Mineração de Dados Educacionais: Um Modelo de Predição do Perfil do Aluno para Melhoria do IDEB
Resumo
Este trabalho tem como objetivo explorar técnicas de seleção de atributos e algoritmos preditivos, visandodesenvolver um modelo de um preditor paraidentificar quais fatores impactampositivamente no IDEB(Índice de Desenvolvimento da Educação Básica)das escolas públicas brasileiras. Trata-se de uma pesquisa de cunho quantitativa e exploratória. Do ponto de vista dos procedimentos técnicos, trata-se de um estudo de caso, analisando-se dados educacionais das escolas públicas municipais de Teotônio Vilela (Alagoas), conduzindo um estudo experimental, produzindo relevantes resultados na tarefa de identificação de atributos relevantes para apoiar os gestores educacionais.Este estudo comprovou que a aplicação para predição do resultado do IDEB funciona e conseguimos identificar alguns perfis de alunos que podem contribuir no melhor resultado do IDEB.
Palavras-chave:
Seleção de atributos, algoritmos preditivos, Índice de Desenvolvimento da Educação Básica, IDEB
Referências
BEZERRA, C.; SCHOLZ, R.; ADEODATO, P.; PONTES, T.; SILVA, I. Evasão Escolar: Aplicando Mineração de Dados para Identificar Variáveis Relevantes. V Congresso Brasileiro de Informática na Educação (CBIE 2016). Anais do XXVII Simpósio Brasileiro de Informática na Educação (SBIE 2016). 2016.
CALIXTO, K. E. A.; SEGUNDO, C.V. N.; RENÊ, P. G.. Mineração de dados aplicada a educação: um estudo comparativo acerca das características que influenciam a evasão escolar. VI CBIE, SBIE,2017.
CHAPMAN, P. et al. CRISP-DM 1.0step-by-step data mine guide. CRISP-DM Consortium.2000
FONSECA, S. O.; NAMEN, A. A. Mineração em bases de dados do Inep: uma análise exploratória para nortear melhorias no sistema educacional brasileiro.Educação em Revista, 2016, 32.1: 133-157.
FREITAS JÚNIOR, O. G.; RODRIGUES, W. R. M.; BARBIRATO, J. C. C.; COSTA, E. B. Melhoria da gestão escolar através do uso de técnicas de mineração de dados educacionais: um estudo de caso em escolas municipais de Maceió.RENOTE-Revista Novas Tecnologias na Educação,17(1), 296-305, 2019.
INEP. Ideb. 2019. Acesso em: 31 Janeiro 2019. Disponível em: http://portal.inep.gov.br/ideb.
JUNKER, Brian W. Modeling hierarchy and dependence among task responses in educational data mining. Handbook of Educational Data Mining, p. 143-155, 2011.LIMA, R. A. F. et al. Estratégias de seleção de atributos para detecção de anomalias em transações eletrônicas. Dissertação (Dissertação em Ciência da Computação), Universidade Federal de Minas Gerais, p. 25.
2016.
MÁRQUEZ-VERA, C.; Morales, C. R.; Soto, S. V. Predicting School Failure and Dropout by Using Data Mining Techniques.IEEE Journal of LatinAmerican Learning Technologies, Vol. 8, no. 1, February, 2013.
MAYAPÉREZ, P. N.; AGUILAR, C. J. R; ZAMORA, R. R. A.; BARRON, A. J. M. Diseño de un Modelo predictivo aplicando Minería de Datos para identificar causas de Deserción Estudiantil UniversitariaPredictive Model Design applying Data Mining to identify causes of Dropout in University Students. Technology & Society, vol. 7 (2018). 11-39. 2018.
PAIVA, R.; BITTENCOURT, I. I.; PACHECO, H.; DA SILVA, A. P.; JACQUES, P.; ISOTANI, S. Mineração de dados e a gestão inteligente da aprendizagem: desafios e direcionamentos. Instituto de Computação –Universidade Federal de Alagoas (UFAL), Alagoas –AL, 2012.
CALIXTO, K. E. A.; SEGUNDO, C.V. N.; RENÊ, P. G.. Mineração de dados aplicada a educação: um estudo comparativo acerca das características que influenciam a evasão escolar. VI CBIE, SBIE,2017.
CHAPMAN, P. et al. CRISP-DM 1.0step-by-step data mine guide. CRISP-DM Consortium.2000
FONSECA, S. O.; NAMEN, A. A. Mineração em bases de dados do Inep: uma análise exploratória para nortear melhorias no sistema educacional brasileiro.Educação em Revista, 2016, 32.1: 133-157.
FREITAS JÚNIOR, O. G.; RODRIGUES, W. R. M.; BARBIRATO, J. C. C.; COSTA, E. B. Melhoria da gestão escolar através do uso de técnicas de mineração de dados educacionais: um estudo de caso em escolas municipais de Maceió.RENOTE-Revista Novas Tecnologias na Educação,17(1), 296-305, 2019.
INEP. Ideb. 2019. Acesso em: 31 Janeiro 2019. Disponível em: http://portal.inep.gov.br/ideb.
JUNKER, Brian W. Modeling hierarchy and dependence among task responses in educational data mining. Handbook of Educational Data Mining, p. 143-155, 2011.LIMA, R. A. F. et al. Estratégias de seleção de atributos para detecção de anomalias em transações eletrônicas. Dissertação (Dissertação em Ciência da Computação), Universidade Federal de Minas Gerais, p. 25.
2016.
MÁRQUEZ-VERA, C.; Morales, C. R.; Soto, S. V. Predicting School Failure and Dropout by Using Data Mining Techniques.IEEE Journal of LatinAmerican Learning Technologies, Vol. 8, no. 1, February, 2013.
MAYAPÉREZ, P. N.; AGUILAR, C. J. R; ZAMORA, R. R. A.; BARRON, A. J. M. Diseño de un Modelo predictivo aplicando Minería de Datos para identificar causas de Deserción Estudiantil UniversitariaPredictive Model Design applying Data Mining to identify causes of Dropout in University Students. Technology & Society, vol. 7 (2018). 11-39. 2018.
PAIVA, R.; BITTENCOURT, I. I.; PACHECO, H.; DA SILVA, A. P.; JACQUES, P.; ISOTANI, S. Mineração de dados e a gestão inteligente da aprendizagem: desafios e direcionamentos. Instituto de Computação –Universidade Federal de Alagoas (UFAL), Alagoas –AL, 2012.
Publicado
24/11/2020
Como Citar
PINTO, Glevson da Silva; FREITAS JÚNIOR, Olival de Gusmão; COSTA, Evandro de Barros.
Mineração de Dados Educacionais: Um Modelo de Predição do Perfil do Aluno para Melhoria do IDEB. In: SIMPÓSIO BRASILEIRO DE INFORMÁTICA NA EDUCAÇÃO (SBIE), 31. , 2020, Online.
Anais [...].
Porto Alegre: Sociedade Brasileira de Computação,
2020
.
p. 1172-1182.
DOI: https://doi.org/10.5753/cbie.sbie.2020.1172.
