Sistemas de diários de aprendizagem para apoiar a autorregulação da aprendizagem no ensino superior: uma revisão sistemática de literatura

Learning diary systems to support self-regulated learning in higher education: a systematic literature review

Sistemas de diarios de aprendizaje para apoyar el aprendizaje autorregulado en la educación superior: una revisión sistemática de la literatura

Resumo:

Na psicologia educacional, tem sido amplamente teorizada a importância da autorregulação da aprendizagem (ARA), e manifesta-se a necessidade emergente de sistemas inteligentes projetados para medir e promover a ARA em situação real de aprendizagem, como diários de aprendizagem assistidos por inteligência artificial (IA). Este estudo teve como objetivos verificar a produção científica sobre o uso de sistemas de diários de aprendizagem para apoiar a ARA no ensino superior e identificar características fundamentais dos sistemas para orientar a ARA em tempo real. Trata-se de uma revisão sistemática de publicações nacionais e internacionais de 2017 a 2023. Foram aplicados critérios conforme o protocolo de revisão sistemática Prisma-P e utilizou-se o software ASReview LAB para triagem, resultando na análise de oito artigos internacionais. Os resultados demonstraram o potencial do uso de sistemas de diários; a importância da adoção de um modelo teórico sólido no desenho de sistemas e intervenções; que abordagens bem-sucedidas envolvem os suportes instrucionais feedback e prompts em tempo real e momentos dedicados à introdução de instruções sobre ARA. Ressalta-se a necessidade de estudos nacionais sobre a adoção de técnicas de IA para suporte autorregulado por meio de sistemas de diários de aprendizagem que considerem o contexto brasileiro.

Palavras-chave: aprendizagem autorregulada; inteligência artificial; programas de intervenção

Abstract:

In educational psychology, the importance of self-regulated learning (SRL) has been widely theorized, and there is an emerging demand for intelligent systems designed to measure and promote SRL in real learning situations, such as AI-assisted learning diaries. This study sought to examine the scientific production regarding the use of learning diary systems to support SRL in higher education and identify the systems’ key characteristics to guide real-time SRL. It is a systematic review of national and international publications from 2017 to 2023. Criteria were applied according to the PRISMA-P systematic review protocol, while the software ASReview LAB was used for screening, resulting in the analysis of 8 international studies. The results demonstrated the potential of using diary systems, the importance of adopting a solid theoretical model in system and intervention designs, successful approaches involving instructional support, feedback, real-time prompts, and dedicated moments for introducing SRL instructions. It highlights the importance of national studies regarding the adoption of AI techniques for self-regulated support through learning diary systems that take into consideration the Brazilian context.

Keywords: self-regulated learning; artificial intelligence; intervention programs

Resumen:

En psicología educativa, se ha teorizado ampliamente sobre la importancia del aprendizaje autorregulado (ARA) y surge la necesidad emergente de sistemas inteligentes diseñados para medir y promover ARA en situaciones reales de aprendizaje, como los diarios de aprendizaje asistidos por inteligencia artificial (IA). Este estudio tuvo como objetivo verificar la producción científica sobre el uso de sistemas de diarios de aprendizaje para apoyar el ARA en la educación superior e identificar características fundamentales de los sistemas para guiar el ARA en tiempo real. Se trata de una revisión sistemática de publicaciones nacionales e internacionales de 2017 a 2023. Se aplicaron criterios según el protocolo de revisión sistemática PRISMA-P y se utilizó el software ASReview LAB para el cribado, lo que resultó en el análisis de ocho artículos internacionales. Los resultados demostraron el potencial del uso de sistemas de diarios; la importancia de adoptar un modelo teórico sólido en el diseño de sistemas e intervenciones; enfoques exitosos que implican apoyo instruccional, feedback y prompts en tiempo real y momentos dedicados para introducir instrucciones sobre ARA. Se destaca la necesidad de estudios nacionales sobre la adopción de técnicas de IA para apoyar la autorregulación a través de sistemas de diarios de aprendizaje que consideren el contexto brasileño.

Palabras clave: aprendizaje autorregulado; inteligencia artificial; programas de intervención

Introdução

Por ser uma competência multifacetada, a autorregulação da aprendizagem (ARA) refere-se a um processo ativo, intencional e estratégico de governança do próprio comportamento, de pensamentos e de emoções pelos indivíduos orientados por objetivos pessoais e características contextuais (Zimmerman, 2015; Panadero, 2017), com encadeamentos educacionais significativos para a aprendizagem e o desempenho nos ambientes acadêmicos. No ensino superior, estudos demonstram que os alunos apresentam dificuldades em autorregular sua aprendizagem, têm repertório restrito de estratégias de aprendizagem e tendem a empregar estratégias ineficazes ou superficiais (García-Pérez; Fraile; Panadero, 2021), além de baixa probabilidade de autorregularem espontaneamente a aprendizagem (Dörrenbächer; Perels, 2016). Uma oportunidade eficaz para promover a autorregulação pode ser encontrada nos programas de intervenção. Em geral, são observados na literatura efeitos positivos de intervenções pedagógicas em ARA para estudantes universitários (Ganda; Boruchovitch, 2019; Jansen et al., 2019; Theobald, 2021).

Apesar de ser um conceito essencial na psicologia educacional, a aprendizagem autorregulada enfrenta desafios e limitações em sua aplicação prática. Um dos principais obstáculos, como destacado por Boruchovitch, Simão e Frison (2023), é a ênfase limitada da dimensão social no cenário nacional; o foco principal das práticas pedagógicas recai nas dimensões cognitivas e metacognitivas e deixam em segundo plano a colaboração e a interação entre os alunos, essenciais para uma aprendizagem mais significativa. Além disso, a avaliação da ARA é limitada pelo uso predominante de autorrelatos e situações hipotéticas (Roth; Ogrin; Schmitz, 2016), carecendo de estudos observacionais e em ambientes virtuais (Boruchovitch; Simão; Frison, 2023). Há uma necessidade crescente de modelos mais integrados, pois os atuais ainda não conseguem capturar completamente a complexidade desse processo (Engelmann; Bannert; Melzner, 2021; Saint et al., 2022), bem como de uma formação docente que capacite os professores a promoverem a autorregulação e a autonomia dos alunos de modo eficaz (Santos; Alliprandini, 2023).

No contexto de intervenções executadas em situações reais de ensino e aprendizagem, o diário de aprendizagem é um instrumento em potencial para fomentar a ARA (Panadero, 2017; Nückles et al., 2020), particularmente no ensino superior (Roth; Ogrin; Schmitz, 2016; Silva; Alliprandini, 2023). Com o crescente uso de recursos de aprendizagem baseados em computador e na web, a possibilidade de fornecer suportes adaptativos e personalizados, como prompts e feedback, durante o estudo proporcionam a abertura para novas abordagens e oportunidades educacionais, a fim de apoiar os processos autorregulatórios (Van Merriënboer; Bruin, 2019). Especificamente, destaca-se a inclusão de métodos computacionais de inteligência artificial (IA) para detectar, medir e orientar os comportamentos de aprendizagem dos estudantes (Pardo et al., 2019; Lim et al., 2023; Sun; Tsai; Cheng, 2023). Outra valiosa contribuição pode estar no uso recente das tecnologias móveis para a ARA. Estudos apresentaram evidências positivas para o desenvolvimento de mecanismos de apoio à autorregulação dos estudantes em tempo real durante a aprendizagem mediante uso de dispositivos móveis para programas de intervenção (Baars; Viberg, 2022).

No entanto, não está claro como a convergência de diferentes tecnologias e diários de aprendizagem pode suportar a ARA. Desse modo, esta revisão sistemática da literatura, originada de uma tese de doutorado, busca fornecer um panorama e uma análise do corpus de pesquisas nas literaturas nacional e internacional, as quais abordam programas de intervenção no contexto do ensino superior que empregaram diários de aprendizagem eletrônicos ou digitais, baseados na web ou em aplicativos móveis (App), assistidos ou não por IA, para apoiar a autorregulação em tempo real de aprendizagem. Para tanto, o levantamento sistemático de dados tem como objetivos analisar a produção cientifica sobre a ARA e o uso de sistemas de diários de aprendizagem no ensino superior, de 2017 a 2023, e identificar as características essenciais incorporadas aos sistemas para detectar e dar orientação sobre a ARA em tempo real de aprendizagem.

Diário de aprendizagem e suporte à autorregulação da aprendizagem

A ARA encontra-se no centro das pesquisas educacionais contemporâneas em virtude de sua relevância para a aprendizagem. Embora não haja uma definição universal e diferentes modelos teóricos tenham sido desenvolvidos (Panadero, 2017), é consenso que a ARA abrange aspectos como adaptação de estratégias de aprendizagem, ajuste de circunstâncias ambientais, metacognição e monitoramento e regulação de estados cognitivos, motivacionais e afetivos (Zimmerman, 2015; Panadero, 2017), de modo que o estudante autorregulado age tanto no nível cognitivo quanto no metacognitivo, monitora e regula o processo e a sua motivação (Wolters, 2011). O desenvolvimento conceitual do campo de pesquisa levou a um crescente interesse em compreender os eventos e a natureza dinâmica dos processos autorregulatórios envolvidos em situação de aprendizagem (Schunk; Greene, 2017), resultando na associação de instrumentos de medição e métodos de intervenção, com vistas a identificar níveis de habilidades autorregulatórias dos estudantes, ao mesmo tempo que fornece suporte individualizado e direcionado para aprimorá-las (Panadero; Klug; Järvelä, 2015).

Os diários ou protocolos de aprendizagem apresentam características de ferramentas, tanto de medição quanto de intervenção (Schmitz; Perels, 2011; Panadero; Klug; Järvelä, 2015), por serem um instrumento autoinstrutivo e de automonitoramento, bem como por permitirem analisar a trajetória de aprendizagem com base em dados de alta validade ecológica (Silva; Alliprandini, 2023). Os diários podem ser definidos como protocolos de aprendizagem redigidos pelos alunos durante um determinado período de estudo (Nückles et al., 2020). Apesar das limitações de instrumento de autorrelato (Veenman, 2011), o diário é um recurso sensível para medir processos autorregulatórios como uma sequência de eventos ao longo da aprendizagem (Panadero, 2017; Moning; Roelle, 2021; Silva; Alliprandini, 2023).

Para uso eficiente de diários para a ARA, é necessário o emprego de suportes instrucionais, como prompts e feedback, preferencialmente personalizados e adaptáveis. Do ponto de vista instrucional, prompts personalizados são alternativas para aumentar a eficácia do apoio, reduzir o risco de carga cognitiva adicional e promover a adesão dos estudantes ao apoio instrucional e à utilização de estratégias (Lim et al., 2023). Tendo como base dados de comportamentos de aprendizagem anterior, o apoio personalizado tem sua oferta reduzida gradualmente, à medida que os comportamentos autorregulatórios se intensificam (Nückles et al., 2020; Lim et al., 2023). Em conjunto, prompts e feedback apresentam efeitos positivos para promoção da ARA (Theobald, 2021). Apesar das potencialidades, suportes instrucionais adaptados têm sido pouco explorados (Guo, 2022), o que pode estar associado à complexidade da coleta e análise das informações durante a aprendizagem.

Os esforços autorregulatórios dos estudantes em situação de aprendizagem podem ser apoiados e aprimorados por tecnologias fundamentadas em IA, por permitirem a medição e o exame de dados relacionados ao estado dinâmico dos processos autorregulatórios dos estudantes ao longo da aprendizagem, o que facilita a oferta em tempo real de apoio personalizado e adaptativo para a ARA (Azevedo; Gašević, 2019; Lim et al., 2021; Van Der Graaf et al., 2023). Modelos de aprendizado de máquina possibilitam a análise simultânea de diferentes fluxos de dados - como dados de textos narrativos (por exemplo, Wang; Lin, 2023) via protocolos de aprendizagem e arquivos de log, que são dados comportamentais referentes às interações dos estudantes com sistemas digitais de aprendizagem (Molenaar et al., 2023) - e a relação com as múltiplas dimensões da ARA.

Relatórios simultâneos, como o diário de aprendizagem, e suportes instrucionais podem ser empregados via aplicativos para dispositivos móveis. Apesar de ser uma área de pesquisa recente, estudos já conduzidos revelam resultados promissores para o uso de tecnologias móveis na promoção da ARA, o que pode desdobrar novas perspectivas e possibilidades para medir e fornecer apoio instrucional em situação real de aprendizagem adaptada às necessidades dos alunos e ao contexto (Palalas; Wark, 2020; Baars; Viberg, 2022).

Percurso metodológico

A presente investigação caracteriza-se como um estudo de revisão sistemática, que busca reunir e avaliar criticamente evidências empíricas provenientes de trabalhos que se encaixam em critérios de elegibilidade pré-definidos, com o objetivo de responder a questões de pesquisa específicas sob a lente de determinado construto teórico. A revisão sistemática adota métodos explícitos e sistemáticos passíveis de replicação, com o propósito de identificar, selecionar, avaliar e reunir evidências significativas, que podem dar origem a conclusões teóricas com potencial de informar futuras investigações e fornecer subsídios para tomada de decisões (Galvão; Pereira, 2014; Siddaway; Wood; Hedges, 2019).

Com base nos procedimentos de revisões sistemáticas propostos por Donato e Donato (2019) e Galvão e Pereira (2014), foram adotadas as seguintes etapas: definição das questões de pesquisa; critérios de inclusão e de exclusão; pesquisa na literatura; seleção dos estudos; avaliação da qualidade dos estudos; extração dos dados; síntese dos dados e avaliação da qualidade das evidências; e publicação dos resultados. O processo de busca e de triagem da literatura foi conduzido de forma independente por dois revisores que seguiram os critérios previamente estabelecidos no protocolo de revisão sistemática, conforme modelo Prisma-P (Moher et al, 2015; Shamseer et al., 2015), que será descrito na sequência.

Optou-se pelo recorte temporal de 2017 a 2023, para mapear o emprego desses sistemas com suporte computacional cujas características operacionais se alinham mais intimamente com o contexto de uso atual. A coleta de dados foi realizada em três momentos: nos meses de janeiro de 2021 e de 2023 e uma atualização em setembro de 2023. Para conduzir a busca na literatura científica, as seguintes bases de dados foram selecionadas: Scopus, SpringerLink, IEEE Xplore, ACM Digital Library, Education Resources Information Center (ERIC), ScienceDirect, Web of Science, Scientific Library Online (SciELO) e Portal de Periódicos da Coordenação de Aperfeiçoamento de Pessoal de Nível Superior (Capes). A seleção dessas bases se deu em virtude de sua relevância e da ampla abrangência de publicações de conteúdo científico e técnico nas áreas de Educação, Psicologia, Tecnologia e Ciências Humanas e Sociais (Galvão; Ricarte, 2020).

Para a busca de artigos nacionais, foram empregados os seguintes descritores: “autorregulação”; “aprendizagem autorregulada”, “diários”; “diários reflexivos”; “diários de aprendizagem”; “sistemas”; “eletrônico”; “análise de aprendizagem”; e “mineração”. Já para o levantamento de estudos internacionais, foram adotados os seguintes descritores: “self-regulation”; “self-regulated learning”; “SRL”; “diaries”; “reflective diaries”; “learning diaries”; “electronic”; “learning analytics”; e “mining”. Os termos foram combinados usando Operadores Booleanos “AND”, “OR” e “NOT”.

Os seguintes critérios de inclusão foram adotados: 1) artigo científico; 2) estudos avaliados por pares; 3) delineamento experimental ou quase-experimental; 4) publicações de texto completo; 5) estudos de intervenções no ensino superior para apoiar a autorregulação em situação de aprendizagem; e 6) trabalhos que versam sobre diários de aprendizagem digitais/eletrônicos e/ou App para medir e/ou promover a ARA.

Como critérios de exclusão, foram estabelecidos: 1) artigos que não correspondem aos critérios de elegibilidade; 2) publicações repetidas ou extensão de outros artigos; 3) estudos publicados em outros formatos que não artigo; 4) trabalhos que não promoveram intervenções para favorecer a ARA no ensino superior; 5) meta-análises ou revisão de literatura; 6) estudos que abordam a autorregulação em contextos que não de aprendizagem; 7) artigos com descrição ausente ou imprecisa, impossibilitando inferir o conteúdo da intervenção; e 8) publicações relacionadas a relatórios e elaboração de protocolos de sistemas.

Para gerenciar registros e dados durante a revisão, dois softwares foram adotados. Inicialmente, as publicações encontradas nas bases de dados foram organizadas no Mendeley, um software de gestão de referências bibliográficas. Para realizar uma triagem precisa e minuciosa do conjunto de dados coletados, adotou-se o software de código aberto ASReview LAB (Active Learning for Systematic Reviews), desenvolvido pela Utrecht University. Essa é uma ferramenta de triagem de código aberto auxiliada por métodos de IA com diferentes algoritmos de aprendizado ativo para oferecer suporte a revisões de literatura abrangentes de maneira mais eficiente e com maior transparência (Van De Schoot et al., 2021). O emprego do processamento de dados textuais assistido por IA facilita a condução de revisões sistemáticas de literatura e meta-análises inteligentes, ampliando a confiabilidade (Asmussen; Moller, 2019) e permitindo a rotulação e a quantificação eficientes de grandes volumes de dados (Saha, 2021). Para o modelo de aprendizado ativo, optou-se pela configuração padrão do sistema, que emprega TF-IDF (Term Frequency-Inverse Document Frequency) como técnica de extração de recursos textuais, Naive Bayes como classificador, Maximum na estratégia de consulta e Dynamic resampling como estratégia de balanceamento.

No contexto das pesquisas nacionais, não foram identificados estudos que correspondessem aos descritores. Em âmbito internacional, um total de 1.321 artigos em potencial foram localizados, dos quais 17 estavam duplicados em virtude de sobreposição entre bases de dados. Após a triagem no ASReview LAB mediante a leitura dos títulos, das palavras-chave e dos resumos, 29 artigos foram considerados relevantes. Desses, ao realizar a filtragem de acordo com os critérios de seleção e exclusão, oito foram selecionados para a análise. A Figura 1 apresenta um organograma com os resultados quantitativos dos estudos localizados, de acordo com a data da busca.

Figura 1
Organização visual da distribuição e análise quantitativa da produção científica internacional

Após a aplicação dos critérios de exclusão, dos 29 artigos considerados relevantes pelo ASReview, 21 foram descartados. Essa exclusão ocorreu por diferentes motivos, incluindo o fato de serem relatórios ou elaborações de protocolos de sistemas (6); de não atenderem à característica específica do estudo, que buscava medir eventos autorregulatórios, mas não promovia intervenções posteriores para apoiar ou agir sobre a ARA (11); ou de serem extensões de trabalhos anteriores (4). Portanto, como resultado do processo de seleção, oito artigos atenderam a todos os critérios de elegibilidade e foram incluídos no corpus de análise para a investigação.

A extração de dados por meio da leitura na íntegra dos artigos incluiu características gerais de cada estudo (autoria, país, ano, palavras-chave, título e citação), qualidades específicas do programa de intervenção (como objetivo, características da amostra, duração do estudo, modelo teórico de ARA, foco e medição), dimensões ou processos autorregulatórios em que o estudo se concentrou (por exemplo, estratégias de aprendizagem, autoeficácia para autorregular a aprendizagem) e propriedades dos diários (como suporte instrucional, design e abordagem computacional de IA).

Resultados e discussão

Das publicações que compõem o corpus desta pesquisa, duas correspondem ao ano de 2019, uma publicação em 2020 e 2021 e duas em 2022 e 2023. A relação dos artigos incluídos pode ser observada na Figura 2, por ano de publicação.

Figura 2
Dados dos artigos selecionados para análise

No que diz respeito às características gerais dos artigos selecionados, destaca-se o fato de que foram publicados em periódicos com escopo direcionado para as áreas de psicologia, aprendizagem no ensino superior, desenvolvimento de tecnologia e design instrucional em ambientes educacionais. A maior parcela dessas pesquisas foi veiculada no periódico acadêmico Frontiers in Psychology, totalizando três artigos, dos quais dois foram publicados em 2022 e um em 2023. Importante ressaltar que a maioria das contribuições científicas se encontra na Europa, com particular ênfase nos países de língua alemã, como Alemanha e Áustria. Essa predominância geográfica pode ser, em parte, atribuída à presença regional do programa de pesquisa denominado “Freiburg Self-Regulated-Journal Writing Approach”, conduzido pela Universidade de Freiburg. O propósito central desse programa é investigar como a escrita em diários de aprendizagem pode promover a aprendizagem autorregulada, além de buscar estratégias instrucionais que possam amparar eficazmente esse processo (Nückles et al., 2020).

Importante destacar que, no contexto da América do Sul, foi localizado um estudo desenvolvido com universitários chilenos (Jaramillo; Salinas-Cerda; Fuentes, 2022). Apesar do reconhecimento da ARA como elemento de extrema relevância no âmbito do ensino superior brasileiro, Polydoro et al. (2019) ressaltam a carência latente de instrumentos validados no cenário do País para a avaliação dos processos associados à ARA. Isso implica a necessidade de adaptar e validar instrumentos internacionalmente reconhecidos, a fim de propiciar uma mensuração precisa da ARA em território nacional. Essa mesma lacuna se faz notável na falta de estudos voltados para o desenvolvimento e o uso de diários de aprendizagem digital e/ou App destinados a favorecer a ARA em contextos de ensino superior no Brasil.

Conforme apontam os autores, a compreensão da autorregulação como uma construção social, na qual os estudantes desempenham um papel ativo, destaca a probabilidade de que as particularidades inerentes ao cenário nacional e a cada nível de ensino imponham demandas específicas sobre os discentes, impactando os processos de ARA, as crenças de autoeficácia e a instrumentalidade. Desse modo, a adaptação transcultural de sistemas digitais voltados para apoiar a ARA desenvolvidos em contextos internacionais pode não ser suficiente para atender plenamente às necessidades do ensino brasileiro.

Quanto às características do programa de intervenção, o tamanho da amostra dos estudos variou entre 12 e 194 estudantes, totalizando 838 participantes ao somar os oito trabalhos. Metade das pesquisas (4) contaram com amostras entre 12 e 78 participantes, enquanto o restante incluiu amostras de 118 a 194 discentes. A faixa etária variou de 18 a 58 anos. Em quatro estudos, os participantes cursavam os primeiros semestres dos cursos universitários; em dois, já se encontravam na metade do curso ou no final; e outros dois (Mou, 2021; Çakiroğlu; Öztürk, 2024), todavia, não especificaram essa característica.

Em relação à modalidade, quatro estudos foram conduzidos inteiramente on-line, dois de modo híbrido e dois não forneceram informações suficientes para traçar um julgamento preciso. Tentou-se caracterizar a regularidade dos programas de intervenção, considerando a duração em horas e o número de encontros. Contudo, esse aspecto não pôde ser verificado plenamente, em decorrência da falta de informações na maioria das pesquisas. Constatou-se, portanto, que a duração das intervenções variou entre 3 semanas (21 dias) e 18 semanas (um semestre). De modo geral, é possível inferir que os programas variaram entre de curta, média e longa duração (Wolters; Hoops, 2015; Ganda; Boruchovitch, 2019). O tempo pode ser um moderador importante sobre o efeito das intervenções, conforme apontado por Wolters e Hoops (2015), programas de longa duração têm potencial de serem mais eficazes que intervenções de curta duração, uma vez que a ARA envolve processos multifacetados, interdependentes e recursivos. Para os autores, promover em contexto educacional um conjunto tão complexo de crenças, atitudes e habilidades demanda atenção prolongada.

Das oito pesquisas que compõem o corpus de análise, duas desenvolveram programas instrucionais independentes da disciplina (Broadbent; Panadero; Fuller-Tyszkiewicz, 2020; Bellhäuser; Dignath; Theobald, 2023). Nas restantes, foram identificadas intervenções com estudantes ingressantes matriculados em uma disciplina sobre Aprendizagem Baseada em Problemas (PBL) e Habilidades de Estudo (Baars; Khare; Ridderstap, 2022); discentes do segundo semestre de Engenharia Mecânica durante a rotina diária de aprendizagem de preparação para os exames acadêmicos (Loeffler et al., 2019); estudantes das áreas acadêmicas de Psicologia e de Economia cursando uma disciplina de seminários acerca do desenvolvimento do trabalho de conclusão de curso (Foerst et al., 2019); apenas da área de Psicologia (Jaramillo; Salinas-Cerda; Fuentes, 2022); discentes matriculados na disciplina de Design 3D (Mou, 2021); e estudantes do curso de Administração de Empresas matriculados na disciplina de Inglês como língua estrangeira (Çakiroğlu; Öztürk, 2024).

É possível inferir que seis das pesquisas analisadas adotaram o formato de integração curricular (Hofer; Yu; Pintrich, 1998; Ganda; Boruchovitch, 2019), também chamada de infusão curricular (Rosário; Polydoro, 2014), em que instruções referentes à ARA são incorporadas intencionalmente ao contexto da disciplina (Silva; Alliprandini, 2020) para promover repertório e comportamentos autorregulatórios em domínios específicos nos quais o estudante se encontra inserido. No ensino superior, programas integrados podem capacitar os estudantes no que diz respeito aos conhecimentos declarativo, procedimental e condicional sobre os processos envolvidos na ARA ao longo de atividades acadêmicas específicas e, desse modo, reduzir deficiências ao implementarem estratégias autorregulatórias (Theobald, 2021).

Quanto ao padrão de medição, observa-se uma tendência em combinar instrumentos off-line que medem as habilidades autorregulatórias como medidas de aptidão de modo retrospectivo ou prospectivo, como as escalas ou questionários, e on-line medidas contextualizadas em situação de aprendizagem para capturar eventos autorregulatórios (Roth; Ogrin; Schmitz, 2016; Veenman; Van Cleef, 2019). Resultado que corrobora os apontamentos de Panadero, Klug e Järvelä (2015) sobre uma terceira onda de medição da ARA em que diferentes métodos e instrumentos são combinados para promover e, ao mesmo tempo, medir a autorregulação dos estudantes, sendo o próprio diário de aprendizagem um instrumento representante dessa fase de medição no campo da ARA.

Entre os instrumentos off-line mais utilizados para avaliar e medir os fenômenos autorregulatórios nos estudos analisados está o MSLQ (Motivated Strategies for Learning Questionnaire), resultado também observado na revisão sistemática de Roth, Ogrin e Schmitz (2016). Como apontam os autores, isso pode ter ocorrido pela facilidade de aplicar as escalas do questionário, que podem ser aplicadas individualmente ou em conjunto (por exemplo, Broadbent; Panadero; Fuller-Tyszkiewicz, 2020; Baars; Khare; Ridderstap, 2022; Bellhäuser; Dignath; Theobald, 2023; Çakiroğlu; Öztürk, 2024), e por ter sido traduzido para diversas línguas, principalmente para o alemão. Outros questionários foram usados como métodos de avaliação e entrevistas estruturadas e semiestruturadas elaboradas pelos pesquisadores submetidos a testes de validade.

Dos instrumentos de padrão on-line, além do próprio diário de aprendizagem, cinco estudos utilizaram arquivos de log a fim de obterem dados para análise dos efeitos da intervenção (Foerst et al., 2019; Loeffler et al., 2019; Baars; Khare; Ridderstap, 2022; Jaramillo; Salinas-Cerda; Fuentes, 2022; Çakiroğlu; Öztürk, 2024). Nota-se que, raramente, nos trabalhos revisados, os pesquisadores utilizaram análise dos itens abertos presentes nos diários, com predomínio de itens estruturados no formato tipo Likert. Essa característica pode estar associada à necessidade de minimizar procedimentos extensivos de codificação, o que é favorecido pela análise de itens fechados (Bellhäuser; Dignath; Theobald, 2023). Ou pode estar correlacionada às escolhas de desenho de investigação para medir os efeitos do programa de intervenção sobre os processos de aprendizagem autorregulada, com o predomínio de uma perspectiva do fenômeno em nível macro (aptidão), mesmo o diário de aprendizagem sendo um instrumento que permite, ao longo da intervenção, avaliações em nível micro (eventos).

Importante ressaltar que, em linhas gerais, os estudos capturam medidas de aptidão e de eventos, mas o uso combinado das medidas para avaliação do programa fica evidente nos trabalhos de Bellhäuser, Dignath e Theobald (2023), Broadbent, Panadero e Fuller-Tyszkiewicz (2020), Çakiroğlu e Öztürk (2024), Foerst et al. (2019) e Jaramillo, Salinas-Cerda e Fuentes (2022). Somente no estudo de Mou (2021) é que o emprego de itens abertos se destaca na análise de dados. Outros estudos (por exemplo, Baars, Khare; Ridderstap, 2022) avaliaram as questões abertas dos participantes com referência a aspectos qualitativos do uso do sistema. Há na literatura um reconhecimento crescente de que a análise e o cruzamento de dados extraídos de diversas fontes podem favorecer uma visão mais abrangente dos processos autorregulatórios envolvidos na aprendizagem (Zimmerman, 2015; Azevedo et al., 2022; Molenaar et al., 2023). Desse modo, informações obtidas, quase em tempo real, por registro contínuo em itens abertos em diários de aprendizagem - juntamente com outros dados comportamentais, como os arquivos de log - podem fornecer medidas contextualizadas de eventos autorregulatórios durante os esforços para aprender.

Ao considerar o foco pretendido e os componentes/processos da ARA a serem medidos, as estratégias autorregulatórias foram objeto de apreciação em todos os estudos analisados; entre os processos autorregulatórios envolvidos, destacam-se a cognição, a metacognição e a motivação. Entre os tópicos específicos, o gerenciamento de tempo e a definição de metas predominaram, como apontam Wolters e Hoops (2015), esses são componentes prolíficos nos programas de intervenção no ensino superior. Notou-se que a autoeficácia não foi contemplada nas pesquisas do ano de 2019, mas, após essa data, passou a ser um dos componentes específicos avaliados. Isso pode ter ocorrido em razão da intrínseca ligação entre as crenças de autoeficácia e as habilidades autorregulatórias em situação de aprendizagem. As crenças de autoeficácia não apenas exercem influência sobre, mas também são reciprocamente afetadas pelos processos autorregulatórios dos estudantes, como estabelecimento de metas, uso de estratégia, automonitoramento e autojulgamentos (Wolters; Hoops, 2015; Zimmerman; Schunk; Dibenedetto, 2017). Outro aspecto relevante a ser ponderado é que a autoeficácia emerge como variável crucial para o modelo teórico adotado pelos pesquisadores.

O modelo sociocognitivo de Zimmerman (2013) foi predominante nas pesquisas analisadas, embora, em duas delas (Foerst et al., 2019; Mou, 2021), não tenha sido explicitado qual modelo teórico foi empregado. Pode-se inferir, com base na descrição da estrutura do sistema apresentada por Foerst et al. (2019), que o Modelo Cíclico de Autorregulação da Aprendizagem de Zimmerman guiou a pesquisa. A literatura atual fornece evidências do uso frequente do mesmo modelo teórico em pesquisas sobre ferramentas para apoiar a ARA em ambientes de aprendizagem on-line (Álvarez et al., 2022). De acordo com Panadero (2017), o modelo proposto por Zimmerman figura como o mais citado na literatura, em virtude de seu formato abrangente, intuitivo e elucidativo para prática em contexto educativo e da integração de aspectos motivacionais e emocionais. O Modelo Cíclico de Autorregulação da Aprendizagem descreve o processo em três fases de aprendizagem interdependentes com subprocessos envolvidos: fase prévia, fase de execução e fase de avaliação. A adoção desse modelo influenciou tanto a estruturação dos programas de intervenção quanto a aplicação e o design dos diários de aprendizagem.

Quanto às características essenciais incorporadas ao design dos sistemas de diários/protocolos de aprendizagem eletrônicos/digitais, em cinco dos trabalhos examinados (Loeffler et al., 2019; Broadbent; Panadero; Fuller-Tyszkiewicz, 2020; Baars; Khare; Ridderstap, 2022; Jaramillo; Salinas-Cerda; Fuentes, 2022; Bellhäuser; Dignath; Theobald, 2023), os participantes foram solicitados a interagirem com os diários ou sistemas tanto antes quanto depois do estudo, visando capturar variáveis da fase prévia (antes do estudo) e variáveis durante as fases de execução e de avaliação (após sessão de estudo). Na pesquisa de Çakiroğlu e Öztürk (2024), a interação com o diário ficou restrita à fase de avaliação. Nas demais, não há informações suficientes para formar uma conclusão consistente. Evidências na literatura apontam efeitos positivos para abordagens que apoiam os múltiplos processos autorregulatórios envolvidos na aprendizagem, ou seja, que sustentam todas as fases do ciclo de autorregulação em ambientes de aprendizagem on-line (Wong et al., 2019) e em outros contextos com o uso de diários de aprendizagem (Bellhäuser et al., 2016; Dörrenbächer; Perels, 2016; Nückles et al., 2020). Os resultados dos estudos analisados corroboram essa premissa, uma vez que os processos e subprocessos autorregulatórios são interdependentes (Zimmerman, 2013; Panadero, 2017).

Cinco pesquisas buscaram promover a ARA mediante o desenvolvimento de aplicativos para smartphones (Foerst et al., 2019; Loeffler et al., 2019; Broadbent; Panadero; Fuller-Tyszkiewicz, 2020; Baars; Khare; Ridderstap, 2022; Jaramillo; Salinas-Cerda; Fuentes, 2022). Dessas, três abordam diretamente o diário de aprendizagem, uma o incorpora como módulo de um sistema (Foerst et al., 2019) e duas desenvolvem o diário como o App (Loeffler et al., 2019; Broadbent; Panadero; Fuller-Tyszkiewicz, 2020).

Dois estudos implementaram o diário eletrônico não como um sistema, App ou módulo, mas como um conjunto de questões, por meio de um aplicativo para criação de questionários on-line (Bellhäuser; Dignath; Theobald, 2023) ou associado ao sistema de E-learning da instituição de ensino onde a investigação foi conduzida (Mou, 2021). No trabalho de Çakiroğlu e Öztürk (2024), o diário foi criado como módulo de um software projetado para monitorar o desenvolvimento da autorregulação no ensino on-line. Em Baars, Khare e Ridderstap (2022), o aplicativo não opera exatamente como um diário, mas desempenha o papel de um “repositório” para consultar e avaliar o uso de estratégias de aprendizagem. Já em Jaramillo, Salinas-Cerda e Fuentes (2022), o aplicativo estudado não é identificado pelos autores como um diário, mas apresenta módulo reflexivo e de registros de aprendizagem que são característicos de diários de aprendizagem.

Investigações centradas em soluções baseadas em computador e na Web para mediar a ARA têm recebido atenção especial, em razão das potencialidades dos ambientes de hipermídia para oferecer apoio e orientação com o propósito de aprimorar os processos autorregulatórios dos estudantes (Zimmerman, 2015; Wong et al., 2019; Azevedo et al., 2022). Com a adoção crescente das tecnologias móveis, a implementação de ferramentas “just-in-time” para apoiar a autorregulação, auxiliando educadores e estudantes durante o processo de aprendizagem e ensino, abre novas perspectivas no campo de pesquisa acerca da ARA em diferentes níveis de ensino (por exemplo, Viberg; Wasson; Kukulska-Hulme, 2020; Breitwieser et al., 2023). Os resultados de Loeffler et al. (2019) e de Broadbent, Panadero e Fuller-Tyszkiewicz (2020) identificaram benefícios do uso de diários baseados em App para promover a ARA. Os estudos demonstraram que a aplicação combinada de diário de aprendizagem no formato de App e treinamento teve efeitos positivos no uso das estratégias cognitivas, metacognitivas e de gerenciamento de recursos internos e contextuais.

Apesar disso, resultados como os apresentados por Baars, Khare e Ridderstap (2022) indicaram que as melhorias na autoavaliação de motivação e de habilidades de ARA dos participantes não mostraram correlação com o uso do aplicativo ou a implementação de diferentes estratégias de estudo. Esse cenário é atribuído ao fato de que os participantes utilizaram o aplicativo apenas em algumas sessões, optando por manterem estratégias previamente conhecidas. Esse resultado deve ser observado com cautela, pois ressalta a influência de outros moderadores para o sucesso de um programa de intervenção, que foram ignorados no estudo e explorados por outras pesquisas do corpus de análise, destacando-se a importância do treinamento durante a intervenção para disseminar conhecimentos sobre o construto, a fim de sustentar o desenvolvimento deliberado do repertório autorregulatório, bem como o tipo de suporte instrucional oferecido aos estudantes para ARA.

Em relação aos suportes instrucionais empregados nas pesquisas, o feedback foi identificado como o principal suporte adotado, seguido pelos prompts, predominantemente abordados no contexto de personalização. A análise de Bellhäuser, Dignath e Theobald (2023) identificou que o uso combinado de diários de aprendizagem e feedback adaptativo gerado automaticamente, especialmente quando direcionado para o processo, em oposição ao feedback de resultado, mostra-se como um recurso eficaz para a melhoria da autorregulação em situação de aprendizagem, influenciando positivamente os comportamentos, as atitudes e a eficácia na gestão do estudo. Outro aspecto importante enfatizado é que, associados, diário e feedback proporcionaram uma medida mais sensível e contextualizada da aprendizagem autorregulada.

De modo geral, os resultados dos trabalhos analisados que adotam prompts e feedback reforçam a abordagem proposta por Panadero, Lipnevich e Broadbent (2019), que dá ênfase à importância de fomentar ações estruturadas voltadas para o automonitoramento, o julgamento da progressão em direção aos objetivos e as atividades de autoavaliação que resultem em autofeedback para a promoção do aprendizado autorregulado. Essa convergência evidencia a efetividade de métodos como o uso do diário de aprendizagem para o automonitoramento, bem como a implementação de suportes instrucionais adaptativos e personalizados durante todo o processo, ressaltando a importância de contemplar a autoavaliação em todas as fases dos modelos de autorregulação, principalmente no modelo cíclico proposto por Zimmerman (Panadero; Lipnevich; Broadbent, 2019).

A personalização “just-in-time” dos suportes instrucionais para ARA figura como um desafio tecnológico que tem progredido em ambientes digitais de aprendizagem, graças a esforços interdisciplinares (Azevedo; Gašević, 2019; Van Der Graaf et al., 2023) para capturar, codificar, medir, contextualizar e avaliar processos em tempo real de aprendizagem. Uma das maneiras de abordar a personalização é o uso de IA mediante técnicas de aprendizado de máquina e modelagem preditiva (Pardo et al., 2019; Fan et al., 2022). Entretanto, os estudos analisados não fornecem informações claras sobre como as adaptações foram conduzidas e quais recursos computacionais foram utilizados para implementá-las, deixando uma lacuna significativa na compreensão do processo de personalização desses suportes instrucionais.

Implicações educacionais

Os principais efeitos identificados demonstram que, para um programa de intervenção eficaz assistida por diário de aprendizagem para ARA, é necessário que tanto o design do sistema quanto o da intervenção sigam um modelo teórico sólido (Panadero; Klug; Järvelä, 2015; Moning; Roelle, 2021), a fim de abranger de modo integrado e dinâmico o controle das dimensões cognitiva e metacognitiva, do comportamento, da motivação e do afeto, uma vez que os processos autorregulatórios não são sequenciais e podem ocorrer simultaneamente (Pintrich, 2004). Deve-se considerar que a intervenção inclua momentos dedicados a introduzir e fornecer instruções sobre a ARA, caso os estudantes não possuam conhecimento suficiente de como autorregular a própria aprendizagem, pois depender exclusivamente dos recursos de um instrumento como o diário pode não ser o suficiente para apoiar a ARA (Baars; Viberg, 2022).

A abordagem de suportes instrucionais personalizados, feedback e prompts em formato de perguntas ou instruções quase em tempo real mostrou-se bem-sucedida em promover estratégias e comportamentos autorregulatórios, à medida que os alunos regulam a sua aprendizagem. As funcionalidades dos suportes devem integrar os processos segundo o modelo teórico. Embora essa seja uma conduta eficiente, os suportes instrucionais personalizados e adaptativos foram pouco explorados, como documenta a literatura (por exemplo, Zheng, 2016; Álvarez et al., 2022; Guo, 2022).

Potencialmente, a IA incorporada a sistemas educacionais para a ARA (por exemplo, Pardo et al., 2019; Lim et al., 2021; Lim et al., 2023; Sun; Tsai; Cheng, 2023) pode favorecer a adaptabilidade e a personalização dos suportes para atender o decurso da aprendizagem dos estudantes, as características individuais e o contexto em que ocorre a aprendizagem, por meio de diagnóstico contínuo da aprendizagem via medição em tempo real, usando dados de rastreamento e métodos de mineração de processos, com base em dados fundamentados em eventos. No entanto, pesquisas com foco no papel da IA no campo da ARA ainda estão em estágios iniciais. Nesta revisão sistemática, não foi identificada, entre os estudos, a adoção de técnicas de IA para análise e implementação do apoio autorregulatório mediante sistemas de diário de aprendizagem, o que poderia auxiliar na análise mais sensível das informações presentes nos itens abertos e no cruzamento com outros dados capturados ao longo do processo educacional, como arquivo de log.

Considerações finais

Embora tenha sido evidenciado um baixo número de publicações a partir dos critérios de inclusão/exclusão, os resultados são promissores e apresentam impactos positivos e significativos para projetar sistemas “inteligentes” assistidos por técnicas de IA baseados em tecnologia móvel e em intervenções para apoiar autorregulação em situação de aprendizagem, nas modalidades presenciais, virtuais ou híbridas. Todavia, ao disponibilizar suporte personalizado e adaptativo via sistemas assistidos por IA, é necessário encontrar equilíbrio entre a regulação do sistema e a regulação dos estudantes, e o desenvolvimento desses sistemas pode demandar esforços e investimentos substanciais.

Em âmbito nacional, nas bases consultadas, não se observaram publicações referentes ao uso de sistemas de diários de aprendizagem para apoiar a ARA em tempo real de aprendizagem no ensino superior, o que evidencia a necessidade de futuras pesquisas com foco no desenvolvimento de sistemas e estratégias instrucionais que sejam genuinamente alinhados com a complexidade e a singularidade do cenário educacional nacional, como particularidades da cultura acadêmica brasileira, dinâmicas de aprendizagem dos estudantes e demandas específicas do sistema de ensino superior no País.

Quanto às limitações do estudo, embora o processo de busca tenha sido realizado em bases de dados relevantes para a temática, a ampliação da pesquisa em outras bases poderia ter expandido as possibilidades de acesso a artigos que atendessem aos critérios de inclusão/exclusão definidos, assim como o prolongamento do período de publicação de sete para dez anos. Além disso, alguns artigos forneceram informações insuficientes sobre os programas de intervenção, enquanto outros foram eliminados por apenas apresentarem sistemas sem um desenho de intervenção. Portanto, alguns indicadores podem não ter sido observados durante o processo de revisão.

De modo geral, a presente análise da produção científica sobre a ARA e o uso de diário de aprendizagem no ensino superior destaca que, para a eficácia de uma intervenção assistida por diário de aprendizagem, o design do sistema deve seguir um modelo teórico sólido, o qual deve incluir momentos dedicados à introdução e à instrução sobre a ARA. Além disso, ressalta que o uso de suportes instrucionais personalizados, feedback e prompts em formato de perguntas ou instruções, quase em tempo real, mostrou-se eficaz. Esta investigação evidencia, ainda, que a IA incorporada a sistemas educacionais voltados à ARA, por meio de diagnóstico contínuo, pode favorecer a adaptabilidade e a personalização dos suportes, ajustando-se ao processo dos estudantes, às suas características individuais e ao contexto de aprendizagem. Isso deve ser incentivado, ampliando pesquisas que explorem essa relação. Portanto, esta revisão sistemática traz contribuições relevantes para as pesquisas futuras que visem ao uso do diário de aprendizagem assistido por IA na promoção da aprendizagem autorregulada.

Referências

• ÁLVAREZ, R. P. et al. Tools designed to support self-regulated learning in online learning environments: a systematic review. IEEE Transactions on Learning Technologies, [s. l.], v. 15, n. 4, p. 508-522, Aug. 2022.
• ASMUSSEN, C. B.; MOLLER, C. Smart literature review: a practical topic modelling approach to exploratory literature review. Journal of Big Data, [s. l.], v. 6, n. 1, p. 1-18, 2019.
• AZEVEDO, R. et al. Lessons learned and future directions of metatutor: leveraging multichannel data to scaffold self-regulated learning with an intelligent tutoring system. Frontiers in Psychology, [s. l.], v. 13, p. 1-23, June 2022.
• AZEVEDO, R.; GAŠEVIĆ, D. Analyzing multimodal multichannel data about self-regulated learning with advanced learning technologies: issues and challenges. Computers in Human Behavior, [s. l.], v. 96, p. 207-210, July 2019.
• BAARS, M.; KHARE, S.; RIDDERSTAP, L. Exploring students’ use of a mobile application to support their self-regulated learning processes. Frontiers in Psychology , [s. l.], v. 13, p. 1-18, Mar. 2022.
• BAARS, M.; VIBERG, O. Mobile learning to support self-regulated learning: a theoretical review. International Journal of Mobile and Blended Learning, [s. l.], v. 14, n. 4, p. 1-12, Dec. 2022.
• BELLHÄUSER, H.; DIGNATH, C.; THEOBALD, M. Daily automated feedback enhances self-regulated learning: a longitudinal randomized field experiment. Frontiers in Psychology, [s. l.], v. 14, p. 1-18, May 2023.
• BELLHÄUSER, H. et al. Applying a web-based training to foster self-regulated learning: effects of an intervention for large numbers of participants. The Internet and Higher Education, [s. l.], v. 31, p. 87-100, Oct. 2016.
• BORUCHOVITCH, E.; SIMÃO, A. M. V.; FRISON, L. M. B. Contributions, limitations, and challenges of self-regulated learning in the educational context. ETD: Educaçao Temática Digital, Campinas, v. 25, e023030, 2023.
• BREITWIESER, J. et al. Boosting self-regulated learning with mobile interventions: planning and prompting help children maintain a regular study routine. Computers & Education, [s. l.], v. 205, p. 104879, Nov. 2023.
• BROADBENT, J.; PANADERO, E.; FULLER-TYSZKIEWICZ, M. Effects of mobile-app learning diaries vs on-line training on specific self-regulated learning components. Educational Technology Research and Development, [s. l.], v. 68, n. 5, p. 2351-2372, May 2020.
• ÇAKIROĞLU, Ü.; ÖZTÜRK, M. Microanalytic evaluation of students’ self-regulated learning in flipped EFL instruction. Journal of Computing in Higher Education, [s. l.], v. 36, p. 591-618, 2024.
• DONATO, H.; DONATO, M. Etapas na condução de uma revisão sistemática. Acta Médica Portuguesa, [s. l.], v. 32, n. 3, p. 227-235, mar. 2019.
• DÖRRENBÄCHER, L.; PERELS, F. More is more?: evaluation of interventions to foster self-regulated learning in college. International Journal of Educational Research, [s. l.], v. 78, p. 50-65, 2016.
• ENGELMANN, K.; BANNERT, M.; MELZNER, N. Do self-created metacognitive prompts promote short-and long-term effects in computer-based learning environments? Research and Practice in Technology Enhanced Learning, [s. l.], v. 16, n. 1, p. 1-21, 2021.
• FAN, Y. et al. Towards investigating the validity of measurement of self-regulated learning based on trace data. Metacognition and Learning, [s. l.], v. 17, p. 949-987, 2022.
• FOERST, N. M. et al. SRL to go?: promoting SRL via smartphone-app. Unterrichtswissenschaft, [s. l.], v. 47, p. 337-366, Feb. 2019.
• GALVÃO, M. C. B.; RICARTE, I. L. M. Revisão sistemática da literatura: conceituação, produção e publicação. Logeion: Filosofia da Informação, Rio de Janeiro, v. 6, n. 1, p. 57-73, set. 2019/fev. 2020.
• GALVÃO, T. F.; PEREIRA, M. G. Revisões sistemáticas da literatura: passos para sua elaboração. Epidemiologia e serviços de saúde, Brasília, DF, v. 23, n. 1, p. 183-184, jan./mar. 2014.
• GANDA, D. R.; BORUCHOVITCH, E. Intervenção em autorregulação da aprendizagem com alunos do ensino superior: análise da produção científica. Estudos interdisciplinares em Psicologia, Londrina, v. 10, n. 3, p. 3-25, dez. 2019.
• GARCÍA-PÉREZ, D.; FRAILE, J.; PANADERO, E. Learning strategies and self-regulation in context: how higher education students approach different courses, assessments, and challenges. European Journal of Psychology of Education, [s. l.], v. 36, p. 533-550, June 2021.
• GUO, L. Using metacognitive prompts to enhance self‐regulated learning and learning outcomes: a meta‐analysis of experimental studies in computer‐based learning environments. Journal of Computer Assisted Learning, [s. l.], v. 38, n. 3, p. 811- 832, 2022.
• HOFER, B. K.; YU, S. L.; PINTRICH, P. R. Teaching college students to be self-regulated learners. In: SCHUNK, D. H.; ZIMMERMAN, B. J. (Ed.). Self-regulated learning: from teaching to self-reflective practice. New York: Guilford, 1998. p. 57-85.
• JANSEN, R. S. et al. Self-regulated learning partially mediates the effect of self-regulated learning interventions on achievement in higher education: a meta-analysis. Educational Research Review, [s. l.], v. 28, p. 1-20, Nov. 2019.
• JARAMILLO, A.; SALINAS-CERDA, J. P.; FUENTES, P. Self-regulated learning and academic performance in Chilean university students in virtual mode during the pandemic: effect of the 4planning app. Frontiers in Psychology , [s. l.], v. 13, p. 1-10, May 2022.
• LIM, L. A. et al. What changes, and for whom?: a study of the impact of learning analytics-based process feedback in a large course. Learning and Instruction, [s. l.], v. 72, e101202, Apr. 2021.
• LIM, L. et al. Effects of real-time analytics-based personalized scaffolds on students’ self-regulated learning. Computers in Human Behavior , [s. l.], v. 139, p. 1-18, Feb. 2023.
• LOEFFLER, S. N. et al. Investigating and fostering self-regulated learning in higher education using interactive ambulatory assessment. Learning and individual Differences, [s. l.], v. 71, p. 43-57, Apr. 2019.
• MOHER, D. et al. Preferred reporting items for systematic review and meta-analysis protocols (Prisma-P) 2015 statement. Systematic reviews, [s. l.], v. 4, n. 1, p. 1-9, 2015.
• MOLENAAR, I. et al. Measuring self-regulated learning and the role of AI: Five years of research using multimodal multichannel data. Computers in Human Behavior, [s. l.], v. 139, p. 1-9, 2023.
• MONING, J.; ROELLE, J. Self-regulated learning by writing learning protocols: do goal structures matter? Learning and Instruction, [s. l.], v. 75, e101486, Oct. 2021.
• MOU, T. Y. On-line learning in the time of the covid-19 crisis: implications for the self-regulated learning of university design students. Active Learning in Higher Education, [s. l.], v. 24, n. 2, p. 79-235, Oct. 2021.
• NÜCKLES, M. et al. The self-regulation-view in writing-to-learn: Using journal writing to optimize cognitive load in self-regulated learning. Educational Psychology Review, [s. l.], v. 32, p. 1089-1126, 2020.
• PALALAS, A.; WARK, N. The relationship between mobile learning and self-regulated learning: a systematic review. Australasian Journal of Educational Technology, [s. l.], v. 36, n. 4, p. 151-172, 2020.
• PANADERO, E. A review of self-regulated learning: six models and four directions for research. Frontiers in psychology, [s. l.], v. 8, p. 1-28, Apr. 2017.
• PANADERO, E.; KLUG, J.; JÄRVELÄ, S. Third wave of measurement in the self-regulated learning field: When measurement and intervention come hand in hand. Scandinavian Journal of Educational Research, [s. l.], v. 60, n. 6, p. 723-735, July 2015.
• PANADERO, E.; LIPNEVICH, A.; BROADBENT, J. Turning selfassessment into self-feedback. In: HENDERSON, M. et al. (Ed.). The impact of feedback in higher education [S. l.]: Palgrave Macmillan, 2019. p. 147-163.
• PARDO, A. et al. Using learning analytics to scale the provision of personalised feedback. British Journal of Educational Technology, [s. l.], v. 50, n. 1, p. 128-138, Jan. 2019.
• PINTRICH, P. R. A conceptual framework for assessing motivation and self-regulated learning in college students. Educational psychology review, [s. l.], v. 16, p. 385-407, Dec. 2004.
• POLYDORO, S. A. J. et al. Autorregulação da aprendizagem: adaptação e evidências de validade de instrumentos para universitários brasileiros. Educação em Análise, Londrina, v. 4, n. 1, p. 21-42, jan./jul. 2019.
• ROSÁRIO, P.; POLYDORO, S. A. J. Capitanear o aprender: promoção da autorregulação da aprendizagem no contexto educativo. São Paulo: Casa do Psicólogo, 2014.
• ROTH, A.; OGRIN, S.; SCHMITZ, B. Assessing self-regulated learning in higher education: A systematic literature review of self-report instruments. Educational Assessment, Evaluation and Accountability, [s. l.], v. 28, p. 225-250, 2016.
• SAHA, B. Application of Topic Modelling for Literature Review in Management Research. In: CHAKRABARTI, S. et al. (Ed.). Interdisciplinary Research in Technology and Management London: CRC, 2021. p. 249-256.
• SAINT, J. et al. Temporally-focused analytics of self-regulated learning: a systematic review of literature. Computers and Education: Artificial Intelligence, [s. l.], v. 3, p. 1-22, 2022.
• SANTOS, D. A.; ALLIPRANDINI, P. M. Z. Estratégias de aprendizagem e autorregulatórias na formação continuada de professores: uma revisão de literatura. Revista de Ensino, Educação e Ciências Humanas, Londrina, v. 24, n. 2, p. 299-307, 2023.
• SCHMITZ, B.; PERELS, F. Self-monitoring of self-regulation during math homework behaviour using standardized diaries. Metacognition and Learning , [s. l.], v. 6, p. 255-273, 2011.
• SCHUNK, D. H.; GREENE, J. A. Historical, contemporary, and future perspectives on self-regulated learning and performance. In: SCHUNK, D. H.; GREENE, J. A. (Ed.). Handbook of self-regulation of learning and performance New York: Routledge, 2017. p. 1-15.
• SHAMSEER, L. et al. Preferred reporting items for systematic review and meta-analysis protocols (Prisma-P) 2015: elaboration and explanation. Bmj, [s. l.], v. 350, p. 1-25, Jan. 2015.
• SIDDAWAY, A. P.; WOOD, A. M.; HEDGES, L. V. How to do a systematic review: a best practice guide for conducting and reporting narrative reviews, meta-analyses, and meta-syntheses. Annual review of psychology, [s. l.], v. 70, p. 747-770, Jan. 2019.
• SILVA, M. A. R.; ALLIPRANDINI, P. M. Z. Efeitos positivos de uma intervenção por integração curricular na promoção da autorregulação da aprendizagem. Educação em Revista, Belo Horizonte, v. 36, e227164, 2020.
• SILVA, M. A. R.; ALLIPRANDINI, P. M. Z. Diário de aprendizagem digital: reflexões sobre o potencial do instrumento para a promoção da autorregulação da motivação no contexto do ensino superior. In: ALLIPRANDINI, P. M. Z.; SANTOS, D. A.; RUFINI, S. É. (Org.). Autorregulação da aprendizagem e motivação em diferentes contextos educativos: teoria, pesquisa e intervenção. Londrina: Eduel, 2023. p. 211-232.
• SUN, J. C. Y.; TSAI, H. E.; CHENG, W. K. R. Effects of integrating an open learner model with AI-enabled visualization on students' selfregulation strategies usage and behavioral patterns in an on-line research ethics course. Computers and Education: Artificial Intelligence , [s. l.], v. 4, p. 1-9, 2023.
• THEOBALD, M. Self-regulated learning training programs enhance university students’ academic performance, self-regulated learning strategies, and motivation: a meta-analysis. Contemporary Educational Psychology, [s. l.], v. 66, e101976, July 2021.
• VAN DE SCHOOT, R. et al. An open-source machine learning framework for efficient and transparent systematic reviews. Nature Machine Intelligence, [s. l.], v. 3, p. 125-133, Feb. 2021.
• VAN DER GRAAF, J. et al. How to design and evaluate personalized scaffolds for self-regulated learning. Metacognition and Learning , [s. l.], v. 18, p. 783-810, Nov. 2023.
• VAN MERRIËNBOER, J. J. G; BRUIN, A. B. H. Cue-based facilitation of self-regulated learning: a discussion of multidisciplinary innovations and technologies. Computers in Human Behavior , [s. l.], v. 100, p. 384-391, Nov. 2019.
• VEENMAN, M. V. J. Alternative assessment of strategy use with self-report instruments: a discussion. Metacognition and Learning , [s. l.], v. 6, p. 205-211, June 2011.
• VEENMAN, M. V. J; VAN CLEEF, D. Measuring metacognitive skills for mathematics: students’ self-reports versus on-line assessment methods. ZDM Mathematics Education, [s. l.], v. 51, p. 691-701, 2019.
• VIBERG, O.; WASSON, B.; KUKULSKA-HULME, A. Mobile-assisted language learning through learning analytics for self-regulated learning (Mallas): a conceptual framework. Australasian Journal of Educational Technology , [s. l.], v. 36, n. 6, p. 34-52, 2020.
• WANG, C. Y.; LIN, J. J. H. Utilizing artificial intelligence to support analyzing self-regulated learning: a preliminary mixed-methods evaluation from a human-centered perspective. Computers in Human Behavior , [s. l.], v. 144, e107721, July 2023.
• WOLTERS, C. A. Regulation of motivation: contextual and social aspects. Teachers College Record, [s. l.], v. 113, n. 2, p. 265-283, 2011.
• WOLTERS, C. A.; HOOPS, L. D. Self-regulated learning interventions for motivationally disengaged college students. In: CLEARY, T. J. (Ed.). Self-regulated learning interventions with at-risk youth: enhancing adaptability, performance, and well-being. [S. l.]: American Psychological Association, 2015. p. 67-88.
• WONG, J. et al. Supporting self-regulated learning in online learning environments and MOOCs: a systematic review. International Journal of Human-Computer Interaction, [s. l.], v. 35, n. 4-5, p. 356-373, 2019.
• ZHENG, L. The effectiveness of self-regulated learning scaffolds on academic performance in computer-based learning environments: a meta-analysis. Asia Pacific Education Review, [s. l.], v. 17, p. 187-202, 2016.
• ZIMMERMAN, B. J. From cognitive modeling to self-regulation: a social cognitive career path. Educational psychologist, [s. l.], v. 48, n. 3, p. 135-147, 2013.
• ZIMMERMAN, B. J. Self-regulated Learning: theories, measures, and outcomes. In: WRIGHT, J. (Ed.). International encyclopedia of the social & behavioral sciences 2.ed. [S. l.]: Elsevier, 2015. p. 541-546.
• ZIMMERMAN, B. J.; SCHUNK, D. H.; DIBENEDETTO, M.K. The role of self-efficacy and related beliefs in self-regulation of learning and performance. In: ELLIOT, A. J.; DWECK, C. S.; YEAGER, D. S. (Ed.). Handbook of competence and motivation: theory and application. Nova York: Guilford, 2017. p. 313-333

Datas de Publicação

• Publicação nesta coleção
  16 Dez 2024
• Data do Fascículo
  2024

Histórico

• Recebido
  05 Abr 2024
• Aceito
  01 Nov 2024