Análise do Desempenho no Enade dos Concluintes de Computação usando Técnica de Agrupamento
Resumo
A mineração de dados é um proeminente método para avaliar vários aspectos da sociedade e sua evolução ao longo dos anos. Especificamente, a mineração de dados tem potencial para descoberta de padrões na educação que podem contribuir para o processo de ensino-aprendizagem. Desta forma, o principal objetivo deste artigo é utilizar a técnica de agrupamento dos dados conhecida como K-means nos microdados do Enade que avalia regularmente o ensino superior brasileiro. Os microdados dos estudantes dos cursos de computação em todas as edições do exame foram selecionados e um extenso pré-processamento a fim de evitar viés estatístico nos agrupamentos foi realizado. Os resultados mostram uma análise evolutiva dos grupos ao longo das edições, observando aspectos relevantes para o desempenho dos estudantes. Os dados e os resultados podem ser úteis para tomada de decisões e outros estudos em relação ao ensino superior.
Palavras-chave:
Mineração de Dados, Agrupamento, K-means, Enade
Referências
Baker, R., Isotani, S., e Carvalho, A. (2011). Mineração de dados educacionais: Oportunidades para o brasil. Revista Brasileira de Informática na Educação, 19(02):03.
Bielschowsky, C. E. (2020). Tendências de precarização do ensino superior privado no brasil. Revista Brasileira de Política e Administração da Educação, 36(1):241–271.
BRASIL (2004). Lei nº 10.861, de 14 de abril de 2004. [link] [Acessado em 26-mar-2022].
BRASIL (2022). Instituto nacional de estudos e pesquisas educacionais anísio teixeira. [link]. [Acessado em 25-mar-2022].
Capelari, L. O. O. e Schwerz, A. L. (2021). O perfil socioeconômico dos concluintes de computação do sul do brasil. In Computer on the Beach, COTB’21, pages 133–140, Itajaí, SC, Brasil. Universidade do Vale do Itajaí.
Cavalcanti, I. T. d. N., Andrade, C. S. M., Tiryaki, G. F., e Costa, L. C. C. (2019). Desempenho acadêmico e o sistema de cotas no ensino superior: evidência empírica com dados da universidade federal da bahia. Avaliação: Revista da Avaliação da Educação Superior, 24(1).
Costa, E., Baker, R. S., Amorim, L., Magalhães, J., e Marinho, T. (2012). Mineração de dados educacionais: Conceitos, técnicas, ferramentas e aplicações. In Anais da VIII Jornada de Atualização em Informática na Educação, JAIE’12, Porto Alegre, RS, Brasil. SBC.
Cunha, R., Sales, C., e Santos, R. (2021). Análise automática com os microdados do enade para melhoria do ensino dos cursos de ciência da computação. In Anais do XXIX Workshop sobre Educação em Computação, WEI’21, pages 208–217, Porto Alegre, RS, Brasil. SBC.
Daly, A., Dekker, T., e Hess, S. (2016). Dummy coding vs effects coding for categorical variables: Clarifications and extensions. Journal of Choice Modelling, 21:36–41.
de Vasconcelos, L. G. e de Castro, M. M. B. (2020). Uso de técnicas de aprendizagem de máquina para análise dos fatores de sucesso de cursos do ensino superior no enade. In Congresso Nacional de Educação, CONEDU’20, pages 1868–1887, Campina Grande, PB, Brasil. Realize Editora.
Elisa Lovison, T. e Glasenapp, D. (2021). A escolaridade dos pais e a alfabetização dos estudantes. Monumenta - Revista de Estudos Interdisciplinares, 1(2):30–53.
Esteves de Moraes, A. G. e Belluzzo Junior, W. (2014). O diferencial de desempenho escolar entre escolas públicas e privadas no brasil. Nova Economia, 24(2).
Fagundes, C., Luce, M., e Espinar, S. (2015). O desempenho acadêmico como indicador de qualidade da transição ensino médio-educação superior. Ensaio: Avaliação e Políticas Públicas em Educação, 22(84):635–670.
Farias, M. R. S., Alves, F. d. S., e Farias, K. T. R. (2015). Desempenho acadêmico em métodos quantitativos nos cursos de ciências contábeis. Enfoque: Reflexão Contábil, 34(2):37–50.
Francelino, W. L. e Machado, L. S. (2020). Mineração de dados nos microdados enade computação. Relatório técnico, Faculdade Ânima Educação, Tubarão, SC, Brasil.
INEP (2022). Microdados do enade. [link].
Lima, A. M. S., Florez, A. Y. C., Lescano, A. I. A., de Oliveira Novaes, J. V., de Fatima Martins, N., Junior, C. T., de Sousa, E. P. M., Junior, J. F. R., e Cordeiro, R. L. F. (2020). Analysis of enem’s attendants between 2012 and 2017 using a clustering approach. Journal of Information and Data Management, 11(2):115–130.
MacQueen, J. (1967). Some methods for classification and analysis of multivariate observations. In Proceedings of the 5th Berkeley Symposium on Mathematical Statistics and Probability, pages 281–297. University of California Press.
Rezende, C. C. d. S., Cantarino, L. A. B., de Souza, P. F., Alves, T. O. M., e Campos,R. S. (2022). O impacto de aspectos socioeconômicos no desempenho de estudantes de sistemas de informação no enade. Revista Brasileira de Informática na Educação, 30:157–181.
Rocha, A. L. d. P., Leles, C. R., e Queiroz, M. G. (2018). Fatores associados ao desempenho acadêmico de estudantes de nutrição no enade. Revista Brasileira de Estudos Pedagógicos, 99:74 – 94.
Rodrigues, E. e Gouveia, R. (2021). Técnicas de machine learning para predição do tempo de permanência na graduação no âmbito do ensino superior público brasileiro. In Anais do VI Congresso sobre Tecnologias na Educação, Ctrl+e’21, pages 128–137, Porto Alegre, RS, Brasil. SBC.
Sampaio, B. e Guimarães, J. (2009). Diferenças de eficiência entre ensino público e privado no brasil. Economia Aplicada, 13(1):45–68.
Vautero, J., Silva, A., Marques, C., e Taveira, M. (2017). A influência da escolaridade dos pais no prestígio do curso universitário escolhido pelos filhos. Psicologia: Revista da Associação Portuguesa Psicologia, 31(2):155–158.
Vista, N. P. B., Barasuol, J. B., Figueiró, M. F., Chicon, P. M. M., e Ansuj, A. P. (2018). Análise de agrupamento hierárquico aplicada aos microdados do enade do curso de graduação em ciência da computação. Revista Eletrônica Argentina-Brasil de Tecnologias da Informação e da Comunicação, 1(8).
Webber, C. G., Zat, D., e Lima, M. F. W. P. (2013). Utilização de algoritmos de agrupamento na mineração de dados educacionais. RENOTE, 11(1).
Wu, J. (2012). Advances in K-Means Clustering: A Data Mining Thinking. Springer, Nelson Hall 3350.
Xu, D. e Tian, Y. (2015). A comprehensive survey of clustering algorithms. In Annals of Data Science, pages 165–193.
Bielschowsky, C. E. (2020). Tendências de precarização do ensino superior privado no brasil. Revista Brasileira de Política e Administração da Educação, 36(1):241–271.
BRASIL (2004). Lei nº 10.861, de 14 de abril de 2004. [link] [Acessado em 26-mar-2022].
BRASIL (2022). Instituto nacional de estudos e pesquisas educacionais anísio teixeira. [link]. [Acessado em 25-mar-2022].
Capelari, L. O. O. e Schwerz, A. L. (2021). O perfil socioeconômico dos concluintes de computação do sul do brasil. In Computer on the Beach, COTB’21, pages 133–140, Itajaí, SC, Brasil. Universidade do Vale do Itajaí.
Cavalcanti, I. T. d. N., Andrade, C. S. M., Tiryaki, G. F., e Costa, L. C. C. (2019). Desempenho acadêmico e o sistema de cotas no ensino superior: evidência empírica com dados da universidade federal da bahia. Avaliação: Revista da Avaliação da Educação Superior, 24(1).
Costa, E., Baker, R. S., Amorim, L., Magalhães, J., e Marinho, T. (2012). Mineração de dados educacionais: Conceitos, técnicas, ferramentas e aplicações. In Anais da VIII Jornada de Atualização em Informática na Educação, JAIE’12, Porto Alegre, RS, Brasil. SBC.
Cunha, R., Sales, C., e Santos, R. (2021). Análise automática com os microdados do enade para melhoria do ensino dos cursos de ciência da computação. In Anais do XXIX Workshop sobre Educação em Computação, WEI’21, pages 208–217, Porto Alegre, RS, Brasil. SBC.
Daly, A., Dekker, T., e Hess, S. (2016). Dummy coding vs effects coding for categorical variables: Clarifications and extensions. Journal of Choice Modelling, 21:36–41.
de Vasconcelos, L. G. e de Castro, M. M. B. (2020). Uso de técnicas de aprendizagem de máquina para análise dos fatores de sucesso de cursos do ensino superior no enade. In Congresso Nacional de Educação, CONEDU’20, pages 1868–1887, Campina Grande, PB, Brasil. Realize Editora.
Elisa Lovison, T. e Glasenapp, D. (2021). A escolaridade dos pais e a alfabetização dos estudantes. Monumenta - Revista de Estudos Interdisciplinares, 1(2):30–53.
Esteves de Moraes, A. G. e Belluzzo Junior, W. (2014). O diferencial de desempenho escolar entre escolas públicas e privadas no brasil. Nova Economia, 24(2).
Fagundes, C., Luce, M., e Espinar, S. (2015). O desempenho acadêmico como indicador de qualidade da transição ensino médio-educação superior. Ensaio: Avaliação e Políticas Públicas em Educação, 22(84):635–670.
Farias, M. R. S., Alves, F. d. S., e Farias, K. T. R. (2015). Desempenho acadêmico em métodos quantitativos nos cursos de ciências contábeis. Enfoque: Reflexão Contábil, 34(2):37–50.
Francelino, W. L. e Machado, L. S. (2020). Mineração de dados nos microdados enade computação. Relatório técnico, Faculdade Ânima Educação, Tubarão, SC, Brasil.
INEP (2022). Microdados do enade. [link].
Lima, A. M. S., Florez, A. Y. C., Lescano, A. I. A., de Oliveira Novaes, J. V., de Fatima Martins, N., Junior, C. T., de Sousa, E. P. M., Junior, J. F. R., e Cordeiro, R. L. F. (2020). Analysis of enem’s attendants between 2012 and 2017 using a clustering approach. Journal of Information and Data Management, 11(2):115–130.
MacQueen, J. (1967). Some methods for classification and analysis of multivariate observations. In Proceedings of the 5th Berkeley Symposium on Mathematical Statistics and Probability, pages 281–297. University of California Press.
Rezende, C. C. d. S., Cantarino, L. A. B., de Souza, P. F., Alves, T. O. M., e Campos,R. S. (2022). O impacto de aspectos socioeconômicos no desempenho de estudantes de sistemas de informação no enade. Revista Brasileira de Informática na Educação, 30:157–181.
Rocha, A. L. d. P., Leles, C. R., e Queiroz, M. G. (2018). Fatores associados ao desempenho acadêmico de estudantes de nutrição no enade. Revista Brasileira de Estudos Pedagógicos, 99:74 – 94.
Rodrigues, E. e Gouveia, R. (2021). Técnicas de machine learning para predição do tempo de permanência na graduação no âmbito do ensino superior público brasileiro. In Anais do VI Congresso sobre Tecnologias na Educação, Ctrl+e’21, pages 128–137, Porto Alegre, RS, Brasil. SBC.
Sampaio, B. e Guimarães, J. (2009). Diferenças de eficiência entre ensino público e privado no brasil. Economia Aplicada, 13(1):45–68.
Vautero, J., Silva, A., Marques, C., e Taveira, M. (2017). A influência da escolaridade dos pais no prestígio do curso universitário escolhido pelos filhos. Psicologia: Revista da Associação Portuguesa Psicologia, 31(2):155–158.
Vista, N. P. B., Barasuol, J. B., Figueiró, M. F., Chicon, P. M. M., e Ansuj, A. P. (2018). Análise de agrupamento hierárquico aplicada aos microdados do enade do curso de graduação em ciência da computação. Revista Eletrônica Argentina-Brasil de Tecnologias da Informação e da Comunicação, 1(8).
Webber, C. G., Zat, D., e Lima, M. F. W. P. (2013). Utilização de algoritmos de agrupamento na mineração de dados educacionais. RENOTE, 11(1).
Wu, J. (2012). Advances in K-Means Clustering: A Data Mining Thinking. Springer, Nelson Hall 3350.
Xu, D. e Tian, Y. (2015). A comprehensive survey of clustering algorithms. In Annals of Data Science, pages 165–193.
Publicado
16/11/2022
Como Citar
VIEIRA, Alisson da Silva; BERTOLINI, Diego; SCHWERZ, André Luis.
Análise do Desempenho no Enade dos Concluintes de Computação usando Técnica de Agrupamento. In: SIMPÓSIO BRASILEIRO DE INFORMÁTICA NA EDUCAÇÃO (SBIE), 33. , 2022, Manaus.
Anais [...].
Porto Alegre: Sociedade Brasileira de Computação,
2022
.
p. 834-845.
DOI: https://doi.org/10.5753/sbie.2022.224710.
