Avaliação de classificadores para relacionar características escolares a indicadores educacionais

• Doglas W. Sorgatto Universidade Federal de Mato Grosso do Sul
• Bruno M. Nogueira Universidade Federal de Mato Grosso do Sul
• Edson N. Cáceres Universidade Federal de Mato Grosso do Sul
• Henrique Mongelli Universidade Federal de Mato Grosso do Sul

DOI: https://doi.org/10.5753/sbie.2021.218427

Resumo

No Brasil existem muitos dados educacionais sobre a Educação Básica, entre estes dados destacam-se os que compõem o Censo Escolar e os indicadores educacionais. Neste trabalho, propõe-se uma avaliação de nove algoritmos de classificação que procuraram relacionar as características das escolas de Mato Grosso do Sul com indicadores educacionais - IDEB, ENEM e taxa de aprovação -, utilizando técnicas de aprendizado de máquina. Os resultados foram analisados quanto à acurácia e indicaram existir relação entre as características das escolas e os indicadores educacionais analisados.

Palavras-chave: Mineração de Dados Educacionais, Aprendizado de Máquina, Indicadores Educacionais, Educação Básica

Referências

Baker, R., Isotani, S., and Carvalho, A. (2011). Mineração de dados educacionais: Oportunidades para o brasil. Revista Brasileira de Informática na Educação, 19(02):03–13.

Bauer, A., Alavarse, O. M., and Oliveira, R. P. d. (2015a). Avaliações em larga escala: uma sistematização do debate. Educação e Pesquisa, 41(SPE):1367–1384.

Bauer, A., Pimenta, C. O., Horta Neto, J. L., and Sousa, S. Z. L. (2015b). Avaliação em larga escala em municípios brasileiros: o que dizem os números? Estudos em Avaliação Educacional, 26(62):326–352.

Borges, V. A. (2017). Definição de um modelo de referência de dados educacionais para a descoberta de conhecimento. PhD thesis, USP - ICMC, São Carlos - SP.

Borges, V. A., Nogueira, B. M., and Barbosa, E. F. (2016). A multidimensional data model for the analysis of learning management systems under different perspectives. In Frontiers in Education Conference (FIE), pages 1–8, Erie, PA, USA. IEEE.

Brasil (1996). Lei nº 9.394, de 20 de dezembro de 1996. estabelece as diretrizes e bases da educação nacional. Diário Oficial [da] República Federativa do Brasil.

Brasil (2013). Diretrizes Curriculares Nacionais da Educação Básica. MEC, SEB, DICEI, Brasília, DF.

Brasil (2018). Base Nacional Comum Curricular. MEC, SEB, CNE, Brasília, DF.

Brasil (2020). Política e plano de dados abertos do INEP (Biênio 2020-2021). MEC, INEP, Brasília, DF.

Campbell, J. P., DeBlois, P. B., and Oblinger, D. G. (2007). Academic analytics: A new tool for a new era. EDUCAUSE review, 42(4):40.

Horta Neto, J. L. (2007). Um olhar retrospectivo sobre a avaliação externa no Brasil: das primeiras medições em educação até o SAEB de 2005. Revista Iberoamericana de Educación, 42(5):3.

Horta Neto, J. L. (2018). Avaliação educacional no brasil para além dos testes cognitivos. Revista de Educação PUC-Campinas, 23(1):37–53.

INEP (2020a). Censo escolar. Diponível em: http://portal.inep.gov.br/censo-escolar. Acessado em mar 2020.

INEP (2020b). ENEM - exame nacional do ensino médio. Disponível em: http://portal.inep.gov.br/web/guest/enem. Acessado em abr 2020.

INEP (2020c). IDEB - Índice de desenvolvimento da educação básica. Disponível em: http://portal.inep.gov.br/web/guest/educacao-basica/ideb. Acessado em mar 2020.

INEP (2020d). Indicadores educacionais. Disponível em: http://portal.inep.gov.br/indicadores-educacionais. Acessado em mar 2020.

Maschio, P., Vieira, M., Costa, N., Melo, S. M., and Júnior, C. (2018). Um panorama acerca da mineração de dados educacionais no brasil. Brazilian Symposium on Computers in Education (Simpósio Brasileiro de Informática na Educação - SBIE), 29(1):1936.

Motta, P. R. d. A. et al. (2016). Estudo exploratório do uso de classificadores para a predição de desempenho e abandono em universidade. Master’s thesis, Universidade Federal de Goiás.

Nascimento, R. L. S. d., da Cruz Junior, G. G., and de Araújo Fagundes, R. A. (2018). Mineração de dados educacionais: Um estudo sobre indicadores da educação em bases de dados do INEP. RENOTE, 16(1).

Pedregosa, F., Varoquaux, G., Gramfort, A., Michel, V., Thirion, B., Grisel, O., Blondel, M., Prettenhofer, P., Weiss, R., Dubourg, V., Vanderplas, J., Passos, A., Cournapeau, D., Brucher, M., Perrot, M., and Duchesnay, E. (2011). Scikit-learn: Machine learning in Python. Journal of Machine Learning Research, 12:2825–2830.

Rabelo, H., Burlamaqui, A., Valentim, R., de Souza Rabelo, D. S., and Medeiros, S. (2017). Utilização de técnicas de mineração de dados educacionais para predição de desempenho de alunos de ead em ambientes virtuais de aprendizagem. In Brazilian Symposium on Computers in Education (Simpósio Brasileiro de Informática na Educação-SBIE), volume 28, page 1527.

Rezende, L. M. d. and Jannuzzi, P. d. M. (2008). Monitoramento do plano de desenvolvimento da educação: proposta de aprimoramento do IDEB e de painel de indicadores. Revista do Serviço Público (RSP).

Rigo, S. J., Cambruzzi, W., Barbosa, J. L., and Cazella, S. C. (2014). Aplicações de mineração de dados educacionais e learning analytics com foco na evasão escolar: oportunidades e desafios. Revista Brasileira de Informática na Educação, 22(01):132.

Romero, C. and Ventura, S. (2007). Educational data mining: A survey from 1995 to 2005. Expert systems with applications, 33(1):135–146.

Silva Filho, R. L. C. (2017). Modelo de análise e predição do desempenho dos alunos dos institutos federais de educação usando o ENEM como indicador de qualidade escolar. Master’s thesis, Universidade Federal de Pernambuco.

Vitelli, R. F., Fritsch, R., and Corsetti, B. (2018). Indicadores educacionais na avaliação da educação básica e possíveis impactos em escolas de ensino médio no município de Porto Alegre, Rio Grande do Sul. Revista Brasileira de Educação, 23.