Factors that influence the learning of students from the Pernambuco Olympics in Mathematics

• Flávio Leandro Morais Universidade de Pernambuco http://orcid.org/0000-0001-9218-2523
• Mirele Moutinho Universidade de Pernambuco
• Filipe Soares University of Pernambuco
• Roberta Andrade de Araújo Fagundes Universidade de Pernambuco
• Wylliams Barbosa Santos University of Pernambuco https://orcid.org/0000-0003-2578-1248

DOI: https://doi.org/10.5753/cbie.sbie.2020.152

Abstract

Data from the latest International Student Assessment Program show 68,1% of students have the worst level of proficiency in mathematics. The article investigates the importance of Pernambuco Olympics in Mathematics (OPEMAT) and its impact on teaching and learning mathematics in the state of Pernambuco, identifying the factors that influence students in school and social life. A case study was conducted using interviews for data collection and educational data mining for analysis and evaluation. The results show that factors, such as study time for OPEMAT and family incentives, positively influence performance.

Keywords: OPEMAT, Olympics in mathematics, educational data mining, neural networks, regressions

References

Chapman, P., Clinton, J., Kerber, R., Khabaza, T., Reinartz, T., Shearer, C., Wirth, R., (2000). Crisp-dm 1.0: Step-by-step data mining guide. SPSSinc, 9:13


da Silva Pinto, G., Júnior, O. F., Costa, E., Barbirato, J. C. C., and Rodrigues, W. R. M.(2019). Identificação dos fatores de melhorias no ideb pelo uso de mineração de dados: Um estudo de caso em escolas municipais de maceió. In Brazilian Symposium On Computers in Education (Simpósio Brasileiro de Informática na Educação-SBIE),volume 30, page 1828.


Dos Santos, A. J., Batista, A. V., and Melo, F. S. (2018). A importância da olimpíada municipal de matemática nas escolas públicas de itabaianinha-se. Encontro Internacional de Formação de Professores e Fórum Permanente de Inovação Educacional, 11(1).


Ferreira, A., Ferreira, R. P., da Silva, A. M., Ferreira, A., and Sassi, R. J. (2016). Um estudo sobre previsão da demanda de encomendas utilizando uma rede neural artificial. Blucher Marine Engineering Proceedings, 2(1):353-364.


Matt, M. (2015). A Step by Step Backpropagation Example. Disponível em: Acesso em: 16 jul 2020.


Montgomery, D. C., Peck, E. A., and Vining, G. G. (2012). Introduction to linear regression analysis, volume 821. John Wiley & Sons.


Nascimento, R. and Júnior, G. C. (2018). Estudo sobre docentes do ensino básico através de indicadores educacionais e modelos de regressão. In Anais dos Workshops do Congresso Brasileiro de Informática na Educação, volume 7, page 379.


Nascimento, R. L. S., das Neves Junior, R. B., de Almeida Neto, M. A., and de Araújo Fagundes, R. A., (2018). Educational data mining:An application of regressors in predicting school dropout. In International Conference on Machine Learning and Data Mining in Pattern Recognition, pages 246–257. Springer.


OBMEP. Disponível em: Acesso em: 09/09/2019.


OPEMAT. Disponível em Acesso em : 09/09/2019.


Runeson, P., & Höst, M. (2009). Guidelines for conducting and reporting case study research in software engineering. Empirical Software Engineering, 14(2), 131–164.


Silva, P., do Nascimento, R. L. S., Lima, M., Fagundes, R., and de Souza, F. d. F. (2019). Modelos de regressão aplicados a predição do desempenho escolar de estudantes do ensino fundamental. In Brazilian Symposium on Computers in Education (Simpósio Brasileiro de Informática na Educação-SBIE), volume 30, page 1621.


Strandberg, P. E. (2019). Ethical interviews in software engineering. ACM/IEEE International Symposium on Empirical Software Engineering and Measurement (ESEM), Porto de Galinhas, Recife, Brazil, 2019, pp. 1-11.


Vitorino, M., Silva, H., Sampaio, L., and Gheyi, R. (2018). Perfil dos premiados em olimpíadas de informática e sua influência sobre a educação em computação. In Brazilian Symposium on Computers in Education (Simpósio Brasileiro de Informática na Educação-SBIE), volume 29, page 228.