An analytics approach to investigate teacher turnover
Resumo
Certos problemas educacionais embutem complexidades espaciais e temporais e a agregação desses dados pode causar perda informacional. Um exemplo é a rotatividade docente, que impacta a aprendizagem dos alunos. Neste trabalho, adotamos uma metodologia transversal, usando técnicas de análise visual para identificar padrões complexos nos dados das movimentações dos docentes entre escolas públicas. Utilizamos dados do censo educacional do governo brasileiro, que mapeiam onde os professores estão lotados anualmente. Além disso, buscamos compreender quais os principais fatores que influenciam essa decisão. Usamos indicadores sintéticos desenvolvidos pelo INEP para identificar diferentes clusters de motivação que podem influenciar a decisão dos professores. Como resultado, identificamos diferentes padrões geográficos variando de acordo com seu tipo de contrato. Os clusters também identificaram como principais fatores: desempenho e clima escolar e complexidade da gestão.
Palavras-chave:
teacher turnover, learning analytics, census data, open data
Referências
Allensworth, E.; Ponisciak, S. M.; Mazzeo, C. (2009). The schools teachers leave: teacher mobility in Chicago public schools. Research Report. Consortium on Chicago School Research at the University of Chicago Urban Education Institute.
Alves, M. T. G.; Soares, J. F.; Xavier, F. P. (2014). Índice socioeconômico das escolas de educação básica brasileiras. Ensaio: Avaliação e Políticas Públicas em Educação, 22, p. 671– 703.
Alves, M. T. G; Soares, J. F. (2013). Contexto escolar e indicadores educacionais: condições desiguais para a efetivação de uma política de avaliação educacional. Educação e Pesquisa, 39(1), p. 177–194.
Berry, B.; Hirsch, E. (2005). Recruiting and retaining teachers for hard-to-staff schools, from: https://files.eric.ed.gov/fulltext/ED489221.pdf.
Carvalho, J. C. (2019). Rotatividade dos professores na educação básica brasileira: caracterização, fatores associados e impactos sobre os resultados dos estudantes (2007-2016). PhD Dissertation, Federal University of Paraná, Brazil, 203 p.
Clotfelter C. T.; Ladd, H. F.; Vigdor, J. L (2010). Teacher mobility, school segregation and pay-based policies to level the playing field. Washington, DC: National Center for Analysis of Longitudinal Data in Education Research, 2010. (Working Paper, 44). Available at: https://caldercenter.org/sites/default/files/CALDERWorkPaper_44.pdf.
Dent, B. D. (1999). Cartography: Thematic Map Design. New York: McGraw-Hill. ISBN 0-697-38495-0.
Fisher, B. D. (2005). Visual Representations and Interaction Technologies. In: J Thomas and K Cook (Eds), Illuminating the Path: A Research and Development Agenda for Visual Analytics, p. 69-104, IEEE Press.
Fischer, C.; Pardos; Z. A; Baker, R. S.; Williams, J. J.; Smyth, P; Yu, R.; Slater, S.; Baker, R.; Warschauer, M. (2020). Mining Big Data in Education: Affordances and Challenges. Review of Research in Education, 44(1), p. 130–160.
Gobbi, B. C.; Lacruz, A. J.; Américo, B. L.; Filho, H. Z. (2020). Uma boa gestão melhora o desempenho da escola, mas o que sabemos acerca do efeito da complexidade da gestão nessa relação? Ensaio: Avaliação e Políticas Públicas em Educação, 28 (106), p.198-220. https://doi.org/10.1590/s0104-40362019002701786.
Hanushek, E. A.; Rivkin, S. G.; Schiman, J. C. (2016). Dynamic Effects of Teacher Turnover on The Quality Of Instruction. National Bureau of Economic Research, Working paper 22472. Disponível em: https://www.nber.org/papers/w22472.
INEP. (2015). Indicador de regularidade do docente da Educação Básica, from: [link].
Kohonen, T. (2001). Self-organizing maps. Springer Science & Business Media, 2001 - 501 p.
Moriconi, G. M. (2012). Medindo a eficácia dos professores: o uso de modelos de valor agregado para estimar o efeito do professor sobre o desempenho dos alunos. PhD Dissertation Fundação Getúlio Vargas, Brazil, 2012. http://hdl.handle.net/10438/9620.
Neto, J. J. S.; Jesus, G. R.; Karino, C. A.; Andrade, D. F. (2013). Uma escala para medir a infraestrutura escolar. Estudos em Avaliação Educacional, São Paulo, v. 24, n. 54, p. 78-99.
Oliveira, A. C. P.; Waldhlem, A. P. S. (2016). Liderança do diretor, clima escolar e desempenho dos alunos: qual a relação? Ensaio: avaliações de políticas públicas em Educação (24) 93, pp.824-844. https://doi.org/10.1590/S0104-40362016000400003.
Penteado, B. E. (2016). Correlational Analysis Between School Performance and Municipal Indicators in Brazil Supported by Linked Open Data. Proceedings of the 25th International Conference Companion on World Wide Web, p. 507-512. https://doi.org/10.1145/2872518.2890459.
Penteado, B. E.; Isotani, S. (2017). Dados abertos educacionais: que informações temos disponíveis? Anais do VI Congresso Brasileiro de Educação, vol. 4. Bauru, Julho de 2017, ISBN 978-85-5444-002-2, p. 1933-1938. Disponível em: http://www.cbeunesp.com.br/2017/pages/anais_cbe_v01.pdf.
Penteado, B. E.; Bittencourt, I. I.; Isotani, S. (2019). Modelo de referência para dados abertos educacionais em nível macro. Anais do XXX Simpósio Brasileiro de Informática na Educação. p. 1808, nov. 2019. ISSN 2316-6533. Disponível em: http://www.br-ie.org/pub/index.php/sbie/article/view/891.
Teixeira, E. C.; Kassouf, A. L. (2015). Impacto da violência nas escolas paulistas sobre o desempenho acadêmico dos alunos. Economia Aplicada, vol 19 (2). https://doi.org/10.1590/1413-8050/ea124436.
Thomas J. J.; Cook, K. A. (2005). Illuminating the path: the R&D agenda for visual analytics. Department of Homeland Security, USA, from: https://www.hsdl.org/?view&did=485291.
Ronfeldt, M., Loeb, S., & Wyckoff, J. (2013). How Teacher Turnover Harms Student Achievement. American Educational Research Journal, 50(1), 4–36. https://doi.org/10.3102/0002831212463813.
Sorensen, L. C.; Ladd, H. F. (2020). The Hidden Costs of Teacher Turnover. AERA Open. https://doi.org/10.1177/2332858420905812.
Tian, J.; Azarian, M. H; Pecht, M. (2014). Anomaly Detection Using Self-Organizing Maps-Based K-Nearest Neighbor Algorithm. PHM Society European Conference, 2(1). https://doi.org/10.36001/phme.2014.v2i1.1554.
Vieira, C.; Parsons, P; Byrd, V. (2018). Visual learning analytics of educational data: a systematic literature review and research agenda. Computers & Education, 122, p. 119-135. https://doi.org/10.1016/j.compedu.2018.03.018.
Alves, M. T. G.; Soares, J. F.; Xavier, F. P. (2014). Índice socioeconômico das escolas de educação básica brasileiras. Ensaio: Avaliação e Políticas Públicas em Educação, 22, p. 671– 703.
Alves, M. T. G; Soares, J. F. (2013). Contexto escolar e indicadores educacionais: condições desiguais para a efetivação de uma política de avaliação educacional. Educação e Pesquisa, 39(1), p. 177–194.
Berry, B.; Hirsch, E. (2005). Recruiting and retaining teachers for hard-to-staff schools, from: https://files.eric.ed.gov/fulltext/ED489221.pdf.
Carvalho, J. C. (2019). Rotatividade dos professores na educação básica brasileira: caracterização, fatores associados e impactos sobre os resultados dos estudantes (2007-2016). PhD Dissertation, Federal University of Paraná, Brazil, 203 p.
Clotfelter C. T.; Ladd, H. F.; Vigdor, J. L (2010). Teacher mobility, school segregation and pay-based policies to level the playing field. Washington, DC: National Center for Analysis of Longitudinal Data in Education Research, 2010. (Working Paper, 44). Available at: https://caldercenter.org/sites/default/files/CALDERWorkPaper_44.pdf.
Dent, B. D. (1999). Cartography: Thematic Map Design. New York: McGraw-Hill. ISBN 0-697-38495-0.
Fisher, B. D. (2005). Visual Representations and Interaction Technologies. In: J Thomas and K Cook (Eds), Illuminating the Path: A Research and Development Agenda for Visual Analytics, p. 69-104, IEEE Press.
Fischer, C.; Pardos; Z. A; Baker, R. S.; Williams, J. J.; Smyth, P; Yu, R.; Slater, S.; Baker, R.; Warschauer, M. (2020). Mining Big Data in Education: Affordances and Challenges. Review of Research in Education, 44(1), p. 130–160.
Gobbi, B. C.; Lacruz, A. J.; Américo, B. L.; Filho, H. Z. (2020). Uma boa gestão melhora o desempenho da escola, mas o que sabemos acerca do efeito da complexidade da gestão nessa relação? Ensaio: Avaliação e Políticas Públicas em Educação, 28 (106), p.198-220. https://doi.org/10.1590/s0104-40362019002701786.
Hanushek, E. A.; Rivkin, S. G.; Schiman, J. C. (2016). Dynamic Effects of Teacher Turnover on The Quality Of Instruction. National Bureau of Economic Research, Working paper 22472. Disponível em: https://www.nber.org/papers/w22472.
INEP. (2015). Indicador de regularidade do docente da Educação Básica, from: [link].
Kohonen, T. (2001). Self-organizing maps. Springer Science & Business Media, 2001 - 501 p.
Moriconi, G. M. (2012). Medindo a eficácia dos professores: o uso de modelos de valor agregado para estimar o efeito do professor sobre o desempenho dos alunos. PhD Dissertation Fundação Getúlio Vargas, Brazil, 2012. http://hdl.handle.net/10438/9620.
Neto, J. J. S.; Jesus, G. R.; Karino, C. A.; Andrade, D. F. (2013). Uma escala para medir a infraestrutura escolar. Estudos em Avaliação Educacional, São Paulo, v. 24, n. 54, p. 78-99.
Oliveira, A. C. P.; Waldhlem, A. P. S. (2016). Liderança do diretor, clima escolar e desempenho dos alunos: qual a relação? Ensaio: avaliações de políticas públicas em Educação (24) 93, pp.824-844. https://doi.org/10.1590/S0104-40362016000400003.
Penteado, B. E. (2016). Correlational Analysis Between School Performance and Municipal Indicators in Brazil Supported by Linked Open Data. Proceedings of the 25th International Conference Companion on World Wide Web, p. 507-512. https://doi.org/10.1145/2872518.2890459.
Penteado, B. E.; Isotani, S. (2017). Dados abertos educacionais: que informações temos disponíveis? Anais do VI Congresso Brasileiro de Educação, vol. 4. Bauru, Julho de 2017, ISBN 978-85-5444-002-2, p. 1933-1938. Disponível em: http://www.cbeunesp.com.br/2017/pages/anais_cbe_v01.pdf.
Penteado, B. E.; Bittencourt, I. I.; Isotani, S. (2019). Modelo de referência para dados abertos educacionais em nível macro. Anais do XXX Simpósio Brasileiro de Informática na Educação. p. 1808, nov. 2019. ISSN 2316-6533. Disponível em: http://www.br-ie.org/pub/index.php/sbie/article/view/891.
Teixeira, E. C.; Kassouf, A. L. (2015). Impacto da violência nas escolas paulistas sobre o desempenho acadêmico dos alunos. Economia Aplicada, vol 19 (2). https://doi.org/10.1590/1413-8050/ea124436.
Thomas J. J.; Cook, K. A. (2005). Illuminating the path: the R&D agenda for visual analytics. Department of Homeland Security, USA, from: https://www.hsdl.org/?view&did=485291.
Ronfeldt, M., Loeb, S., & Wyckoff, J. (2013). How Teacher Turnover Harms Student Achievement. American Educational Research Journal, 50(1), 4–36. https://doi.org/10.3102/0002831212463813.
Sorensen, L. C.; Ladd, H. F. (2020). The Hidden Costs of Teacher Turnover. AERA Open. https://doi.org/10.1177/2332858420905812.
Tian, J.; Azarian, M. H; Pecht, M. (2014). Anomaly Detection Using Self-Organizing Maps-Based K-Nearest Neighbor Algorithm. PHM Society European Conference, 2(1). https://doi.org/10.36001/phme.2014.v2i1.1554.
Vieira, C.; Parsons, P; Byrd, V. (2018). Visual learning analytics of educational data: a systematic literature review and research agenda. Computers & Education, 122, p. 119-135. https://doi.org/10.1016/j.compedu.2018.03.018.
Publicado
22/11/2021
Como Citar
PENTEADO, Bruno Elias; ISOTANI, Seiji.
An analytics approach to investigate teacher turnover. In: SIMPÓSIO BRASILEIRO DE INFORMÁTICA NA EDUCAÇÃO (SBIE), 32. , 2021, Online.
Anais [...].
Porto Alegre: Sociedade Brasileira de Computação,
2021
.
p. 921-930.
DOI: https://doi.org/10.5753/sbie.2021.218738.
