Mineração de Dados Educacionais: um estudo da evasão no ensino médio com base nos indicadores do Censo Escolar
DOI:
https://doi.org/10.22456/1982-1654.87880Palavras-chave:
Mineração de Dados, Evasão, Descoberta de Conhecimento em Base de DadosResumo
O emprego de técnicas de Mineração de Dados proporciona obter conhecimentos úteis com o intuito de melhorar a proposta educacional. Com o uso dos indicadores educacionais disponibilizados pelo INEP e utilizando a metodologia CRISP-DM, foram aplicadas as técnicas de correlação e regressão linear a fim de analisar as variáveis que se relacionam com a evasão escolar. Como resultados, foi possível verificar que a taxa de distorção idade-série apresentou a maior correlação positiva, sendo r=0,59. Em seguida, foi obtido o modelo preditivo no qual o resultado da Raiz do Erro Médio Quadrático foi de 5.06. Contudo, pode-se verificar que a Mineração de Dados Educacionais pode ser aplicada para exploração dos dados e gerar conhecimento de modo a servir como auxílio para soluções de problemas e suporte a mecanismos em apoio ao ensino.Downloads
Referências
BAKER, R. S. J.; ISOTANI, S.; CARVALHO, A. M. J. B. Mineração de Dados Educacionais: Oportunidades para o Brasil. Revista Brasileira de Informática na Educação, v. 19, n. 2, 2011.
BITTENCOURT, I. M.; MERCADO, L. P. Evasão nos cursos na modalidade de educação a distância: estudo de caso do Curso Piloto de Administração da UFAL/UAB. Ensaio: Avaliação e Políticas Públicas em Educação, v. 22, n. 83, Rio de Janeiro, apr-jun, 2014.
BRITO D. M. et al. Identificação de estudantes do primeiro semestre com risco de evasão através de técnicas de Data Mining. Nuevas Ideas en Informática Educativa, p. 459 – 463, 2015.
CALIXTO, K. E. A.; SEGUNDO, C. V. N.; GUSMÃO, R. P. Mineração de dados aplicado a educação: um estudo comparativo acerca das características que influenciam a evasão escolar. In VI Congresso Brasileiro de Informática na Educação, p. 1447 - 1456. Recife, PE, 2017.
CHAPMAN, P. et al. CRISP-DM 1.0: step-by-step. (2000). Disponível em https://www.the-modeling-agency.com/crisp-dm.pdf. Acesso em 18 out. 2018.
COLPANI, R. Educação a Distância: Identificação dos Fatores que contribuíram para a Evasão dos Alunos no Curso de Gestão Empresarial da Faculdade de Tecnologia de Mococa. EAD EM FOCO, [S.l.], v. 8, n. 1, ago. 2018. ISSN 2177-8310. Disponível em: <http://eademfoco.cecierj.edu.br/index.php/Revista/article/view/688>. Acesso em: 14 out. 2018. doi:https://doi.org/10.18264/eadf.v8i1.688.
GOLDSHMIDT, R.; PASSOS, E.; BEZERRA, E. Data Mining: conceitos, técnicas, algoritmos, orientações e aplicações. Rio de Janeiro: Elsevier, 2015.
INEP. Evasão no ensino médio supera 12%, revela pesquisa inédita. 2017a. Disponível em http://portal.mec.gov.br/ultimas-noticias/211-218175739/50411-evasao-no-ensino-medio-supera-12-revela-pesquisa-inedita. Acesso em 14 out. 2018.
INEP. Inep divulga dados inéditos sobre fluxo escolar na educação básica. 2017b. Disponível em http://portal.inep.gov.br/artigo/-/asset_publisher/B4AQV9zFY7Bv/content/inep-divulga-dados-ineditos-sobre-fluxo-escolar-na-educacao-basica/21206. Acesso em 14 out. 2018.
INEP. Indicadores Educacionais. Disponível em http://portal.inep.gov.br/web/guest/indicadores-educacionais. Acesso em 20 out. 2018.
INEP. Indicadores Educacionais do Censo Escolar 2017 estão disponíveis para consulta. 2017d. Disponível em http://portal.inep.gov.br/artigo/-/asset_publisher/B4AQV9zFY7Bv/content/indicadores-educacionais-do-censo-escolar-2017-estao-disponiveis-para-consulta/21206. Acesso em 20 out. 2018.
JÚNIOR, J. G. O.; NORONHA, R. V.; KAESTNER, C. A. A. Análise de Correlação de Evasão de Cursos de Graduação com o Empréstimo de Livros em Biblioteca. In 3° Congresso Brasileiro de Informática na Educação, 2014.
JÚNIOR, J. G. O.; NORONHA, R. V.; KAESTNER, C. A. A. Método de Seleção de Atributos Aplicados na Previsão da Evasão de Cursos de Graduação. Revista de Informática Aplicada, v. 13, n. 2, p. 54 – 67, 2017.
LARSON, F.; FARBER, B. Estatística aplicada. 4ed. São Paulo: Pearson Prentice Hall, 2010.
LOBO, M. B. de C. M. Panorama da evasão no ensino superior brasileiro: aspectos gerais das causas e soluções. ABMES Cadernos, n. 25, 2012.
MACHADO, R. D. et al. (2015). Estudo bibliométrico em mineração de dados e evasão escolar. In XI Congresso Nacional de Excelência em Gestão. Disponível em http://www.inovarse.org/node/4003. Acesso em 14 out. 2018.
MAIA, M. C.; MEIRELLES, F. S.; PELA, S. K. (2004). Análise dos índices de evasão nos cursos superiores a distância do Brasil. Disponível em http://www.abed.org.br. Acesso em 14 out. 2018.
MANHÃES, L. M. B.; CRUZ, S. M. S.; COSTA, R. J. M.; ZAVALETA, J.; ZIMBRÃO, G. Previsão de Estudantes com Risco de Evasão Utilizando Técnicas de Mineração de Dados. In XVII Simpósio Brasileiro de Informática na Educação, 2011.
NASCIMENTO, R. L. S.; JÚNIOR, G. G. C.; FAGUNDES, R. A. A. Mineração de Dados Educacionais: Um Estudo Sobre Indicadores da Educação em Bases de Dados do INEP. Novas Tecnologias na Educação, v. 16, n. 1, 2018.
PAZ, F. J.; CAZELLA, S. C. Identificando o perfil de evasão de alunos de graduação através da Mineração de Dados Educacionais: um estudo de caso de uma Universidade Comunitária. In VI Congresso Brasileiro de Informática na Educação, 2017.
REZENDE, S. Mineração de Dados. In XXV Congresso da Sociedade Brasileira de Computação. Minicurso, Universidade do Vale do Rio dos Sinos – Unisinos, São Leopoldo, Julho de 2005.
RIGO, S. J. et al. Aplicações de Mineração de Dados Educacionais e Learning Analytics com foco na evasão escolar: oportunidades e desafios. Revista Brasileira de Informática na Educação, v. 22, n.1, 2014.
RODRIGUES, R. L. et al. A literatura brasileira sobre mineração de dados educacionais. In 3° Congresso Brasileiro de Informática na Educação. 2014.
ROMERO, C.; VENTURA, S. Data mining in education. Wiley Interdisciplinary Reviews: Data Mining and Knowledge Discovery, v. 3, n.1, p. 12-27, 2013.
SILVIA, J. L. D.; NUNES, I. D. Mineração de Dados Educacionais como apoio para a classificação de alunos do Ensino Médio. In Anais do XXVI Simpósio Brasileiro de Informática na Educação, p. 1112 – 1121, 2015.
WITTEN, I. H.; FRANK, E. Data mining: practical machine learning tools and techniques with java implementations. San Francisco: Morgan Kaufmann, p. 369, 2000.
Downloads
Publicado
Como Citar
Edição
Seção
Licença
Os direitos autorais para artigos publicados nesta revista são do autor, com direitos de primeira publicação para a revista. Em virtude de aparecerem nesta revista de acesso público, os artigos são de uso gratuito, com atribuições próprias, em aplicações educacionais e não-comerciais. Os textos podem ser compartilhados desde que respeitados os direitos autorais sob a licença Creative Commons Não comercial-CompartilhaIgual 4.0.Aceito 2018-12-05
Publicado 2018-12-31
