Definição do Pensamento Computacional

Beleza, aqui agora temos um desafio interessante: compreender o que é o pensamento computacional e como ele pode ser utilizado para construir sistemas computacionais.

“Mas Murilo, não parece bastante óbvio que o pensamento computacional é para construir sistemas computacionais? Por sinal, o que é cada um e suas diferenças?”

Ótima pergunta! Vamos construir essas definições de forma que vocês possam não só entender o conceito, mas aplicá-lo para melhorar o desempenho em disciplinas de programação, algoritmos e engenharia de software.

1. O que é Pensamento Computacional?

Pensamento computacional é uma forma de raciocinar sobre problemas de modo que a solução possa ser descrita de forma clara, passo a passo, e — quando for o caso — executada por um agente (humano ou máquina). Não é “pensar como um computador”; é organizar o pensamento para que problemas complexos se tornem tratáveis e comunicáveis.

A expressão “pensamento computacional” ganhou destaque em 2006, quando Jeannette Wing, então diretora do Departamento de Ciência da Computação da Carnegie Mellon University, publicou o artigo “Computational Thinking” na revista Communications of the ACM. Wing defendeu que o raciocínio baseado em conceitos da computação — como decomposição, abstração e algoritmos — deveria ser visto como uma competência fundamental, útil não só para programadores, mas para qualquer pessoa que precise formular e resolver problemas de forma sistemática. As ideias por trás desse tipo de raciocínio, porém, vêm de antes: estão ligadas ao trabalho de Seymour Papert (décadas de 1960–80) com a linguagem LOGO e o constructionismo, que já enfatizava aprender a pensar por meio da construção de soluções e do uso de conceitos computacionais. De forma mais ampla, a noção de descrever soluções como sequências de passos bem definidos remonta aos fundamentos da computação, em especial aos trabalhos de Alan Turing e à noção de algoritmo. Assim, o “pensamento computacional” não é uma invenção isolada: é a nomeação e a divulgação de um conjunto de formas de raciocínio que a ciência da computação consolidou ao longo do século XX e que hoje se difundem na educação e em outras áreas.

Podemos olhar para esse conceito, pensamento em escrever código, como: antes de escrever código, vocês conseguem decompor o problema, reconhecer padrões, abstrair o que importa e especificar os passos da solução. O código passa a ser uma consequência desse raciocínio, e não o ponto de partida.

2. Os pilares do pensamento computacional

O fundamento do pensamento computacional costuma ser descrito em quatro pilares. Dominar cada um deles ajuda diretamente no desempenho em disciplinas de algoritmos e programação.

2.1 Decomposição

Decomposição é quebrar um problema grande em subproblemas menores e mais simples.

Por que importa: um problema único e difícil vira vários problemas menores que vocês já sabem (ou podem aprender) a resolver.
Na prática: ao receber um enunciado, a primeira pergunta é: “Em que partes menores eu consigo dividir isso?”

Como melhorar: sempre que pegar um exercício, escreva em tópicos as “subtarefas” antes de abrir o editor. Treine fazer isso até virar hábito.

2.2 Reconhecimento de padrões

Reconhecimento de padrões é identificar semelhanças entre o problema atual e outros que vocês já viram ou resolveram.

Por que importa: evita reinventar a roda; vocês reutilizam ideias (estruturas de dados, fluxos, laços) que já funcionaram.
Na prática: perguntem-se “Isso não se parece com uma busca? Com um ordenação? Com preencher uma tabela?”

Como melhorar: depois de resolver um exercício, anotem em uma frase “que tipo de problema era esse” (ex.: “busca em lista”, “contagem com condição”). Com o tempo, vocês passam a reconhecer esses padrões nos novos enunciados.

2.3 Abstração

Abstração é focar apenas no que é relevante para a solução e ignorar detalhes que atrapalham.

Por que importa: reduz a carga mental; vocês trabalham com “objetos” e “operações” em vez de cada detalhe de implementação ao mesmo tempo.
Na prática: definir o que um módulo ou função deve fazer (entrada, saída, comportamento) antes de decidir como fazer nos mínimos detalhes.

Como melhorar: ao desenhar uma solução, definam primeiro as “caixas pretas”: nome da função, o que ela recebe, o que ela devolve e uma linha descrevendo o papel dela. Só depois preencham o “como”.

2.4 Algoritmos e especificação dos passos

Algoritmo é uma sequência bem definida de passos que, seguida, leva à solução do problema.

Por que importa: é a ponte entre o raciocínio e a implementação; um algoritmo claro vira código com menos erros e mais legível.
Na prática: descrever em português ou pseudocódigo os passos (incluindo condições e repetições) antes de codar.

Como melhorar: para cada exercício, escrevam 5–10 linhas em português ou pseudocódigo descrevendo o fluxo. Só depois traduzam para a linguagem de programação.

2.5 Pensamento computacional x sistema computacional

Pensamento computacional: é o raciocínio — decompor, reconhecer padrões, abstrair e definir passos. Não depende de máquina.
Sistema computacional: é o artefato (programa, aplicação, serviço) que implementa uma solução, em geral em uma máquina.

O pensamento computacional é a base para projetar e comunicar a solução; o sistema computacional é o resultado de implementar essa solução (em código, por exemplo). Quanto melhor o primeiro, mais fácil e estável fica o segundo.

Para melhorar o desempenho na resolução de problemas que dependem desse tipo de raciocínio, vale focar em:

Sempre decompor antes de codar — listar subtarefas no papel ou no editor antes de escrever qualquer função.
Nomear o tipo de problema — após cada exercício, classificar (busca, ordenação, contagem, etc.) para criar repertório de padrões.
Abstrair por interfaces — definir “o que” cada parte faz (entrada/saída/comportamento) antes do “como”.
Pseudocódigo antes do código — escrever os passos em linguagem natural ou pseudocódigo e só depois traduzir para a linguagem da disciplina.
Revisar com os quatro pilares — depois de resolver um problema, revisar: onde estava a decomposição? O padrão? A abstração? O algoritmo?

Legal, agora temos bem definido o que é o Pensamento Computacional e como ele pode ser aplicado. Mas será que conseguimos pegar esses pontos para aplicar em alguns problemas?

3. Exemplos de Aplicação do Pensamento Computacional

Exemplo 1: Organizar a lista de tarefas do dia

Situação: você tem várias tarefas (estudo, trabalho, compromissos) e pouco tempo. Quer decidir o que fazer e em que ordem.

Pensamento computacional em uso:

Decomposição: separar em: (1) listar todas as tarefas, (2) estimar tempo e prazo de cada uma, (3) definir prioridade (urgente/importante), (4) montar uma ordem de execução.
Reconhecimento de padrões: perceber que “tarefas com prazo hoje” e “tarefas que dependem de outras” são padrões que já aparecem em outros problemas (como filas ou ordenação por critério).
Abstração: ignorar o conteúdo específico de cada tarefa e trabalhar só com: nome, tempo, prazo e prioridade — como “dados” que entram em uma regra.
Algoritmo: definir uma regra clara, por exemplo: “ordenar por prazo (mais próximo primeiro); em empate, por prioridade; em novo empate, por tempo menor.” Aplicar a regra sempre do mesmo jeito gera uma “ordem do dia” reproduzível.

Uso: você não precisa de computador; o mesmo raciocínio serve para um app de tarefas (que só automatiza esses passos).

Exemplo 2: Entender por que o elevador “demora” no prédio

Situação: no prédio da faculdade, o elevador parece demorar demais. Você quer explicar o que está acontecendo e, se possível, pensar em como melhorar.

Pensamento computacional em uso:

Decomposição: dividir o problema em: (1) como o elevador decide para onde ir quando está parado?, (2) como decide se sobe ou desce ao atender um chamado?, (3) quantas pessoas sobem/descem em cada andar em horário de pico? Com isso o problema vira “estratégia de decisão” + “fluxo de pessoas”.
Reconhecimento de padrões: perceber que é um problema de fila de atendimento e priorização: chamados são “requisições” e o elevador é um “recurso” que precisa atender em alguma ordem (primeiro que chamou? andar mais próximo? direção atual?).
Abstração: deixar de lado detalhes do prédio (cor do elevador, número exato de andares) e focar no modelo: “estados” (elevador parado/subindo/descendo), “eventos” (botão pressionado, chegada em andar), “regra de decisão” (próximo andar a visitar).
Algoritmo: descrever a política em passos, por exemplo: “Se está parado, vá ao chamado mais próximo. Se está subindo, atenda só chamados acima até o último; depois inverta e desça atendendo os de baixo.” Isso é um algoritmo (tipo “elevador SCAN”); outras políticas geram outros comportamentos e outros tempos de espera.

Uso: o mesmo raciocínio serve para criticar o sistema atual (“qual algoritmo esse elevador usa?”), para propor melhorias ou para implementar uma simulação em programa (lista de chamados, loop de tempo, regras de decisão).