Mineração de dados educacionais: integração de bancos de dados e análise de desempenho dos estudantes da UFSM
Resumo
Este trabalho investiga o impacto de variáveis docentes e institucionais nas taxas de aprovação em disciplinas iniciais de matemática na UFSM, com dados históricos (2021–2023). A integração de registros internos e dados públicos permitiu aplicar técnicas de mineração, usando k-means para identificar agrupamentos entre turmas. A avaliação dos clusters via ARI e NMI evidenciou que a variabilidade nas avaliações docentes é o principal fator associado às discrepâncias nas taxas de aprovação. Estruturando dados de diferentes fontes, mostramos informações importantes que abrem margem para estudos de políticas educacionais e pedagógicas.Referências
Fayyad, U., Piatetsky-Shapiro, G., and Smyth, P. (1996). From data mining to knowledge discovery in databases. AI Magazine, 17(3):37–54.
Hubert, L. and Arabie, P. (1985). Comparing partitions. Journal of Classification, 2(1):193–218.
INEP (2023). Resumo Técnico do Censo da Educação Superior.
Koedinger, K. R., Kim, J., Jia, J., McLaughlin, E., and Bier, N. (2015). Learning is not a spectator sport: Doing is better than watching for learning from a mooc. Proceedings of the Second ACM Conference on Learning @ Scale, pages 111–120.
Romero, C. and Ventura, S. (2020). Educational data mining and learning analytics: An updated survey. Wiley Interdisciplinary Reviews: Data Mining and Knowledge Discovery, 10(3):e1355.
Souza, M. A. d., Machado, P. A. d. S., Santos, L. C. G. d. S., Lima, T. H. d., Rodrigues, J. M., and Diniz, H. A. G. (2025). A influência da qualificação docente no desempenho acadêmico em cursos de engenharia de produção: análise comparativa regional no brasil. Revista de Gestão e Secretariado, 16(1):e4466.
Strehl, A. and Ghosh, J. (2002). Cluster ensembles — a knowledge reuse framework for combining multiple partitions. Journal of Machine Learning Research, 3:583–617.
Hubert, L. and Arabie, P. (1985). Comparing partitions. Journal of Classification, 2(1):193–218.
INEP (2023). Resumo Técnico do Censo da Educação Superior.
Koedinger, K. R., Kim, J., Jia, J., McLaughlin, E., and Bier, N. (2015). Learning is not a spectator sport: Doing is better than watching for learning from a mooc. Proceedings of the Second ACM Conference on Learning @ Scale, pages 111–120.
Romero, C. and Ventura, S. (2020). Educational data mining and learning analytics: An updated survey. Wiley Interdisciplinary Reviews: Data Mining and Knowledge Discovery, 10(3):e1355.
Souza, M. A. d., Machado, P. A. d. S., Santos, L. C. G. d. S., Lima, T. H. d., Rodrigues, J. M., and Diniz, H. A. G. (2025). A influência da qualificação docente no desempenho acadêmico em cursos de engenharia de produção: análise comparativa regional no brasil. Revista de Gestão e Secretariado, 16(1):e4466.
Strehl, A. and Ghosh, J. (2002). Cluster ensembles — a knowledge reuse framework for combining multiple partitions. Journal of Machine Learning Research, 3:583–617.
Publicado
23/04/2025
Como Citar
TOZEVICH, Luís Gustavo Werle; DANIEL FILHO, Jaime Antonio; EINLOFT, Guilherme Meneghetti; OLIVEIRA, Tobias Viero de; OLIVEIRA, Jefferson Menezes de; ASSUNÇÃO, Joaquim Vinicius Carvalho.
Mineração de dados educacionais: integração de bancos de dados e análise de desempenho dos estudantes da UFSM. In: ESCOLA REGIONAL DE BANCO DE DADOS (ERBD), 20. , 2025, Florianópolis/SC.
Anais [...].
Porto Alegre: Sociedade Brasileira de Computação,
2025
.
p. 173-176.
ISSN 2595-413X.
DOI: https://doi.org/10.5753/erbd.2025.6848.
