Mineração de Dados nos Hábitos de Estudo: Uma Análise para o Desempenho no ENEM 2022

• Abílio Nogueira Barros Universidade Federal Rural de Pernambuco https://orcid.org/0000-0001-6045-116X
• Danielle Karla Alves da Silva Universidade Federal de Pernambuco
• Paulo J. L. Adeodato Universidade Federal de Pernambuco

DOI: https://doi.org/10.5753/sbie.2024.244620

Resumo

Este artigo aborda o processo de descoberta de conhecimento por meio da mineração de dados aplicada aos hábitos de estudo dos participantes do Exame Nacional do Ensino Médio (ENEM) de 2022. O objetivo principal desta pesquisa é empregar técnicas de mineração de dados para identificar e destacar quais práticas de estudo são mais eficazes na obtenção de um desempenho positivo no exame. A análise visa fornecer insights valiosos que podem contribuir para a otimização dos métodos de preparação dos candidatos, oferecendo orientações fundamentadas para um melhor desempenho em exames do ENEM no futuro. Os resultados iniciais indicam que a organização frequente do material de estudo e a prática consistente de resumir videoaulas e/ou podcasts são importantes fatores para o melhor desempenho dos estudantes no ENEM. Sendo assim, esses achados podem orientar práticas educacionais e aprimorar estratégias de preparação para o ENEM, melhorando o entendimento dos fatores que podem influenciar o desempenho dos estudantes.

Palavras-chave: Mineração de dados, Hábitos de estudo, Desempenho no ENEM

Referências

Adeodato, P. J. L. (2015). Variable transformation for granularity change in hierarchical databases in actual data mining solutions. In Jackowski, K., Burduk, R., Walkowiak, K., Wozniak, M., and Yin, H., editors, Intelligent Data Engineering and Automated Learning – IDEAL 2015, pages 146–155, Cham. Springer International Publishing.

Agrawal, R. and Srikant, R. (1994). Fast algorithms for mining association rules. In Proceedings of the 20th International Conference on Very Large Data Bases, VLDB, pages 487–499. Morgan Kaufmann.

Cao, L., Zhang, C., and Yu, P. S. (2007). Domain driven data mining: Challenges and prospects. In IEEE Transactions on Systems, Man, and Cybernetics, Part C (Applications and Reviews), volume 37, pages 767–772.

Fayyad, U., Piatetsky-Shapiro, G., and Smyth, P. (1996). From data mining to knowledge discovery in databases. AI magazine, 17(3):37–37.

Franco, J., Miranda, F., Stiegler, D., Dantas, F., Brancher, J., and Nogueira, T. (2020). Usando mineração de dados para identificar fatores mais importantes do enem dos Últimos 22 anos. In Anais do XXXI Simpósio Brasileiro de Informática na Educação , pages 1112–1121, Porto Alegre, RS, Brasil. SBC.

Guardieiro, V., Raimundo, M. M., and Poco, J. (2022). Analyzing the equity of the brazilian national high school exam by validating the item response theory’s invariance. Romero, C., Ventura, S., Pechenizkiy, M., and Baker, R. S. (2010). Handbook of educational data mining. CRC press.

Shearer, C. (2000). The crisp-dm model: the new blueprint for data mining. Journal of data warehousing, 5(4):13–22.

Silva Filho, R. L. C., Brito, K., and Adeodato, P. J. L. (2023). A data mining framework for reporting trends in the predictive contribution of factors related to educational achievement. Expert Systems with Applications, 221:119729.