Predição do Conceito ENADE dos Cursos de Computação no Brasil

• Renan G. A. Sakashita UTFPR
• Diego Bertolini UTFPR
• André Luis Schwerz UTFPR

DOI: https://doi.org/10.5753/sbie.2023.234715

Abstract

ENADE is a large-scale assessment applied to undergraduate students in Brazil. Their scores serve as a metric fpr assessing teaching quality, known as the ENADE Concept. A higher ENADE Concept rating can lead to increased visibility and investments in Higher Education Institutions. This work aims to evaluate the performance of Machine Learning techniques in predicting the ENADE Concept for computing courses in Brazil using microdata from the exam. Our experiments involve evaluating various classifiers with dataset variations and considering the impact of the temporal aspect of the exam on the prediction performance. We have identified that the Support Vector Machine produces the best prediction results. Additionally, our findings suggest that older training data leads to a reduction in prediction performance, indicating that course features may change over time.

References

Barbosa, P., Damazio, G., Carvalho, W., and Carmo, R. (2023). O sucesso não é apenas uma questão de sorte: um mapeamento sistemático sobre técnicas de análise do enade da área de computação. In Anais do III Simpósio Brasileiro de Educação em Computação, pages 59–68, Porto Alegre, RS, Brasil. SBC.

BRASIL (2023). Instituto nacional de estudos e pesquisas educacionais anísio teixeira. [link]. [Acessado em 01-jul-2023].

Capelari, L. O. O. (2022). Predição do desempenho no enade dos discentes de computação. Universidade Tecnológica Federal do Paraná.

Capelari, L. O. O. and Schwerz, A. L. (2021). O perfil socioeconômico dos concluintes de computação do sul do brasil. Anais do Computer on the Beach, 12:133–140.

Figueiro, M., Vista, N., Barasuol, J., Chicon, P., and Ansuj, A. (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).

Filho, R. L. A. (2018). Análise do desempenho acadêmico enem/enade como instrumento de qualificação dos cursos de engenharia de produção no brasil. Universidade Tecnológica Federal do Paraná.

Frawley, W. J., Piatetsky-Shapiro, G., and Matheus, C. J. (1992). Knowledge discovery in databases: An overview. AI Magazine, 13(3):57.

Inep (2020). Indicadores de qualidade da educação superior. [link]. [Acessado em 08-jul-2023].

Inep (2022a). Nota tÉcnica nº 7/2022/cgcqes/daes. [link]. [Acessado em 08-jul-2023].

INEP (2023). Microdados do enade. [link]. [Acessado em 01-jul-2023].

Inep (2023). Nota tÉcnica nº 4/2023/cei/cggi/daes. [link]. [Acessado em 27-ago-2023].

Inep, A. (2022b). Verificação do enquadramento automático vai até 31/8. [link]. [Acessado em 08-jul-2023].

Martins, E. R., Alarcão, D. T. A., and Vieira, S. L. (2021). Descoberta de conhecimento aplicado ao enade. In Martins, E. R., editor, Engenharia de Produção: Gestão de Qualidade, Produção e Operações Vol. 2, pages 77–90. Editora Científica Digital.

Nunes, R. T. M., Quadrelli, G., and Nazaré, T. B. (2018). Cálculo preditivo de classificação das notas do enade utilizando redes neurais artificiais. Revista de Tecnologia Aplicada, 7(2):71–81.

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.

Rosa, E. R., Ferreira, D. J., da Silva, N. F. F., 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.

Rout, A. R. (2023). Z-score in statistics. [link] [Acessado em 05-jul-2023].

Scikit-Learn (2023). 3.2. tuning the hyper-parameters of an estimator. [link]. [Acessado em 09-jul-2023].

Silva, J. C. P., de Oliveira, E. J., Neto, F. M. M., Santos, A. M., e Silva, L. C., Marques, L. T., Mendes, I. M., de Sousa Neto, A. F., Silva, J. C. P., and Silva, S. D. (2021). Data analysis of the performance of brazilian higher education medicine courses. In Proceedings of the 10th Euro-American Conference on Telematics and Information Systems, EATIS ’20, New York, NY, USA. ACM.

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.

Webb, G., Hyde, R., Cao, H., Nguyen, H.-L., and Petitjean, F. (2016). Characterizing concept drift. Data Mining and Knowledge Discovery, 30.