DEV Community: Ana Biscalchin

Domine os livros de programação usando o NotebookLM do Google

Ana Biscalchin — Tue, 29 Jul 2025 20:00:00 +0000

Ler livros técnicos é difícil.

Ler livros técnicos grandes, tipo os da O’Reilly Media? Aí exige paciência e fôlego pra mergulhar na leitura imersiva. Uma real dificuldade da atualidade, hábitos como multitarefas e uso excessivo de redes sociais fragmentam nosso foco e inviabilizam o pensamento profundo necessário para a leitura imersiva e prolongada (ECONOMIC TIMES, 2025).

O Google tem uma ferramenta que mudou minha vida de leitora-dev — o NotebookLM

Se você está acompanhando minha série sobre estudar com IA, considere este post um capítulo à parte. O NotebookLM virou meu aliado oficial pra enfrentar conteúdo denso, tipo aqueles calhamaços de 800 páginas que a gente adora começar e nunca terminar.

A metáfora da baleia

Já ouviu aquela metáfora: “Como se come uma baleia? Um pedaço de cada vez.”
Pois é...

Com o NotebookLM, dá pra subir o PDF do livro (ou partes dele) e fazer anotações, perguntas, resumos, links entre ideias… Tudo com a IA ajudando a sintetizar e sugerir conexões.

Como usar o NotebookLM com seus livros técnicos

Aqui vai um mini tutorial prático pra começar:

1. Prepare seu PDF

Nem todo livro permite isso, mas os títulos da O’Reilly geralmente vêm com opção de download via conta paga. Baixe o livro em PDF e separe por capítulos se quiser facilitar.

2. Acesse o NotebookLM

Você precisa de uma conta Google. O site é gratuito e funciona direto do navegador.

3. Crie um novo notebook

Clique em "New Notebook", dê um nome (tipo “Designing Data-Intensive Applications”) e clique em “+ Add source”.

4. Faça upload do PDF

Você pode subir o livro inteiro ou só o capítulo que quer estudar por vez. Dá pra ir adicionando aos poucos. O legal é que a IA reconhece o conteúdo e já cria sugestões de sumário e perguntas pra começar.

5. Comece a perguntar e anotar

Você pode perguntar:

Quais são os principais padrões de consistência apresentados no capítulo 3?
Qual a diferença entre streaming e batch processing?
Crie um resumo das páginas 40 a 60.

Ou simplesmente:

“Me explique apenas o capítulo X.”

O NotebookLM vai responder com base somente no que está no material que você subiu — o que ajuda a manter o foco no conteúdo.

Como isso mudou minha forma de estudar

Antes eu lia, esquecia, sublinhava, desistia. Agora eu interajo.
Já li muito em pdf online e nossa! como é maçante!!! A ponto de usar o Pomodoro e achar que ele parou de funcionar porque os 25 minutos estavam infinitos.
Agora tiro dúvidas em tempo real, resumo, faço linhas do tempo, comparo partes diferentes do livro, anoto insights...

Se você também já comprou livros técnicos e ficou com culpa por não sair do capítulo 2… tenta isso. A IA não lê por você, mas te ajuda a manter a leitura viva.

Curtiu?
E se já testou o NotebookLM, me conta como foi tua experiência 👇

Fontes citadas:
ECONOMIC TIMES. Is your attention span shrinking with every scroll? New study reveals a shocking decline. Here is how to take back control. Disponível em: https://economictimes.indiatimes.com/magazines/panache/is-your-attention-span-shrinking-with-every-scroll-new-study-reveals-a-shocking-decline-here-is-how-to-take-back-control/articleshow/121248355.cms. Acesso em: 28 jul. 2025.

Ferramentas e rotina nos meus estudos com IA

Ana Biscalchin — Tue, 22 Jul 2025 22:48:59 +0000

Para manter constância nos estudos de programação, eu sigo um roteiro simples, mas bem eficiente.

Uso o roadmap.sh como guia principal pra definir os tópicos. O Roadmap é um site que organiza conteúdos de forma visual, dividindo por área (front-end, back-end, DevOps etc.) e por nível de profundidade. Me ajuda a não estudar coisas fora de ordem nem pular etapas importantes só porque algo “parece mais legal”.

Ao invés de cair no ciclo vicioso de vídeos, cursos e tutoriais infinitos, eu adotei um processo que me força a refletir, aplicar e revisar. A IA entrou nessa rotina como uma aliada, mas só funciona de verdade quando eu estudo com ela, não por causa dela.

Aqui vai o meu passo a passo:

1. Escolho um tópico específico

Nada de “estudar JavaScript” como um bloco só. Prefiro ir em partes menores e bem definidas: closures, async/await, event loop, array methods, memoization…

Essa divisão ajuda a manter o foco e facilita medir o progresso.

2. Escrevo o que já sei (ou acho que sei)

Antes de abrir qualquer aba, eu tento explicar o tema com minhas palavras, nem que seja num bloco de notas.

Esse exercício ativa a memória e já deixa claro o que está confuso ou superficial.

3. Lanço a dúvida na IA

Uso prompts personalizados pra explorar o assunto, primeiro o básico e depois faço um milhão de perguntas...

Esse prompt está disponível aqui:
👉 Link para o prompt de aprendizado

Também peço reformulações, analogias ou comparações quando a resposta não faz sentido de cara. Insisto até ficar claro, mas tento não dispersar demais, preciso ter foco no tópico, mesmo que tenha que fazer pequenos desvios para entender coisas que tenham a ver com o tópico.

4. Faço anotações à mão

Reescrevo explicações com minhas palavras, monto esquemas, rabiscos, setas, tabelas comparativas com outras soluções ou técnicas.

É nesse momento que eu realmente começo a entender o conteúdo. A escrita manual me obriga a pensar com mais calma.

5. Coloco em teste o que estudei

Essa é a parte prática, onde valido se o que entendi realmente “entrou”.

Costumo alternar entre:

Pedir um questionário personalizado com a IA
👉Link para o prompt de exercícios
Fazer um exercício na IDE, sem IA.
Só eu e o código, forçando o cérebro a resolver sem muletas.
Pedir indicação de sites pra praticar o tema:
Tipo Frontend Mentor, DevChallenges, LeetCode… Gosto de aplicar o que estudei em cenários diferentes.

Quais IAs usar?

ChatGPT, Claude, Gemini. O que estiver acessível aí pra você.

Dica extra:

Para leituras técnicas em livros de programação eu costumo usar o NotebookLLM do Google. Ele permite upar o documento e restringir a busca nas informações disponíveis, ajuda a traduzir e referencia no texto o trecho de onde ele tirou a informação dada. Coisa linda!

Esse roteiro não é engessado — mas tem me ajudado a estudar com mais profundidade e menos ansiedade.

A IA entra como apoio, não como atalho.
E com ela, eu consigo manter o ritmo mesmo nos dias mais caóticos.

Refatorando React: boas práticas que a IA parece desconhecer

Ana Biscalchin — Thu, 17 Jul 2025 15:19:41 +0000

Nos últimos meses, tenho usado ferramentas de IA para acelerar a escrita de componentes em React. O ganho de produtividade é real, mas um efeito colateral vem me tirando o sono: uma avalanche de Context Providers espalhados pela árvore de componentes, gerando um “Hadouken” de props e wrappers no layout.

O problema

Múltiplos Contexts: Cada feature criada pela IA ganhou seu próprio contexto e as chamadas de providers ficaram bonitas assim:

Layout poluído: Os componentes filhos acabam recebendo excesso de re-renders e chamadas de selectors, tornando o layout lento e difícil de debugar.
Acoplamento alto: Qualquer nova feature IA-gerada exige criar mais Contexts ou modificar providers já existentes, ampliando ainda mais o “Hadouken”.

Por que a IA escolheu Context?

A IA tende a seguir padrões genéricos e bem documentados. Como o Context do React é frequentemente usado para compartilhar estado entre componentes, ele vira o “go-to” da IA sempre que surge uma necessidade de estado global. Mesmo quando um estado local ou um simples hook resolveria melhor, a IA costuma supercompartimentalizar, criando um Provider para cada pequena responsabilidade. Além disso:

A documentação oficial e os tutoriais são cheios de exemplos com Contexts
A IA não conhece a frequência de uso ou o escopo real do dado
Criar múltiplos Providers parece modular, mas gera um acoplamento oculto e dificulta o refactor

Como identificar o que realmente precisa de contexto

Nem todo estado merece um contexto global. Um bom critério é observar quantos lugares diferentes acessam e reagem àquele dado, e com que frequência ele muda.

Um ótimo exemplo de exagero comum é o uso de Context para notificações (toasts). Elas são exibidas em um único lugar da tela, ativadas por eventos, e não precisam ser lidas por múltiplos componentes. Criar um NotificationContext global só aumenta o acoplamento — nesse caso, um useNotification() com estado local ou pub/sub interno resolve bem melhor, sem precisar de Provider.

Já para estados realmente globais, como autenticação (UserAuth), que são acessados por diversos pontos da aplicação e mudam pouco, o Context continua sendo uma boa escolha.

UserAuth (Autenticação): acessado por toda a aplicação — navbar, páginas privadas, carregamento de dados do usuário. Esse sim justifica o uso de Context, pois é global, muda pouco e evita prop drilling.
Notificações (Toasts): normalmente são exibidas em um único lugar na tela. Elas são eventos, não estado compartilhado. Nesse caso, um useNotification() com state interno ou pub/sub resolve melhor — sem precisar de Provider.

Estratégia de refatoração

Hooks customizados
Substituí o acesso direto aos contextos por hooks específicos ( useNotify()), que internamente usam useContext. Isso me deu várias vantagens:

Redução de boilerplate
Centralização da lógica de erro (“Provider não encontrado”)
Facilidade para mockar em testes

Ao encapsular o acesso em hooks, consegui simplificar os componentes e limitar o impacto do contexto ao que realmente precisa dele.

Quando usar Context vs. quando usar Hook customizado

Situação	Use Context diretamente	Use Hook customizado
Compartilhamento global de estado simples	✅ Sim	➖ Opcional
Estados com lógica de acesso e fallback	🔶 Evite	✅ Sim
Testes de unidade e mocks	🔶 Mais difícil	✅ Mais fácil
Reuso de lógica em múltiplos componentes	🔶 Verboso	✅ Simples e direto
Evitar re-renders desnecessários com selectors	🔶 Complexo	✅ Encapsulado no hook

Benefícios alcançados

Árvore de componentes mais limpa: sem excesso de nesting
Menos re-renders: graças aos hooks com lógica encapsulada
Escalabilidade: novos acessos são resolvidos com simples hooks reutilizáveis

Dicas finais para uma refatoração sem dor

Planeje a migração em fases. Não tente trocar tudo de uma vez.
Documente os hooks e exemplos de uso. Facilita a adoção pelo time.
Aproveite para revisar regras de negócio. Hooks compostos são ótimos para encapsular lógica específica.

Como uso IA para aprender programação (sem cair nos atalhos fáceis)

Ana Biscalchin — Tue, 15 Jul 2025 22:18:00 +0000

Entre uma retomada e outra nos estudos, comecei a notar uma coisa: eu rendia muito mais quando conseguia manter o ritmo, mesmo com dúvidas pelo caminho.

A IA começou a entrar como um apoio pra isso. Mas com cuidado para não “terceirizar” o raciocínio.

No artigo anterior, falei sobre como o uso automático da IA pode atrapalhar o processo cognitivo. E sigo achando isso, _ mas como não usar algo tão legal???_

Bem, tive que encontrar o critérios de uso que funcionassem para mim.

Esses critérios foram se formando com o tempo. Abaixo, compartilho alguns dos que mais têm feito diferença na prática.

📌 Eu separo o momento de aprender do momento de fazer

Tentar aprender um conceito novo enquanto resolvo um problema real me deixa mais ansiosa — parece que estou “ficando pra trás” por não saber.Então comecei a separar os blocos: tem hora pra praticar e errar, e tem hora pra parar e realmente entender o que aconteceu.É nessa segunda hora que a IA me ajuda mais: quando já tenho uma dúvida mais específica e posso investigar com calma.

📌 Eu escrevo à mão pra consolidar o entendimento

Escrever me obriga a organizar o raciocínio com mais clareza.Faço resumos curtos, desenho fluxos, traduzo explicações da IA com as minhas palavras.Essa prática não é só mais lenta — ela é mais eficaz justamente por isso: ativa o raciocínio, a memória de longo prazo e a construção de associações cognitivas.

Mueller & Oppenheimer (2014), na Psychological Science, mostraram que anotar à mão envolve processamento semântico mais profundo e melhora a retenção em tarefas conceituais.

Outra publicação reforça: participantes que escreveram informações à mão apresentaram maior ativação do cérebro — indicativo de melhor memorização — do que aqueles que digitavam (VAN DER MEULEN, et Al., 2021).

📌 IA como professor particular

Usando prompts com o formato de resposta esperado, eu jogo o tópico a ser estudado e depois, a IA que sofra com as minhas perguntas. Peço um exemplo parecido, peço pra reescrever a explicação com outro vocabulário, ou peço analogias, exercícios personalizados, revisões.

É um tutor 24/7 que não se cansa de explicar, isso é uma vantagem que eu tiro proveito sem dó!

📌 Combinando modos diferentes de usar IA

Durante o estudo mais conceitual, costumo usar a IA generativa em formato textual. É onde consigo me concentrar nos significados, nos porquês, nas relações entre partes do código ou de um conceito.

Já na hora de praticar, uso agentes de codificação que me ajudam a visualizar estruturas, propor variações e refinar implementações. Esses agentes funcionam como uma espécie de "sparring técnico": respondem, corrigem, sugerem melhorias.

Se você ja pediu ao Copilot te explicar uma feature, vai entender que o poder de leitura contextual dele vai te poupar muitos minutos daqueles momentos de olhar o código e pensar "mas que p... é essa?".

Não substituem o processo de raciocínio, mas ajudam a manter o foco e reduzem a frustração de ficar presa em erros simples enquanto tento entender o todo.

Essa combinação de IA + anotações manuais + prática repetida me ajuda a manter o foco. Ficou mais fácil reunir material de qualidade e iterar sobre ele. Com isso eu disperso menos e consigo chegar mais rapidamente aos objetivos de estudo do momento.

Não estou buscando decorar tudo nem saber a resposta de cara. Quero construir segurança no processo, entender como aprendo melhor, e seguir. Meu objetivo é ter uma base conceitual sólida para me tornar uma resolvedora de problemas.

Mais pra frente em um próximo artigo, quero explorar exatamente isso: o que significa "resolver problemas" na prática da programação, e quais habilidades estão envolvidas nesse processo.

Talvez isso não funcione pra todo mundo, mas tem funcionado pra mim que sou uma pessoa muito visual e sempre adoto a leitura como meu passo inicial de estudos, pra galera do vídeo tutorial o processo poder ser outro, mas espero que se beneficiem dessas dicas.

Se você leu até aqui... fica vai ter prompt!

Eu costumo usar algumas ferramentas que posso mostrar aqui nessa série, mas quero compartilhar o prompt que eu uso para estudar conceitos de forma introdutória. A partir da explicação obtida eu começo o questionamento e vou investigando mais fundo como num diálogo.

👉 Prompt de Mentoria Técnica (PT-BR)

Você pode explorar esse e outros no repositório completo:

📂 ana-prompts no GitHub

Fontes usadas aqui:

MUELLER, P. A.; OPPENHEIMER, D. M. The pen is mightier than the keyboard: advantages of longhand over laptop note taking. Psychological Science, v. 25, n. 6, p. 1159–1168, 2014. Disponível em: https://doi.org/10.1177/0956797614524581. Acesso em: 13 jul. 2025.
VAN DER MEULEN, M. et al. The importance of cursive handwriting over typewriting for learning in the classroom: a high-density EEG study of 12-year-old children and young adults. Frontiers in Psychology, v. 12, 2021. Disponível em: https://www.ncbi.nlm.nih.gov/pmc/articles/PMC8222525/. Acesso em: 13 jul. 2025.

IA, Cognição e o Cérebro Preguiçoso: por que nem sempre vale cortar caminho

Ana Biscalchin — Mon, 23 Jun 2025 23:44:00 +0000

Quero continuar uma conversa sobre aprendizado, cognição e como o uso da IA pode impactar esse processo. No último post eu estava contando sobre como tenho me sentido ao estudar com papel e caneta, e como eu misturo a IA nessa dinâmica.

Tenho visto Miguel Nicolelis se posicionar sobre o tema de forma bastante apocalíptica, o que me despertou curiosidade e um certo incômodo. Ele fala sobre os efeitos irreversíveis que o uso da IA pode ter no nosso cérebro. Pesado, né? Mas o que me chamou atenção foi que ele citou um estudo do MIT que analisou a atividade cerebral de estudantes usando ChatGPT pra escrever redações.

O estudo indica que acontece menos engajamento cerebral, pior retenção de conteúdo e textos menos originais. Mesmo depois de pararem de usar o ChatGPT, os participantes continuaram com níveis baixos de atividade mental.

Além desse estudo do MIT, encontrei também uma revisão publicada na MDPI sobre como o uso frequente de IA está associado à diminuição do pensamento crítico. Ela explica que ao delegarmos tarefas cognitivas para máquinas, corremos o risco de **enfraquecer processos **como análise e memória, o que estao chamando de 'cognitive offloading'.

Outro estudo interessante foi publicado na revista Nature Machine Intelligence. Pesquisadores observaram que grandes modelos de linguagem, como o ChatGPT e o Gemini, exibem padrões de raciocínio surpreendentemente parecidos com os do cérebro humano. Isso levanta a pergunta: estamos replicando cognição ou substituindo o processo com algo mais superficial?

Cérebro preguiçoso?

Esses estudos convergem pra um ponto interessante: o nosso processo de cognição depende de esforço. Aprender exige erro, memória, repetição, reinterpretação. Cortar caminho com uma IA pode até parecer produtivo, mas se isso vira hábito, a gente terceiriza justamente o que mais importa: o pensamento. "Ah, mas economiza a memória..." Pois é. Já vimos isso acontecer com o uso do celular, e você provavelmente esqueceu completamente o número do seu contato de emergência, porque passou a depender de uma tecnologia auxiliar para lembrar por você.

E não estou falando de virar ludita ou abandonar as ferramentas.

Até por que, o profissional que não está usando IA, vai deixar de lado também suas vantagens, que são muitas, mas ficam pra outro artigo. Eu uso IA todos os dias, mas tenho tentado ser mais intencional: ela roteriza o meu estudo, tira dúvidas, me propõe exercícios... enfim, é uma excelente ferramenta de aprendizado. Mas se automatizar as tarefas chatas se tornar maior que isso, ela vai por um caminho que eu não saberei reproduzir.

Porque no fim, o aprendizado real não é sobre encontrar a resposta certa, mas sobre formar conexões no nosso próprio cérebro. Gosto da metáfora de que o cérebro é uma mata fechada: cada nova informação que a gente compreende é como abrir uma trilha ali no meio. No começo é difícil, o mato é alto, a passagem é lenta. Mas à medida que a gente passa por aquele caminho de novo, com prática, com revisões, com associações, a trilha vai ficando mais visível, mais firme, mais fácil de ser percorrida. É assim que o conhecimento se consolida: com passos repetidos que transformam esforço em fluência.

Quero, em outro momento, detalhar melhor quais ferramentas uso no meu processo de estudo e de que forma, mas antes achei importante trazer os porquês dessa escolha mais cuidadosa e menos automática.

Como contraponto, vale mencionar o estudo Calculating Cognitive Augmentation: A Case Study, publicado no arXiv. Nele, pesquisadores demonstraram que participantes que resolveram problemas com o auxílio de IA tiveram um aumento significativo na precisão e eficiência cognitiva. Ou seja, a IA não apenas apoiou, mas ampliou a capacidade de raciocínio e tomada de decisão.

Isso mostra que o impacto da IA na cognição não é unívoco: tudo depende da forma como a usamos. A IA pode tanto atrofiar quanto expandir nossas habilidades. Esse é o equilíbrio entre esforço humano e colaboração com máquinas que talvez seja o grande desafio da nossa geração de aprendizes.

Fontes usadas aqui:

Nicolelis, Miguel. "Os efeitos irreversíveis no cérebro pelo uso da IA". Veja. https://veja.abril.com.br/coluna/veja-gente/os-efeitos-irreversiveis-no-cerebro-pelo-uso-da-ia-por-miguel-nicolelis/
MIT Media Lab. Estudo sobre atividade cerebral e uso de ChatGPT. Resumo via Time Magazine: https://time.com/7295195/ai-chatgpt-google-learning-school/
MDPI. Revisão: "AI Tools in Society and Their Cognitive Impact"
Nature Machine Intelligence. Estudo sobre semelhança entre IA e cognição humana
ArXiv. Calculating Cognitive Augmentation: A Case Study. https://arxiv.org/abs/2209.06677

De volta, de novo

Ana Biscalchin — Fri, 20 Jun 2025 17:02:14 +0000

Esses dias eu resolvi ressuscitar esse espaço.

Faz sentido em época de IA escrever para as pessoas?

Talvez, mas se for uma coisa realmente pessoal e comunicar com as pessoas de forma afetiva, estou cumprindo o que desejo deste espaço.

Em 2021, meu primeiro post foi sobre como estudar programação e se anunciava como uma série de posts que queria escrever sobre o tema. Claro que não teve um segundo! Muito trabalho e muito estudo para o trabalho me envolveram e eu até esqueci da plataforma. Costumo frequentar mais a vizinha, aquela com nome fancy...

Estou de volta e aprender a estudar ainda é uma questão. Eu tenho épocas de estudos que rendem muito, outras nem tanto.

E se o segredo do estudo está na constância, eu sou a derrota!

Faz sentido estudar o que você está praticando no trabalho, mas ter uma rotina de estudos organizados te faz ir mais longe. O estudo sistematizado é uma dureza, exige uma paciência e uma dedicação que nem sempre estão no compasso da produtividade rápida a que estamos acostumados.

Mas a vida com a IA muda o jogo: você pode fazer muito mais com menos tempo e acelerar o aprendizado só vendo ela cuspir código mais bem feito que tudo que você já viu em repositórios diversos. Claro, ela usa os repositórios como fonte, intermináveis repositórios em milésimos de segundo. E você nunca terá essa capacidade. Então trabalha o dia todo naquela coding vibes da AI-assisted coding e, quando para aquela horinha pra estudar, se sente em câmera lenta?

Me peguei nessa angústia esses dias. Óbvio que saber o mínimo de um framework e os motivos de escolher esta ou aquela abordagem vai incrementar seu poder de desenvolver bem. Mas será que realmente aprendo sendo soterrada de soluções mirabolantes para os problemas?

Nesse exato momento, estou refatorando coisas que a IA fez em um projeto que são balas de canhão para matar moscas... Porque descobri que o framework permite, mas eu realmente não preciso dessas soluções.

E há um ano tenho estudado usando algumas ferramentas bem antigas, como papel e caneta. Uso meu IDE com o ajudante desligado pra praticar, como os Maias... Redescobri essa forma de me sentir realmente fixando conteúdo que vai me ajudar a ser melhor programadora. E isso tem explicação, se ficar por aí, logo sai um post sobre cognição e estudos.

Fotinho do meu semestre de 2025 revisando fundamentos no papel:

Os 4 pilares da programação orientada a objetos (POO)

Ana Biscalchin — Fri, 20 Jun 2025 16:23:08 +0000

Se você está “perdidim” sobre por onde começar a estudar Programação Orientada a Objeto, o famoso POO (ou OOP – Object-Oriented Programming), vem comigo:

Antes de paradigmas de programação…
Paradigma significa exemplo geral, conjunto de formas ou modelo de algo, um padrão. Então, paradigmas de programação seriam como um modelo, padrão ou estilo. Linguagens seguem determinados paradigmas — modelos que mostram como a linguagem funciona e também como ela soluciona problemas.

Antes do paradigma de POO, só pra entender o quanto ele é diferente, vamos olhar para o paradigma procedural, que usa o conceito de procedimentos:

Você define funções (procedimentos) com seus argumentos (variáveis).
Essas funções recebem valores, processam operações e retornam resultados.
O foco está nas instruções, na sequência de passos a seguir.

A partir daí, surgem os quatro pilares da POO:

Encapsulamento
É como se cada “coisa” (objeto) tivesse sua caixinha fechada. Dentro dela ficam dados (atributos) e funções (métodos) que manipulam esses dados. Você só expõe o que precisa pelo “buraquinho” (interface), protegendo o resto de quem quiser fuçar direto. Assim, evita bagunça e mantém o controle.

Abstração
A ideia é pegar só o essencial e esconder o resto dos detalhes complexos. Tipo dirigir um carro sem precisar entender o motor por trás. Na POO, você cria classes que modelam conceitos do mundo real focando no que importa e deixa a implementação por baixo dos panos.

Herança
Pensa numa árvore genealógica: uma classe “Filha” herda características e comportamentos de uma classe “Pai”. Você aproveita código pronto e só adiciona ou modifica o que for específico. Isso evita duplicação e deixa o código mais organizado.

Polimorfismo
Significa “muitas formas”. Um mesmo método pode se comportar de jeitos diferentes dependendo do objeto que o chama. Exemplo: fazerSom() em um objeto Cachorro late, em um objeto Gato mia. Você invoca o mesmo método, mas o resultado varia conforme a classe.

E aí, clareou? 🚀

Como estudar para programar?

Ana Biscalchin — Mon, 14 Mar 2022 21:49:11 +0000

A resposta mais conhecida é "programando". Bem, essa nunca me deixou satisfeita. Se você se sente assim, vamos conversar sobre aprender a programar.

Se você já passou pela fase do vestibular, já deve ter tido contato com as diversas formas de aprendizado. Se rapidamente se identificou com uma delas, visual, auditiva ou cinestésica, então, sorte sua!

Não consegui ficar satisfeita com esse tipo de redução. Aprender algo para mim sempre foi um processo de múltiplas fontes e formas, mesmo praticando posso não estar completamente atenta ao que estou executando, acabo divagando por outros temas ao praticar. Por exemplo, ao efetuar uma conta e me pego pensando em como o enunciado me levaria a outra conclusão se tivesse sido escrito de outra forma. E por aí vai minha mente.

Bem, nessa minha busca, sou mais propensa a pensar estratégias de aprendizado amplas e sempre abertas para testar práticas, sei um pouco o que melhor funciona para o meu desenvolvimento e nem sempre passa por copiar código e ficar mudando coisas para ver novas saídas de dados.

Criar significado

Aprender para algumas pessoas passa por decorar e aplicar. Na minha trajetória, digo que sei algo quando consigo explicar o sentido de algo. Entender como cheguei alí e que significado tem determinada solução dentro do código, framework ou arquitetura.

Isso faz com que a tarefa seja cumprida em uma meta muito clara, aprendi quando entendi o que é e significa. O nível mais profundo ou mais raso de entendimento vai da necessidade gerada pelo contexto. Talvez nesse momento não me interesse saber exatamente como a lib trabalha por baixo dos panos, mas como ela se aplica à minha solução basta, às vezes, a lib terá que ser sabatinada, vamos aderir ao uso dela? Por que optar por ela?

Planejamento

Estudar o que aparece e sem roteiro nunca me agradou, apesar de importante sempre tentar conectar algo novo com que esteja em contato com aquilo que conhece, assim, fortalecer os laços cognitivos entre temas. A prática de a cada momento esbarrar em conceitos novos como acontece na programação gera uma angústia de nadar em um oceano de coisas por estudar e não conseguir mergulhar com profundidade em nenhuma delas.
Na minha mente prefiro sempre o estudo sistematizado.Gosto de marcos, pontos de parada em que me sinto progredindo em meus estudos e processos de revisitar conhecimentos para melhor fixá-los.

Aplicação ou aplicabilidade?

Finalmente chegamos na mão no código? Nem sempre. Entender a aplicabilidade de algo tem a ver com o completo entendimento do propósito. Legal saber fazer pesquisas complexas num banco de dados, mas aquele banco de dados aceita mesmo essa sintaxe ou você está aprendendo isso só por curiosidade?
Bacana quando alguém me diz que aprendeu React, mas se eu pedir uma página de site, saberia me dizer se cabe ou não usar essa biblioteca? Se cabe, por quê?

Agora, se estamos falando de aplicação, então sim, mão no teclado que o código não se escreve sozinho, ainda.

Compreender e dominar sintaxe, elementos e interação com o sistema de uma determinada solução escolhida demanda prática. Mas novamente, prática sem propósito, sem contexto e conexão com o problema, é mais diversão de quem programa que estudo.

Bem, esse foi o texto inicial de uma série que pretendo escrever como registro de alguns estudos que tenho feito para me tornar melhor no que faço. Ficaria muito feliz de receber suas opiniões e contribuições nessa conversa sobre aprender. Até a próxima!