Currículo, Ensino e Aprendizagem no Design: o que realmente importa

Março 2026

Download |

Chegou às minhas mãos um documento de trabalho académico que, apesar de ter sido produzido no contexto de um doutoramento em Estudos de Currículo e Ciências da Aprendizagem nos EUA, tem muito para nos dizer — a nós, educadores portugueses que trabalhamos diariamente com alunos, formamos professores e pensamos sobre como melhorar o ensino. Chama-se Curriculum Instruction Handbook for Design Education, da autoria de Bara´ah Muqaddam, e é um daqueles textos que nos fazem parar e refletir sobre o que fazemos dentro da sala de aula.

Não vou fazer um resumo académico. Vou partilhar o que me pareceu mais importante — e mais útil para quem ensina.

Clicar na imagem para ver a apresentação…

Aprender não é receber informação

A ideia central do documento é simples, mas revolucionária na prática: aprender não é um processo passivo. Não aprendemos porque um professor nos transmite conteúdo. Aprendemos quando estamos ativamente envolvidos, quando experimentamos, erramos, refletimos e tentamos de novo.

A investigação em neurociência mostra que a emoção e a cognição estão profundamente ligadas. Quando um aluno está emocionalmente investido numa tarefa — seja um projeto, uma apresentação, uma escrita criativa —, a atenção sustenta-se mais, a memória retém melhor e o conhecimento dura mais tempo. Isto não é novidade para quem está em sala de aula, mas é bom ver confirmado pela ciência aquilo que já sentimos na pele.

O documento descreve um ciclo de aprendizagem que passa pelo envolvimento emocional → atenção → aprendizagem ativa → reflexão → memória de longo prazo. É uma espiral, não uma linha reta. E a reflexão é o elemento que transforma a experiência em conhecimento real.

O papel do professor: tornar o pensamento visível

No ensino do design — e, por extensão, em qualquer área criativa ou complexa —, o professor não é apenas quem transmite conteúdo. É quem torna o pensamento visível. Isso implica modelar processos em voz alta, mostrar como se raciocina perante um problema, guiar sem prescrever soluções.

O ciclo instrucional proposto no documento segue esta lógica:

  • Modelação pelo docente — mostrar como se pensa, não apenas o que se faz
  • Prática guiada — acompanhar os alunos enquanto experimentam
  • Aplicação autónoma — deixar que os alunos testem as suas ideias
  • Reflexão sobre o processo — promover a metacognição
  • Feedback e revisão — fechar o ciclo com melhoria

Este modelo é válido muito além do design. Funciona na língua portuguesa, nas ciências, na história, nas artes. O que muda é a forma como se aplica, não o princípio.

A metacognição como ferramenta de ensino

Uma das ideias que mais me marcou foi a importância da metacognição — ou seja, a capacidade de pensar sobre o próprio pensamento. O documento cita investigação que mostra que mesmo intervenções mínimas, como pedir aos alunos que expliquem por que tomaram determinada decisão, têm um impacto significativo na forma como aprendem.

Na prática, isto significa:

  • Pedir aos alunos que justifiquem as suas escolhas
  • Encorajar a comparação entre alternativas
  • Propor momentos de reflexão após atividades
  • Pedir que documentem o processo, não apenas o resultado

São estratégias simples. Mas que exigem tempo, intenção e cultura de sala de aula. Não se improvisam.

Currículo: não é uma lista de conteúdos

O documento insiste numa ideia que qualquer formador de professores conhece, mas que continua a não ser prática comum: o currículo é um sistema alinhado. Não é uma lista de temas a cumprir. É a relação coerente entre aquilo que queremos que os alunos aprendam (objetivos), o que fazemos em aula (atividades) e como avaliamos (instrumentos).

Quando estes três elementos estão desalinhados — objetivos ambiciosos, atividades rotineiras, testes de memorização —, os alunos ficam confusos, desmotivados e aprendem menos do que poderiam. A coerência curricular não é um luxo. É uma necessidade.

O documento também valoriza a progressão e a sequência: os conteúdos devem ser organizados de forma a que os alunos construam sobre o que já sabem, avançando do simples para o complexo, do concreto para o abstrato. Parece óbvio, mas na prática raramente acontece de forma intencional.

A IA no currículo: ferramenta, não substituto

Num dos capítulos mais atuais do documento, aborda-se a integração de ferramentas digitais e IA no currículo. A posição é equilibrada e sensata: a IA pode expandir as possibilidades criativas, ajudar a gerar ideias e explorar alternativas — mas não substitui o pensamento crítico nem a autoria do aluno.

Os alunos devem aprender a:

  • Usar a IA como apoio, não como atalho
  • Avaliar criticamente os resultados gerados por IA
  • Transformar ideias geradas automaticamente em soluções originais e pessoais

Esta é exatamente a conversa que precisamos de ter nas nossas escolas. A IA já está na sala de aula — com ou sem a nossa autorização. A questão não é se os alunos a usam, mas como os ajudamos a usá-la bem.

Avaliação que serve para aprender

A avaliação é, talvez, o capítulo mais desafiante. O documento defende uma mudança de paradigma: de uma avaliação que mede resultados para uma avaliação que apoia a aprendizagem. Isto implica:

  • Dar feedback contínuo, não apenas no final
  • Valorizar o processo tanto quanto o produto
  • Permitir a iteração e a melhoria ao longo do percurso
  • Incluir a reflexão do próprio aluno como parte da avaliação

Num sistema de ensino que ainda vive muito orientado para a nota final e para os exames, esta proposta soa a utopia. Mas há espaço para a aplicar — em projetos, em portefólios, em trabalhos de grupo, em momentos de autoavaliação estruturada. Depende de nós.

A instituição também precisa de aprender

Há uma dimensão do documento que raramente aparece nos manuais de pedagogia: a escola como organização aprendente. Não basta que os professores sejam bons individualmente. É preciso que a instituição crie condições para que o bom trabalho aconteça e se sustente.

Isso implica liderança com visão, comunidades de prática entre docentes, formação contínua integrada no quotidiano — não como evento isolado —, e sistemas de avaliação do próprio currículo que permitam ajustá-lo ao longo do tempo.

Uma escola que não reflete sobre si mesma tende a repetir os mesmos erros, ano após ano.

O que fica

Este documento foi escrito para o contexto do ensino do design. Mas as suas ideias centrais transcendem o contexto. A aprendizagem ativa, a reflexão sistemática, o alinhamento curricular, a avaliação formativa, a integração responsável da IA — são princípios que cabem em qualquer sala de aula, em qualquer disciplina.

O que mais me ficou foi esta frase implícita ao longo de todo o texto: ensinar bem não é uma questão de talento natural. É uma questão de intencionalidade. Fazer escolhas conscientes sobre o que ensinamos, como ensinamos e como sabemos se funcionou.

Vale a pena parar e perguntar: nas nossas aulas, essas escolhas são mesmo intencionais?


Referência: Muqaddam, B. (2026). Curriculum Instruction Handbook for Design Education. Edgewood University, EdD Program in Curriculum Studies and Learning Sciences.

IAVE

Como medir a disruptividade científica? uma nova abordagem baseada em Inteligência Artificial

Download do artigo |

A ciência avança por saltos. Algumas descobertas mudam completamente a direção de uma área do conhecimento — como aconteceu com a teoria da evolução, a mecânica quântica ou o CRISPR. Mas como identificar, de forma rigorosa e objetiva, quais são realmente esses trabalhos revolucionários? É precisamente a este desafio que responde um novo estudo publicado na revista Science Advances, da autoria de Munjung Kim, Sadamori Kojaku e Yong-Yeol Ahn, da Indiana University.

O Problema de Medir a Disruptividade

Nos últimos anos, tornou-se popular o uso do chamado índice de disrupção (CD index) para classificar artigos científicos como “disruptivos” ou “consolidadores”. Um artigo disruptivo seria aquele que redireciona o campo — as investigações futuras passam a citar o novo trabalho em vez dos anteriores. Um artigo consolidador, pelo contrário, aprofunda e confirma o que já existe.

O problema é que este índice tem limitações sérias:

  • Baseia-se apenas na estrutura local da rede de citações (relações diretas entre artigos)
  • Produz muitos valores iguais a zero, tornando difícil distinguir entre trabalhos
  • É extremamente sensível a ligações individuais entre artigos — um único link de citação pode fazer com que um artigo passe de “máximo disruptivo” para “mínimo disruptivo”
  • Falha em identificar descobertas simultâneas, ou seja, artigos que chegaram às mesmas conclusões de forma independente

Clicar na imagem para ver a apresentação…

A Nova Métrica: EDM (Embedding Disruptiveness Measure)

Para superar estas limitações, os investigadores propõem o EDM, uma métrica baseada em embeddings de grafos — uma técnica de inteligência artificial que representa cada artigo científico como um vetor num espaço de alta dimensão.

A ideia central é elegante: para cada artigo, o modelo aprende dois vetores distintos:

  • vetor passado (p) — que representa o contexto intelectual do artigo, ou seja, as obras em que ele se baseia (as suas referências e os seus “antecessores”)
  • vetor futuro (f) — que representa o impacto do artigo, ou seja, as obras que virão a citar e a usar esse trabalho (“descendentes”)

Se um artigo é verdadeiramente disruptivo, o seu impacto nos trabalhos futuros diverge radicalmente das fundações em que se baseia — a investigação posterior já não depende das obras que o precediam. Esta divergência é medida pela distância cosseno entre os dois vetores. Quanto maior a distância, maior a disruptividade.

Resultados: Um Salto Qualitativo na Identificação de Marcos Científicos

O EDM foi testado em mais de 55 milhões de artigos científicos da Web of Science e da American Physical Society, bem como em mais de 7 milhões de patentes. Os resultados são impressionantes:

  • O EDM identificou corretamente como altamente disruptivos 302 artigos galardoados com o Prémio Nobel e 278 artigos de marcos históricos da física, com muito maior fiabilidade do que o índice CD tradicional
  • Numa regressão logística multivariada, um aumento de 10 percentis no EDM corresponde a 1,34 vezes mais probabilidade de o artigo ser vencedor do Nobel — enquanto o índice CD tradicional não apresentou significância estatística nesta previsão
  • O EDM produz uma distribuição contínua e de alta resolução, permitindo distinguir subtilezas que o índice CD não consegue captar

O Caso das Descobertas Simultâneas

Um dos achados mais fascinantes do estudo é a capacidade do EDM de identificar descobertas simultâneas — situações em que dois grupos independentes chegam à mesma conclusão ao mesmo tempo.

O índice CD falha nestes casos de forma dramática. Quando dois artigos se citam mutuamente (por terem sido publicados ao mesmo tempo sobre o mesmo tema), o índice CD pode cair do máximo para o mínimo absoluto. O estudo ilustra isto com casos históricos célebres:

  • O méson J/ψ (1974): As equipas de B. Richter e S. Ting anunciaram simultaneamente a descoberta desta partícula subatómica. Por se citarem mutuamente, o índice CD dos seus artigos caiu para o percentil 0 (fundo da tabela). O EDM, pelo contrário, atribui-lhes percentil 95 e 97.
  • O mecanismo de Higgs (1964): O artigo de Peter Higgs cita o de Englert e Brout, publicado quase em simultâneo. Isso faz descer o D do artigo de Higgs para o percentil 0,1. O EDM coloca ambos os artigos no percentil 4 — reconhecendo corretamente a sua importância histórica.

Outros casos identificados incluem a descoberta da transcriptase reversa, a liberdade assintótica na cromodinâmica quântica e a difusão inelástica de eletrões e neutrões.

Como o EDM Deteta Descobertas Simultâneas Automaticamente

Além de corrigir erros do índice CD, o EDM permite ir mais longe: identificar sistematicamente descobertas simultâneas sem recorrer a listas de autores ou citações cruzadas.

A lógica é simples: se dois artigos relatam a mesma descoberta, a investigação futura cita-os em contextos semelhantes. Por isso, os seus vetores futuros devem ser próximos no espaço de embedding.

Os investigadores testaram esta hipótese com sucesso: dos 80 artigos com mais de 300 citações identificados como potenciais descobertas simultâneas, 64 (80%) foram confirmados como tal — com 34 sendo descobertas independentes verificadas nos próprios textos dos artigos, onde os autores mencionavam explicitamente o trabalho paralelo de outros grupos.

Implicações para a Ciência e para a Educação

Este estudo tem implicações que vão além da bibliometria:

Para a comunidade científica, o EDM oferece uma ferramenta mais justa para atribuir reconhecimento a contribuições transformadoras — incluindo aquelas que ficaram na sombra de trabalhos mais citados ou que foram fragmentadas em múltiplas publicações.

Para a história e filosofia da ciência, os resultados confirmam empiricamente a teoria de Merton sobre as descobertas múltiplas: os avanços simultâneos e independentes são a norma, não a exceção — tal como aconteceu com Newton e Leibniz no cálculo, ou com Darwin e Wallace na teoria da evolução.

Para a literacia de informação e o pensamento crítico, este estudo é um excelente exemplo de como as métricas que usamos para avaliar o conhecimento têm limitações e enviesamentos que precisam de ser compreendidos. Avaliar a qualidade e o impacto de um trabalho científico é sempre um processo complexo, contextual e multidimensional — algo que qualquer estudante e cidadão deve aprender a questionar.

Limitações Reconhecidas pelos Próprios Autores

Com rigor científico, os investigadores listam também as limitações do EDM:

  • Medir a evolução temporal da disruptividade exige retreinar o modelo, o que é computacionalmente exigente
  • Artigos com poucas citações ou sem referências não são bem capturados
  • A interpretabilidade é menos direta do que indicadores tradicionais baseados em redes
  • Não funciona bem quando as comunidades científicas não comunicam entre si (como no caso do teorema de Cook-Levin, ignorado durante anos por barreiras entre os EUA e a URSS)

Este estudo é um bom exemplo de como a inteligência artificial pode ser usada para compreender melhor a própria ciência — não apenas para produzir conhecimento novo, mas para reconhecer, com mais justiça, quem já o fez.

Referência: Kim, M., Kojaku, S., & Ahn, Y.-Y. (2026). Uncovering simultaneous breakthroughs with a robust measure of disruptiveness. Science Advances, 12(14), eadx3420. https://doi.org/10.1126/sciadv.adx3420

Les stratégies de compréhension en lecture

Leitura e Compreensão: muito mais do que decifrar palavras

Download | Download .PT | O livro que sabia a mar (exemplo para alunos)

O documento “Lecture et compréhension”, da autoria de Christophe Salomé, propõe uma reflexão profunda sobre o ato de ler e apresenta onze estratégias cognitivas essenciais para desenvolver uma leitura verdadeiramente compreensiva. Longe de ser apenas a decifração de palavras, ler é um processo mental complexo que mobiliza memória, imaginação, emoção e pensamento crítico.​

A leitura começa na memória

Compreender um texto inicia-se antes da leitura em si. O leitor ativa conhecimentos prévios – pessoais, culturais ou escolares – para construir pontes com o que está prestes a ler. Essa ativação de saberes é a primeira etapa da compreensão.​

Ler é antecipar

Um bom leitor formula hipóteses com base no título, nas imagens ou nos subtítulos. Antecipar dá direção ao olhar e prepara o terreno para o entendimento global do texto.​

Visualizar para compreender

Transformar palavras em imagens mentais ajuda a reter e a interpretar melhor o conteúdo. Cada frase cria um pequeno “filme interior”, repleto de emoção e detalhe sensorial.​

Perguntar, anotar e refletir

Anotar, sublinhar e fazer perguntas ao texto são gestos de leitura ativa. Os leitores proficientes questionam o texto antes, durante e depois da leitura — é uma forma de investigar para compreender.​

Ler nas entrelinhas

Compreender o que o texto não diz diretamente exige a capacidade de inferir: relacionar pistas com o conhecimento próprio para captar o não dito, o implícito.​

Avaliar e sintetizar

Um leitor atento verifica constantemente se entendeu o texto. Relendo, reformulando e distinguindo o essencial do acessório, aprende a resumir o núcleo das ideias e a avaliar o tom, o estilo e a intenção do autor.​

Ler para se transformar

A leitura culmina na síntese, o momento em que o leitor constrói a sua própria visão a partir do que leu. Ler é, afinal, um ato de transformação pessoal: cada texto lido altera, questiona e enriquece quem o percorre.

Manual de Métodos para Pesquisa Digital | eBook

março de 2025

Download | Editora Mundos Sociais

Há uma pergunta que qualquer professor, bibliotecário ou investigador curioso já terá feito: como se estuda o que acontece nas redes sociais com rigor científico? A resposta chegou em março de 2025, com a publicação do Manual de métodos para pesquisa digital, organizado por Gustavo Cardoso e Rita Sepúlveda, e editado pela Mundos Sociais / CIES-Iscte. Trata-se do primeiro manual em língua portuguesa dedicado inteiramente às metodologias de investigação em plataformas digitais, e a sua leitura é simultaneamente entusiasmante e desafiante — como os próprios autores reconhecem na introdução.

O que são, afinal, os métodos digitais?

Os métodos digitais não são apenas ferramentas para recolher dados — são uma cultura metodológica que situa a pesquisa na própria plataforma. Isso significa que estudar o que acontece no Instagram, no TikTok ou no X (antigo Twitter) implica, antes de mais, compreender como cada plataforma funciona: o seu design, as suas affordances (as ações que possibilita, como gostar, comentar, partilhar), as suas gramáticas específicas e os seus algoritmos. Como sublinham os autores, “as plataformas moldam as formas de expressão e, por conseguinte, as interações e as práticas comunicativas dos seus utilizadores.”

Longe de substituírem os métodos tradicionais como entrevistas ou questionários, os métodos digitais complementam-nos. A abordagem é, por natureza, qualiquantitativa — combina análise de texto, imagens, redes, dados numéricos e contexto social.

Como está organizado o manual

O livro divide-se em quatro partes articuladas e progressivas:

  • Conceptualizar a pesquisa digital — plataformas, algoritmos, dados, ética e desenho da investigação
  • Investigar nas redes sociais online — capítulos dedicados ao Instagram, Twitter/X, Facebook, TikTok e YouTube, com instruções passo a passo
  • Outras abordagens — Google Trends, WhatsApp, Telegram, apps stores e métodos de inquirição online
  • Análise de dados — propostas, exemplos e uma lista de ferramentas

Cada capítulo prático funciona em lógica how to, com “receitas” reproduzíveis que qualquer investigador pode seguir, mesmo sem conhecimentos de programação.

Clicar na imagem para ver a apresentação…

As plataformas como objeto — e como ambiente de estudo

Um dos contributos mais relevantes do manual é a distinção entre estudar nas plataformas e estudar as plataformas. Fenómenos como a desinformação, a comunicação política ou o discurso de ódio podem ter origem nas plataformas, mas também ecoam fora delas. Por isso, o investigador precisa de conhecer o funcionamento da plataforma — incluindo o papel invisível dos algoritmos, que priorizam, classificam, associam e filtram os dados sem que o investigador (ou o utilizador) tenha acesso a esse código.

Esta “objetividade algorítmica” é, como o manual deixa claro, um mito: os dados disponíveis não são neutros. São moldados pelos objetivos comerciais das plataformas, pela ação dos algoritmos e pela presença de contas falsas ou bots. Reconhecer estas limitações não invalida a investigação — torna-a mais rigorosa.

Ética: uma questão de fundo, não de rodapé

O manual reserva um capítulo inteiro ao enquadramento ético da investigação digital, com a assinatura de Cláudia Álvares. A questão central é aparentemente simples: os dados publicados nas redes sociais são públicos ou privados? A resposta é complexa. Um utilizador que publica um post não espera necessariamente que esse conteúdo seja analisado em contexto de investigação.

O Regulamento Geral de Proteção de Dados (RGPD) fornece o quadro legal de referência na União Europeia, mas a sua aplicação ao contexto digital levanta questões que os formulários tradicionais de consentimento não contemplam. A anonimização e a pseudonimização, ferramentas clássicas da investigação offline, são difíceis de aplicar quando se trabalha com grandes volumes de dados de plataformas. O manual propõe reflexões práticas, a partir de um estudo de caso concreto, para ajudar investigadores a navegar neste terreno em permanente atualização.

Ferramentas: o que existe e como usar

O manual apresenta um conjunto de ferramentas concretas, acessíveis a utilizadores sem perfil técnico avançado:

  • SentiOne — monitorização de publicações no Twitter/X e outras plataformas por palavras-chave ou listas de contas
  • Zeeschuimer — recolha de dados do TikTok
  • YouTube Data Tools — análise de canais, vídeos e comentários no YouTube
  • DMI App Scrapers — pesquisa de aplicações na Google Play Store e Apple App Store
  • Google Trends — análise de tendências de pesquisa ao longo do tempo
  • RAWGraphs e Gephi — visualização de dados e redes

Para cada ferramenta, os autores detalham os inputs necessários, os outputs gerados e as possibilidades de investigação que abrem.

O futuro (já chegou) da investigação social

O capítulo final, assinado por Gustavo Cardoso, Inês Narciso e José Moreno, traça a prospetiva da área. A integração da inteligência artificial generativa, a chegada da Lei dos Serviços Digitais (DSA) da União Europeia e o fechamento progressivo das API das plataformas (o chamado APIcalypse) são tendências que redesenham o campo. O acesso do CrowdTangle ao Facebook e Instagram foi encerrado pela Meta; o X colocou a sua API atrás de um paywall inacessível para a maioria dos investigadores.

Apesar dos obstáculos, os autores mantêm uma nota de otimismo fundamentado: a quantidade de dados disponíveis é uma oportunidade sem precedentes, e a investigação digital continuará a ser um campo em expansão — especialmente à medida que os métodos digitais deixam de ser uma especialidade e passam a fazer parte do currículo padrão das ciências sociais.


Referência completa:
Cardoso, G. e Sepúlveda, R. (Orgs.) (2025). Manual de métodos para pesquisa digital. Lisboa: Editora Mundos Sociais / CIES-Iscte. ISBN 978-989-8536-94-5. Disponível em: mundossociais.com

Manual de estratégias de ensino voltadas para a aprendizagem dos estudantes

Download |

Este manual oferece uma abordagem detalhada para projetar e implementar estratégias de ensino que colocam o aluno no centro do processo de aprendizagem. Inclui métodos para incentivar a participação ativa, personalizar a instrução e adaptar as práticas pedagógicas às necessidades individuais. O objetivo é melhorar a eficácia da aprendizagem por meio de técnicas que promovam a motivação, a compreensão profunda e o desenvolvimento de competências críticas.

Quais as estratégias específicas que considera mais eficazes para centrar a aprendizagem nas necessidades dos alunos e como pode medir o seu impacto no desempenho académico?