XLOGO - Tartaruga LOGO de Papert

Edit: o post original é de 2007, e foi editado e atualizado.

A Geometria da Tartaruga caracteriza-se por uma forma diferenciada de conceber-se a Geometria Euclidiana, a Geometria Analítica e as demais Geometrias. 

A Geometria da Tartaruga encontra-se tanto o estilo axiomático de Euclides (Lógico), quanto o de Descartes (Analítico). Encontramos, assim, esses dois estilos inseridos no Logo, através do micromundo da Tartaruga. 

Também é um estilo computacional de Geometria que, por sua estrutura subjacente, faz uma abordagem construtivista da própria Geometria Euclidiana e das demais formas de abordagens da Geometria (Miskulin, 1999).

Recomendamos o estudo de Schorr et al. (2022) que apresenta um estudo sobre a percepção de estudantes da Educação Básica durante o ensino de Geometria Plana, utilizando as ferramentas Xlogo e Scratch.

Nessa linha, o XLOGO é um interpretador LOGO escrito em JAVA. Ele suporta 8 idiomas e é distribuído sob licença GPL (software livre). Infelizmente, tudo indica (desde 15 de outubro de 2023) que o projeto foi descontinuado (http://xlogo.tuxfamily.org). Mas, conservamos alguns arquivos que estão disponíveis para download.

Downloads

Download do XLogo

Donwload do manual em português do XLogo

Download do XLogo com descompactador para Windows

Referências

MISKULIN, Rosana Giaretta Sguerra. Concepções Teórico Metodológicas sobre a Introdução e a Utilização de Computadores no Processo Ensino/Aprendizagem da Geometria. 1999. 545p. Tese (Doutorado em Educação: Educação Matemática) - FE, Unicamp, Campinas (SP).

SCHORR, Maria C.; CALHEIRO, Kauan M.; DULLIUS, Maria M.; QUARTIERI, Marli T.; NEIDE, Italo G.. XLogo ou Scratch: um comparativo entre os softwares para apoiar o ensino da Geometria Plana na Educação Básica. In: SIMPÓSIO BRASILEIRO DE INFORMÁTICA NA EDUCAÇÃO (SBIE), 33. , 2022, Manaus. Anais [...]. Porto Alegre: Sociedade Brasileira de Computação, 2022 . p. 186-195. DOI: https://doi.org/10.5753/sbie.2022.225100.

Capacidades matemáticas do ChatGTP (Mathematical Capabilities of ChatGPT) - Artigo recomendado

Autores: Simon Frieder, Luca Pinchetti, Ryan-Rhys Griffiths, Tommaso Salvatori, Thomas Lukasiewicz, Philipp Christian Petersen, Alexis Chevalier, Julius Berner

Link para acesso e download: https://arxiv.org/abs/2301.13867

Resumo

Nós investigamos as capacidades matemáticas do ChatGPT testando-o em conjuntos de dados disponíveis publicamente, bem como em conjuntos de dados feitos manualmente, e medindo seu desempenho em comparação a outros modelos treinados em um corpus matemático, como o Minerva. Também testamos se o ChatGPT pode ser um assistente útil para matemáticos profissionais, emulando vários casos de uso que surgem nas atividades profissionais diárias de matemáticos (resposta a perguntas, busca de teoremas). Em contraste com a matemática formal, onde grandes bancos de dados de provas formais estão disponíveis (por exemplo, a Biblioteca Matemática Lean), conjuntos de dados atuais de matemática em linguagem natural, usados ​​para avaliar modelos de linguagem, cobrem apenas a matemática elementar. Abordamos essa questão introduzindo um novo conjunto de dados: GHOSTS. É o primeiro conjunto de dados em linguagem natural feito e curado por pesquisadores que trabalham em matemática, que (1) visa cobrir a matemática de nível de pós-graduação e (2) fornece uma visão geral holística das capacidades matemáticas dos modelos de linguagem. Avaliamos o desempenho do ChatGPT em GHOSTS e o comparamos com critérios refinados. Tornamos este novo conjunto de dados disponível publicamente para auxiliar uma comparação impulsionada pela comunidade do ChatGPT com modelos de linguagem (futuros) em termos de compreensão matemática avançada. Concluímos que, ao contrário de muitos relatórios positivos na mídia (um possível caso de viés de seleção), as capacidades matemáticas do ChatGPT estão significativamente abaixo das de um estudante de matemática médio. Nossos resultados mostram que o ChatGPT muitas vezes entende a pergunta, mas não consegue fornecer soluções corretas. Portanto, se seu objetivo é usá-lo para passar em um exame universitário, você estaria melhor copiando de um colega médio!

ChatGPT no Windows e MAC - Instalação não-oficial para desktop

Existe um projeto não oficial (https://github.com/lencx/ChatGPT) destinado apenas para fins pessoais de aprendizado e pesquisa. 

Por não ser oficial, a ferramenta poderá apresentar problemas, instabilidades e falhas de segurança. A instalação é por conta e risco do usuário.

Para versões Windows e MAC, vá no repositório https://github.com/lencx/ChatGPT/releases/ e baixe a versão mais nova em "Assets".

ChatGPT no Ubuntu Linux - Instalação no desktop

O ChatGPT é um modelo de linguagem artificial desenvolvido pela OpenAI que foi treinado em grandes conjuntos de dados textuais para aprender a entender a linguagem natural. Como uma das principais aplicações da Inteligência Artificial, os modelos de linguagem são amplamente utilizados em tarefas como processamento de linguagem natural, tradução automática, chatbots e muito mais. O ChatGPT foi treinado com o objetivo de produzir respostas significativas e relevantes para uma ampla variedade de perguntas e tópicos.

Para instalá-lo em qualquer versão igual ou acima de 16.04 LTS.

1. Update nos pacotes

sudo apt update

2. A instalação é feita pelo Snapd

sudo apt install snapd

3. Instalação do ChatGPT Desktop para Ubuntu

sudo snap install chatgpt-desktop

Resultados

Teste Adaptativo Multiestágio para o ENEM (artigo)

Artigo publicado por nós em parceria.

Gabriel Couto Tabak - Universidade de São Paulo - https://orcid.org/0000-0002-8578-3686

Jean Piton-Gonçalves - Universidade Federal de São Carlos - https://orcid.org/0000-0002-7392-2001

Thales Ricarte - https://orcid.org/0000-0002-0830-5138

Mariana Curi - Universidade de São Paulo - https://orcid.org/0000-0002-7651-1064

Resumo: Testes internacionais de avaliação de alunos, em anos recentes, alteraram suas estruturas para implementar o formato adaptativo. O ENEM digital torna possível uma reestruturação da prova aderindo também aos testes adaptativos. Este artigo propõe um teste adaptativo multiestágio (TAM) para a prova do ENEM baseado na edição de 2019 na área de Matemática. Analisaram-se os itens do ENEM através da Teoria de Resposta ao Item, os quais foram utilizados para construir os módulos e estágios do TAM. O roteamento entre os módulos foi definido por um estudo do ponto de corte ótimo para o traço latente estimado, testado exaustivamente para encontrar o que trouxesse o melhor resultado comparado com a prova completa. Ao final, propôs-se uma arquitetura do teste multiestágio com valores de corte específicos para o roteamento. Constatou-se que o teste adaptativo reduziu em 44,4% o número de itens da prova e a estimação das habilidades foi mantida próxima da estimação com o teste completo. Notou-se também que o exame do Enem é voltado para a avaliação de níveis mais altos na escala de habilidade, tornando a estimação das habilidades prejudicada para indivíduos menos proficientes. 

Palavras-Chave: Teste Adaptativo Multiestágio;Teoria de Resposta ao Item;Teste Adaptativo Computadorizado.

Acesso ao artigo completo: https://sol.sbc.org.br/journals/index.php/rbie/article/view/2529

Predição do desempenho de candidatos do ENEM por regressão múltipla

Segue uma publicação realizada em parceria que versa sobre Regressão Múltipla em Ciência de Dados Educacionais.

Adenilson Almeida de NovaesRaccoon Publicidade Ltda

Jean Piton-GonçalvesDepartamento de Matemática/Universidade Federal de São Carlos (UFSCar) 

Predição do desempenho de candidatos do ENEM por regressão múltipla

Resumo: No contexto da Ciência de Dados Educacionais, a Previsão de Desempenho Acadêmico de Estudantes pode seguir a Mineração de Dados Educacionais, que busca explicitar quantitativamente o desempenho estudantil, norteando professores e instituições de ensino. A Regressão Linear Múltipla é uma metodologia de previsão que pode ser aplicada à dados educacionais, como é o caso de dados do Exame Nacional do Ensino Médio (ENEM). Partindo dos dados do ENEM edição 2019, esta pesquisa formulou, testou e analisou sete modelos de regressão múltipla partindo de uma amostra de 18.908 candidatos. Tais modelos consideraram os escores das provas de (i) Linguagens, Códigos e suas Tecnologias, (ii) Matemática e suas Tecnologias, (iii) Ciências da Natureza e suas Tecnologias e (iv) Ciências Humanas e suas Tecnologias e (v) Redação; e os dados pessoais (iv) idade, (v) sexo e (vi) se concluiu o Ensino Médio em escola pública ou privada. Seis modelos apresentaram independência, variância constante, ausência de outliers influentes e significativos, permitindo uma ótima capacidade preditiva do desempenho do estudante.

Palavras-chave: Predição, desempenho, Regressão Linear Múltipla, Ciência de Dados, Mineração de Dados Educacionais, Exame Nacional do Ensino Médio.

Acesso ao artigo completo: https://publicacoes.unifal-mg.edu.br/revistas/index.php/sigmae/article/view/1552 

 

Lançamento do livro: Uma historiografia terapêutica de acasos

Prezados leitores, é com prazer que comunico a vocês mais um excelente livro editado por Antonio Miguel, Carlos Roberto Vianna e JúlioFariaCorrêa.

Há um capítulo de minha autoria: Algoritmos e aleatoriedade em computação

DOI -10.29388/978-65-86678-51-2-0-f.175-198