A evolução do perfil de estudantes de Engenharia com bom desempenho no ENADE
Abstract
The National Student Performance Examination (ENADE) is annually applied to assess the quality of the Brazilian educational system. This study uses five different feature selection techniques in the ENADE databases from 2005 to 2017, aiming to analyze how personal and socioeconomic characteristics contribute to explaining the performance of graduates in Engineering. It can be concluded, among other results, that 14 attributes were important in the considered period, highlighting the age, working status, grants, financing, and parents’ schooling. The main contribution of this work is to demonstrate how the profile of good students has varied over the years.
References
Araújo, R. A. et al. (2019). Análise dos microdados do enade: Proposta de uma ferramenta de exploração utilizando mineração de dados. Dissertação de mestrado, Ciência da Computação, Universidade Federal de Goiás, Goiânia, Goiás.
Baker, R., Isotani, S., and Carvalho, A. (2011). Mineraçao de dados educacionais: Oportunidades para o brasil. Revista Brasileira de Informática na Educação, 19(02):03.
Barbosa, E., Cavalcanti, R., Mateus, J., and Ferreira, L. (2019). Identificação dos perfis de estudantes com nota elevada no enade. RGCTI, 3:17–29.
Bertolin, J. C. G., Fioreze, C., and Barão, F. R. (2022). Higher education and educational inequality in brazil: Elitist heritage in a context of expanding access. SciELO Preprints.
Corso, G. and Resende, M. (2018). Mineração de dados aplicada ao enade. Trabalho de conclusão de curso, Licenciatura em Ciência da Computação, Universidade de Brasília.
de Almeida, D. A., Almeida, S. P. N. d. C. e., and Amorim, M. M. T. (2021). Profile of graduates in mathematics degree: An analysis from enade’s data (2005-2017). SciELO Preprints.
Faria, E. d. O. (2017). Uma análise dos fatores determinantes do desempenho dos alunos dos cursos superiores em administração do distrito federal. Dissertação de mestrado, Administração, Universidade de Basília, Brasília, DF.
Fernandes, J. C. (2013). O mapa do apagão de engenheiros no brasil. In XLI Congresso Brasileiro de Educação em Engenharia, volume 41, pages 1–9.
Fernando Choji, M., Diego N. Damasceno, C., Ibert Bittencourt, I., and Isotani, S. (2021). Mineração de dados do enade de 2016 a 2018: uma análise sobre o município de araçatuba/sp. RENOTE, 19(2):183–192.
Gondran., E., Lucca., G., Berri., R., Santos., H., and Borges., E. (2022). Analyzing the determinant characteristics for a good performance at enade brazilian exam stratified by teaching modality: Face-to-face versus online. In Proceedings of the 24th International Conference on Enterprise Information Systems - Volume 1: ICEIS,, pages 234–242. INSTICC, SciTePress.
Hall, M. A. (1998). Correlation-based Feature Subset Selection for Machine Learning. PhD thesis, University of Waikato, Hamilton, New Zealand.
Hall, M. A. and Smith, L. A. (1998). Practical feature subset selection for machine learning. In Australasian Computer Science Conference ACSC’98, volume 20, pages 181–191, Berlin. Springer.
Inep (2022). Microdados do enade. Disponível em [link]. Acesso: junho de 2023.
Karegowda, A. G., Manjunath, A., and Jayaram, M. (2010). Comparative study of attribute selection using gain ratio and correlation based feature selection. International Journal of Information Technology and Knowledge Management, 2(2):271–277.
Kira, K. and Rendell, L. A. (1992). A practical approach to feature selection. In Sleeman, D. H. and Edwards, P., editors, Ninth International Workshop on Machine Learning, pages 249–256. Morgan Kaufmann.
Kononenko, I. (1994). Estimating attributes: Analysis and extensions of relief. In Machine Learning: ECML-94, pages 171–182, Berlin, Heidelberg. Springer Berlin Heidelberg.
Miao, J. and Niu, L. (2016). A survey on feature selection. Procedia Computer Science, 91:919–926.
Rosa, E. R., Ferreira, D. J., Silva, N. F. F. d., and Assis, A. (2021). Estudo exploratório através de análises longitudinais aplicado à ciência da computação a partir da base de dados do enade. Revista Brasileira de Informática na Educação, 29:1463–1486.
Salerno, M. S., Lins, L. M., Araújo, B. C., Gomes, L. A. V., Toledo, D., and Nascimento, P. A. M. M. (2014). Uma proposta de sistematização do debate sobre falta de engenheiros no brasil. Technical report, Texto para Discussão.
Smolentseva, A. (2018). High Participation Systems of Higher Education, chapter High Participation Society, pages 184–200. Oxford University Press.
Tan, P.-N., Steinbach, M., and Kumar, V. (2016). Introduction to data mining. Pearson Education India.
Tasca, M. (2015). Contribuições ao Problema de Seleção de Atributos. Tese de doutorado, Computação, Universidade Federal Fluminense, Niterói, Rio de Janeiro.
Urbanowicz, R. J., Meeker, M., La Cava, W., Olson, R. S., and Moore, J. H. (2018). Relief-based feature selection: Introduction and review. Journal of biomedical informatics, 85:189–203.
Vieira, A., Bertolini, D., and Schwerz, A. (2022). Análise do desempenho no enade dos concluintes de computação usando técnica de agrupamento. In Anais do XXXIII Simpósio Brasileiro de Informática na Educação, pages 834–845, Porto Alegre, RS, Brasil. SBC.
Yu, L. and Liu, H. (2003). Feature selection for high-dimensional data: A fast correlationbased filter solution. In Proceedings of the Twentieth International Conference on Machine Learning, pages 856–863. AAAI Press.
Baker, R., Isotani, S., and Carvalho, A. (2011). Mineraçao de dados educacionais: Oportunidades para o brasil. Revista Brasileira de Informática na Educação, 19(02):03.
Barbosa, E., Cavalcanti, R., Mateus, J., and Ferreira, L. (2019). Identificação dos perfis de estudantes com nota elevada no enade. RGCTI, 3:17–29.
Bertolin, J. C. G., Fioreze, C., and Barão, F. R. (2022). Higher education and educational inequality in brazil: Elitist heritage in a context of expanding access. SciELO Preprints.
Corso, G. and Resende, M. (2018). Mineração de dados aplicada ao enade. Trabalho de conclusão de curso, Licenciatura em Ciência da Computação, Universidade de Brasília.
de Almeida, D. A., Almeida, S. P. N. d. C. e., and Amorim, M. M. T. (2021). Profile of graduates in mathematics degree: An analysis from enade’s data (2005-2017). SciELO Preprints.
Faria, E. d. O. (2017). Uma análise dos fatores determinantes do desempenho dos alunos dos cursos superiores em administração do distrito federal. Dissertação de mestrado, Administração, Universidade de Basília, Brasília, DF.
Fernandes, J. C. (2013). O mapa do apagão de engenheiros no brasil. In XLI Congresso Brasileiro de Educação em Engenharia, volume 41, pages 1–9.
Fernando Choji, M., Diego N. Damasceno, C., Ibert Bittencourt, I., and Isotani, S. (2021). Mineração de dados do enade de 2016 a 2018: uma análise sobre o município de araçatuba/sp. RENOTE, 19(2):183–192.
Gondran., E., Lucca., G., Berri., R., Santos., H., and Borges., E. (2022). Analyzing the determinant characteristics for a good performance at enade brazilian exam stratified by teaching modality: Face-to-face versus online. In Proceedings of the 24th International Conference on Enterprise Information Systems - Volume 1: ICEIS,, pages 234–242. INSTICC, SciTePress.
Hall, M. A. (1998). Correlation-based Feature Subset Selection for Machine Learning. PhD thesis, University of Waikato, Hamilton, New Zealand.
Hall, M. A. and Smith, L. A. (1998). Practical feature subset selection for machine learning. In Australasian Computer Science Conference ACSC’98, volume 20, pages 181–191, Berlin. Springer.
Inep (2022). Microdados do enade. Disponível em [link]. Acesso: junho de 2023.
Karegowda, A. G., Manjunath, A., and Jayaram, M. (2010). Comparative study of attribute selection using gain ratio and correlation based feature selection. International Journal of Information Technology and Knowledge Management, 2(2):271–277.
Kira, K. and Rendell, L. A. (1992). A practical approach to feature selection. In Sleeman, D. H. and Edwards, P., editors, Ninth International Workshop on Machine Learning, pages 249–256. Morgan Kaufmann.
Kononenko, I. (1994). Estimating attributes: Analysis and extensions of relief. In Machine Learning: ECML-94, pages 171–182, Berlin, Heidelberg. Springer Berlin Heidelberg.
Miao, J. and Niu, L. (2016). A survey on feature selection. Procedia Computer Science, 91:919–926.
Rosa, E. R., Ferreira, D. J., Silva, N. F. F. d., and Assis, A. (2021). Estudo exploratório através de análises longitudinais aplicado à ciência da computação a partir da base de dados do enade. Revista Brasileira de Informática na Educação, 29:1463–1486.
Salerno, M. S., Lins, L. M., Araújo, B. C., Gomes, L. A. V., Toledo, D., and Nascimento, P. A. M. M. (2014). Uma proposta de sistematização do debate sobre falta de engenheiros no brasil. Technical report, Texto para Discussão.
Smolentseva, A. (2018). High Participation Systems of Higher Education, chapter High Participation Society, pages 184–200. Oxford University Press.
Tan, P.-N., Steinbach, M., and Kumar, V. (2016). Introduction to data mining. Pearson Education India.
Tasca, M. (2015). Contribuições ao Problema de Seleção de Atributos. Tese de doutorado, Computação, Universidade Federal Fluminense, Niterói, Rio de Janeiro.
Urbanowicz, R. J., Meeker, M., La Cava, W., Olson, R. S., and Moore, J. H. (2018). Relief-based feature selection: Introduction and review. Journal of biomedical informatics, 85:189–203.
Vieira, A., Bertolini, D., and Schwerz, A. (2022). Análise do desempenho no enade dos concluintes de computação usando técnica de agrupamento. In Anais do XXXIII Simpósio Brasileiro de Informática na Educação, pages 834–845, Porto Alegre, RS, Brasil. SBC.
Yu, L. and Liu, H. (2003). Feature selection for high-dimensional data: A fast correlationbased filter solution. In Proceedings of the Twentieth International Conference on Machine Learning, pages 856–863. AAAI Press.
Published
2023-11-06
How to Cite
GONDRAN, Eric; LUCCA, Giarcarlo; BORGES, Eduardo N.; SANTOS, Helida.
A evolução do perfil de estudantes de Engenharia com bom desempenho no ENADE. In: BRAZILIAN SYMPOSIUM ON COMPUTERS IN EDUCATION (SBIE), 34. , 2023, Passo Fundo/RS.
Anais [...].
Porto Alegre: Sociedade Brasileira de Computação,
2023
.
p. 1238-1248.
DOI: https://doi.org/10.5753/sbie.2023.234529.
