Resolução de Problemas: Processos Cognitivos e Técnicas

Um dos tipos mais importantes de processamento cognitivo que ocorre frequentemente durante a aprendizagem é a resolução de problemas. A resolução de problemas tem sido um tema de estudo por muito tempo—material histórico é revisado nesta seção—, mas o interesse no tópico aumentou com o crescimento das teorias cognitivas da aprendizagem. Alguns teóricos consideram a resolução de problemas como o processo-chave na aprendizagem, especialmente em domínios como ciência e matemática (Anderson, 1993). Embora “resolução de problemas” e “aprendizagem” não sejam sinônimos, a primeira geralmente está envolvida na última, particularmente quando os aprendizes podem exercer algum grau de autorregulação sobre a aprendizagem e quando a aprendizagem envolve desafios e soluções não óbvias. No cenário de abertura, Meg recomenda mais ênfase na resolução de problemas.

Um problema existe quando há uma “situação em que você está tentando alcançar algum objetivo e deve find um meio para chegar lá” (Chi & Glaser, 1985, p. 229). O problema pode ser responder a uma pergunta, calcular uma solução, localizar um objeto, conseguir um emprego, ensinar um aluno e assim por diante. Resolução de problemas refere-se aos esforços das pessoas para alcançar um objetivo para o qual não têm uma solução automática.

Independentemente da área de conteúdo e da complexidade, todos os problemas têm certas características em comum. Os problemas têm um estado inicial—o status atual do solucionador de problemas ou nível de conhecimento. Os problemas têm um objetivo—o que o solucionador de problemas está tentando alcançar. A maioria dos problemas também exige que o solucionador divida o objetivo em sub-objetivos que, quando dominados (geralmente sequencialmente), resultam na obtenção do objetivo. Finalmente, os problemas exigem a realização de operações (atividades cognitivas e comportamentais) no estado inicial e nos sub-objetivos, que alteram a natureza desses estados (Anderson, 1990; Chi & Glaser, 1985).

Dada esta definição, nem todas as atividades de aprendizagem incluem a resolução de problemas. A resolução de problemas provavelmente não está envolvida quando as habilidades dos alunos se tornam tão bem estabelecidas que eles executam automaticamente ações para atingir objetivos, o que acontece com muitas habilidades em diferentes domínios. A resolução de problemas também pode não ocorrer em aprendizagem de baixo nível (possivelmente trivial), onde os alunos sabem o que fazer para aprender. Este parece ser um problema na Nikowsky Middle School, já que os professores estão se concentrando nas habilidades básicas necessárias para os testes. Ao mesmo tempo, os alunos aprendem novas habilidades e novos usos para habilidades aprendidas anteriormente, então muitas atividades escolares podem envolver a resolução de problemas em algum momento durante a aprendizagem.

Algumas perspectivas históricas sobre resolução de problemas são examinadas como pano de fundo para as visões cognitivas atuais: tentativa e erro, insight e heurísticas.

Tentativa e Erro

A pesquisa de Thorndike (1913b) com gatos exigiu resolução de problemas; o problema era como escapar da gaiola. Thorndike concebeu a resolução de problemas como tentativa e erro. O animal era capaz de realizar certos comportamentos na gaiola. Desse repertório comportamental, o animal realizava um comportamento e experimentava as consequências. Após uma série de comportamentos aleatórios, o gato fez a resposta que abriu a escotilha que levava à fuga. Com repetidas tentativas, o gato cometeu menos erros antes de realizar o comportamento de fuga, e o tempo necessário para resolver o problema diminuiu. O comportamento de fuga (resposta) tornou-se conectado a pistas (estímulos) na gaiola.

Ocasionalmente, usamos tentativa e erro para resolver problemas; simplesmente realizamos ações até que uma funcione. Mas tentativa e erro não é confiável e muitas vezes não é eficaz. Pode desperdiçar tempo, pode nunca resultar em uma solução, pode levar a uma solução menos que ideal e pode ter efeitos negativos. Em desespero, um professor pode usar uma abordagem de tentativa e erro, tentando diferentes materiais de leitura com Kayla até que ela comece a ler melhor. Essa abordagem pode ser eficaz, mas também pode expô-la a materiais que se mostrem frustrantes e, assim, retardem seu progresso na leitura.

Insight

A resolução de problemas geralmente envolve insight, ou a percepção repentina de uma solução provável. Wallas (1921) estudou grandes solucionadores de problemas e formulou um modelo de quatro etapas como segue:

Os estágios de Wallas eram descritivos e não sujeitos à verificação empírica. Psicólogos da Gestalt também postularam que grande parte da aprendizagem humana era perspicaz e envolvia uma mudança na percepção. Os aprendizes inicialmente pensavam sobre os ingredientes necessários para resolver um problema. Eles integraram estes de várias maneiras até que o problema fosse resolvido. Quando os aprendizes chegavam a uma solução, faziam-no de repente e com insight.

Muitos solucionadores de problemas relatam ter momentos de insight; Watson e Crick tiveram momentos perspicazes ao descobrir a estrutura do DNA (Lemonick, 2003). Uma importante aplicação educacional da teoria da Gestalt foi na área de resolução de problemas, ou pensamento produtivo (Duncker, 1945; Luchins, 1942; Wertheimer, 1945). A visão da Gestalt enfatizou o papel da compreensão—compreender o significado de algum evento ou compreender o princípio ou regra subjacente ao desempenho. Em contraste, a memorização mecânica—embora usada frequentemente por estudantes—era ineficiente e raramente usada na vida fora da escola

A pesquisa de Katona (1940) demonstrou a utilidade do aprendizado de regras em comparação com a memorização. Em um estudo, os participantes foram solicitados a aprender sequências numéricas (por exemplo, 816449362516941). Alguns aprenderam as sequências por repetição, enquanto outros receberam pistas para auxiliar no aprendizado (por exemplo, “Pense em números quadrados”). Os aprendizes que determinaram a regra para gerar as sequências as retiveram melhor do que aqueles que memorizaram.

Regras levam a melhor aprendizagem e retenção do que memorização porque as regras dão uma descrição mais simples do fenômeno, então menos informação deve ser aprendida. Além disso, as regras ajudam a organizar o material. Para recordar informações, recorda-se a regra e então preenche-se os detalhes. Em contraste, a memorização envolve recordar mais informações. A memorização geralmente é ineficiente porque a maioria das situações tem alguma organização (Wertheimer, 1945). Os problemas são resolvidos descobrindo a organização da situação e a relação dos elementos com a solução do problema. Ao arranjar e rearranjar elementos, os aprendizes eventualmente ganham insight sobre a solução.

Köhler (1926) fez um trabalho bem conhecido sobre resolução de problemas com macacos na ilha de Tenerife durante a Primeira Guerra Mundial. Em um experimento, Köhler colocou uma banana fora do alcance de um macaco em uma gaiola; o macaco poderia pegar a banana usando um pedaço de pau longo ou juntando dois pedaços de pau. Köhler concluiu que a resolução de problemas era perspicaz: os animais examinaram a situação, de repente “viram” os meios para atingir o objetivo e testaram a solução. As primeiras tentativas de resolução de problemas dos macacos falharam quando tentaram diferentes estratégias ineficazes (por exemplo, jogando um pedaço de pau na banana). Eventualmente, eles viram o pedaço de pau como uma extensão de seus braços e o usaram de acordo.

Em outra situação (Köhler, 1925), o animal podia ver o objetivo, mas não atingi-lo sem se virar e pegar uma rota indireta. Por exemplo, o animal pode estar em uma sala com uma janela e ver comida do lado de fora. Para atingir o objetivo, o animal deve sair da sala por uma porta e seguir por um corredor que leva para fora. Ao ir da fase de pré-solução para a fase de solução, o animal pode tentar várias alternativas antes de se decidir por uma e empregá-la. O insight ocorreu quando o animal testou uma solução provável.

Uma barreira para a resolução de problemas é a fixidez funcional, ou a incapacidade de perceber diferentes usos para objetos ou novas configurações de elementos em uma situação (Duncker, 1945). Em um estudo clássico, Luchins (1942) deu aos indivíduos problemas que exigiam que eles obtivessem uma dada quantidade de água usando três jarras de tamanhos diferentes. Pessoas de 9 anos a adultos aprenderam facilmente a fórmula que sempre produzia a quantidade correta. Intercalados no conjunto de problemas estavam alguns problemas que poderiam ser resolvidos usando uma fórmula mais simples. As pessoas geralmente continuaram a aplicar a fórmula original. Sinalizar a eles que poderia haver uma solução mais fácil levou alguns a descobrir os métodos mais simples, embora muitos persistissem com a fórmula original. Esta pesquisa mostra que quando os alunos não entendem um fenômeno, eles podem aplicar cegamente um algoritmo conhecido e deixar de entender que existem métodos mais fáceis. Esta natureza de resolução de problemas ligada a procedimentos pode ser superada quando diferentes procedimentos são enfatizados durante a instrução (Chen, 1999).

A teoria da Gestalt tinha pouco a dizer sobre como as estratégias de resolução de problemas são aprendidas ou como os aprendizes poderiam ser ensinados a serem mais perspicazes. Wertheimer (1945) acreditava que os professores poderiam ajudar na resolução de problemas organizando os elementos de uma situação para que os alunos fossem mais propensos a perceber como as partes se relacionam com o todo. Tal conselho geral pode não ser útil para os professores.

Outra forma de resolver problemas é usar heurísticas, que são métodos gerais para resolver problemas que empregam princípios (regras práticas) que geralmente levam a uma solução (Anderson, 1990). A lista de Polya (1945/1957) de operações mentais envolvidas na resolução de problemas é a seguinte:

• Compreender o problema.
• Conceber um plano.
• Executar o plano.
• Rever.

Compreender o problema envolve fazer perguntas como “Qual é a incógnita?” e “Quais são os dados?” Frequentemente, ajuda desenhar um diagrama representando o problema e as informações fornecidas. Ao conceber um plano, tenta-se encontrar uma conexão entre os dados e a incógnita. Dividir o problema em subobjetivos é útil, assim como pensar em um problema semelhante e como ele foi resolvido (ou seja, usar analogias). O problema pode precisar ser reformulado. Ao executar o plano, verificar cada etapa para garantir que esteja sendo implementada corretamente é importante. Rever significa examinar a solução: Está correta? Existe outro meio de alcançá-la?

Bransford e Stein (1984) formularam uma heurística semelhante conhecida como IDEAL (ideal):

• Identificar o problema.
• Definir e representar o problema.
• Explorar possíveis estratégias.
• Agir sobre as estratégias.
• Rever e avaliar os efeitos de suas atividades.

O modelo de Resolução Criativa de Problemas (CPS) oferece outro exemplo de uma estrutura genérica de resolução de problemas (Treffinger, 1985; Treffinger & Isaksen, 2005). Este modelo compreende três componentes principais: entender o desafio, gerar ideias e preparar-se para a ação (Treffinger, 1995; Treffinger & Isaksen, 2005). Componentes metacognitivos (por exemplo, planejar, monitorar, modificar o comportamento) estão presentes ao longo do processo.

Entender o desafio começa com um objetivo geral ou direção para a resolução de problemas. Depois que dados importantes (por exemplo, fatos, opiniões, preocupações) são obtidos, um objetivo ou questão específica é formulada. A marca registrada da geração de ideias é o pensamento divergente para produzir opções para atingir o objetivo. Preparar-se para a ação inclui examinar opções promissoras e procurar fontes de assistência e maneiras de superar a resistência.

Heurísticas gerais são mais úteis quando se trabalha com conteúdo desconhecido (Andre, 1986). Elas são menos eficazes em um domínio familiar, porque, à medida que habilidades específicas do domínio se desenvolvem, os alunos usam cada vez mais o conhecimento processual estabelecido. Heurísticas gerais têm uma vantagem instrucional: Elas podem ajudar os alunos a se tornarem solucionadores de problemas sistemáticos. Embora a abordagem heurística possa parecer inflexível, na verdade, há flexibilidade em como as etapas são realizadas. Para muitos alunos, uma heurística será mais sistemática do que suas abordagens atuais de resolução de problemas e levará a melhores soluções.

Newell e Simon (1972) propuseram um modelo de processamento de informações de resolução de problemas que incluía um espaço de problema com um estado inicial, um estado objetivo e possíveis caminhos de solução que levam através de subobjetivos e exigem a aplicação de operações. O resolvedor de problemas forma uma representação mental do problema e executa operações para reduzir a discrepância entre os estados inicial e objetivo. O processo de operar na representação para encontrar uma solução é conhecido como busca (Andre, 1986).

O primeiro passo na resolução de problemas é formar uma representação mental. Semelhante ao primeiro passo de Polya (entender o problema), a representação requer traduzir informações conhecidas em um modelo na memória. A representação interna consiste em proposições e, possivelmente, imagens na MT. O problema também pode ser representado externamente (por exemplo, em papel, tela do computador). As informações na MT ativam o conhecimento relacionado na MLT, e o resolvedor eventualmente seleciona uma estratégia de resolução de problemas. À medida que as pessoas resolvem problemas, elas frequentemente alteram sua representação inicial e ativam novos conhecimentos, especialmente se sua resolução de problemas não for bem-sucedida. Assim, a resolução de problemas inclui avaliar o progresso do objetivo.

A representação do problema determina qual conhecimento é ativado na memória e, consequentemente, quão fácil é resolver o problema (Holyoak, 1984). Se os resolvedores representarem incorretamente o problema, não considerando todos os aspectos ou adicionando muitas restrições, é improvável que o processo de busca identifique um caminho de solução correto (Chi & Glaser, 1985). Não importa quão claramente os resolvedores raciocinem subsequentemente, eles não alcançarão uma solução correta, a menos que formem uma nova representação. Não surpreendentemente, os programas de treinamento de resolução de problemas normalmente dedicam muito tempo à fase de representação (Andre, 1986).

Assim como as habilidades (discutidas anteriormente), as estratégias de resolução de problemas podem ser gerais ou específifcas. Estratégias gerais podem ser aplicadas a problemas em vários domínios, independentemente do conteúdo; estratégias específifcas são úteis apenas em um domínio particular. Por exemplo, dividir um problema complexo em subproblemas (análise de submetas) é uma estratégia geral aplicável a problemas como escrever um trabalho de conclusão de curso, escolher uma área de estudo e decidir onde morar. Por outro lado, testes que se pode realizar para classificar amostras de laboratório são específifcos da tarefa. O desenvolvimento profissional dado aos professores de Nikowsky provavelmente incluiu estratégias gerais e específifcas.

Estratégias gerais são úteis quando se está trabalhando em problemas onde as soluções não são imediatamente óbvias. Estratégias gerais úteis são as estratégias de gerar e testar, análise de meios-fins, raciocínio analógico e brainstorming. Estratégias gerais são menos úteis do que estratégias específifcas do domínio ao trabalhar com conteúdo altamente familiar. Alguns exemplos de resolução de problemas em contextos de aprendizagem são dados no bloco abaixo:

Estratégia de Gerar e Testar

A estratégia de gerar e testar é útil quando um número limitado de soluções de problemas pode ser testado para ver se elas atingem o objetivo (Resnick, 1985). Esta estratégia funciona melhor quando múltiplas soluções podem ser ordenadas em termos de probabilidade e pelo menos uma solução é apta a resolver o problema.

Como um exemplo, assuma que você entra em uma sala, liga o interruptor de luz, mas a luz não acende. Causas possíveis incluem: a lâmpada está queimada; a eletricidade está desligada; o interruptor está quebrado; o soquete da lâmpada está com defeito; o disjuntor está desarmado; o fusível está queimado; ou a fiação tem um curto. Você provavelmente irá gerar e testar a solução mais provável (substituir a lâmpada); se isso não resolver o problema, você pode gerar e testar outras soluções prováveis. Embora o conteúdo não precise ser altamente familiar, algum conhecimento é necessário para usar este método efifcazmente. O conhecimento prévio estabelece a hierarquia de soluções possíveis; o conhecimento atual infllui na seleção da solução. Assim, se você notar um caminhão de serviço elétrico em sua vizinhança, você determinaria se a energia está desligada.

Análise de Meios-Fins

Para usar a análise de meios-fins, compara-se a situação atual com o objetivo e identififcam-se as diferenças entre eles (Resnick, 1985). Submetas são estabelecidas para reduzir as diferenças. Realizam-se operações para cumprir a submeta, ponto em que o processo é repetido até que o objetivo seja atingido.

Newell e Simon (1972) estudaram a análise de meios-fins e formularam o General Problem Solver (GPS)—um programa de simulação de computador. O GPS divide um problema em submetas, cada uma representando uma diferença do estado atual. O GPS começa com a diferença mais importante e usa operações para eliminar essa diferença. Em alguns casos, as operações devem primeiro eliminar outra diferença que é pré-requisito para a mais importante.

A análise de meios-fins é uma heurística poderosa de resolução de problemas. Quando as submetas são devidamente identififcadas, a análise de meios-fins tem maior probabilidade de resolver o problema. Uma desvantagem é que, com problemas complexos, a análise de meios-fins sobrecarrega a MT porque pode ser necessário controlar várias submetas. Esquecer uma submeta impede a solução do problema.

A análise de meios-fins pode prosseguir do objetivo para o estado inicial (trabalhando de trás para frente) ou do estado inicial para o objetivo (trabalhando para frente). Ao trabalhar de trás para frente, começa-se com o objetivo e pergunta-se quais submetas são necessárias para cumpri-lo. Pergunta-se então o que é necessário para atingir essas submetas e assim por diante, até que o estado inicial seja alcançado. Para trabalhar de trás para frente, portanto, planeja-se uma série de movimentos, cada um projetado para atingir uma submeta. Trabalhar de trás para frente com sucesso requer uma boa quantidade de conhecimento no domínio do problema para determinar os pré-requisitos do objetivo e da submeta.

Trabalhar de trás para frente é frequentemente usado para provar teoremas geométricos. Começa-se assumindo que o teorema é verdadeiro e então trabalha-se de trás para frente até que os postulados sejam alcançados. Um exemplo geométrico é mostrado na Figura 'Análise de meios-fins aplicada a um problema de geometria' O problema é resolver para o ângulo m. Trabalhando de trás para frente, os alunos percebem que precisam determinar o ângulo n, porque o ângulo m = 180° é um ângulo n (linha reta = 180°). Continuando a trabalhar de trás para frente, os alunos entendem que, como as linhas paralelas se cruzam, o ângulo correspondente d na linha q é igual ao ângulo n. Com base em seu conhecimento geométrico, os alunos determinam que o ângulo d = ângulo a, que é 30°. Assim, ângulo n = 30°, e ângulo m = 180° - 30° = 150°.

Como outro exemplo de trabalhar de trás para frente, suponha que se tenha um trabalho de conclusão de curso a ser entregue em 3 semanas. O último passo antes de entregá-lo é revisá-lo (para fazer no dia anterior à entrega do trabalho). O passo anterior a esse é digitar e imprimir a cópia fifnal (permita 1 dia). Antes disso, fazem-se as revisões fifnals (1 dia), revisa-se o trabalho (3 dias) e digita-se e imprime-se a cópia do rascunho (1 dia). Continuando a trabalhar de trás para frente, podemos permitir 5 dias para escrever o rascunho, 1 dia para delinear, 3 dias para pesquisa bibliográfifca e 1 dia para decidir sobre um tópico. Permitimos um total de 17 dias para gastar em parte trabalhando no trabalho. Então precisamos começar 4 dias a partir de hoje.

Um segundo tipo de análise de meios-fins é trabalhar para frente, às vezes referido como escalada de colina (Matlin, 2009; Mayer, 1992). O solucionador de problemas começa com a situação atual e a altera na esperança de se aproximar do objetivo. Várias alterações geralmente são necessárias para atingir o objetivo. Um perigo é que trabalhar para frente às vezes procede com base em uma análise superfifcial do problema. Embora cada passo represente uma tentativa de atingir uma submeta necessária, pode-se facilmente desviar-se em uma tangente ou chegar a um beco sem saída porque tipicamente não se pode ver muitas alternativas à frente, mas sim apenas o próximo passo (Matlin, 2009).

Como um exemplo de uma estratégia de trabalhar para frente, considere alunos em um laboratório que têm várias substâncias em potes. Seu objetivo é rotular as substâncias em seus potes. Para fazer isso, eles realizam uma série de testes nas substâncias que, se feitos corretamente, resultarão em uma solução. Isso representa uma estratégia de trabalhar para frente porque cada teste aproxima os alunos de seu objetivo de classificar suas substâncias. Os testes são ordenados, e os resultados mostram o que as substâncias não são, assim como o que elas podem ser. Para evitar que os alunos saiam do caminho errado, o professor prepara o procedimento cuidadosamente e garante que os alunos entendam como realizar os testes.

Outra estratégia geral de resolução de problemas é usar o raciocínio analógico, que envolve traçar uma analogia entre a situação do problema (o alvo) e uma situação com a qual se está familiarizado (a base ou fonte; Anderson, 1990; Chen, 1999; Hunt, 1989). Trabalha-se o problema através do domínio familiar e, em seguida, relaciona-se a solução à situação do problema (Holyoak & Thagard, 1997). O raciocínio analógico envolve acessar a rede do domínio familiar na MTL e mapeá-la (relacioná-la) à situação do problema na MT (Halpern, Hansen, & Riefer, 1990). A aplicação bem-sucedida exige que a situação familiar seja estruturalmente semelhante à situação do problema, embora as situações possam diferir em características superficiais (por exemplo, uma pode envolver o sistema solar e a outra estruturas moleculares). Os subobjetivos nesta abordagem são relacionar os passos no domínio original (familiar) com aqueles na área de transferência (problema). Os alunos frequentemente usam o método da analogia para resolver problemas em livros didáticos. Exemplos são trabalhados no texto (domínio familiar), então os alunos relacionam esses passos aos problemas que devem resolver.

Gick e Holyoak (1980, 1983) demonstraram o poder da resolução de problemas analógica. Eles apresentaram aos aprendizes um problema médico difícil e, como analogia, um problema militar resolvido. Simplesmente dar-lhes o problema analógico não os incitou automaticamente a usá-lo. No entanto, dar-lhes uma dica para usar o problema militar para resolver o problema médico melhorou a resolução de problemas. Gick e Holyoak também descobriram que dar aos alunos duas histórias análogas levava a uma melhor resolução de problemas do que dar uma história. No entanto, pedir-lhes para resumir a história análoga, dar-lhes o princípio subjacente à história enquanto a liam ou fornecer-lhes um diagrama ilustrando o princípio problema-solução não melhorou a resolução de problemas. Esses resultados sugerem que, em um domínio desconhecido, os alunos precisam de orientação para usar analogias e que múltiplos exemplos aumentam a probabilidade de os alunos ligarem pelo menos um exemplo ao problema a ser resolvido.

Para ser mais eficaz, a resolução de problemas analógica requer um bom conhecimento dos domínios familiar e problemático. Os alunos frequentemente têm dificuldade suficiente em usar analogias para resolver problemas, mesmo quando a estratégia de solução é destacada. Com conhecimento inadequado, é improvável que os alunos vejam a relação entre o problema e o análogo. Mesmo assumindo um bom conhecimento, a analogia tem maior probabilidade de falhar quando os domínios familiar e problemático são conceitualmente diferentes. Os aprendizes podem entender como lutar uma batalha (o problema militar) é semelhante a lutar contra uma doença (o problema médico), mas eles podem não entender outras analogias (por exemplo, lutar contra uma tentativa de aquisição corporativa).

Evidências de desenvolvimento indicam que, apesar de suas dificuldades, as crianças podem empregar o raciocínio analógico (Siegler, 1989). Ensinar analogias às crianças—incluindo aquelas com dificuldades de aprendizagem—pode melhorar sua subsequente resolução de problemas (Grossen, 1991). O uso de estudos de caso e raciocínio baseado em casos pode ajudar a desenvolver o pensamento analógico (Kolodner, 1997). Técnicas eficazes para usar analogias incluem fazer com que o professor adulto e a criança verbalizem o princípio da solução que subjaz aos problemas original e de transferência, solicitar que as crianças recordem elementos da estrutura causal do problema original e apresentar os dois problemas de forma que as estruturas causais procedam do mais para o menos óbvio (Crisafi & Brown, 1986). Outras sugestões incluem usar problemas originais e de transferência semelhantes, apresentar vários problemas semelhantes e usar imagens para retratar relações causais.

Isto não sugere que todas as crianças possam se tornar especialistas no uso de analogias. A tarefa é difícil, e as crianças frequentemente traçam analogias inapropriadas. Comparadas com alunos mais velhos, os mais jovens requerem mais dicas, são mais propensos a se distrair com características perceptivas irrelevantes e processam informações com menos eficiência (Crisafi & Brown, 1986). O sucesso das crianças depende fortemente de seu conhecimento sobre o problema original e de sua habilidade em codificar e fazer comparações mentais, que mostram amplas diferenças individuais (Richland, Morrison, & Holyoak, 2006; Siegler, 1989). As crianças aprendem melhor as estratégias de resolução de problemas quando as observam e explicam do que quando meramente observam (Crowley & Siegler, 1999).

A resolução de problemas analógica é útil no ensino. Os professores frequentemente têm em suas classes alunos cuja língua materna não é o inglês. Ensinar aos alunos em sua língua materna é impossível. Os professores podem relacionar este problema ao ensino de alunos que têm dificuldade em aprender. Com os últimos alunos, os professores procederiam lentamente, usariam experiências concretas sempre que possível e forneceriam muita instrução individual. Eles podem tentar as mesmas táticas com alunos com proficiência limitada em inglês, enquanto simultaneamente ensinam palavras e frases em inglês para que possam acompanhar os outros alunos na classe.

Esta analogia é apropriada porque alunos com problemas de aprendizagem e alunos que falam pouco inglês têm dificuldades na sala de aula. Outras analogias podem ser inapropriadas. Alunos desmotivados também têm dificuldades de aprendizagem. Usando-os para a analogia, o professor pode oferecer aos alunos com proficiência limitada em inglês recompensas por aprender. Esta solução não é adequada para ser eficaz porque a questão com alunos com proficiência limitada em inglês é instrucional e não motivacional.

O brainstorming é uma estratégia geral de resolução de problemas que é útil para formular possíveis soluções para problemas (Isaksen & Gaulin, 2005; Mayer, 1992; Osborn, 1963). As etapas do brainstorming são as seguintes:

• Defina o problema.
• Gere o máximo de soluções possível sem avaliá-las.
• Decida sobre os critérios para julgar as soluções potenciais.
• Use esses critérios para selecionar a melhor solução.

O brainstorming bem-sucedido exige que os participantes retenham a crítica das ideias até que todas as ideias sejam geradas. Além disso, os participantes podem gerar ideias que se baseiam umas nas outras. Assim, ideias “selvagens” e incomuns devem ser encorajadas (Mayer, 1992).

Tal como acontece com a resolução de problemas analógica, a quantidade de conhecimento que se tem sobre o domínio do problema afeta o sucesso do brainstorming, porque um melhor conhecimento do domínio permite gerar mais soluções potenciais e critérios para julgar a sua viabilidade. O brainstorming pode ser usado individualmente, embora a interação em grupo geralmente leve a mais soluções.

O brainstorming se presta bem a muitas decisões instrucionais e administrativas tomadas nas escolas. É mais útil para gerar muitas ideias variadas — e possivelmente algumas únicas — (Isaksen & Gaulin, 2005). Suponha que um novo diretor de escola encontre baixa moral da equipe. Os membros da equipe concordam que é necessária uma melhor comunicação. Os líderes de nível de série se reúnem com o diretor, e o grupo chega às seguintes soluções potenciais: Realizar uma reunião semanal com a equipe, enviar um boletim informativo semanal (eletrônico), afixar avisos em um quadro de avisos, realizar reuniões semanais com os líderes de nível de série (após as quais eles se reúnem com os professores), enviar mensagens informativas por e-mail com frequência, fazer anúncios pelo sistema de som. O grupo formula dois critérios: (a) minimamente demorado para os professores e (b) minimamente perturbador para as aulas. Com os critérios em mente, eles decidem que o diretor deve enviar um boletim informativo semanal e mensagens de e-mail frequentes e se reunir com os líderes de nível de série em grupo. Embora levem tempo, as reuniões entre o diretor e os líderes de nível de série serão mais focadas do que aquelas entre o diretor e toda a equipe.

A resolução de problemas frequentemente está envolvida na aprendizagem, mas os conceitos não são sinônimos em significado. De acordo com uma visão contemporânea de processamento de informações (Anderson, 1990, 1993, 2000), a resolução de problemas envolve a aquisição, retenção e uso de sistemas de produção, que são redes de sequências de condição-ação (regras) nas quais as condições são os conjuntos de circunstâncias que ativam o sistema e as ações são os conjuntos de atividades que ocorrem (Anderson, 1990; Andre, 1986). Um sistema de produção consiste em declarações if-then (se-então). As declarações If (a condição) incluem a meta e as declarações de teste; as declarações then (então) são as ações.

As produções são formas de conhecimento processual que incluem conhecimento declarativo e as condições sob as quais essas formas são aplicáveis. As produções são representadas na MDL (Memória de Longo Prazo) como redes proposicionais e são adquiridas da mesma forma que outros conhecimentos processuais. As produções também são organizadas hierarquicamente com produções subordinadas e superordenadas. Para resolver duas equações com duas incógnitas, primeiro representa-se uma incógnita em termos da segunda incógnita (produção subordinada), após o que se resolve a segunda incógnita (produção) e se usa esse valor para resolver a primeira incógnita (produção superordenada).

As produções podem ser gerais ou específicas. Produções específicas aplicam-se ao conteúdo em áreas bem definidas. Em contraste, as heurísticas são produções gerais porque se aplicam a conteúdos diversos. Uma análise de meios-fins pode ser representada da seguinte forma (Anderson, 1990):

Se o objetivo é transformar o estado atual no estado objetivo e D é a maior diferença entre os estados -> Então defina como sub-objetivos:

1. Eliminar a diferença D
2. Converter o estado resultante no estado objetivo.

Uma segunda produção precisará então ser empregada com a declaração if-then (se-então), “Se o objetivo é eliminar a diferença D”. Esta sequência continua até que os sub-objetivos tenham sido identificados a um nível específico; então, regras específicas do domínio são aplicadas. Em suma, as produções gerais são divididas até o nível em que o conhecimento específico do domínio é aplicado. Os sistemas de produção oferecem um meio de ligar procedimentos de resolução de problemas gerais com específicos. Outras estratégias de resolução de problemas (por exemplo, raciocínio analógico) também podem ser representadas como produções.

A aprendizagem escolar que é altamente regulamentada pode não exigir resolução de problemas. A resolução de problemas não é aplicável quando os alunos têm um objetivo e um meio claro para alcançá-lo. A resolução de problemas torna-se mais importante quando os professores se afastam de instruções rígidas e altamente regimentadas e incentivam um pensamento mais original e crítico por parte dos alunos. Foi nisso que os professores de Nikowsky trabalharam após a reunião com Meg. Há um movimento na educação para incentivar a resolução de problemas pelos alunos, e muitos educadores acreditam que essa tendência continuará. Enquanto isso, os alunos precisam aprender estratégias de resolução de problemas gerais e específicas para que possam lidar com essas demandas adicionais associadas à aprendizagem.

Assim como na aquisição de habilidades, pesquisadores identificaram diferenças entre solucionadores de problemas novatos e especialistas (Anderson, 1990, 1993; Bruning et al., 2004; Resnick, 1985). Uma diferença envolve as demandas feitas na MT. Solucionadores de problemas especialistas não ativam grandes quantidades de informações potencialmente relevantes; eles identificam as características-chave do problema, relacionam-nas ao conhecimento prévio e geram uma ou um pequeno número de soluções potenciais (Mayer, 1992). Especialistas reduzem problemas complexos a um tamanho gerenciável, separando o espaço do problema do ambiente de tarefa maior, que inclui o domínio de fatos e conhecimento dentro do qual o problema está inserido (Newell & Simon, 1972). Juntamente com o fato de que especialistas podem manter mais informações na MT (Chi, Glaser, & Farr, 1988), esse processo de redução retém informações relevantes, descarta informações irrelevantes, cabe dentro dos limites da MT e é preciso o suficiente para permitir uma solução.

Especialistas frequentemente empregam uma estratégia de avanço, identificando o formato do problema e gerando uma abordagem para se adequar a ele (Mayer, 1992). Isso normalmente implica dividir o problema em partes e resolver as partes sequencialmente (Bruning et al., 2004). Solucionadores de problemas novatos, no entanto, frequentemente tentam resolver problemas de forma fragmentada, em parte por causa da pior organização em suas memórias. Eles podem usar tentativa e erro ou tentar trabalhar de trás para frente a partir do que estão tentando encontrar para os dados do problema — uma estratégia ineficaz se eles desconhecem as subetapas necessárias (Mayer, 1992). Suas análises de meios-fins frequentemente são baseadas em características superficiais dos problemas. Em matemática, novatos geram fórmulas da memória quando confrontados com problemas de palavras. Tentar armazenar informações em excesso na MT sobrecarrega seu pensamento (Resnick, 1985).

Especialistas e novatos também diferem em conhecimento específico do domínio de fundo, embora pareçam ser comparativamente versados em conhecimento de estratégias gerais de resolução de problemas (Elstein, Shulman, & Sprafka, 1978; Simon, 1979). Especialistas têm estruturas de MTL mais extensas e melhor organizadas em sua área de especialização (Chi et al., 1981). Quanto maior a quantidade de conhecimento que os especialistas podem usar para resolver problemas, maior a probabilidade de resolvê-los e melhor a organização de sua memória facilita a eficiência.

Diferenças qualitativas são evidentes em como o conhecimento é estruturado na memória (Chi, Glaser, & Rees, 1982). O conhecimento dos especialistas é mais organizado hierarquicamente. Especialistas tendem a classificar problemas de acordo com a “estrutura profunda”, enquanto novatos confiam mais em características superficiais (Hardiman, Dufresne, & Mestre, 1989). Curiosamente, o treinamento de novatos para reconhecer características profundas melhora seu desempenho em relação ao de novatos não treinados.

Novatos tipicamente respondem a problemas em termos de como eles são apresentados; especialistas reinterpretam problemas para revelar uma estrutura subjacente, uma que provavelmente corresponde à sua própria rede de MTL (Resnick, 1985). Novatos tentam traduzir as informações fornecidas diretamente em fórmulas e resolver para as quantidades ausentes. Em vez de gerar fórmulas, especialistas podem inicialmente desenhar diagramas para esclarecer as relações entre os aspectos do problema. Eles frequentemente constroem uma nova versão do problema. No momento em que estão prontos para realizar cálculos, eles geralmente simplificaram o problema e realizam menos cálculos do que os novatos. Enquanto trabalham, os especialistas monitoram melhor seu desempenho para avaliar o progresso em direção aos objetivos e o valor da estratégia que estão usando (Gagné et al., 1993).

Finalmente, especialistas gastam mais tempo planejando e analisando. Eles são mais ponderados e não prosseguem até terem alguma estratégia em mente. Moore (1990) descobriu que professores experientes gastam mais tempo planejando do que professores menos experientes, bem como mais tempo explorando novas salas de aula. Tal planejamento facilita a implementação da estratégia.

Em resumo, as diferenças entre solucionadores de problemas novatos e especialistas são muitas. Comparado com novatos, especialistas:

• Possuem mais conhecimento declarativo
• Têm melhor organização hierárquica do conhecimento
• Gastam mais tempo planejando e analisando
• Reconhecem formatos de problemas mais facilmente
• Representam problemas em um nível mais profundo
• Monitoram seus desempenhos mais cuidadosamente
• Entendem melhor o valor do uso de estratégias

Raciocínio refere-se aos processos mentais envolvidos na geração e avaliação de argumentos lógicos (Anderson, 1990). O raciocínio produz uma conclusão a partir de pensamentos, percepções e afirmações (Johnson-Laird, 1999) e envolve trabalhar em problemas para explicar por que algo aconteceu ou o que acontecerá (Hunt, 1989). As habilidades de raciocínio incluem esclarecimento, base, inferência e avaliação (Ennis, 1987; Quellmalz, 1987).

Esclarecimento

O esclarecimento requer identificar e formular questões, analisar elementos e definir termos. Estas habilidades envolvem determinar quais elementos em uma situação são importantes, o que significam e como estão relacionados. Por vezes, questões científicas são colocadas, mas outras vezes os estudantes devem desenvolver questões como “Qual é o problema, hipótese ou tese?” O esclarecimento corresponde à fase de representação da resolução de problemas; os estudantes definem o problema para obter uma representação mental clara. Pouco raciocínio produtivo ocorre sem uma declaração clara do problema.

Base

As conclusões das pessoas sobre um problema são apoiadas por informações de observações pessoais, declarações de outros e inferências anteriores. Julgar a credibilidade de uma fonte é importante. Ao fazê-lo, deve-se distinguir entre fato, opinião e julgamento ponderado. Assuma que um suspeito armado com uma arma é apreendido perto do local de um assassinato. Que o suspeito tinha uma arma quando foi preso é um fato. Testes laboratoriais na arma, nas balas e na vítima levam ao julgamento ponderado de que a arma foi usada no crime. Alguém investigando o caso pode ser da opinião de que o suspeito é o assassino.

Inferência

O raciocínio científico prossegue indutiva ou dedutivamente. O raciocínio indutivo refere-se ao desenvolvimento de regras gerais, princípios e conceitos a partir da observação e conhecimento de exemplos específicos (Pellegrino, 1985). Requer a determinação de um modelo e suas regras de inferência associadas (Hunt, 1989). As pessoas raciocinam indutivamente quando extraem semelhanças e diferenças entre objetos e eventos específicos e chegam a generalizações, que são testadas aplicando-as a novas experiências. Os indivíduos retêm suas generalizações enquanto elas são eficazes, e as modificam quando experimentam evidências conflitantes.

Alguns dos tipos mais comuns de tarefas usadas para avaliar o raciocínio indutivo são problemas de classificação, conceito e analogia. Considere a seguinte analogia (Pellegrino, 1985):

• açúcar : doce :: limão : ______
• amarelo azedo fruta espremer chá

As operações mentais apropriadas representam um tipo de sistema de produção. Inicialmente, o aluno representa mentalmente os atributos críticos de cada termo na analogia. Ela ativa redes na MDL envolvendo cada termo, que contêm atributos críticos dos termos para incluir conceitos subordinados e superordenados. Em seguida, ela compara os recursos do primeiro par para determinar o link. “Doce” é uma propriedade do açúcar que envolve o paladar. Ela então pesquisa na rede “limão” para determinar qual dos cinco recursos listados corresponde em significado a “limão” como “doce” corresponde a “açúcar.” Embora todos os cinco termos sejam provavelmente armazenados em sua rede “limão”, apenas “azedo” envolve diretamente o paladar.

As crianças começam a exibir raciocínio indutivo básico por volta dos 8 anos de idade. Com o desenvolvimento, as crianças podem raciocinar mais rápido e com material mais complexo. Isso ocorre porque suas redes na MDL se tornam mais complexas e melhor vinculadas, o que, por sua vez, reduz a carga na MT. Para ajudar a fomentar o pensamento indutivo, os professores podem usar uma abordagem de descoberta guiada, na qual as crianças aprendem diferentes exemplos e tentam formular uma regra geral. Por exemplo, as crianças podem coletar folhas e formular alguns princípios gerais envolvendo caules, veias, tamanhos e formas de folhas de diferentes árvores. Os professores podem propor um problema para os alunos, como “Por que o metal afunda na água, mas os navios de metal flutuam?” Em vez de dizer aos alunos como resolver o problema, o professor pode fornecer materiais e encorajá-los a formular e testar hipóteses enquanto trabalham na tarefa. Phye (1997; Klauer & Phye, 2008) discutiram métodos e programas de ensino eficazes que foram usados para ensinar raciocínio indutivo aos alunos.

O raciocínio dedutivo refere-se à aplicação de regras de inferência a um modelo formal de um problema para decidir se instâncias específicas seguem logicamente. Quando os indivíduos raciocinam dedutivamente, eles partem de conceitos gerais (premissas) para instâncias específicas (conclusões) para determinar se as últimas decorrem das primeiras. Uma dedução é válida se as premissas são verdadeiras e se a conclusão segue logicamente das premissas (Johnson-Laird, 1985, 1999).

Os processos de raciocínio linguístico e dedutivo estão intimamente ligados (Falmagne & Gonsalves, 1995; Polk & Newell, 1995). Um tipo de problema de dedução é a série de três termos (Johnson-Laird, 1972). Por exemplo,

• Se Karen é mais alta que Tina, e ->; (gerando o padrão)
• Se Mary Beth não é tão alta quanto Tina, então ->; (reafirmando o padrão)
• Quem é a mais alta? => (padrão completo)

Os processos de resolução de problemas empregados com este problema são semelhantes aos discutidos anteriormente. Inicialmente, forma-se uma representação mental do problema, como , . Em seguida, trabalha-se para frente combinando as proposições ( ) para resolver o problema. Fatores de desenvolvimento limitam a proficiência das crianças na resolução de tais problemas. As crianças podem ter dificuldade em manter informações relevantes do problema na MT e podem não entender a linguagem usada para expressar as relações.

Outro tipo de problema de raciocínio dedutivo é o silogismo. Os silogismos são caracterizados por premissas e uma conclusão contendo as palavras todo, nenhum e algum. As seguintes são premissas de amostra:

• Todos os professores universitários são preguiçosos. -> (generalização contextual)
• Alguns estudantes de pós-graduação não são preguiçosos. -> (exclusão contextual)
• Nenhum estudante de graduação é preguiçoso. -> (disposição da controvérsia)

Um silogismo de amostra é o seguinte:

• Todos os alunos da classe de Ken são bons em matemática. -> (sugestão de premissa)
• Todos os alunos que são bons em matemática irão para a faculdade. -> (formação de viés)
• (Portanto) Todos os alunos da classe de Ken irão para a faculdade. -> (suposição geral)

Os pesquisadores debatem quais processos mentais as pessoas usam para resolver silogismos, incluindo se as pessoas representam a informação como diagramas de Venn (círculo) ou como cadeias de proposições (Johnson-Laird, 1985). Uma análise do sistema de produção de silogismos fornece uma regra básica: Um silogismo é verdadeiro apenas se não houver maneira de interpretar as premissas para implicar o oposto da conclusão; isto é, um silogismo é verdadeiro a menos que uma exceção à conclusão possa ser encontrada. A pesquisa precisa examinar os tipos de regras que as pessoas aplicam para testar se as premissas de um silogismo permitem uma exceção.

Diferentes visões foram propostas para explicar os mecanismos do raciocínio dedutivo (Johnson-Laird, Byrne, & Tabossi, 1989). Uma visão sustenta que o raciocínio prossegue com base em regras formais de inferência. As pessoas aprendem as regras (por exemplo, a regra modus ponens governa as declarações “se p então q”) e então correspondem instâncias às regras.

Uma segunda visão, relacionada, postula regras específicas de conteúdo. Elas podem ser expressas como produções de tal forma que instâncias específicas acionem as regras de produção. Assim, uma produção pode envolver todos os carros e pode ser acionada quando um carro específico (“minha marca X”) é encontrado.

Uma terceira visão sustenta que o raciocínio depende de procedimentos semânticos que buscam interpretações das premissas que são contraexemplos para as conclusões. De acordo com esta visão, as pessoas constroem um ou mais modelos mentais para as afirmações que encontram (interpretações das premissas); os modelos diferem em estrutura e são usados para testar a lógica da situação. Os alunos podem re-codificar repetidamente o problema com base em informações; assim, a dedução é em grande parte uma forma de raciocínio verbal (Polk & Newell, 1995). Johnson-Laird e colegas (Johnson-Laird, 1999; Johnson-Laird, Byrne, & Schaeken, 1992; Johnson-Laird et al., 1989) estenderam esta análise semântica a várias classes de inferências (por exemplo, aquelas que envolvem se, ou, e, não e quantificadores múltiplos). Pesquisas futuras também ajudarão a determinar as implicações instrucionais destas análises teóricas.

Avaliação

A avaliação envolve o uso de critérios para julgar a adequação de uma solução para um problema. Ao avaliar, os alunos abordam questões como: “Os dados são suficientes para resolver o problema?” “Preciso de mais informações?” e “Minhas conclusões são baseadas em fatos, opiniões ou julgamentos fundamentados?” A avaliação também envolve decidir o que deve acontecer a seguir — isto é, formular hipóteses sobre eventos futuros, presumindo que a resolução de problemas esteja correta até o momento.

O raciocínio dedutivo também pode ser afetado pelo conteúdo, independentemente da lógica. Wason (1966) colocou quatro cartas (mostrando A B 2 3) na frente dos participantes. Eles foram informados de que cada carta continha uma letra de um lado e um número do outro, e receberam uma regra condicional: “Se uma carta tiver A de um lado, então ela tem 2 do outro”. A tarefa deles era selecionar as cartas que precisavam ser viradas para determinar se a regra era verdadeira. Embora a maioria dos participantes tenha escolhido a carta A e muitos também tenham escolhido o 2, poucos escolheram o 3; no entanto, ela deve ser virada porque se houver um A do outro lado, então a regra é falsa. Quando o conteúdo foi alterado para uma generalização cotidiana (por exemplo, letra = cor do cabelo, número = cor dos olhos, A = cabelo loiro, 2 = olhos azuis), a maioria das pessoas fez as seleções corretas (Wason & Johnson-Laird, 1972). Esses resultados falam da importância de não presumir a generalização no raciocínio, mas sim dar aos alunos experiência trabalhando em diferentes tipos de conteúdo.

Os processos metacognitivos entram em todos os aspectos do raciocínio científico. Os alunos monitoram seus esforços para garantir que as questões sejam devidamente colocadas, que os dados de fontes adequadas estejam disponíveis e sejam usados para tirar inferências e que critérios relevantes sejam empregados na avaliação. Ensinar raciocínio requer instrução em habilidades e em estratégias metacognitivas. A carga cognitiva também parece importante. O raciocínio científico é difícil se múltiplas fontes de informação devem ser processadas simultaneamente, o que sobrecarrega a memória de trabalho (MT). Carlson et al. (2003) descobriram que o desempenho dos alunos em ciências se beneficiou de dois procedimentos destinados a reduzir a carga cognitiva: diagramas e instruções que minimizaram a quantidade de informação a ser processada ao mesmo tempo.

As ligações entre a aprendizagem e a resolução de problemas sugerem que os alunos podem aprender heurísticas e estratégias e tornarem-se melhores resolvedores de problemas (Bruning et al., 2004). Além disso, para que a informação seja ligada na memória, é melhor integrar a resolução de problemas com o conteúdo acadêmico (como Meg recomendou no cenário de abertura) em vez de ensinar a resolução de problemas com programas independentes. Nokes, Dole e Hacker (2007) descobriram que o ensino de heurísticas pode ser integrado ao ensino em sala de aula sem sacrificar a aprendizagem de conteúdo dos alunos.

Andre (1986) listou várias sugestões derivadas da teoria e da pesquisa e que são úteis para treinar os alunos em habilidades de resolução de problemas, especialmente quando representam produções na memória.

• Fornecer aos alunos representações metafóricas. Uma passagem analógica concreta dada aos alunos antes de uma passagem instrucional facilita a aprendizagem da passagem alvo.
• Fazer com que os alunos verbalizem durante a resolução de problemas. A verbalização de pensamentos durante a resolução de problemas pode facilitar as soluções de problemas e a aprendizagem.
• Usar perguntas. Fazer aos alunos perguntas que exijam que pratiquem os conceitos que aprenderam; muitas dessas perguntas podem ser necessárias.
• Fornecer exemplos. Dar aos alunos muitos exemplos resolvidos mostrando a aplicação de estratégias de resolução de problemas. Os alunos podem ter dificuldade em ver por si próprios como as estratégias se aplicam às situações.
• Coordenar ideias. Mostrar como as produções e o conhecimento se relacionam uns com os outros e em que sequência podem precisar ser aplicados.
• Usar a aprendizagem por descoberta. A aprendizagem por descoberta muitas vezes facilita a transferência e a resolução de problemas melhor do que o ensino expositivo. A descoberta pode forçar os alunos a gerar regras a partir de exemplos. O mesmo pode ser feito através do ensino expositivo, mas a descoberta pode se adequar melhor a certos conteúdos (por exemplo, experimentos científicos).
• Dar uma descrição verbal. Fornecer aos alunos uma descrição verbal da estratégia e suas regras de aplicação pode ser útil.
• Ensinar estratégias de aprendizagem. Os aprendizes podem precisar de ajuda para usar estratégias de aprendizagem eficazes.
• Usar pequenos grupos. Vários estudos descobriram que a aprendizagem em pequenos grupos ajuda a desenvolver as habilidades de resolução de problemas dos alunos. Os membros do grupo devem ser responsabilizados por sua aprendizagem, e todos os alunos devem participar do trabalho.
• Manter um clima psicológico positivo. Fatores psicológicos são importantes para a resolução eficaz de problemas. Minimizar a ansiedade excessiva entre os alunos e ajudar a criar um senso de autoeficácia entre os alunos para melhorar suas habilidades.

Outra sugestão instrucional é introduzir gradualmente a resolução de problemas, o que pode ser especialmente útil com alunos que têm pouca experiência com ela. Isso pode ser feito usando exemplos resolvidos (Atkinson, Renkl, & Merrill, 2003; Renkl & Atkinson, 2003; discutido mais adiante na seção deste curso). Textos de matemática, por exemplo, frequentemente declaram uma regra ou teorema, seguido por um ou mais exemplos resolvidos. Os alunos então resolvem problemas comparáveis aplicando os passos dos exemplos resolvidos (um tipo de raciocínio analógico). Renkl e Atkinson recomendaram a confiança em exemplos nos estágios iniciais da aprendizagem, seguido por uma transição para a resolução de problemas à medida que os alunos desenvolvem habilidades. Este processo também ajuda a minimizar as demandas na MT, ou a carga cognitiva que os aprendizes experimentam. Assim, a transição pode prosseguir da seguinte forma. Inicialmente, um exemplo completo é dado, depois um exemplo onde um passo é omitido. Com cada exemplo subsequente, um passo adicional é omitido até que os aprendizes alcancem a resolução independente de problemas.

A aprendizagem baseada em problemas (ABP; Hmelo-Silver, 2004) oferece outra aplicação instrucional. Nesta abordagem, os alunos trabalham em grupos em um problema que não tem uma resposta correta. Os alunos identificam o que precisam saber para resolver o problema. Os professores atuam como facilitadores, fornecendo assistência, mas não respostas. A ABP tem se mostrado eficaz no ensino de habilidades de resolução de problemas e autorregulação, mas a maioria das pesquisas tem sido conduzida em educação médica e para superdotados (Evenson, Salisbury-Glennon, & Glenn, 2001; Hmelo-Silver, 2004). A ABP é útil para a exploração de problemas significativos. Como consome tempo, os professores precisam considerar sua adequação, dados os objetivos instrucionais.