, demonstrar o desenvolvimento da

expressão que permite calcular o nível sonoro de um ambiente.
Exemplo
Qual o nível sonoro de uma intensidade de som igual a 10–2 W/m²?
Resolução
Observação
O nível sonoro de uma intensidade de som igual a 10–2 W/m² equivale a 100 dB.
236
IIb - Peso e massa.
MASSA E PESO
Fonte: https://dicasdeciencias.com/2015/04/05/qual-e-a-diferenca-entre-massa-e-
peso/, acesso em 05 de maio de 2016.
No nosso dia-a-dia, fazemos uma certa confusão dos dois conceitos.
Quando eu pergunto: “Qual é o seu peso?”; na verdade quero saber qual é a sua
massa. Ou seja: quero saber quanto de matéria tem em seu corpo.
Então: Massa é a quantidade de matéria presente em um corpo e medida numa
balança. No Sistema Internacional de Unidades, a unidade padrão escolhida desde
1960 para a massa é o quilograma (kg).
No meu exemplo, a massa é o que tem em seu corpo: ossos, músculos, pele,
cordura, órgãos... Dizemos que a massa de uma pessoa é a mesma em qualquer
lugar. Se você for para Lua, sua massa será a mesma.
A massa é uma propriedade geral da matéria.
Mas o peso é uma relação entre a massa de um corpo e a gravidade do lugar onde
está. É calculada pela fórmula:
𝑃 = 𝑚. 𝑔 (em que: P= peso; m= massa e g= gravidade)
A unidade padrão do peso no SI é o Newton (1 N = 1 kg . m/s2).
O peso depende da atração que um corpo exerce sobre o outro, que é dada pela
aceleração da gravidade. Quanto maior a massa do corpo, maior será essa atração.
A massa da Terra (5,97 . 1024 kg) é bem maior que a massa da Lua (7,4 . 10 22 kg),
por isso, o corpo de uma pessoa é mais atraído pela superfície da Terra do que pela
superfície da Lua. Em outras palavras, a aceleração da gravidade na Terra é maior
e isso afeta o peso do corpo atraído por ela.
Assim o peso depende do local onde esse corpo está. Uma boa maneira de se
perder peso é indo pra Lua (onde a gravidade é menor). Mas será que estaremos
perdendo a massa que queremos?
PROBLEMAS
Fonte: Diversas, pesquisa na internet.
1) Leia atentamente os quadrinhos a seguir:
A solução pensada pelo gato Garfield para atender à ordem recebida de seu dono
está fisicamente correta? Justifique sua resposta.
2) Um astronauta na Lua quer medir a massa e o peso de uma pedra. Como ele
poderia fazer isso? Justifique sua resposta.
237
3) Entre os poucos animais que desenvolveram o “pára-quedismo” está o sapo

voador de Bornéu – Rhacophorus dulitensis, apresentado na figura a seguir.
Analise a massa e o peso do sapo durante a queda.

4) A figura abaixo representa um elevador em movimento com velocidade
constante.
Analise o peso e a massa de uma pessoa dentro do elevador.

5) Um ônibus está em movimento com velocidade constante.
Ao ver um cavalo atravessando a avenida, o motorista aciona o freio. Analise a

massa e o peso do ônibus durante a frenagem.

Modelagem Matemática Gerando Ambiente de Alfabetização Científica: Discussões No Ensino de Física

Uploaded by

Document Information

Original Title

Copyright

Available Formats

Share this document

Share or Embed Document

Sharing Options

Did you find this document useful?

Is this content inappropriate?

Copyright:

Available Formats

Modelagem Matemática Gerando Ambiente de Alfabetização Científica: Discussões No Ensino de Física

Uploaded by

Copyright:

Available Formats

UNIVERSIDADE FEDERAL DE MATO GROSSO-UFMT

UNIVERSIDADE FEDERAL DO PARÁ-UFPA

Ednilson Sergio Ramalho de Souza

Modelagem matemática gerando ambiente de alfabetização

Modelagem matemática gerando ambiente de alfabetização

Tese apresentada ao Programa de Pós-

Orientador: Prof. Dr. Adilson Oliveira do Espirito

Área de concentração: Fundamentos e

S729m Souza, Ednilson Sergio Ramalho de.

Orientador: Adilson Oliveira do Espírito Santo. Tese

1. Modelagem matemática. 2. Alfabetização científica. 3. Ensino de

Permitida a reprodução parcial ou total, desde que citada a fonte.

Àqueles que me trouxeram em energia a este mundo: Manoel (in memoriam) e

Àquela que tem sido esposa e amiga: Rosy.

Àquelas que me mostraram o significado de ser pai: Pryscila e Laiane.

Aos demais familiares.

Ao orientador e amigo: prof. Dr. Adilson Oliveira do Espírito Santo.

Aos colegas modeladores do GEMM/UFPA (Grupo de Estudos em Modelagem

À Rede Amazônica de Educação em Ciências e Matemática-REAMEC

À Universidade Federal do Oeste do Pará (UFOPA).

À Coordenação de Aperfeiçoamento de Pessoal de Nível Superior - Brasil (CAPES) -

A todos aqueles que, direta ou indiretamente, contribuíram para a concretização

Palavras-chave: Modelagem Matemática. Alfabetização Científica. Ensino de Física.

Keywords: Mathematical Modeling. Scientific Literacy. Teaching Physics. Scientific

Figura 1 – Distribuição acadêmico-regional de trabalhos publicados sobre ensino de

Figura 2 - Fatores determinantes do conceito de alfabetização científica. .................. 40

Figura 3 - Argumento elementar DCJ. ............................................................................... 48

Figura 4 - Exemplo de argumento elementar DCJ. .......................................................... 49

Figura 5 - Argumento básico DCJQR. ................................................................................ 50

Figura 6 - Exemplo de argumento básico DCJQR. .......................................................... 50

Figura 7 - Argumento avançado DCJQRF. ....................................................................... 51

Figura 8 - Exemplo de argumento avançado DCJQRF. .................................................. 51

Figura 9 - Teoria da modelagem. ........................................................................................ 62

Figura 10 – Regiões do cérebro durante raciocínio em física: indicação de formação

Figura 11 - Forma simbólica de um modelo. ..................................................................... 70

Figura 12 - Tríade conceitual. .............................................................................................. 71

Figura 13 - Modelo conceitual. ............................................................................................ 72

Figura 14 - Modelos mentais e modelos conceituais. ...................................................... 74

Figura 15 – Relações entre modelos matemáticos e modelos mentais. ...................... 78

Figura 16 – Modelos matemáticos, modelos mentais, mundo físico. ........................... 79

Figura 17 – Compreensão de modelos matemáticos. ..................................................... 80

Figura 18 – Compreensão por modelos matemáticos. .................................................... 81

Figura 20 – Produção de um whiteboard em um ciclo de modelagem. ........................ 93

Figura 21 - Gestão diretiva: professor ↔ estudantes. ..................................................... 98

Figura 22 – Organização da classe na gestão diretiva. .................................................. 99

Figura 23 - Gestão não-diretiva: estudantes ↔ estudantes. ........................................ 100

Figura 24 – Organização da classe na gestão não-diretiva. ........................................ 101

Figura 25 – Projeto paralelo convergente........................................................................ 109

Figura 26 – Vista superior da cidade de Almeirim-PA. .................................................. 110

Figura 27 - Escola pública em Almeirim-PA: ambiente educacional da pesquisa de

Figura 29 – Aplicativo de smartphone utilizado na coleta de dados sobre poluição

Figura 30 – “Planta baixa” para o sistema-escola: ferramenta de representação para

Figura 31 - Grupo colaborativo discutindo sobre o plano de investigação sobre a

Figura 32 – Grupo colaborativo realizando a produção de dados sobre poluição

Figura 33 – Elaboração de esboços de gráficos como primeira ferramenta de

Figura 34 – Gráficos e tabelas: ferramentas de representação para o modelo

Figura 36 – Laboratório de investigação sobre lixo de papel. ...................................... 131

Figura 37 – Sessão de discussão sobre lixo de papel. ................................................. 134

Figura 38 – Diagrama de descrição para representar a estrutura sistêmica do modelo

Figura 39 – Laboratório de investigação sobre obesidade. .......................................... 139

Figura 40 - Sessão de discussão sobre obesidade. ...................................................... 140

Figura 41 - Estrutura argumentativa do discurso de MS. .............................................. 173

Figura 42 - Estrutura argumentativa do discurso PC. .................................................... 177