Aceitação de tecnologias educacionais e formação de competências analíticas no ensino de programação linear: evidências empíricas à luz do modelo TAM.

Autores

  • Denilson de Souza Autor
  • Ivair Alves dos Santos Autor
  • Roque Antônio de Moura Autor

DOI:

https://doi.org/10.69849/jd6wmb15

Palavras-chave:

Modelo de Aceitação de Tecnologia, Programação Linear, Competências Analíticas, GeoGebra, Excel Solver, Ensino Superior

Resumo

A adoção de tecnologias educacionais no ensino de métodos quantitativos tem sido amplamente investigada, mas a relação entre aceitação tecnológica, desempenho acadêmico e formação de competências analíticas ainda carece de evidências empíricas robustas no contexto brasileiro de ensino superior. Este artigo investiga como a utilidade percebida e a facilidade de uso de ferramentas computacionais (GeoGebra e Excel Solver) se correlacionam com o ganho de desempenho em Programação Linear, à luz do Modelo de Aceitação de Tecnologia (TAM). Com base em dados coletados de 66 estudantes de Engenharia e Administração por meio de um delineamento pré-teste e pós-teste, os resultados revelaram ganho estatisticamente significativo de desempenho (t = 6,65; gl = 65; p < 0,0001; d de Cohen = 0,82) e correlação positiva moderada entre aceitação tecnológica e evolução acadêmica (r = 0,48; p < 0,05). A análise qualitativa identificou quatro dimensões perceptuais predominantes: clareza conceitual (84%), aplicabilidade prática (70%), visualização gráfica (66%) e autoconfiança matemática (56%). Os achados sugerem que a aceitação das ferramentas medeia o impacto da intervenção pedagógica sobre o desempenho, com implicações diretas para o design de programas de formação em métodos quantitativos alinhados aos ODS 4, 9 e 12.

Referências

AL-FRAIHAT, D. et al. Evaluating E-learning systems success: an empirical study. Computers in Human Behavior, v. 102, p. 67-86, 2020.

BANDEIRA-DE-MELLO, R. et al. Ensino de pesquisa operacional em administração: desafios e perspectivas. Revista de Administração Contemporânea, v. 24, n. 3, p. 245-260, 2020.

BARDIN, L. Análise de conteúdo. São Paulo: Edições 70, 2011.

BARRETO, M.; SILVA, R.; OLIVEIRA, F. Uso de softwares educacionais no ensino de Programação Linear. Revista Brasileira de Ensino de Engenharia, v. 40, n. 2, p. 1-15, 2021.

BAZARAA, M. S.; JARVIS, J. J.; SHERALI, H. D. Linear programming and network flows. 5. ed. Hoboken: Wiley, 2019.

BERBEL, N. A. N. As metodologias ativas e a promoção da autonomia de estudantes. Semina: Ciências Sociais e Humanas, v. 32, n. 1, p. 25-40, 2011.

CAMARGO, R. S. S. Programação linear com a utilização do software GeoGebra como ferramenta de ensino aprendizagem. Revista de Educação em Matemática Aplicada, v. 3, n. 2, p. 20-30, 2022.

COHEN, J. Statistical power analysis for the behavioral sciences. 2. ed. Hillsdale: Lawrence Erlbaum, 1988.

COHEN, L.; MANION, L.; MORRISON, K. Research methods in education. 8. ed. London: Routledge, 2018.

DAVIS, F. D. Perceived usefulness, perceived ease of use, and user acceptance of information technology. MIS Quarterly, v. 13, n. 3, p. 319-340, 1989.

FIELD, A. Discovering statistics using IBM SPSS statistics. 4. ed. London: Sage, 2013.

HILLIER, F. S.; LIEBERMAN, G. J. Introduction to operations research. 11. ed. New York: McGraw-Hill, 2021.

LÉVY, P. A inteligência coletiva: por uma antropologia do ciberespaço. São Paulo: Loyola, 1994.

MORAN, J. M. Metodologias ativas para uma aprendizagem mais profunda. In: BACICH, L.; MORAN, J. (org.). Metodologias ativas para uma educação inovadora. Porto Alegre: Penso, 2018. p. 1-25.

ONU – ORGANIZAÇÃO DAS NAÇÕES UNIDAS. Transformando nosso mundo: a Agenda 2030 para o desenvolvimento sustentável. Nova York: ONU, 2015.

PARK, S. Y. An analysis of the technology acceptance model in understanding university students' behavioral intention to use e-learning. Educational Technology & Society, v. 12, n. 3, p. 150-162, 2009.

PIZZOLATO, N. D.; ARENALES, M. N. Pesquisa operacional para cursos de engenharia. Rio de Janeiro: Elsevier, 2014.

SCARPIN, J. E.; PIZZINATTO, N. Ensino de pesquisa operacional: dificuldades e desafios. Gestão & Produção, v. 16, n. 3, p. 445-456, 2009.

SILVA, A. L.; SILVA, M. H. Uso do Excel Solver no ensino de Pesquisa Operacional. Revista de Ensino de Engenharia, v. 35, n. 2, p. 15-27, 2016.

SILVA, R.; OLIVEIRA, F. Excel Solver aplicado à otimização de processos produtivos. Revista de Engenharia e Gestão, v. 28, n. 1, p. 45-58, 2022.

SOUZA, D.; VIAGI, A. F. Ensino da modelagem com programação linear: uma ideia para ensinar administração na prática usando lead time – ODS 4. Revista Ciências Exatas, v. 31, n. 1, p. 1-15, 2025.

SOUZA, G. H. et al. Aplicação da programação linear em cenários produtivos com a linguagem R (ODS 4, 9, 12). Anais... 2026. (no prelo)

TAHA, H. A. Operations research: an introduction. 10. ed. Boston: Pearson, 2017.

VENKATESH, V.; DAVIS, F. D. A theoretical extension of the technology acceptance model: four longitudinal field studies. Management Science, v. 46, n. 2, p. 186-204, 2000.

VENKATESH, V.; MORRIS, M. G.; DAVIS, F. D. User acceptance of information technology: toward a unified view. MIS Quarterly, v. 27, n. 3, p. 425-478, 2003.

WINSTON, W. L. Operations research: applications and algorithms. 4. ed. Belmont: Thomson, 2004.

XAVIER, G. S. Metodologias ativas no ensino de lógica de programação: modificando a aprendizagem. 2022. 176 f. Dissertação (Mestrado em Educação) – Universidade Estadual do Rio Grande do Sul, Guaíba, 2022.

YIN, R. K. Estudo de caso: planejamento e métodos. 5. ed. Porto Alegre: Bookman, 2015.

Downloads

Publicado

08.05.2026

Como Citar

Souza, D. de ., Santos, I. A. dos ., & Moura, R. A. de . (2026). Aceitação de tecnologias educacionais e formação de competências analíticas no ensino de programação linear: evidências empíricas à luz do modelo TAM. Revista Ft, 30(158), 01-13. https://doi.org/10.69849/jd6wmb15