Um estudo longitudinal com 165 calouros de negócios em um curso online e assíncrono de gestão de projetos mostra que engajamento no ambiente virtual e autorregulação da aprendizagem evoluem juntos, mas não do mesmo jeito para todos. Ao combinar dados de navegação no Moodle com autoavaliações repetidas dos estudantes, os pesquisadores identificaram três trajetórias de comportamento que ajudam a desenhar intervenções mais precisas, como alertas precoces e “andaimes” personalizados ao longo do curso.

O QUE HÁ DE NOVO: A pesquisa analisou, ao longo do curso, a relação entre engajamento dos estudantes e habilidades de autorregulação (SRL) em um contexto de ensino superior online na Finlândia. Em vez de “fotografar” os alunos em poucos momentos fixos, o estudo acompanhou a progressão individual e agrupou padrões de comportamento, chegando a três perfis principais: “high-regulating improvers” (50,30%), que melhoraram engajamento e autorregulação; “disengaged low regulators” (44,85%), que permaneceram com baixos níveis em ambos; e “low-regulating improvers” (4,85%), que aumentaram o engajamento mesmo relatando baixa autorregulação.

COMO FUNCIONA: Os autores combinaram dois canais de dados: rastros do LMS (62.070 registros de log) e 1.164 respostas de questionários de autorregulação aplicados no início do curso e a cada entrega de tarefa (o número de respostas variava conforme a meta de nota do aluno, de 4 a 11 aplicações). A partir dos logs, calcularam indicadores de engajamento como dias ativos, interações com tarefas e materiais, contagem e duração média de sessões; no questionário, captaram variáveis de SRL (como planejamento, uso de estratégias, autoavaliação e busca de ajuda) em escala Likert, consolidando itens altamente correlacionados em um indicador combinado de estudo “sem distrações”. Para tornar comparáveis escalas e ritmos diferentes, os dados foram normalizados e segmentados por marcos naturais do curso (as submissões de tarefas), criando sequências por estudante. Em seguida, usaram modelos de clusterização para definir “estados” de engajamento (ativo, médio, desengajado) e de autorregulação (alta, baixa), combinaram esses estados em sequências multicanais e aplicaram técnicas de clusterização e modelos de Markov ocultos para identificar trajetórias e probabilidades de transição entre estados.

POR QUE ISSO IMPORTA PARA A EDUCAÇÃO: Para gestores de EAD e docentes, o achado central é que “desengajamento” e “baixa autorregulação” não são condições estáticas: há estudantes que conseguem melhorar o comportamento no LMS sem perceber avanço nas próprias estratégias, enquanto outros entram em ciclos difíceis de reverter. Isso reforça uma visão de apoio contínuo e adaptativo, especialmente em cursos assíncronos, onde a ausência de sinais presenciais torna o risco de invisibilidade maior. Na prática, o estudo aponta para intervenções em duas camadas: ações de engajamento (regularidade de acessos, interação com materiais e tarefas) e ações de SRL (planejamento, monitoramento, reflexão), evitando tratar todo aluno “em risco” como um caso homogêneo.

PRINCIPAIS RESULTADOS: Os estados de engajamento se organizaram em três níveis, “Average” (56,3%), “Disengaged” (23,4%) e “Active” (20,4%), com distinções comportamentais relevantes: estudantes “desengajados” tinham poucos acessos e interações, mas sessões longas, sugerindo estudo irregular; já os “ativos” acessavam com frequência e em sessões mais curtas e focadas. Para autorregulação, surgiram dois estados, “LowReg” (48,2%) e “HighReg” (51,8%). Quando engajamento e SRL foram analisados juntos, emergiram três trajetórias: o grupo “disengaged low regulators” (44,85%) apresentou o padrão mais preocupante, com baixa autorregulação percebida e engajamento oscilando sem consolidar rotinas; o grupo “high-regulating improvers” (50,30%) mostrou melhora gradual e resiliência, ainda que com recaídas temporárias; e um pequeno grupo “low-regulating improvers” (4,85%) aumentou engajamento mesmo mantendo autorrelatos de baixa autorregulação, sugerindo que mudanças comportamentais podem ocorrer sem avanço metacognitivo percebido.

INSIGHT CENTRAL: A principal inovação metodológica está em alinhar a análise à progressão real de cada estudante, usando submissões de tarefas como “pontos de corte” que representam ciclos naturais de autorregulação (planejamento, execução e reflexão). Em cursos assíncronos, essa escolha evita penalizar quem mira metas diferentes de nota e, portanto, realiza menos tarefas: em vez de comparar alunos por semana do calendário, compara-se por episódios de aprendizagem. Isso tende a aumentar a precisão para identificar em que momento, e para quem, uma intervenção faz sentido.

SIM, MAS…: O próprio desenho do estudo traz limites práticos para generalização. A amostra vem de um único curso, com calouros de negócios, e o consentimento/restrições de pesquisa impediram a coleta de dados contextuais (por exemplo, perfil socioeconômico), que poderiam explicar parte das trajetórias. Além disso, a autorregulação foi medida por itens curtos e repetidos (para reduzir fadiga), opção útil para acompanhamento longitudinal, mas que pode reduzir validade de construto em comparação a instrumentos mais longos. Por fim, como o curso adota avaliação formativa com metas de nota autoestabelecidas, padrões de “baixa atividade” podem refletir escolhas legítimas de objetivo, o que exige cuidado ao transformar análises em alertas automatizados.

O QUE VEM DEPOIS: Os resultados abrem espaço para sistemas de apoio que ajustem o tipo de intervenção ao padrão detectado: estudantes com baixa SRL e baixo engajamento tenderiam a precisar de suporte mais estruturado e precoce; já os “improvers” podem se beneficiar de prompts metacognitivos para tornar explícitas estratégias que estão funcionando. A agenda de pesquisa sugerida pelo próprio estudo aponta para desenhar e testar intervenções “pattern-based” em tempo real, como dashboards e gatilhos de autoavaliação, e verificar se esses apoios conseguem alterar transições entre estados ao longo do curso, em diferentes disciplinas e perfis de estudantes.

Fonte: A longitudinal study of interplay between student engagement and self-regulation