Da pergunta da sua tese à evidência que você consegue defender.
64 apps educacionais interativos de Estatística, Psicometria, Epidemiologia, Medicina Baseada em Evidências, Análise de Sobrevivência, Meta-Análises e Learning Analytics.
Cada app segue o mesmo roteiro: teoria em pequenas doses, demonstrações interativas, autotestes sem nota e pontes com a sua tese. Códigos para realizar suas análises e templates para escrever seus resultados em quase todas as abas finais.
Observação importante: será necessário logar no Claude.ai (pode ser no plano Free)
64 marcas, uma por app. Elas ganham cor conforme você marca os apps como concluídos; o progresso fica salvo neste navegador.
Escolha a pergunta mais parecida com a sua. Cada trilha é uma ordem sugerida; cada app funciona sozinho.
Ou percorra as quatro séries na ordem, mais abaixo.
O mesmo roteiro se repete em todos os apps, em abas na mesma ordem. Depois do primeiro, você já sabe onde está.
O ponto de partida: que tipo de dado você tem e qual teste combina com ele.
Resumir e visualizar os dados antes de qualquer teste: médias, medianas, dispersão e gráficos.
Da amostra à população: incerteza, intervalo de confiança, valor-p e tamanho de efeito.
Há associação entre duas variáveis categóricas? Tabelas de contingência, resíduos e medidas de associação.
Comparar médias de um ou dois grupos, incluindo medidas pareadas (antes e depois).
A ideia que unifica testes t, ANOVA e regressão: um só modelo, várias perguntas.
Explicar ou prever um desfecho numérico a partir de uma ou mais variáveis.
Comparar três ou mais grupos, momentos ou combinações de fatores, com ou sem covariáveis.
Quando o desfecho não é normal: contagens, proporções e taxas no mesmo arcabouço.
Desfechos do tipo sim/não: razão de chances, ajuste por confundidores e desempenho do modelo.
Desfechos com categorias ordenadas (leve, moderado, grave) ou sem ordem natural.
Medidas repetidas ou agrupadas com desfechos não normais, respeitando a correlação entre elas.
Vários desfechos numéricos ao mesmo tempo, comparados entre grupos.
Alternativas quando as suposições falham ou os dados são ordinais: Mann-Whitney, Wilcoxon, Kruskal-Wallis e Friedman.
Combinar conhecimento prévio com os dados: probabilidades diretas sobre hipóteses e parâmetros.
Quantos participantes? Poder, tamanho de efeito e precisão, decididos antes de coletar.
Do construto ao item: elaborar, traduzir e adaptar culturalmente um questionário.
As cinco fontes de evidência de validade e como reunir cada uma na sua tese.
Transformar escores brutos em normas e definir pontos de corte defensáveis.
Quanto dois avaliadores ou dois métodos concordam: kappa, correlação intraclasse e Bland-Altman.
Dificuldade, discriminação e fidedignidade: do escore total às curvas de cada item.
Separar as fontes de erro (avaliadores, estações, ocasiões) e planejar quantas de cada você precisa.
Ajustar a severidade dos avaliadores em exames práticos e outras avaliações com juízes.
Quantas dimensões o instrumento mede? Explorar a estrutura e depois confirmá-la.
Testar relações entre variáveis latentes: mediação, caminhos e ajuste do modelo.
Quais habilidades específicas cada estudante domina, item por item.
Testes que escolhem o próximo item conforme as respostas: mais precisão com menos itens.
O instrumento detecta mudança? A menor mudança que é real e a menor que importa para a pessoa.
Encontrar subgrupos ocultos de pessoas a partir dos padrões de resposta.
Itens como uma rede: centralidade, comunidades e uma alternativa à análise fatorial.
Quando há mais de um traço, ou mais de uma população, respondendo ao mesmo teste.
Verificar se os itens formam uma escala ordenada sem impor uma curva paramétrica.
O instrumento funciona igual para grupos diferentes? Verifique antes de comparar médias.
Estruturas hierárquicas e o que cada coeficiente ômega diz sobre o escore total e as subescalas.
Itens em que a pessoa ordena ou escolhe entre opções: como pontuar sem distorcer.
Detectar e corrigir estilos de resposta que contaminam o escore.
Mudança ao longo do tempo e quem influencia quem entre duas variáveis.
Colocar versões diferentes de um teste na mesma escala para comparar resultados.
Quando estudantes estão em turmas e turmas em escolas: fidedignidade e estrutura em cada nível.
Quantos respondentes para análise fatorial, TRI ou equações estruturais? Regras, simulações e justificativas.
Medidas de frequência e associação, desenhos de estudo e vieses: a base para ler e planejar estudos.
Formular a pergunta, avaliar criticamente a evidência e aplicá-la à decisão.
Combinar resultados de vários estudos: heterogeneidade, modelos de efeito e gráfico de floresta.
Tempo até o evento: Kaplan-Meier, teste de log-rank e regressão de Cox.
Qual método responde à sua pergunta? Comece por aqui.
Transformar registros brutos da plataforma em variáveis que se pode analisar.
Prever risco e desempenho com validação honesta, sem superajuste.
Agrupar estudantes por padrões de engajamento e interpretar os perfis.
Como os conceitos se conectam no discurso dos estudantes: análise de redes epistêmicas e ordenadas.
Interações que mudam com o tempo: quem fala com quem, e quando.
Ordem e duração de estados ao longo do curso: mineração e comparação de sequências.
Um roteiro para dados longitudinais: das variáveis aos estados, às sequências e às trajetórias.
Probabilidades de passar de um estado a outro, vistas como uma rede.
A estrutura das interações em fóruns e grupos: centralidade, coesão e papéis.
Descobrir o fluxo real de atividades a partir de logs de eventos.
Combinar várias fontes de dados e inferir estados latentes ao longo do tempo com modelos ocultos de Markov.
Descobrir temas em textos de estudantes e relacioná-los a covariáveis.
Usar grandes modelos de linguagem para codificar textos qualitativos, com verificação de confiabilidade.
Estimar o domínio de cada habilidade ao longo das tentativas.
Diagnóstico de habilidades com modelos neurais, comparado aos modelos clássicos.
Abrir a caixa-preta: por que o modelo previu isso para este estudante?
Projetar painéis que informam sem induzir a erro e feedback que gera ação.
A intervenção funcionou? Desenhos quase-experimentais e inferência causal.
Os limites: consentimento, viés algorítmico e responsabilidade no uso de dados.
Aprender é como respirar. Ninguém aprende estatística lendo doze páginas de teoria de uma vez, assim como ninguém respira uma vez por dia. Por isso cada app alterna, em ciclos curtos, uma dose de teoria, uma demonstração para manipular e um autoteste sem nota, o Respire. Os ciclos se apoiam em três achados sólidos da ciência da aprendizagem:
Alguns conceitos reaparecem em vários apps de propósito: reencontrar uma ideia em contexto novo, semanas depois, é prática espaçada e intercalada. Os itens dos autotestes seguem diretrizes consolidadas de redação de itens (Haladyna, Downing e Rodriguez, 2002): alternativas com comprimento e forma parecidos, para que a resposta certa não se entregue pelo formato. Os motores estatísticos foram conferidos contra implementações de referência em R ou Python, e cada app declara as próprias simplificações.
Concepção pedagógica e curadoria científica: Professor Carlos Fernando Collares, MD, MSc, PhD. Criado a partir de uma ideia da Professora Ana Tereza Bittencourt Guimarães. Ambiente desenvolvido com apoio do Claude Fable 5.1 (Anthropic). Como todo material produzido com auxílio de inteligência artificial, pode conter incorreções involuntárias; em caso de dúvida, consulte as referências indicadas em cada app e o docente responsável.
As marcações de "Concluído" ficam salvas só neste navegador, sem cadastro e sem nota.