Avaliação da Eficiência de Sistemas Educacionais Aplicando Técnicas de Agrupamento e DEA

• Ismayle S. Santos UECE
• Rafael L. Gomes UECE
• William S. Vilaça UECE

DOI: https://doi.org/10.5753/sbie.2023.234319

Resumo

Pesquisas nacionais e internacionais na área da educação têm apresentado uma realidade dramática, onde grande parte dos alunos do ensino médio público não têm domínio sobre conhecimentos básicos da matemática e da língua portuguesa. Nesse cenário, faz-se necessário desenvolver soluções que deem suporte aos ambientes educacionais, bem como auxiliem na gestão do processo de ensino e aprendizagem. Dentro desse contexto, este artigo apresenta uma solução que aplica técnicas de Inteligência Artificial (IA) e Análise por Envoltória de Dados para desenvolver modelos que, a partir de dados educacionais, façam uma análise do desempenho das unidades de ensino, as agrupando, a fim de indicar ações para que unidades ineficientes possam ter seu processo de ensino e aprendizagem melhorado a partir das características de grupos com melhor desempenho. Os resultados, usando dados reais, mostram que a solução proposta pode aproximar escolas com realidades similares, mas que têm alcançado resultados distintos nas avaliações externas de aprendizagem.

Referências

Alves, A. C., Fischer, B., Schaeffer, P. R., and Queiroz, S. (2019). Determinants of student entrepreneurship: An assessment on higher education institutions in brazil. Innovation & Management Review, 16(2):96–117.

Banker, R. D., Charnes, A., and Cooper, W. W. (1984). Some models for estimation technical and scale inefficiencies in data envelopment analysis. Management Science, 30(9):1078–1092.

Chang, X. and Wang, X. (2020). Research performance evaluation of university based on super dea model. In 2020 IEEE 9th Joint International Information Technology and Artificial Intelligence Conference (ITAIC), volume 9, pages 1252–1255. IEEE.

Charnes, A., Cooper, W. W., and Rhodes, E. (1978). Measuring efficiency of decision making units. European Journal of Operational Research, 1:429–444.

Guan, C., Mou, J., and Jiang, Z. (2020). Artificial intelligence innovation in education: A twenty-year data-driven historical analysis. International Journal of Innovation Studies, 4(4):134–147.

Gustriansyah, R., Suhandi, N., and Antony, F. (2020). Clustering optimization in rfm analysis based on k-means. Indonesian Journal of Electrical Engineering and Computer Science, 18(1):470–477.

Malta Campos, M. and Vieira, L. F. (2021). Covid-19 and early childhood in brazil: Impacts on children’s well-being, education and care. European Early Childhood Education Research Journal, 29(1):125–140.

Miranda, A. C. and Miranda, E. C. M. (2018). Alternative methodology in the elaboration of indicators to evaluate schools. Pro-Posições, 29(3):207.

Miranda, A. C. and Rodrigues, S. C. (2010). O uso da dea como ferramenta alternativa da gestão escolar na avaliação institucional. Educação: Teoria e Prática, 20(35):163– 180.

Pereira, V. R. F., de Paula, A. D., and Araújo, C. O. (2020). Método de agrupamento aplicado à avaliação escolar: um estudo de caso para avaliações de larga escala. EDUCARevista Multidisciplinar em Educação, 7(17):901–919.

Rassouli-Currier, S. (2007). Assessing the efficiency of oklahoma public schools: a data envelopment analysis. Southwestern Economic Review, 34:131–144.

Soares, T. S. S. (2022). O sistema de avaliação da educação básica (saeb) em tempos de pandemia: ensino de matemática e as tecnologias digitais. Com a Palavra, o Professor, 7(19):95–106.

Veríssimo, T. E. d. O. (2021). O sistema de avaliação da educação básica (saeb) e a qualidade do ensino de matemática. B.S. thesis.

Wang, X. and Xu, Y. (2019). An improved index for clustering validation based on silhouette index and calinski-harabasz index. In IOP Conference Series: Materials Science and Engineering, volume 569, page 052024. IOP Publishing.