Abstract
O ecossistema acadêmico, que inclui a sala de aula, instalações físicas, climatização, ruídos e temperatura ambiente, é uma variável que afeta o desempenho escolar de estudantes. A pandemia provocada pelo novo coronavírus Sars-CoV-2, causador da atual pandemia de COVID-19, conjugado com o período de quarentena determinaram que os estudantes universitários no Brasil adotassem a modalidade de aulas online ou remotas, o que os obrigou a se adaptarem às novas tecnologias e condições ambientais diferentes das salas de aula em sua universidade. Dessa forma, esse novo ecossistema, que pode aparentemente apresentar vantagens, pode ser desconfortável e apresentar impactos adversos no desempenho acadêmico dos alunos. O presente estudo, portanto, tem como objetivo principal determinar o impacto que os níveis de temperatura, ruído e iluminação tem no desempenho acadêmico em estudantes universitários durante a pandemia da COVID-19. Para tanto, foi elaborado um questionário, aplicado virtualmente a 310 universitários dos cursos de administração, ciências contábeis e ciências econômicas de universidades públicas brasileiras e construído um modelo de equação estrutural que integra as quatro variáveis por meio de três hipóteses, as quais foram validadas estatisticamente pelo método dos mínimos quadrados parciais. Os resultados indicam que a temperatura, ruído e iluminação têm efeitos diretos significativos na variável dependente analisada (desempenho acadêmico) dos estudantes universitários. Como conclusão, obteve-se que as três variáveis independentes (temperatura, ruído e iluminação) têm impacto na sustentabilidade dos estudantes universitários nos cursos analisados.
Publisher
South Florida Publishing LLC
Subject
Materials Science (miscellaneous)
Reference45 articles.
1. Bellha¨user H, Lo¨sch T, Winter C, Schmitz B. Applying a web-based training to foster self-regulated Learning-Effects of an intervention for large numbers of participants. The Internet and Higher Education. 2016; 31;87–100.
2. BIASUTTI, M. (2017). A comparative analysis of forums and wikis as tools for online collaborative learning. Computers & Education, 111 (2), pp. 158– 171.
3. Boyd AM. Strategies for controlling testlet exposure rates in computerized adaptive testing systems. Unpublished PhD thesis. The University of Texas at Austin; 2003.
4. Broadbent J. Comparing online and blended learner’s self-regulated learning strategies and academic performance. The Internet and Higher Education. 2017; 33;24–32 7. O¨ zyurt O¨ , O¨ zyurt H. Learning style based individualized adaptive e-learning environments: Content analysis of the articles published from 2005 to 2014. Computers in Human Behavior. 2015; 52;349– 358. https://doi.org/10.1016/j.chb.2015.06.020.
5. CABALLERO-HERNANDEZ JA, BALDERAS A, PALOMO-DUARTE M, DELATORRE P, REINOSO AJ, DODERO JM. Teamwork Assessment in Collaborative Projects Through Process Mining Techniques. International Journal Of Engineering Education. 2020; 36;470–482.