Evasão no Ensino Básico da Rede Pública Municipal de Juiz de Fora: uma Análise com Mineração de Dados
Resumo
Dados do INEP revelam que apenas 53,8% dos ingressantes concluem o Ensino Fundamental no Brasil. Trata-se de um relevante prejuízo aos cofres públicos e também um problema para a sociedade, uma vez que o jovem torna-se socioeconomicamente mais vulnerável, e o problema afeta diretamente ou indiretamente setores públicos como segurança e saúde. Este trabalho é a primeira pesquisa para análise da evasão no ensino básico da rede pública do Sudeste do Brasil de acordo com a revisão sistemática da literatura. Utilizando algoritmos de aprendizado de máquina para a previsão da evasão escolar no ano letivo de 2017 na cidade de Juiz de Fora/MG, onde cerca de 1448 alunos da rede pública deixaram a sala de aula, o trabalho destaca os atributos de maior relevância, alcança uma precisão de 76% e uma cobertura de 98% no melhor caso de identificação daqueles alunos mais propensos a evadir.
Referências
Breiman, L. (2001). Random forests. Machine learning, 45(1):5–32.
Calixto, K., Segundo, C., and de Gusmão, R. P. (2017). Mineração de dados aplicada a educação: um estudo comparativo acerca das características que influenciam a evasão escolar. In SBIE, volume 28, page 1447.
Chen, C., Liaw, A., and Breiman, L. (2004). Using random forest to learn imbalanced data. University of California, Berkeley, 110:1–12.
Digiampietri, L. A., Nakano, F., and de Souza Lauretto, M. (2016). Mineraçao de dados para identificaçao de alunos com alto risco de evasao: Um estudo de caso. Revista de Graduação USP, 1(1):17–23.
Fayyad, U. M.; Piatetsky–shapiro, G. S. P. (1996). Knowledge discovery and data mining: Towards a unifying framework. In International Conference on Knowledge Discovery and Data Mining (KDD-96).
Gislason, P. O., Benediktsson, J. A., and Sveinsson, J. R. (2006). Random forests for land cover classification. Pattern Recognition Letters, 27(4):294–300.
Goldschmidt, R.; Passos, E. (2005). Data Mining: Um Guia Prático. Elsevier.
Ieza Damasceno, M. C. (2018). Panorama da evasao no curso de sistemas de informacao da universidade federal de uberlandia: Um estudo preliminar. In SBIE.
Jorge Luis Cavalcanti Ramos, João Silva, L. P. A. G. R. R. (2018). Um estudo comparativo de classificadores na previsão da evasão de alunos em ead. In SBIE.
Mariele Lanes, C. A. (2018). Predição de alunos com risco de evasão: estudo de caso usando mineração de dados. In SBIE.
Neri, M. et al. (2015). Motivos da evasão escolar.
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.
Queiroga, E., Cechinel, C., and Araújo, R. (2017). Predição de estudantes com risco de evasão em cursos técnicos a distância. In SBIE, volume 28, page 1547.
Ramos, J. L. C., Gomes, A. S., Rodrigues, R., Silva, J., de Souza, F. d. F., de Gouveia Zambom, E., and Prado, L. (2017). Um modelo preditivo da evasão dos alunos na ead a partir dos construtos da teoria da distância transacional. In SBIE, volume 28, page 1227.
Tan, P.; Steinbach, M. K. V. (2009). Introdução ao data mining, Mineração de Dados. Ciência Moderna.
UNESCO (2015). Relatório educação para todos no brasil.
