Usando Mineração de Dados para Identificar Fatores mais Importantes do Enem dos Últimos 22 Anos
Resumo
The national high school exam (Enem) is a test required by most Brazilian universities to select students. In this exam, several characteristics about the candidates are collected. Some of these characteristics do not contribute significantly to the performance prediction, thus representing an excessively large dataset, requiring exponential computational resources to identify them. To solve this problem, this work applies algorithms for the selection and classification of attributes, identifying twenty main characteristics that contribute to the high or low performance of students in this exam, in the last twenty-two years (1998-2019).
Palavras-chave:
Enem, Mineração de Dados Educacionais, Experimentos, Algoritmos de seleção
Referências
Abreu, D., Bittencourt, I., Paiva, R., and Dermeval, D. (2018). Pedagogical recommenda-
tion to improve the quality of writing: A case study in a public school. In 2018 IEEE
18th International Conference on Advanced Learning Technologies (ICALT), pages
75–76. IEEE.
Adeodato, P. J., Santos Filho, M. M., and Rodrigues, R. L. (2014). Predição de desem-
penho de escolas privadas usando o enem como indicador de qualidade escolar. In
Brazilian Symposium on Computers in Education (Simpósio Brasileiro de Informática
na Educação-SBIE), volume 25, page 891.
Albertini, M. K. and Backes, A. R. (2017). Visualization of clusters in an educational
data set based on convex-hull shape preservation algorithm. International Journal of
Pattern Recognition and Artificial Intelligence, 31(02):1750004.
Alves, R. D., Cechinel, C., and Queiroga, E. (2018). Predição do desempenho de ma-
temática e suas tecnologias do enem utilizando técnicas de mineração de dados. In
Anais dos Workshops do Congresso Brasileiro de Informática na Educação, volume 7,
page 469.
Braga, L. C. and Drummond, I. N. (2016). Uma abordagem de mineração descritiva apli-
cada a dados abertos governamentais empregando a ferramenta r. Anais do Computer
on the Beach, pages 051–060.
Costa, J. A. R., Reis, A. L., SOUZA, D. C., CRISTINO, K. G., Aureliano, M. M., Soares,
S. R., Santos, T. E., and SILVA, Y. V. (2017). Técnicas de mineração de dados aplicadas
em dados do enem 2015. In 9 a Jornada Cientı́fica e Tecnológica e 6 o Simpósio da Pós-
Graduação do IFSULDEMINAS.
Gomes, T., Gouveia, R., and Batista, M. (2017). Dados educacionais abertos: associações
em dados dos inscritos do exame nacional do ensino médio. In Anais do Workshop de
Informática na Escola, volume 23, page 895.
Ideas, N. (2019). Desempenho das Instituições Brasileiras no ENEM: uma Abordagem
Usando Mineração de Dados. pages 106–113.
Lima, P. d. S. N., Ambrósio, A. P. L., Ferreira, D. J., and Brancher, J. D. (2019). Análise
de dados do enade e enem: uma revisão sistemática da literatura. Avaliação: Revista
da Avaliação da Educação Superior (Campinas), 24(1):89–107.
Stańczyk, U. and Jain, L. C. (2015). Feature selection for data and pattern recognition.
Springer.
Stearns, B., Rangel, F., Firmino, F., Rangel, F., and Oliveira, J. (2017). Prevendo desem-
penho dos candidatos do enem através de dados socioeconômicos. In Anais do XXXVI
Concurso de Trabalhos de Iniciação Cientı́fica da SBC. SBC.
tion to improve the quality of writing: A case study in a public school. In 2018 IEEE
18th International Conference on Advanced Learning Technologies (ICALT), pages
75–76. IEEE.
Adeodato, P. J., Santos Filho, M. M., and Rodrigues, R. L. (2014). Predição de desem-
penho de escolas privadas usando o enem como indicador de qualidade escolar. In
Brazilian Symposium on Computers in Education (Simpósio Brasileiro de Informática
na Educação-SBIE), volume 25, page 891.
Albertini, M. K. and Backes, A. R. (2017). Visualization of clusters in an educational
data set based on convex-hull shape preservation algorithm. International Journal of
Pattern Recognition and Artificial Intelligence, 31(02):1750004.
Alves, R. D., Cechinel, C., and Queiroga, E. (2018). Predição do desempenho de ma-
temática e suas tecnologias do enem utilizando técnicas de mineração de dados. In
Anais dos Workshops do Congresso Brasileiro de Informática na Educação, volume 7,
page 469.
Braga, L. C. and Drummond, I. N. (2016). Uma abordagem de mineração descritiva apli-
cada a dados abertos governamentais empregando a ferramenta r. Anais do Computer
on the Beach, pages 051–060.
Costa, J. A. R., Reis, A. L., SOUZA, D. C., CRISTINO, K. G., Aureliano, M. M., Soares,
S. R., Santos, T. E., and SILVA, Y. V. (2017). Técnicas de mineração de dados aplicadas
em dados do enem 2015. In 9 a Jornada Cientı́fica e Tecnológica e 6 o Simpósio da Pós-
Graduação do IFSULDEMINAS.
Gomes, T., Gouveia, R., and Batista, M. (2017). Dados educacionais abertos: associações
em dados dos inscritos do exame nacional do ensino médio. In Anais do Workshop de
Informática na Escola, volume 23, page 895.
Ideas, N. (2019). Desempenho das Instituições Brasileiras no ENEM: uma Abordagem
Usando Mineração de Dados. pages 106–113.
Lima, P. d. S. N., Ambrósio, A. P. L., Ferreira, D. J., and Brancher, J. D. (2019). Análise
de dados do enade e enem: uma revisão sistemática da literatura. Avaliação: Revista
da Avaliação da Educação Superior (Campinas), 24(1):89–107.
Stańczyk, U. and Jain, L. C. (2015). Feature selection for data and pattern recognition.
Springer.
Stearns, B., Rangel, F., Firmino, F., Rangel, F., and Oliveira, J. (2017). Prevendo desem-
penho dos candidatos do enem através de dados socioeconômicos. In Anais do XXXVI
Concurso de Trabalhos de Iniciação Cientı́fica da SBC. SBC.
Publicado
24/11/2020
Como Citar
FRANCO, Jacinto José; MIRANDA, Fernanda Luzia de Almeida; STIEGLER, Davi; DANTAS, Felipe Rodrigues; BRANCHER, Jacques Duílio; NOGUEIRA, Tiago do Carmo.
Usando Mineração de Dados para Identificar Fatores mais Importantes do Enem dos Últimos 22 Anos. In: SIMPÓSIO BRASILEIRO DE INFORMÁTICA NA EDUCAÇÃO (SBIE), 31. , 2020, Online.
Anais [...].
Porto Alegre: Sociedade Brasileira de Computação,
2020
.
p. 1112-1121.
DOI: https://doi.org/10.5753/cbie.sbie.2020.1112.
