Pensamento computacional e ciência de dados: raciocínio além da programação

O ensino de computação está se ampliando para além de ensinar comandos: estudos recentes passaram a investigar também como crianças interpretam dados, identificam padrões e questionam classificações. Essa mudança aparece em propostas para diferentes etapas, da educação infantil ao ensino médio, e ajuda a explicar por que o tema pode chegar à rotina do professor mesmo quando não há uma aula específica de programação.

Para quem ensina, a questão prática é menos “qual linguagem devo ensinar?” e mais “que tipo de raciocínio quero que o aluno pratique?”. As pesquisas reunidas aqui mostram possibilidades promissoras, mas também diferenças importantes: algumas estudam atividades de sala, outras avaliam instrumentos ou sintetizam pesquisas anteriores. Em conjunto, elas ajudam a pensar como conectar dados, resolução de problemas e escolhas dos estudantes sem reduzir o pensamento computacional a uma sequência de códigos.

O que são pensamento computacional e ciência de dados na formação do raciocínio e por que importam para o professor?

Pensamento computacional é uma maneira organizada de abordar problemas: perceber regularidades, estruturar etapas, criar representações e considerar como uma solução funciona. Ciência de dados, no contexto escolar, envolve formular perguntas, interpretar e organizar dados, procurar relações e usar o que se encontra para construir explicações ou tomar decisões. Os dois campos se encontram quando o estudante precisa transformar uma questão em algo que possa investigar e explicar.

Isso não exige que toda atividade use computador. Uma turma pode ordenar informações, comparar categorias, discutir por que dois conjuntos parecem diferentes ou explicar uma regra com cartões e objetos. Programar pode ser uma forma de experimentar ideias, mas não é a única maneira de observar raciocínio computacional. Uma revisão de avaliações na educação básica examinou justamente instrumentos sem programação, e outra revisão sobre a primeira infância encontrou formatos impressos entre os mais frequentes (Wang, 2026; Na, 2026).

Para o professor, o ponto central é tornar visível o processo do aluno. Uma resposta correta pode esconder uma compreensão frágil; uma explicação, uma representação escolhida ou uma mudança de hipótese podem mostrar como a criança está pensando. Estudos sobre ciência de dados escolar destacam atividades contextualizadas, formas variadas de análise e comunicação e a necessidade de olhar para padrões, não apenas para a aparência de uma visualização (Adisa, 2024).

O que a pesquisa recente mostra sobre pensamento computacional e ciência de dados?

A pesquisa recente aponta três frentes úteis para a escola: aproximar os conceitos de problemas significativos, ensinar a questionar como os dados são organizados e avaliar o raciocínio de modo mais amplo que a programação. Os estudos não formam um único experimento nem permitem uma conclusão universal, mas oferecem exemplos concretos de práticas e questões que professores podem levar em conta.

Problemas próximos da vida dos alunos dão sentido aos dados

Uma pesquisa com crianças de 9 a 10 anos, em uma turma dos anos iniciais na Austrália, examinou uma sequência interdisciplinar sobre riscos e benefícios das atividades das crianças no ciberespaço. A proposta articulou raciocínio com dados, pensamento computacional e aprendizagem baseada em investigação, incluindo dados não convencionais, privacidade e questões éticas. Os autores relatam que os resultados sugerem um processo para apresentar problemas complexos, mas adequados à faixa etária, conectados ao cotidiano das crianças (Makar, 2025).

Esse exemplo é relevante porque a investigação não começa necessariamente com uma tabela pronta. Uma pergunta aberta pode levar a turma a decidir quais informações importam e como abordá-las. A pesquisa não afirma que qualquer tema cotidiano produzirá o mesmo resultado; ela mostra uma possibilidade de integrar dados, computação e investigação em uma sequência construída para crianças dos anos iniciais.

Em outro estudo de caso no Ensino Fundamental, os autores identificaram condições associadas a maior engajamento: problemas de dados contextualizados e ligados às experiências dos alunos; oportunidades de analisar dados e tomar decisões de diferentes maneiras; e escolha sobre como comunicar padrões, interpretar gráficos e contar histórias com dados. Ao mesmo tempo, relataram desafios: os estudantes podiam encontrar conflito entre padrões observados e suas experiências de vida, ou valorizar mais a aparência da visualização do que as relações entre variáveis (Adisa, 2024).

Essa combinação de potencial e dificuldade importa para o planejamento. Um contexto familiar não elimina a necessidade de discutir evidências: justamente porque o aluno tem uma expectativa sobre o assunto, pode ser necessário comparar essa expectativa com os dados. E uma visualização bonita não substitui a pergunta sobre o que os valores representam. A pesquisa de Adisa e colegas examina práticas de ciência de dados no Ensino Fundamental, não uma receita aplicável sem adaptação a qualquer turma.

Classificar, modelar e modificar ajuda a questionar representações

Um estudo piloto investigou estudantes do ensino médio que jogaram e modificaram jogos de classificação em uma ferramenta online chamada SorBET. A ferramenta reúne programação e modelagem de bancos de dados; os estudantes podiam interpretar, organizar e analisar dados tanto ao jogar quanto ao criar ou alterar jogos. Segundo os autores, os participantes desenvolveram práticas como interpretar dados e projetar modelos de dados para melhorar como jogadores ou elaborar um jogo interessante (Grizioti, 2024).

O resultado mais interessante para o raciocínio crítico é que modificar os jogos levou os estudantes a questionar o conteúdo dos jogos originais e a adotar uma postura crítica diante do modelo de dados e das representações utilizadas. Classificar não é apenas colocar elementos em caixas: envolve decidir quais características contam, que regras definem as categorias e o que fica de fora. A pesquisa sugere que criar ou alterar uma representação pode revelar essas decisões aos estudantes.

Em uma aplicação escolar hipotética, uma turma poderia comparar duas maneiras de agrupar objetos ou informações e discutir qual regra cada agrupamento pressupõe. Isso é uma sugestão de aplicação, não uma atividade testada tal como descrita pelo estudo. O achado do piloto se refere ao trabalho com jogos de classificação e à forma como os estudantes se envolveram com dados e modelos.

Programação pode apoiar raciocínios distintos, mas os efeitos não são iguais

Um currículo de computação para crianças da pré-escola foi avaliado ao longo de oito semanas. O estudo incluiu 360 crianças e comparou um grupo que participou do currículo com um grupo de controle. Os resultados relatados foram variados: houve ganhos significativos em habilidades espaciais e regulação emocional, mas não houve efeito sobre conhecimento numérico nem diferenças significativas nos resultados de linguagem. Para crianças de famílias com nível socioeconômico mais baixo, foram relatadas melhorias expressivas em pensamento computacional e habilidades pró-sociais em comparação com seus pares de nível socioeconômico mais elevado (Yang, 2026).

Esse conjunto de resultados pede cuidado com promessas amplas. O estudo não sustenta que programação melhore automaticamente todas as áreas de desenvolvimento. Ele relata efeitos em alguns resultados e ausência de efeito ou diferença em outros. Para o professor, a leitura útil é que uma proposta de computação pode se relacionar com diferentes dimensões, mas cada uma precisa ser observada e avaliada como tal.

Uma pesquisa quase-experimental com 31 estudantes do sétimo ano de uma escola em Xangai investigou um módulo de probabilidade baseado em Scratch, com duração de sete semanas. Os resultados relatam ampliação significativa de conceitos de pensamento computacional, especialmente condicionais, e de perspectivas de “expressar” e “conectar”, além de favorecer a aprendizagem matemática, com melhorias em probabilidade clássica e eventos compostos. A experiência prévia em programação não influenciou significativamente o desempenho, e não houve diferença significativa entre gêneros no desempenho matemático (Zhang, 2026).

Como o estudo foi realizado em Xangai, seus resultados não devem ser tratados como garantia de efeito em escolas brasileiras. Ainda assim, ele oferece um exemplo de integração entre computação e conteúdo matemático: o estudante pode usar uma ferramenta de programação para representar uma situação de probabilidade. O estudo também mostra por que vale observar resultados específicos, em vez de resumir a proposta como “programar melhora matemática”.

A avaliação precisa acompanhar o raciocínio, não apenas o produto

Uma revisão de escopo examinou 39 estudos empíricos sobre avaliações de pensamento computacional sem programação, publicados entre 2006 e 2022. A síntese encontrou avaliações em todas as etapas da educação básica exceto a educação infantil, com concentração de pesquisas na China e nos Estados Unidos. Testes de resolução de problemas e escalas de autorrelato foram medidas frequentes, e ferramentas únicas foram mais comuns que avaliações por múltiplos métodos. Os autores também apontam que muitas intervenções estavam relacionadas à programação e que as avaliações correspondentes frequentemente não estavam alinhadas às intervenções (Wang, 2026).

Uma revisão sistemática voltada à primeira infância analisou 30 estudos publicados em 28 artigos, com instrumentos para crianças de 3 a 8 anos. A maioria das avaliações se concentrava em algoritmos e sequências, muitas vezes com itens impressos e respostas selecionadas. Embora muitos estudos apresentassem evidências de validade de conteúdo e de construto, as evidências de validade de critério e de equidade eram escassas. Os autores defendem instrumentos adequados ao desenvolvimento e mais rigorosos para avaliar crianças sem vieses (Na, 2026).

Já o instrumento COMATH foi desenvolvido para estudantes de 9 a 14 anos e testado em projetos-piloto entre 2023 e 2025 em seis países europeus, com dados de 6.480 estudantes e 155 professores. O estudo relata que uma abordagem por fases permitiu calibrar a dificuldade das tarefas, examinar o funcionamento dos itens e interpretar o desempenho entre faixas etárias e contextos nacionais. Também defende que a avaliação pode apoiar decisões pedagógicas, em vez de servir apenas como medida somativa (Dagiene, 2026).

Esses trabalhos não oferecem uma única prova pronta para qualquer escola. Eles ajudam a separar três perguntas: o que se quer observar, que tarefa permite observar isso e como usar a informação obtida. Uma atividade pode avaliar sequenciamento, outra resolução de problemas ou interpretação de dados; nenhuma medida isolada deve ser confundida com todo o pensamento computacional.

O pensamento computacional pode aparecer sem tela e em diferentes disciplinas

Uma revisão de literatura sobre letramento digital e pensamento computacional relata uma interdependência entre os dois e aponta desigualdade digital, acesso insuficiente à infraestrutura, preparo docente e fragmentação curricular como desafios. A revisão menciona iniciativas internacionais e estratégias como gamificação, projetos e plataformas adaptativas, além de recomendar formação continuada e políticas de educação digital. Como revisão, reúne discussões e resultados de trabalhos anteriores, não um teste de uma intervenção específica em uma turma brasileira (Sabyrkhanova, 2026).

Outra proposta para a primeira infância explora a conexão entre livros ilustrados, histórias e pensamento computacional. Os autores destacam sequenciação, representação e reconhecimento de padrões, apresentando atividades de programação desplugada e plugada com Ozobots. A ideia é que histórias, brincadeiras e investigação do mundo possam ser pontos de partida, e que a programação não seja apresentada como algo que só acontece diante de um computador (Beisly, 2026).

Essas duas fontes apontam caminhos diferentes, mas compatíveis: construir condições de acesso e formação, e reconhecer que o raciocínio pode ser trabalhado também em atividades sem tela. O texto de Beisly e colegas apresenta um referencial e atividades; não relata um ensaio que permita afirmar que uma modalidade é superior à outra. A revisão de Sabyrkhanova e colegas, por sua vez, sintetiza uma área ampla e destaca obstáculos sistêmicos.

Como os estudos de pensamento computacional se comparam?

Os estudos diferem em idade, objetivo e tipo de evidência. A tabela resume o que cada um investigou e relata, sem tratar estudos de caso, revisões e avaliações como se fossem o mesmo tipo de pesquisa.

Quais são os pontos em comum e as divergências entre os estudos?

Um ponto de convergência é que o pensamento computacional não se reduz a escrever código. Os estudos sobre dados destacam interpretação, classificação, modelagem e comunicação; as pesquisas de avaliação incluem instrumentos sem programação; e a proposta com histórias reconhece sequenciação e padrões em atividades de leitura e brincadeira (Grizioti, 2024; Wang, 2026; Beisly, 2026). Isso amplia o repertório do professor: pode haver raciocínio computacional em situações que não começam em uma tela.

Outro ponto em comum é a importância de tornar as tarefas significativas e apropriadas ao grupo. O estudo australiano trabalhou um problema do cotidiano, enquanto a pesquisa de Adisa e colegas associa o engajamento à contextualização e à possibilidade de escolha na comunicação dos dados (Makar, 2025; Adisa, 2024). A pesquisa sobre a pré-escola também avaliou um currículo com atividades adequadas à faixa etária, embora seus resultados variem por dimensão observada (Yang, 2026).

As divergências estão, em boa parte, nos objetivos e nos resultados. Um estudo relata efeitos em habilidades espaciais e regulação emocional, mas não em conhecimento numérico ou linguagem; outro encontra melhorias em conceitos de probabilidade e pensamento computacional em um módulo de Scratch (Yang, 2026; Zhang, 2026). Não é contradição direta: são idades, propostas e medidas diferentes. Também há diferença entre estudos de intervenção, estudos de caso, propostas pedagógicas e revisões.

O que permanece em aberto é como avaliar de maneira justa e útil em contextos variados. As revisões apontam lacunas em equidade, validade e variedade de contextos; a revisão de avaliações sem programação registra pouca pesquisa em algumas regiões, incluindo América do Sul (Na, 2026; Wang, 2026). Portanto, não se pode presumir que instrumentos desenvolvidos ou estudados fora do Brasil tenham o mesmo funcionamento aqui. Também não está resolvido qual combinação de programação, investigação com dados e avaliação funciona melhor para cada idade e objetivo.

Como aplicar essas ideias na sala de aula?

As sugestões abaixo são aplicações pedagógicas possíveis, não resultados testados pelos estudos exatamente nesses formatos. A ideia é aproveitar os princípios que as pesquisas investigam e adaptá-los ao tempo, aos recursos e aos conhecimentos da sua turma.

1. Comece por uma pergunta que a turma consiga investigar

Uma forma de usar isso em sala é formular uma questão ligada à vida escolar, mas que não tenha uma resposta pronta. Imagine uma turma de 5º ano investigando quais espaços do recreio são mais usados em diferentes momentos. Os alunos poderiam decidir que informações observar, organizar registros e explicar o que os dados permitem concluir. A escolha do contexto e do método seria uma aplicação inspirada nos estudos sobre problemas contextualizados e investigação com dados, não uma atividade cuja eficácia tenha sido medida por eles (Makar, 2025; Adisa, 2024).

2. Peça que os estudantes expliquem suas categorias

Uma forma de usar classificação é apresentar um conjunto de itens e pedir que os alunos criem grupos, explicitem a regra e testem se ela funciona para novos exemplos. Imagine estudantes do ensino médio classificando personagens fictícios por características que eles próprios escolhem. Depois, a turma pode discutir quem ou o que não se encaixaria bem e como uma mudança de regra altera o resultado. Essa proposta deriva da atenção a modelos e representações observada no estudo de jogos de classificação; não é uma reprodução do SorBET (Grizioti, 2024).

3. Avalie a explicação, não apenas a resposta final

Uma aplicação possível é solicitar que o estudante registre como decidiu organizar os dados, qual padrão percebeu e por que sua conclusão decorre da evidência. Imagine dois alunos que chegam à mesma resposta por caminhos diferentes: uma conversa breve ou uma produção explicativa pode revelar o que cada um compreendeu. Isso ajuda a evitar que uma única medida represente todo o pensamento computacional, questão levantada pelas revisões de avaliação (Wang, 2026; Na, 2026).

4. Compare padrões com expectativas e experiências

Quando os dados parecem contradizer uma ideia que a turma já tinha, não é preciso resolver a tensão depressa. Uma sugestão de aplicação é pedir que os alunos comparem a expectativa inicial, o que os registros mostram e possíveis explicações para a diferença. Imagine uma turma que acredita que a maioria prefere uma atividade, mas encontra respostas variadas em uma consulta simples. A discussão pode separar opinião, amostra observada e conclusão. A pesquisa de Adisa e colegas relata esse tipo de tensão entre padrões e experiências de vida como um desafio, não como erro a ser eliminado (Adisa, 2024).

5. Use atividades sem tela para tornar visíveis as etapas

Uma forma de aplicação é representar uma sequência com cartões, instruções orais ou objetos e pedir que um colega execute as instruções exatamente como foram dadas. Imagine crianças pequenas organizando passos para um personagem chegar a um destino dentro da sala, sem usar computador. A turma pode localizar ambiguidades e reorganizar a sequência. Essa sugestão se aproxima da ideia de atividades desplugadas e da conexão entre histórias e pensamento computacional apresentada por Beisly e colegas, mas não deve ser tomada como um resultado experimental relatado por eles (Beisly, 2026).

6. Integre programação a um conteúdo, sem prometer efeito automático

Se houver acesso a dispositivos, uma possibilidade é construir uma pequena simulação ligada a uma questão de matemática ou ciências e pedir que os alunos expliquem as regras que programaram. Em uma turma de 7º ano, por exemplo, uma simulação simples poderia representar resultados possíveis em um experimento de probabilidade. Essa é uma sugestão de aplicação inspirada no módulo de Scratch estudado em Xangai. A pesquisa relata resultados positivos naquele contexto, mas não permite garantir o mesmo efeito em toda turma brasileira (Zhang, 2026).

7. Planeje alternativas de acesso e formas diferentes de participação

Uma aplicação cuidadosa é prever uma versão com materiais concretos ou registros em grupo quando os dispositivos não estiverem disponíveis, e oferecer mais de uma maneira de comunicar uma conclusão. Imagine que parte da turma explique oralmente um padrão, enquanto outra represente a relação por desenho ou por uma tabela simples. Isso não significa que todas as formas sejam equivalentes para qualquer objetivo; o professor deve escolher conforme o que quer observar. A sugestão responde aos desafios de desigualdade digital e à importância de escolha e comunicação apontados nas fontes (Sabyrkhanova, 2026; Adisa, 2024).

O que muda quando pensamos no contexto brasileiro?

As pesquisas oferecem ideias úteis, mas seus contextos não são automaticamente os da escola brasileira. Há um estudo com crianças dos anos iniciais na Austrália, um módulo de probabilidade realizado em Xangai e pilotos do COMATH em seis países europeus. As demais fontes mencionadas não especificam no resumo o país de cada contexto, ou são revisões com pesquisas de diferentes origens. É importante não transformar esses achados em regras sobre o que acontecerá em qualquer turma daqui.

Na adaptação, o professor pode começar por perguntas que façam sentido para seus alunos e pelos recursos de fato disponíveis. Se a proposta exige conexão, dispositivos ou tempo para programação que a escola não tem, é possível planejar uma etapa de organização de dados ou de sequência sem tela. Isso é uma escolha pedagógica, não uma conclusão comparativa dos estudos. As fontes destacam tanto atividades desplugadas quanto desafios de infraestrutura e desigualdade digital, o que torna a flexibilidade relevante (Beisly, 2026; Sabyrkhanova, 2026).

Também vale considerar que instrumentos de avaliação precisam ser adequados à idade, à linguagem e às oportunidades de aprendizagem dos estudantes. As revisões apontam lacunas de equidade e de validação em avaliações para crianças pequenas, além de concentração geográfica da pesquisa sobre instrumentos sem programação (Na, 2026; Wang, 2026). Por isso, uma atividade criada em outro contexto pode inspirar o professor, mas seus resultados não devem ser comparados como se a tarefa já estivesse validada para uso local.

Por fim, a integração entre disciplinas pode ser uma possibilidade, desde que o objetivo esteja claro. Um exercício pode trabalhar interpretação de dados e, ao mesmo tempo, um conteúdo de matemática ou uma questão ligada ao cotidiano. A pesquisa de Xangai oferece um caso de probabilidade com Scratch, e os estudos de ciência de dados mostram propostas interdisciplinares; isso não determina uma única forma de organizar o currículo brasileiro (Zhang, 2026; Makar, 2025).

Quais são os limites desta leitura das pesquisas?

Este artigo se baseia nos resumos de estudos recentes disponibilizados como fonte, e não na leitura integral dos trabalhos. Os resumos permitem identificar objetivos, contextos e resultados relatados, mas não apresentam todos os detalhes necessários para avaliar instrumentos, procedimentos, condições de aplicação ou a força das conclusões. Por isso, as pesquisas foram descritas conforme o que os resumos informam, sem completar lacunas com suposições.

Também é preciso distinguir tipos de estudo. Uma revisão sintetiza pesquisas existentes; um estudo de caso examina práticas em um contexto; um piloto investiga uma proposta inicial; e um estudo quase-experimental compara resultados de uma intervenção. Eles respondem a perguntas diferentes. Mesmo quando um estudo relata ganhos, não é possível concluir apenas com esse resumo que a mesma intervenção produzirá o mesmo resultado em outras idades, escolas ou condições.

Ficam em aberto perguntas importantes para a prática: quais formas de avaliação conseguem captar raciocínio com dados sem depender de uma única tarefa? Como garantir que as avaliações sejam equitativas para crianças com diferentes oportunidades de acesso e aprendizagem? Que adaptações mantêm o objetivo de uma proposta quando há poucos dispositivos ou pouco tempo? Para responder com mais segurança, faz sentido ler o estudo completo quando você pretende reproduzir uma intervenção, escolher um instrumento de avaliação, comparar resultados ou compreender detalhes de sua aplicação e análise.

Como o GeraProva ajuda com pensamento computacional e ciência de dados?

O GeraProva pode ajudar a transformar objetivos de aprendizagem em questões e atividades de avaliação, por exemplo, elaborando itens que peçam aos alunos para interpretar informações, justificar uma classificação ou explicar uma sequência. A prova não substitui atividades investigativas nem permite, sozinha, avaliar todo o raciocínio do estudante; ela pode ser uma parte do acompanhamento. Você pode conhecer o gerador de provas do GeraProva e fazer o cadastro grátis.

Perguntas frequentes sobre pensamento computacional e ciência de dados

Pensamento computacional é a mesma coisa que programação?

Não. Programar pode ser uma maneira de praticar ou expressar pensamento computacional, mas as fontes também tratam de avaliação sem programação e de atividades ligadas a histórias, classificação e investigação com dados. Uma revisão encontrou avaliações não baseadas em programação em diferentes etapas da educação básica, enquanto uma proposta para a primeira infância relaciona sequências e padrões a atividades plugadas e desplugadas (Wang, 2026; Beisly, 2026). Para o professor, vale definir que raciocínio quer observar e escolher uma tarefa compatível, com ou sem código.

É possível trabalhar ciência de dados com crianças dos anos iniciais?

As pesquisas reunidas incluem propostas com crianças dessa etapa. Makar e colegas examinaram uma turma australiana de 9 a 10 anos que investigou um problema complexo ligado a riscos e benefícios das atividades no ciberespaço, com dados não convencionais, privacidade e questões éticas. Adisa e colegas também estudaram práticas de ciência de dados no Ensino Fundamental e relatam a importância de contextualizar problemas, permitir diferentes formas de análise e dar escolhas na comunicação. Esses exemplos mostram possibilidades, não uma fórmula única para todas as turmas.

Preciso de computador ou internet para desenvolver esse raciocínio?

Não necessariamente para toda atividade. Beisly e colegas apresentam atividades plugadas e desplugadas relacionadas a histórias e pensamento computacional. Além disso, uma revisão examinou avaliações que não dependem de programação. Isso permite considerar sequências, regras e resolução de problemas com materiais simples, conforme o objetivo da aula. Ao mesmo tempo, ferramentas digitais podem ser necessárias para propostas específicas, como o módulo de probabilidade com Scratch ou os jogos online de classificação. A escolha deve considerar o que se quer ensinar e os recursos disponíveis.

Programar melhora automaticamente o desempenho em matemática?

Os estudos não sustentam uma resposta automática. Em Xangai, um módulo de probabilidade com Scratch, realizado com estudantes do sétimo ano, relatou melhorias em conceitos de pensamento computacional e na aprendizagem matemática, incluindo probabilidade clássica e eventos compostos (Zhang, 2026). Já um currículo de computação na pré-escola apresentou efeitos variados: houve ganhos em habilidades espaciais e regulação emocional, mas não efeito sobre conhecimento numérico (Yang, 2026). Idade, proposta, conteúdo e medidas diferem; portanto, os resultados não devem ser generalizados sem cuidado.

Como posso avaliar pensamento computacional sem aplicar uma prova de programação?

Uma avaliação pode propor um problema para resolver, pedir que o aluno organize etapas ou explicar como interpretou um conjunto de dados. A revisão de escopo sobre avaliações sem programação identificou testes de resolução de problemas e escalas de autorrelato entre as medidas utilizadas (Wang, 2026). Para crianças pequenas, outra revisão encontrou instrumentos frequentemente centrados em algoritmos e sequências, mas também apontou evidências escassas de validade de critério e equidade (Na, 2026). Uma tarefa isolada não representa todas as dimensões; alinhe o instrumento ao que foi ensinado e observe as explicações.

O que significa ensinar os alunos a pensar criticamente sobre dados?

Significa ir além de localizar um valor ou observar que um gráfico parece interessante. Os estudantes podem perguntar como os dados foram organizados, que regra define uma categoria, se um padrão sustenta a conclusão e como outra representação mudaria a leitura. No estudo de jogos de classificação, modificar jogos levou estudantes a questionar modelos de dados e representações. Em práticas de ciência de dados no Ensino Fundamental, os autores relatam desafios quando a aparência das visualizações recebe mais atenção que as relações entre variáveis (Grizioti, 2024; Adisa, 2024). Assim, interpretar e justificar são partes centrais da conversa.

Referências

1. Makar, K., Fry, K., & English, L. (2025). Crianças dos anos iniciais aprendendo a abordar problemas complexos com dados não convencionais sob a perspectiva da ciência de dados (Primary Children Learning to Address Complex Problems with Non-Standard Data Using a Data Science Perspective). Mathematics Education Research Journal. Link.
2. Grizioti, M., & Kynigos, C. (2024). Integrando Pensamento Computacional e Ciência de Dados: O Caso da Modificação de Jogos de Classificação (Integrating Computational Thinking and Data Science: The Case of Modding Classification Games). Informatics in Education. Link.
3. Adisa, I. O., Herro, D., Abimbade, O., & Arastoopour Irgens, G. (2024). Engajando Estudantes do Ensino Fundamental em Práticas de Ciência de Dados (Engaging Elementary Students in Data Science Practices). Information and Learning Sciences. Link.
4. Yang, W., Lin, C., Wang, X. C., Bautista, A., Li, H., Datu, J. A. D., & Hu, B. Y. (2026). Além da programação: efeitos de um currículo de computação sobre o pensamento computacional, a matemática, a linguagem e as habilidades socioemocionais de crianças da pré-escola (Beyond Coding: Effects of a Computing Curriculum on Preschoolers' Computational Thinking, Math, Language, and Social-Emotional Skills). Journal of Educational Computing Research. Link.
5. Sabyrkhanova, L., Zhaidakbayeva, L., Sözer, M. A., Belessova, D., Kurmanbayeva, Z., & Zhidebayeva, A. (2026). Letramento Digital como Ferramenta para o Desenvolvimento do Pensamento Computacional em Crianças e Jovens Estudantes: Uma Revisão de Literatura (Digital Literacy as a Tool for Developing Computational Thinking in Young Learners: A Literature Review). Open Education Studies. Link.
6. Wang, C., Lu, C., Chen, F., Liu, X., & Wang, Q. (2026). Avaliação do pensamento computacional para além da programação: uma revisão de escopo das avaliações do pensamento computacional não baseadas em programação na educação básica (Assessing Computational Thinking beyond Programming: A Scoping Review of Non-Programming-Based Computational Thinking Assessments for K-12 Education). Journal of Computer Assisted Learning. Link.
7. Beisly, A., & Abeyrathna Herath Mudiyanselag, D. (2026). Do livro ilustrado ao código: onde as histórias encontram o pensamento computacional na primeira infância (From Picturebook to Code: Where Stories Meet Computational Thinking in Early Childhood). Early Childhood Education Journal. Link.
8. Na, C., Clarke-Midura, J., van Dijk, W., & Xu, L. (2026). Avaliação do pensamento computacional na primeira infância: revisão sistemática de instrumentos, construtos e evidências psicométricas (Assessing Computational Thinking in Early Childhood: A Systematic Review of Instruments, Constructs and Psychometric Evidence). Journal of Computer Assisted Learning. Link.
9. Dagiene, V., Lehtonen, D., Satomaa, E., & Laakso, M.-J. (2026). COMATH: Desenvolvimento e validação de um instrumento transnacional de avaliação do pensamento computacional na educação básica (COMATH: Development and Validation of a Cross-National Assessment Instrument for Computational Thinking in Primary and Secondary Education). Informatics in Education. Link.
10. Zhang, R., Li, S., & Zhang, Q. (2026). Fomentando o Pensamento Computacional e a Aprendizagem Matemática dos Estudantes por meio de um Módulo de Probabilidade Baseado no Scratch: Um Estudo Quase-Experimental (Fostering Students' Computational Thinking and Mathematical Learning through a Scratch-Based Probability Module: A Quasi-Experimental Study). Educational Technology Research and Development. Link.

Escolha uma pergunta pequena, observe como seus alunos pensam e vá ajustando a atividade com eles. Bons experimentos pedagógicos começam com curiosidade e espaço para conversar sobre o caminho.