Impacto de robôs na curiosidade infantil

Tempo de leitura: 26 minutes

Loading

Resumo

A curiosidade é fundamental para o aprendizado, mas as crianças em idade escolar apresentam variações em sua vontade de adquirir informações. Pesquisas recentes sugerem que outras pessoas têm uma forte influência no comportamento exploratório das crianças. Será que um robô curioso provocaria a exploração das crianças e o desejo de descobrir coisas novas? Como o impacto de robôs podem atingir a curiosidade infantil?

Para responder a essa pergunta, criamos um novo paradigma experimental no qual uma criança joga um aplicativo educacional com um robô social autônomo, que é representado como um colega mais jovem. Manipulamos o comportamento do robô para que fosse ou não orientado pela curiosidade e medimos a curiosidade da criança após a interação. Mostramos que algumas das medidas de curiosidade da criança são significativamente mais altas após interagir com um robô curioso, em comparação com um robô não curioso. Esses resultados sugerem que a interação com um robô autônomo socialmente curioso pode seletivamente guiar e promover a curiosidade das crianças.

Introdução

A curiosidade é o impulso básico para fazer perguntas e entender melhor os eventos e os acontecimentos. Mesmo na infância e na primeira infância, a curiosidade permite que os jovens aprendizes adquiram evidências e desenvolvam modelos de como o mundo funciona. À medida que as crianças ficam mais velhas e entram na escola, a curiosidade intrínseca ainda é o principal impulso para a aprendizagem eficiente, mesmo com ótimos professores. Surge então a pergunta: o que influencia o impulso básico da curiosidade básica em crianças pequenas? Uma influência relativamente não mapeada é a interação social, ou seja, como as interações com outros indivíduos, sejam eles mais curiosos ou não, influenciam a curiosidade. Indivíduos, sejam eles mais curiosos ou menos, influenciam a motivação interna para aprender.

Foi demonstrado que os estímulos sociais são de suma importância de idiomas em crianças, além de como as mudanças de sua mentalidade e, consequentemente, em suas atividades acadêmicas. Recursivamente, uma diminuição na motivação intrínseca muda a mentalidade para uma mentalidade fixa. Além disso, durante o final da infância, a adolescência e a idade adulta, o impulso da curiosidade diminui. Embora pesquisas anteriores tenham identificados algumas das maneiras pelas quais os adultos incentivam ou desestimulam as expressões de curiosidade das crianças, muito poucas
pesquisas examinaram os efeitos dos colegas sobre as expressões de curiosidade das crianças.

Assim, desejamos explorar se a curiosidade em crianças pequenas pode ser manipulada e aumentada pela interação robótica com os colegas.

Os robôs sociais têm sido usados nos últimos anos como companheiros educativos para crianças, ensinando-lhes novos vocabulários, conceitos de matemática e habilidades sociais. Foi demonstrado que crianças podem tratar os robôs como informantes, mas como uma criança reagirá ao comportamento de curiosidade de um robô? Será que uma criança pode “pegar” a curiosidade de um robô social curioso? Em outras palavras, a interação com um robô curioso pode promover a curiosidade das crianças?

Para abordar essa questão, realizamos um estudo exploratório estudo exploratório no qual manipulamos o comportamento de um robô social autônomo interagindo com crianças em um cenário educacional. A interação envolveu um novo aplicativo Story-maker co-reproduzido em um tablet pela criança e pelo robô, no qual a criança manipula os personagens no tablet e o robô conta uma história apropriada. A história também é escrita no tablet, promovendo, assim, as habilidades de leitura. Além disso, o robô é retratado como um colega mais jovem que tenta aprender a ler, o que faz com que a criança lhe ensine novas palavras.

Durante a interação, o robô está curioso ou não, em que, em nosso paradigma experimental, um robô curioso se comporta com entusiasmo em relação ao aprendizado e à exploração, desafia a criança e sugere novos movimentos no aplicativo para tablet. O robô não curioso brinca com a criança, pede que ela mostre as palavras, mas não expressa nenhum desejo manifesto ou explícito de aprender coisas novas. Quantificamos a curiosidade das crianças após após a interação por meio de três medidas diferentes: exploração livre exploração, geração de perguntas e tarefas de busca de incerteza.

Mostramos que a exploração livre e a busca de incerteza são significativamente maiores após a interação com um robô curioso em comparação com um robô não curioso, enquanto a geração de perguntas de perguntas não é afetada pela manipulação. Esses resultados confirmam que pelo menos alguns aspectos da curiosidade das crianças podem ser podem ser aumentados pela interação com um robô social autônomo.

Trabalhos Relacionados

A curiosidade das crianças tem sido estudada por meio de diferentes medidas quantificáveis, que adaptamos ao nosso estudo. Livre exploração: Uma medida está relacionada à busca ativa de informações ao abrir caixas novas, quantificando o valor de informações que podem ser obtidas. informações ao abrir novas caixas, quantificando diferentes aspectos do comportamento, por exemplo, o tempo de aproximação da caixa, o número de caixas diferentes abertas. Desenvolvemos uma nova versão digital dessa medida de exploração livre, para ser usada em interações relacionadas ao tablet. Tarefa com peixes: Usamos um aplicativo para tablet de busca de incerteza recentemente desenvolvido, chamado “The Fish Task”, que aborda o desejo das crianças de escolher opções com resultados probabilísticos desconhecidos e mais do que certos e determinísticos. Geração de perguntas: Usamos um método e uma medida estabelecida e derivada de forma mais qualitativa, a tarefa de geração de perguntas, na qual a criança é  solicitada a fazer o máximo de perguntas sobre um tópico, sem fornecer respostas. A última condição é imperativa, pois foi demonstrado que responder à pergunta gera conversa, independentemente da motivação intrínseca para o saber. Usamos todas as três medidas para abordar a questão se existe diferentes aspectos da curiosidade e se eles podem ser manipulados por um robô social.

A mudança na curiosidade das crianças foi investigada em estudos anteriores. Na Ref. [12], a presença de um adulto e o contexto de seu comportamento demonstraram influenciar o comportamento de exploração livre da criança. Uma série de estudos mostraram que os bebês exploram mais se suas crenças anteriores forem violadas, ou seja, se virem evidências que contradigam suas expectativas. Além disso, foi demonstrado, por meio de manipular a interação criança-brinquedo-experimentador, que se as evidências não distinguirem entre crenças concorrentes, os bebês exploram mais para deixar claro as suas crenças.

Em outro estudo, os efeitos dos traços de curiosidade pessoal e do ambiente escolar no desempenho acadêmico sobre os resultados mostraram ser complexo, ou seja, crianças com alta curiosidade em escolas desafiadoras tiveram o melhor desempenho, enquanto as crianças com alta curiosidade em escolas não desafiadoras tiveram o desempenho mais baixo. Nós perguntamos se um colega robótico, ao contrário de um pai, um mentor ou ambiente escolar, pode mudar a curiosidade de uma criança.

Os robôs sociais já foram usados anteriormente para ensinar às crianças novos materiais. No RUBI-4, um robô humanoide com um tablet embutido em sua parte central, jogou jogos simples de vocabulário com crianças em idade pré-escolar. O experimentador pediu que a criança em idade pré-escolar ou o robô representasse novos verbos.

Eles descobriram que ensinar o robô ajudou as crianças a relembrar os verbos, além de inspirar mais jogos para ensinar os verbos e inspirar outras brincadeiras. Em contraste com esses estudos, queremos não apenas fazer com que as crianças aprendam coisas novas, mas também promover a aprendizagem de novos conhecimentos, mas também promover sua motivação para explorar, ou seja, aumentar sua curiosidade inerente.

Configuração Experimental

A configuração experimental é composta pelo robô, tablet, câmeras e microfones, Fig. 1 (esquerda). O tablet tinha três aplicativos que foram usados durante o experimento, o aplicativo aplicativo principal Story-maker e dois aplicativos de avaliação de curiosidade: Aplicativo de exploração livre e o aplicativo de tarefa Fish. Todos os toques e interações com o tablet foram registrados.

Plataforma robótica

Para a plataforma robótica social, usamos o Dragonbot, um robô baseado em um smartphone Android que se espreme e estica. A expressão facial, geração de som e parte da lógica são gerados no
no smartphone, que é montado no rosto do robô. O robô parece ser uma criatura macia, peluda, fofa, e fantasiosa, projetada para envolver as crianças. O Dragonbot é uma plataforma muito expressiva e tem um grande repertório de expressões faciais e ações possíveis (indicadas em itálico abaixo). Instalamos uma voz infantil comercial para o software de conversão de texto em fala no smartphone, para facilitar uma
interação mais genérica e envolvente. O robô era autônomo e não era controlado por um operador remoto. Ele reagiu à interação da criança com o tablet.

Figura 1: Configuração experimental (esquerda) e captura de tela do aplicativo Story-maker (direita)

 

Aplicativo Story-maker

O principal aplicativo para tablet foi um novo aplicativo Story-maker que desenvolvemos para este estudo, que permite que a criança crie uma história em conjunto com o robô, conforme Figura 1 (à cima). O jogo contém vários personagens que a criança pode mover. Após cada movimento, uma frase é automaticamente gerada usando um novo mecanismo de auto-geração, que (i) seleciona aleatoriamente um adjetivo para o personagem; (ii) detecta o outro personagem mais próximo para a interação na história; (iii) segue um script xml do enredo da história; e (iv) usa uma biblioteca de geração de linguagem natural de código aberto para construir uma frase completa. Os arquivos de enredo xml são construídos de forma genérica, de modo que (i) cada personagem tem uma lista de adjetivos possíveis (por exemplo, vermelho, grande), movimentos (por exemplo, voar, pular) e falas (por exemplo, rugir, piar); (ii) a linha do enredo é construída a partir de uma sequência de movimentos, falas, sentimentos e resoluções; e (iii) a conversa da história é construída de tal forma que qualquer sequência de seleção de personagens gera uma linha de história coerente. O resultado de cada movimento é, assim, uma frase completa que descreve a progressão do enredo da história. Após várias dessas frases, a cena muda e novos personagens são introduzidos, enquanto alguns dos antigos são retirados. Há três cenas na história, que termina com uma frase de resolução final.

Este é um exemplo de uma história gerada: A borboleta sussurra para o pássaro: O que aconteceu com o dragão? O dragão roxo voa até o pássaro. Dragão ruge para o pássaro: Eu perdi minha bola. Dragão diz à borboleta selvagem: Você pode me ajudar a encontrar minha bola? Borboleta sussurra: Eu acho que vi a bola perto do pinheiro.

Este aplicativo foi projetado para promover a sensação de controle da criança sobre a interação, no sentido de que a história contada estava correlacionada às ações da criança. Além disso, o ritmo da história era ditado pela criança. Várias funcionalidades foram integradas neste aplicativo para manter o engajamento e o interesse, aspectos importantes que afetam a curiosidade. A primeira foi a seleção do protagonista da história. A criança podia escolher entre duas opções, nomeadamente um dragão ou um pássaro. O enredo da história seguia essa escolha ao longo de todo o tempo.

A segunda funcionalidade foi a introdução de múltiplas cenas, cada uma com seus personagens únicos, onde apenas o protagonista e seu ajudante se moviam de uma cena para a próxima. Isso introduziu variabilidade e novidade na história. A terceira funcionalidade foi a inserção de uma frase “engraçada” na história, por exemplo, “o dragão arrota”. Isso manteve a criança mais envolvida na história. A quarta funcionalidade foi a variabilidade da complexidade da linguagem ao longo da história. Palavras mais complexas foram deliberadamente introduzidas, por exemplo, “espaçoso”, “ansioso”, para manter até as crianças mais velhas engajadas. A quinta funcionalidade foi a introdução de um antagonista, ou seja, um personagem que é prejudicial ao enredo principal.

Participantes

71 participantes participaram do estudo. 7 dos participantes não falaram ou cooperaram durante a tarefa e 1 teve uma dificuldade técnica e, portanto, foram excluídos. Dos 63 restantes, apenas 48 (21 mulheres, 27 homens) completaram a avaliação inicial e a tarefa e foram incluídos na análise. Os participantes foram randomizados entre as condições e idades, mas a análise e exclusão ocorreram após a conclusão do estudo, resultando em um número ligeiramente diferente de participantes entre as condições. A idade média era de 6 anos (desvio padrão de 1,23), com crianças de 3,4 a 8,4 anos, Figura 2.

Os participantes foram recrutados de uma lista de e-mails compilada de grupos familiares em mídias sociais locais. 13 dos participantes já haviam interagido com a mesma plataforma robótica em um estudo anterior em nosso laboratório. Estes foram distribuídos uniformemente entre as condições.

Protocolo

Avaliação inicial habilidades de leitura. Durante a introdução ao estudo, pede-se à criança que soletra seu nome e é informada que irá jogar jogos de palavras com o experimentador e depois com o robô. Informamos aos participantes que, se estiverem entediados ou não quiserem continuar, podem interromper a interação quando quiserem. O primeiro “jogo de palavras” é o teste de avaliação de palavras, no qual o experimentador pede à criança para ler palavras de listas, o mais rápido que puder, por 45 segundos. A pontuação bruta do TOWRE é definida como o número total de palavras corretamente lidas durante esses 45 segundos. Administramos listas de palavras visuais e fonéticas, onde a pontuação bruta total é a soma das pontuações brutas dos dois testes.

Introdução do robô. Em seguida, a criança se senta ao lado de uma pequena mesa na qual há um tablet e o robô, Fig.1. O robô está “dormindo”, ou seja, seus olhos estão fechados, e é apresentado como “Parle, um jovem robô que acabou de aprender a falar e quer aprender a ler”. Isso foi dito, pois o módulo de texto para fala usado era às vezes pouco claro para as crianças, e desejávamos que elas se sentissem à vontade para perguntar quando não entendessem. O robô acorda, boceja (um movimento e som explícito) e se apresenta: “Sou Parle, vamos jogar jogos de palavras juntos.” Em seguida, faz uma expressão facial tímida.

Pré-teste de leitura. A próxima fase da interação é um pré-teste, durante o qual o robô pede à criança para ensiná-lo algumas palavras. Ele pede verbalmente à criança que mostre uma palavra, por exemplo, “dragão”, onde a palavra e quatro distratores aparecem no tablet. A criança então precisa tocar na palavra correta. As palavras pedidas são selecionadas de todo o vocabulário, de acordo com um novo algoritmo de ganho de informação esperado que tenta maximizar o conhecimento que o robô tem sobre a habilidade de leitura da criança. O algoritmo é baseado em atualizações Bayesianas de um vocabulário de palavras, baseado nas respostas da criança às perguntas feitas e é relatado em detalhes em outra publicação em revisão. Os quatro distratores também são selecionados do mesmo vocabulário: duas palavras que são mais semelhantes; uma palavra que a criança deve saber, de acordo com o algoritmo de avaliação; e uma palavra que a criança provavelmente não sabe ler. Isso é repetido dez vezes, para obter uma avaliação completa do conhecimento de leitura da criança.

Co-jogo criança-robô. A fase principal da interação é baseada no aplicativo Criador de Histórias descrito anteriormente. O robô pergunta à criança: “Você quer brincar comigo e criar nossa própria história?” A criança precisa tocar em “sim” ou “não”. Se a criança tocar em “não”, o robô faz uma cara tímida e pergunta novamente: “Você quer brincar comigo?” (O robô não aceita não como resposta). Quando a criança toca em “sim”, o robô ri, diz “que ótimo” e solicita que a criança selecione o protagonista da história. Depois de selecionado, o robô instrui a criança sobre como jogar: “você move os personagens e eu conto a história. O jogo nos ajudará se tivermos problemas para ler.” O tablet então fala, em uma voz diferente, “mova um dos personagens. Uma frase será escrita no topo.” Isso cria uma separação clara entre o robô e o tablet, no sentido de que o robô brinca com a criança e o tablet informa sobre as palavras e frases escritas.

Durante a interação entre criança, tablet e robô, quando a criança move um personagem, o robô autônomo primeiro fala a frase gerada, e então a frase aparece no tablet acima da cena. Em 50% das frases, o robô pede à criança para mostrar uma palavra, por exemplo, “Não sei ler a palavra dragão. Você pode me mostrar?”. Isso resultou em uma média de 11 palavras por interação. Nas duas primeiras perguntas, o robô também diz “olhe na frase acima da imagem colorida” para direcionar a criança onde olhar. A criança então precisa tocar na palavra correta. Cada toque em uma palavra no tablet resulta no tablet falando aquela palavra. Nesse sentido, o tablet é um informante, enquanto a criança e o robô são ambos os estudantes. Se a criança acertar, o robô diz “sim” em uma voz animada, agradece à criança e a história continua. Se a criança errar, o robô expressa frustração e pede a palavra novamente. Se a criança errar novamente, o tablet mostra a palavra correta de forma enfatizada e a fala. Se a criança mover um personagem em vez de tocar na palavra, o robô faz uma expressão pensativa e diz “ok, vamos continuar”. Além disso, no início de uma nova cena, o robô diz “mova um personagem para ouvir a próxima frase” para direcionar a criança sobre o que fazer nessa nova cena. O jogo continua até o final da história, quando o robô diz: “Fim. Foi uma ótima história.”

Teste de leitura pós-interação. Na última etapa da interação, o teste pós-interação, o robô novamente pede à criança para ensiná-lo algumas palavras, semelhante à fase de pré-teste. Durante esta fase, as palavras que foram solicitadas durante a fase da história são perguntadas novamente, começando com as palavras identificadas incorretamente, depois as identificadas corretamente e, finalmente, palavras aleatórias. Um total de dez palavras são perguntadas durante esta fase.

Comportamento do robô. Para aumentar a credibilidade e o envolvimento com o robô autônomo, inserimos aleatoriedade nas expressões e frases que o robô pedia, a fim de evitar repetições monótonas. Durante as fases de pré-teste e pós-teste, o robô perguntava: “Você pode me mostrar a palavra X?”, “Essa é uma palavra nova, X. Você pode tocar nela?”, “Não conheço a palavra X. Você pode me mostrar?”. Essa diversidade e aleatoriedade aumentadas no comportamento do robô são sugeridas como essenciais para o engajamento das crianças, um fator importante nas interações educacionais.

Durante a fase da história, o robô fazia alguns comentários engraçados para aumentar a plausibilidade de ser um colega mais jovem. Durante o jogo, o robô acompanhava 10% dos movimentos da criança no tablet com frases como “esse movimento é engraçado. Talvez a história devesse ser assim.” ou “Não sei o que dizer agora. Deixe-me tentar algo.” Em 10% das mudanças de cena, o robô dizia “Posso te surpreender com algumas bobagens”. Além disso, durante a frase engraçada que o aplicativo Story-maker gerava, o robô ria e dizia “isso é bobo”, para ser parte do jogo e da interação.

Quando a criança pressionava a palavra correta e o tablet também a pronunciava, o robô dizia “ajuda-me quando você toca uma palavra e o jogo a fala” ou “você ouviu o jogo falar a palavra?” Isso foi projetado para encorajar a criança a pressionar mais palavras para ouvi-las.

Fim da interação. A interação com o robô terminava com o robô bocejando e dizendo: “Estou cansado agora. Acho que vou dormir. Foi ótimo brincar com você. Espero que possamos fazer isso novamente. Até logo. Tchau tchau.” Os olhos do robô se fechavam e ele não se movia mais. Esta parte era uma clara delimitação entre a interação com o robô e a avaliação final, que exigíamos que a criança realizasse sozinha. Todas as crianças aceitaram essa terminação, por exemplo, nenhuma delas perguntou “por que ele está dormindo?” ou “podemos acordá-lo?”.

Avaliações pós-interação. Após o robô ir dormir, administramos a tarefa de exploração livre, durante a qual a criança realizava a tarefa e questionávamos o pai sobre a interação: “Você acha que seu filho aprendeu algo novo com essa interação?” Quando a tarefa de exploração livre terminava, questionávamos a criança sobre a interação e o robô. No final do questionário, administramos a tarefa de geração de perguntas, seguida pela tarefa do Peixe.

Medidas de Curiosidade

Exploração Livre

A primeira medida foi a tarefa de Exploração Livre, que utilizava os mesmos gráficos do aplicativo principal Story-maker. Neste aplicativo, havia quatro personagens do aplicativo de história e três novos. A criança podia mover qualquer personagem, e isso gerava uma frase falada (pelo tablet) e também escrita. Cada movimento gerava uma nova frase, do mesmo personagem, de modo que cada nova interação ativa com o aplicativo gerava uma frase nova à qual a criança era exposta. A criança também podia tocar em uma palavra e ouvi-la. O jogo durava dois minutos e então terminava.

Esta medida era usada logo após o término da interação com o robô, adormecendo. O experimentador dizia à criança: “Vou fazer algumas perguntas ao seu pai/mãe. Enquanto isso, você pode jogar este jogo. Faça o que quiser com ele.” Esta medida e sua contextualização tinham várias razões: (i) Os adultos, ou seja, o pai/mãe e o experimentador, foram retirados da cena para permitir que a criança expressasse sua própria curiosidade interna. (ii) Não havia limitações ou sugestões sobre o que a criança poderia fazer, permitindo assim uma exploração livre. (iii) A criança tinha controle sobre a quantidade de informações às quais era exposta.

As crianças começaram o jogo em momentos diferentes, algumas vezes não entendendo que deveriam jogar enquanto seu pai/mãe estava fora, enquanto outras esperavam por mais confirmação sobre quando deveriam começar. Portanto, cada criança que jogou o jogo de Exploração Livre, jogou por uma quantidade de tempo diferente. Assim, consideramos apenas os primeiros 60 segundos após a primeira interação com o aplicativo, de modo que a medida indicasse a verdadeira interação com o jogo.

Várias medidas foram consideradas, como se o sujeito interagiu primeiro com os novos personagens, o número total de personagens movidos, etc. Essas medidas eram muito discretas e constantes entre todos os sujeitos e, portanto, não foram usadas. Uma medida mais baseada em teoria foi selecionada, nomeadamente, a busca ativa por novas informações, aqui experimentada por meio da audição de novas frases. A medida de curiosidade normalizada que usamos foi a proporção dos 60 segundos em que o tablet falava, ou seja, que a criança estava exposta a novas informações. Assim, uma medida normalizada de 0,5 significa que, durante 30 segundos dos primeiros 60 segundos de interação, a criança moveu personagens que provocaram o tablet a falar novas frases, cada uma falada aproximadamente por 2 segundos. Uma medida mais alta significa que a criança moveu muitos personagens que resultaram em muitas frases diferentes, enquanto uma medida mais baixa significa que a criança não moveu muitos personagens e, portanto, não foi exposta a informações novas. Oito crianças pararam de jogar antes de passarem 60 segundos e, por isso, foram excluídas da análise.

Geração de perguntas

A segunda medida foi a geração de perguntas. O experimentador disse ao sujeito: “Vou fazer um filme sobre o robô e o jogo para que pessoas que não possam vir aqui possam aprender sobre eles. Quero que você me faça o máximo de perguntas que puder sobre o robô e eu as responderei no filme. O que você quer saber sobre o robô?”

A formulação da pergunta foi feita pelos seguintes motivos: (i) As perguntas não deveriam ser respondidas durante essa avaliação. (ii) O “filme” era a razão do porquê perguntar e por que o experimentador não respondia. (iii) A estruturação completa era às vezes muito complexa para crianças pequenas, por isso adicionamos a última frase para esclarecer que queremos que elas façam perguntas.

A tarefa de geração de perguntas ocorreu após um extenso questionário administrado aos participantes. Portanto, algumas das crianças simplesmente repetiram essas perguntas quando solicitadas a perguntar sobre o robô ou agente. Só consideramos perguntas novas, ou seja, perguntas que eram diferentes das que o experimentador fez, como “perguntas geradas” pelos participantes, pois estávamos interessados em suas próprias investigações. Assim, a medida foi considerada binária: zero para nenhuma pergunta feita e um para qualquer número de perguntas novas feitas. Três crianças não falaram ou cooperaram durante esta tarefa e, portanto, foram excluídas da análise.

Busca de Incerteza

A terceira e última medida foi a tarefa do aplicativo Fish. Este aplicativo é apresentado como um jogo no qual as crianças estão em um submarino com duas janelas. Elas podem abrir uma janela e ver um peixe através dela. As duas janelas diferem na incerteza de qual peixe estará do lado de fora. Assim, uma janela é apresentada com um peixe ao lado, indicando com certeza que aquele peixe está do lado de fora da janela. Outra janela pode ser apresentada, por exemplo, com 5 peixes ao lado, indicando que um desses cinco peixes está do lado de fora da janela, mas a criança não pode saber até que ela a abra. Portanto, a criança precisa escolher qual janela abrir, ou seja, que quantidade de incerteza ela busca. O aplicativo é habilmente projetado para explorar muitas diferenças em incerteza de maneira repetitiva, mas progressiva.

Há 18 turnos, ou seja, seleções a serem feitas no jogo, onde a maior quantidade de incerteza é de 7 peixes. Usamos a medida normalizada do total de incerteza selecionada, ou seja, número de peixes ao lado da janela aberta, dividido pela quantidade máxima de incerteza possível, ou seja, 18 × 7 = 126. Assim, uma criança que busca apenas incerteza sempre selecionará a janela com o número máximo de peixes ao lado e receberá a pontuação de 1. Uma criança que busca certeza sempre selecionará a janela com um peixe ao lado e receberá a pontuação de 0.1417.

15 crianças não completaram o jogo da tarefa Fish e, portanto, foram excluídas da análise. Devido ao seu comprimento, esta tarefa foi administrada no final da sessão, que durou cerca de 30 minutos. Isso pode explicar a alta taxa de desistência desta tarefa.

Hipótese

A principal hipótese deste estudo é que interagir com um robô social curioso é contagioso, ou seja, que a curiosidade das crianças, quantificada pelas medidas de curiosidade descritas acima, será significativamente maior para crianças interagindo com um robô curioso do que com um robô não curioso.

No entanto, hipotetizamos um resultado mais sutil, baseado em nosso entendimento dos diferentes tipos de curiosidade. Utilizamos três medidas, cada uma correspondendo a um aspecto diferente de curiosidade, nomeadamente, exploração livre, geração de perguntas e busca de incerteza. No entanto, o robô curioso em nosso estudo, embora expressando vários comportamentos movidos pela curiosidade, não expressou todos os tipos medidos. Mais concretamente, o robô exibiu exploração livre ao expressar amor por aprender coisas novas e sugerindo mover novos personagens. Ele também expressou comportamento de busca de incerteza, ao ponderar sobre novas situações que poderiam ocorrer. No entanto, em nenhum momento o robô fez qualquer pergunta à criança, seja nova ou não. Portanto, nossa segunda e mais forte hipótese é que apenas as medidas de exploração livre e busca de incerteza serão aumentadas pela interação com o robô curioso em comparação ao não curioso, enquanto a medida de geração de perguntas não será afetada. Neste estudo, não abordamos a questão de se a medida de geração de perguntas também pode ser manipulada pelo comportamento de um robô social.

Quanto aos ganhos de aprendizado, como não construímos a manipulação para diferenciar o aprendizado de novas palavras, ou seja, o mesmo aplicativo Story-maker é usado exatamente da mesma maneira em todas as condições, hipotetizamos que as crianças aprenderão novas palavras, mas não de maneira diferente com relação às condições curiosas e não curiosas. No entanto, hipotetizamos que as condições do robô terão efeitos maiores do que a condição do tablet curioso, devido à encarnação física do robô.

Resultados

Primeiramente, analisamos as medidas em si, em diferentes condições. Testamos se a medida de Exploração Livre tinha uma distribuição normal entre as condições, utilizando o teste de normalidade de Shapiro-Wilk. A hipótese de que os dados provêm de uma distribuição normal foi confirmada (p = 0.41, Shapiro-Wilk). Portanto, analisamos a medida de Exploração Livre usando testes de análise de variância (ANOVA). Para a medida de geração de perguntas, realizamos o teste exato de Fisher. Além disso, testamos se a medida da tarefa Fish tinha uma distribuição normal entre as condições, usando o teste de normalidade de Shapiro-Wilk. A hipótese de que os dados provêm de uma distribuição normal não foi confirmada (p = 0.01, Shapiro-Wilk). Assim, analisamos a medida da tarefa Fish usando o teste a-paramétrico de Kruskal-Wallis.

Figura 2: Média de curiosidade normalizada (esquerda) e (à esquerda) e ganhos de aprendizado (à direita) em todas as condições
(barras de erro denotam SEM). O número em branco indica número de indivíduos. * p< 0.05. Detalhe: histograma de idade.

 

Comparamos as medidas de curiosidade entre todas as condições, conforme mostrado na Figura 2. Não houve diferença significativa em nenhuma medida de curiosidade entre a condição do tablet curioso e a do robô curioso (p = 0.47, 1.0, 0.45 para Exploração Livre, geração de perguntas e tarefa Fish, respectivamente). No entanto, as condições do robô curioso e do robô não curioso apresentaram resultados mistos. O robô curioso resultou em medidas significativamente maiores de Exploração Livre e tarefa Fish, comparado ao robô não curioso (F(1, 32) = 5.4, p = 0.027 e χ²(1, 21) = 3.9, p = 0.047, respectivamente). Contudo, não houve diferença significativa na tarefa de geração de perguntas (p = 1, teste exato de Fisher).

Esses resultados validam nossa hipótese principal: (i) A curiosidade pode ser maior após a interação com um robô curioso, em comparação com a interação com um robô não curioso. (ii) O robô curioso impactou a curiosidade das crianças apenas nos comportamentos que o robô modela para a criança, ou seja, as medidas de Exploração Livre e tarefa Fish aumentaram, enquanto a medida de geração de perguntas não.

Ao comparar as atitudes das crianças em relação ao robô nas diferentes condições, conforme medido pelo nosso questionário de avaliação pós-interação, descobrimos que as crianças acharam ambos os robôs igualmente envolventes, enquanto o tablet foi menos envolvente. Por exemplo, quando perguntado “se você fosse jogar o jogo Story-maker novamente, você preferiria jogar sozinho, com sua mãe/pai ou com o Parle?”, 69%, 56% e 23% das crianças preferiram jogar com o Parle nas condições de robô curioso, robô não curioso e tablet curioso, respectivamente. Isso indica que o robô não curioso era um companheiro de brincadeira tão envolvente quanto o curioso, sugerindo que o comportamento movido pela curiosidade foi a causa das medidas de curiosidade, e não o engajamento ou afetos das crianças em relação ao robô.

Embora não houvesse diferenças significativas entre robôs e tablet, o tablet obteve pontuações mais baixas de simpatia.

Analisamos os ganhos de aprendizado, ou seja, se as crianças aprenderam novas palavras. Para isso, consideramos apenas as palavras que a criança identificou incorretamente durante a fase principal, quando o aplicativo Story-maker mostrou a palavra correta à criança. Para essas palavras mal identificadas, analisamos se elas foram corretamente identificadas no pós-teste; se sim, rotulamos como “palavras aprendidas”. Em todas as condições, as crianças aprenderam em média 1,2 (±0,8) palavras. Como o pós-teste era de múltipla escolha, testamos se as palavras aprendidas foram identificadas acima do nível de chance. Realizamos um teste t para a hipótese nula de que cada criança identificou a palavra aprendida no nível de chance, ou seja, 20%. A hipótese alternativa, de que foi acima do nível de chance, foi confirmada (probabilidade média correta de 62%, p < 0,001). Esses resultados indicam que a interação, embora curta, foi suficiente para ensinar novas palavras às crianças.

Queríamos testar ainda se os ganhos de aprendizado eram dependentes da condição. Primeiro, binarizamos os dados de modo que uma criança fosse rotulada como “aprendeu” se aprendeu pelo menos uma palavra, e “não aprendeu” se não aprendeu. Em seguida, comparamos a porcentagem de crianças que aprenderam novas palavras em cada condição: robô não curioso 63%, robô curioso 44% e tablet curioso 23%. Realizamos um teste exato de Fisher para cada par de condições e encontramos uma diferença significativa apenas entre os resultados do robô não curioso e do tablet curioso (p = 0,036).

Esses resultados validam parcialmente nossa hipótese de ganhos de aprendizado: (i) As crianças aprenderam a identificar novas palavras durante a interação. (ii) A presença física do robô não curioso resultou em ganhos de aprendizado significativamente maiores do que o tablet curioso. No entanto, o robô curioso não resultou em ganhos de aprendizado significativamente maiores, sugerindo uma interação complexa entre os ganhos de aprendizado e de curiosidade.

Discussão

9.1 Tablet curioso vs. robô curioso

O fato de as condições do tablet curioso e do robô curioso terem se mostrado virtualmente idênticas é um tanto intrigante. Estudos anteriores demonstraram diferenças tanto na atitude quanto nos ganhos de aprendizado em uma comparação semelhante. No entanto, em nosso estudo, as duas condições foram muito mais similares: o “agente virtual” possuía os mesmos sons emocionais de excitação e frustração; o som era emitido em ambas as condições pelos alto-falantes, para aumentar o volume; não havia um personagem virtual no tablet. Perguntamos às crianças, no final da interação na condição do tablet, para apontar onde elas achavam que o agente virtual estava. Apenas 4 apontaram para a caixa, enquanto 4 apontaram para o tablet e 3 para os alto-falantes, e alguns até para a cortina atrás da caixa. Podemos concluir que as crianças não trataram o agente virtual como um personagem virtual no tablet, mas sim como uma voz desencarnada. Além disso, a interação foi focada no tablet, e não no robô, por exemplo, não foi projetada como uma interação cara a cara, mas sim como um co-jogo no tablet. Ademais, a falta de diferença é principalmente em relação às medidas de curiosidade, enquanto os ganhos de aprendizado se comportam de forma um pouco diferente. Assim, atribuímos a falta de diferença nas medidas de curiosidade entre essas condições ao fato de a condição do tablet ser percebida como jogar um jogo de tablet com um robô real oculto, por exemplo, como discutir um documento com alguém por telefone. No entanto, para abordar totalmente esses problemas, uma manipulação completa da condição do tablet é necessária, por exemplo, adicionando uma condição de tablet não curioso, uma condição de tablet sem expressões afetivas, projetando uma interação de co-jogo cara a cara. Estas estão além do escopo do estudo atual.

Medidas de Curiosidade e Generalização

Cada uma das medidas que usamos possui prós e contras relacionados ao seu uso em outros estudos. A exploração livre é um aspecto importante da curiosidade, pois é uma atividade independente de busca de informações. O aplicativo desenvolvido e usado pode avaliar vários componentes, como interação com novos personagens, padrões de exploração, etc. A medida quantitativa usada aqui reflete a quantidade de informação ativamente exposta, que está no cerne da exploração livre. Além disso, ela acessa um “nível cognitivo baixo” de curiosidade, no sentido de que as ações são manipulações com os dedos e a percepção é ouvir passivamente. Portanto, embora seja facilmente aplicável em uma ampla gama de interações, sua natureza individual não leva em conta o aspecto social da curiosidade e avalia apenas o processamento cognitivo baixo. A Tarefa dos Peixes tem considerações idênticas.

Por outro lado, a geração de perguntas é um aspecto muito social da curiosidade e também requer um processamento cognitivo mais elevado. O sujeito tem que pensar em perguntas novas, sem qualquer informação do experimentador. Além disso, a interação entre timidez e curiosidade entra em jogo e pode confundir a avaliação. No entanto, a abertura da medida pode produzir resultados esclarecedores e é facilmente administrada em qualquer estudo.

Diferentes Tipos de Curiosidade

Estudos dos anos 70 e 80 mostraram que a curiosidade não é uma característica unitária, mas sim uma composta que agrega diferentes tipos de aspectos. Em consonância com essas visões, medimos três aspectos quantitativos distintos da curiosidade, o saber, exploração livre, geração de perguntas e busca por incerteza. Demonstramos que o robô curioso pode afetar essas medidas que seu comportamento modela explicitamente para a criança. Embora não tenhamos demonstrado que a geração de perguntas possa ser manipulada de maneira semelhante por um robô socialmente curioso, interpretamos esses resultados como uma relação entre o tipo de comportamento exibido pelo robô e o aspecto da curiosidade afetado.

Assim, por exemplo, o fato de o robô curioso dizer “Eu adoro tentar coisas novas. Poderia mover outro personagem?” é uma manipulação direta na tarefa de Exploração Livre, onde a criança pode mover diferentes personagens e aprender novas coisas sobre eles a partir das frases faladas. Além disso, a maioria de suas falas motivadas pela curiosidade refere-se à busca pelo desconhecido, por exemplo, “uma nova cena. Eu me pergunto o que você faria agora”, manipulando assim a medida de busca por incerteza.

No entanto, o robô curioso nunca faz uma pergunta relacionada à criança, à história, à interação deles ou qualquer outra coisa. Ele não expressa sua sede de conhecimento através do canal direto de interação verbal. Uma confusão para essa interpretação é o meio de medida. A interação com o robô foi via tablet durante toda a sessão, ou seja, o robô não respondia à comunicação verbal ou não verbal da criança. Além disso, as medidas de Exploração Livre e Tarefa dos Peixes foram apresentadas em um meio similar, ou seja, um aplicativo de tablet, enquanto a de geração de perguntas foi via interação verbal com o experimentador. Assim, a diferença entre os efeitos de manipulação pode ser devido ao meio de medida.

Poderia-se considerar um tipo diferente de manipulação em que o robô deliberadamente faz perguntas em busca de conhecimento à criança, ou ao tablet na presença de uma criança. Hipotetizamos que essa manipulação, controlada por um robô social que ou não faz perguntas ou faz perguntas irrelevantes, repetitivas ou tediosas, aumentará a medida de geração de perguntas. Realizar um paradigma de manipulação cruzada pode levantar o confuso do meio e está previsto para trabalhos futuros.

Ganhos de Aprendizagem

Demonstramos que o robô não curioso apresenta os maiores ganhos de aprendizagem, significativamente maiores do que o tablet curioso. Isso sugere que os ganhos de aprendizagem são maiores com um robô físico. Além disso, os resultados de aprendizagem de um encontro tão curto sugerem ganhos a longo prazo, mas um estudo longitudinal é necessário para avaliar os resultados de aprendizagem de intervenções curiosas versus não curiosas e virtuais versus física.

A tendência nos ganhos de aprendizagem, ou seja, tablet não curioso com os maiores ganhos, seguido pelo robô curioso e tablet curioso com os menores, é invertida para o aumento na medida de Exploração Livre. Isso levanta a possibilidade de que os dois aspectos interajam. Em outras palavras, pode ser o caso de que, durante uma única interação curta, não se possa alcançar tanto os ganhos de aprendizagem quanto o aumento da curiosidade, conforme medido pela tarefa de Exploração Livre. Um estudo longitudinal, com encontros repetidos, pode iluminar a interação entre o aumento da curiosidade e os ganhos de aprendizagem.

Benefícios Adicionais da Interação

Perguntamos aos pais: “Você acha que seu filho aprendeu algo com essa interação?” Embora originalmente projetado para verificar se os pais notavam que seus filhos aprendiam novas palavras, as respostas dos pais foram diversas e perspicazes. Alguns pais apontaram que seus filhos aprenderam “habilidades de escuta” ou “aprenderam a esperar”. Acreditamos que isso foi parcialmente devido ao fato de que o aplicativo do tablet foi desativado enquanto o robô estava falando. Isso levanta a questão de se um robô social pode ser usado para ensinar e avaliar as habilidades de escuta de uma criança.

Um dos pais destacou que seu filho aprendeu “como ajudar outra criança a aprender”. Da mesma forma, outro pai disse que seu filho aprendeu “a ter paciência, a trabalhar no ritmo de outra criatura”. Nossa apresentação do robô como um colega mais jovem que quer ajuda para aprender a ler foi percebida pelo pai e pela criança como uma oportunidade para praticar e fomentar a empatia e a responsabilidade sobre outro agente social menos capaz. Isso levanta a questão de se um robô social pode ser projetado e programado para melhorar a empatia e a consideração das crianças e se isso é transferível para outras crianças ou adultos.

Conclusões e Trabalhos Futuros

Estudamos os efeitos que o comportamento guiado pela curiosidade de um robô social autônomo tem sobre a curiosidade de uma criança. O comportamento do robô exibiu vários aspectos de curiosidade, e a criança foi avaliada em diferentes aspectos. Demonstramos que um robô totalmente autônomo pode ser modelado como um par que impacta os comportamentos de curiosidade em crianças. Além disso, mostramos que apenas os aspectos de curiosidade que manipulamos aumentaram nas crianças.

Esses resultados sugerem que manipular sutis expressões e falas de interação social pode impactar a curiosidade das crianças. Sugerimos que outros estudos de HRI (Interação Humano-Robô) educacionais incorporem essas descobertas e, assim, possam obter uma influência positiva adicional no aprendizado das crianças.

Em trabalhos futuros, pretendemos estudar mais a fundo a especificidade e a generalização de nossos resultados, ou seja, se podemos manipular cada aspecto da curiosidade independentemente e se esses aspectos se transferem para outras atividades, têm efeitos duradouros e podem mudar o mindset da criança. Incluir um conjunto mais diverso de medidas de curiosidade e comportamentos de curiosidade baseados em modelos do robô permitirá o desenvolvimento de um arcabouço teórico para a manipulação da curiosidade das crianças, bem como um companheiro curioso, personalizado e mais social para as crianças.

Referências

[1] M. P. Arnone, R. V. Small, S. A. Chauncey e H. P. McKenna. Curiosidade, interesse e engajamento em ambientes de aprendizagem permeados pela tecnologia: uma nova agenda de pesquisa. *Educational Technology Research and Development*, 59(2):181–198, 2011.

[2] W. A. Bainbridge, J. W. Hart, E. S. Kim e B. Scassellati. Os benefícios das interações com robôs fisicamente presentes em comparação com agentes exibidos em vídeo. *International Journal of Social Robotics*, 3(1):41–52, 2011.

[3] L. S. Blackwell, K. H. Trzesniewski e C. S. Dweck. Teorias implícitas de inteligência preveem o desempenho ao longo de uma transição na adolescência: um estudo longitudinal e uma intervenção. *Child Development*, 78(1):246–263, 2007.

[4] C. Dweck. *Mindset: A nova psicologia do sucesso*. Random House LLC, 2006.

[5] R. C. Endsley e S. A. Clarey. Responder às perguntas de crianças pequenas como um determinante de seu comportamento subsequente de fazer perguntas. *Developmental Psychology*, 11(6):863, 1975.

[6] S. Engel. A necessidade das crianças de saber: curiosidade nas escolas. *Harvard Educational Review*, 81(4):625–645, 2011.

[7] S. Engel. O caso pela curiosidade. *Educational Leadership*, 70(5):36–40, 2013.

[8] A. Gatt e E. Reiter. Simplenlg: Um motor de realização para aplicações práticas. Em *Proc. of the 12th European Workshop on Natural Language Generation*, páginas 90–93. Association for Computational Linguistics, 2009.

[9] K. Haimovitz, S. V. Wormington e J. H. Corpus. Mentalidades perigosas: Como crenças sobre inteligência preveem mudanças motivacionais. *Learning and Individual Differences*, 21(6):747–752, 2011.

[10] P. L. Harris. *Confiando no que lhe é dito: Como as crianças aprendem com os outros*. Harvard University Press, 2012.

[11] B. Henderson e S. G. Moore. Respostas de crianças a objetos diferentes em novidade em relação ao nível de curiosidade e comportamento adulto. *Child Development*, páginas 457–465, 1980.

[12] B. B. Henderson. Pais e exploração: O efeito do contexto sobre as diferenças individuais no comportamento exploratório. *Child Development*, páginas 1237–1245, 1984.

[13] J. Jirout e D. Klahr. A curiosidade científica das crianças: Em busca de uma definição operacional de um conceito elusivo. *Developmental Review*, 32(2):125–160, 2012.

[14] T. B. Kashdan e M. Yuen. Se estudantes altamente curiosos prosperam academicamente depende das percepções sobre o ambiente de aprendizagem escolar: Um estudo com adolescentes de Hong Kong. *Motivation and Emotion*, 31(4):260–270, 2007.

[15] R. Langevin. A curiosidade é um construto unitário? *Canadian Journal of Psychology/Revue canadienne de psychologie*, 25(4):360, 1971.

[16] D. Leyzberg, S. Spaulding, M. Toneva e B. Scassellati. A presença física de um tutor robô aumenta os ganhos cognitivos de aprendizagem. Em *Proc. of the 34th Annual Conf. of the Cognitive Science Society*. Austin, TX, 2012.

[17] A. N. Meltzoff, P. K. Kuhl, J. Movellan e T. J. Sejnowski. Fundações para uma nova ciência da aprendizagem. *Science*, 325(5938):284–288, 2009.

[18] J. Movellan, M. Eckhardt, M. Virnes e A. Rodriguez. Robô sociável

melhora habilidades de vocabulário de crianças pequenas. Em *Proc. of the 4th ACM/IEEE Int. Conf. on Human Robot Interaction*, páginas 307–308, 2009.

[19] L. Schulz. As origens da investigação: inferência indutiva e exploração na primeira infância. *Trends in Cognitive Sciences*, 16(7):382–389, 2012.

[20] A. Setapen. Criando Personagens Robóticos para Interação de Longo Prazo. Tese, 2012.

[21] F. Tanaka e S. Matsuzoe. Crianças ensinam um robô que recebe cuidados para promover seu aprendizado: experimentos de campo em uma sala de aula para aprendizado de vocabulário. *Journal of Human-Robot Interaction*, 1(1), 2012.

[22] J. Torgesen, R. Wagner e C. Rashotte. Teste de eficiência na leitura de palavras (TOWRE). Austin, Texas: Pro-Ed, 1999.

[23] F. Wardle. Voltando ao básico da brincadeira infantil. *Child Care Information Exchange*, 57:27–30, 1987.

 

 

Autores: Goren Gordon, Cynthia Breazeal, Susan Engel
Fonte: Digital Library
Artigo Original: https://bit.ly/3wfAGzm

Fernando Giannini

Pesquisador de tecnologia aplicada à educação, arquiteto de objetos virtuais de aprendizagem, fissurado em livros de grandes educadores e viciado em games de todos os tipos. Conhecimentos aprimorados em cursos de grandes empresas de tecnologia, principalmente no Google Business Educational Center e Microsoft. Sócio-proprietário da Streamer, empresa que alia tecnologia e educação. Experiência de 18 anos produzindo e criando objetos de aprendizagem, cursos a distância, design educacional, interfaces para sistemas de aprendizagem. Gestor de equipe para projetos educacionais, no Ensino Básico, Médio e Ensino Superior. Nesse período de trabalho gerenciou equipes e desenvolveu as habilidades de liderança e gestão. Acredita na integração e aplicação prática dos conhecimentos para a realização de projetos inovadores, sólidos e sustentáveis a longo prazo. Um dos grandes sonhos realizados foi o lançamento do curso gratuito Mande Bem no ENEM que atingiu mais de 500 mil estudantes em todo o Brasil contribuindo para a Educação Brasileira.

Participe da nossa comunidade no Whatsapp sobre Educação e Tecnologia

0 comentários

Enviar um comentário

O seu endereço de e-mail não será publicado. Campos obrigatórios são marcados com *

Posts Relacionados

Competências essenciais na era digital

A proliferação da IA em muitos aspectos da vida humana - desde o lazer pessoal até o trabalho profissional, passando pelas decisões políticas globais - impõe uma questão complexa sobre como preparar as pessoas para um mundo interconectado e em rápida mudança, que está...

Educação digital para prevenir abusos sexuais online

Depois de participar de uma aula incrível com a professora Beatriz Lorencini e o Felipe, fui tirado da bolha onde costumo estar a maior parte do meu tempo se não o tempo todo. Quando percebi eu estava em choque por "não saber ou escolher não saber" que existem...

Cinco passos para utilizar o ChatGPT na sala de aula

Como professor, é quase certo que você já tenha utilizado inteligência artificial (IA), mesmo que uma vez ou diariamente em seus trabalhos acadêmicos sem saber ou se importar como ela funciona. Um exemplo disso é a filtragem de spam de e-mail e o verificador...

43 exemplos de inteligência artificial aplicados na educação

O potencial do uso da inteligência artificial na educação para aprimorar o aprendizado, auxiliar os professores e estimular um aprendizado individualizado mais eficaz é empolgante, mas também um pouco assustador. Para se ter uma conversa inteligente sobre IA na...

10 práticas para utilizar IA em sala de aula

Nos primeiros dias de dezembro de 2022, tarde da noite, sob o manto da escuridão, digitei avidamente "ChatGPT" em minha barra de pesquisa do Google. Entrei no mundo da IA com nervosismo e entusiasmo, como quando entrava em uma loja de doces quando criança e era...

Quatro maneiras de inspirar a curiosidade em seus estudantes

A humildade e a curiosidade podem incentivar os alunos a serem apaixonados pela aprendizagem e abertos às perspectivas e opiniões dos outros, vamos conhecer as quatro maneiras de inspirar a curiosidade em seus estudantes. Um estudo de 2018, os pesquisadores...

Tag Cloud

Posts Relacionados

[dgbm_blog_module posts_number=”4″ related_posts=”on” show_categories=”off” show_pagination=”off” item_in_desktop=”2″ equal_height=”on” image_size=”mid” author_background_color=”#ffffff” disabled_on=”off|off|on” module_class=”PostRelacionado” _builder_version=”4.16″ _module_preset=”default” title_font=”Montserrat||||||||” title_text_color=”#737373″ title_font_size=”19px” title_line_height=”25px” meta_text_color=”#666″ meta_font_size=”13px” content_font_size=”13px” content_line_height=”30px” author_text_color=”#666666″ custom_css_content_container=”display:flex;||flex-wrap:wrap;” custom_css_image-container=”padding-top:70%;||overflow:hidden;” custom_css_image=”position:absolute;||top:0;||left:0;||bottom:0;||right:0;||object-fit: cover;||height:100%;||width:100%;” custom_css_title=”padding:20px;||margin-top:0;||order:2;” custom_css_content=”padding:0 20px 20px;||order:3;” custom_css_post-meta-middle=”order:1;||padding:20px;||border-bottom:1px solid #dcdcdc;||border-top:1px solid #dcdcdc;” border_width_all_post_item=”0px” border_width_all_content=”0px” box_shadow_style_container=”preset1″ box_shadow_blur_container=”5px” box_shadow_spread_container=”1px” box_shadow_color_container=”rgba(0,0,0,0.1)” global_colors_info=”{}”][/dgbm_blog_module]

Receba a nossa newsletter

Fique por dentro e seja avisado dos novos conteúdos.

Publicações mais recentes