Mineração de dados aplicada à educação: um estudo comparativo acerca das características que influenciam a evasão escolar
Resumo
Este trabalho teve como objetivo a construção de um estudo para identificar as variáveis concernentes à evasão escolar, utilizando os dados do censo educacional de 2014, 2015 e 2016 dos estados de Ceará e Sergipe. A metodologia CRISP-DM foi usada para entender, preparar e modelar os dados. Na separação dos dados foi utilizado a ferramenta SPSS. As análises se deram por meio do SPSS e do RapidMiner, utilizadas para empregar técnicas de Indução de Regras e Regressão Logística. Os modelos criados apresentaram acurácia em torno de 87%. Além disso, a idade, etapa de ensino, modalidade de ensino, existência de laboratórios e localização da escola se destacaram como variáveis influentes na evasão escolar.
Palavras-chave:
Mineração de Dados, Educação, Evasão Escolar, CRISP-DM, SPSS, RapidMiner
Referências
Agaoglu, M. (2016). Predicting instructor performance using data mining techniques in higher education. IEEE Access, 4:2379–2387.
Bezerra, C., Scholz, R., Adeodato, P., Pontes, T., and Silva, I. (2016). Evasão escolar: Aplicando mineração de dados para identificar variáveis relevantes. In Anais do XXVII Simpósio Brasileiro de Informática na Educação (SBIE 2016).
Brasil (2006). Alunas e alunos da EJA. [link]. Acessado: 14/05/2017.
BRASIL (2012). Índice de abandono escolar é três vezes maior no 6o ano do ensino fundamental.
Digiampietri, L.A., Nakano, F., and Lauretto, M.S. (2016). Mineração de dados para identificação de alunos com alto risco de evasão: Um estudo de caso. Grad+-Revista de Graduação da USP, 1(1).
Diniz, G.M., Machado, D. d. Q., and Moura, H. J. (2014). Políticas públicas de combate ao analfabetismo no Brasil: uma investigação sobre a atuação do programa Brasil Alfabetizado em municípios do Ceará. Revista de Administração Pública, 48:641–666.
Gilmar, W.S.A. (2000). Data mining aplicado ao serviço público, extração de conhecimento das ações do ministério público brasileiro.
Han, J. and Kamber, M. (2006). Data Mining: Concepts and Techniques. Morgan Kaufmann Publishers Inc., San Francisco, CA, USA, 2nd edition.
Hosmer, D.W. and Lemeshow, S. (2000). Applied logistic regression. A Wiley-Interscience publication.
IBM (2016). Ibm spss statistics 24 brief guide. Disponível em: [link]. Acessado em: 07/04/2017.
INEP (2017). Ideb-resultados e metas. Disponível em: [link]. Acessado em: 07/04/2017.
Maimon, O. and Rokach, L. (2010). Data Mining and Knowledge Discovery Handbook. Series in Solid-State Sciences. Springer US.
Manhães, L.M.B., Cruz, S.M.S., Costa, R.J.M., and Zimbrão, J.Z.G. (2011). Previsão de estudantes com risco de evasão utilizando técnicas de mineração de dados.
Molloy, J.C. (2011). The open knowledge foundation: Open data means better science. Plos Biology, 9(12).
Nunes, Felipe Becker; Voss, G.C.S. (2015). Mineração de dados educacionais em mundos virtuais: um estudo exploratório no opensim.
OECD (2015). Programme for international student assessment (pisa) results from pisa 2015.
Shearer, C. (2000). The crisp-dm model: The new blueprint for data mining. Journal of Data Warehousing, 5(4).
Bezerra, C., Scholz, R., Adeodato, P., Pontes, T., and Silva, I. (2016). Evasão escolar: Aplicando mineração de dados para identificar variáveis relevantes. In Anais do XXVII Simpósio Brasileiro de Informática na Educação (SBIE 2016).
Brasil (2006). Alunas e alunos da EJA. [link]. Acessado: 14/05/2017.
BRASIL (2012). Índice de abandono escolar é três vezes maior no 6o ano do ensino fundamental.
Digiampietri, L.A., Nakano, F., and Lauretto, M.S. (2016). Mineração de dados para identificação de alunos com alto risco de evasão: Um estudo de caso. Grad+-Revista de Graduação da USP, 1(1).
Diniz, G.M., Machado, D. d. Q., and Moura, H. J. (2014). Políticas públicas de combate ao analfabetismo no Brasil: uma investigação sobre a atuação do programa Brasil Alfabetizado em municípios do Ceará. Revista de Administração Pública, 48:641–666.
Gilmar, W.S.A. (2000). Data mining aplicado ao serviço público, extração de conhecimento das ações do ministério público brasileiro.
Han, J. and Kamber, M. (2006). Data Mining: Concepts and Techniques. Morgan Kaufmann Publishers Inc., San Francisco, CA, USA, 2nd edition.
Hosmer, D.W. and Lemeshow, S. (2000). Applied logistic regression. A Wiley-Interscience publication.
IBM (2016). Ibm spss statistics 24 brief guide. Disponível em: [link]. Acessado em: 07/04/2017.
INEP (2017). Ideb-resultados e metas. Disponível em: [link]. Acessado em: 07/04/2017.
Maimon, O. and Rokach, L. (2010). Data Mining and Knowledge Discovery Handbook. Series in Solid-State Sciences. Springer US.
Manhães, L.M.B., Cruz, S.M.S., Costa, R.J.M., and Zimbrão, J.Z.G. (2011). Previsão de estudantes com risco de evasão utilizando técnicas de mineração de dados.
Molloy, J.C. (2011). The open knowledge foundation: Open data means better science. Plos Biology, 9(12).
Nunes, Felipe Becker; Voss, G.C.S. (2015). Mineração de dados educacionais em mundos virtuais: um estudo exploratório no opensim.
OECD (2015). Programme for international student assessment (pisa) results from pisa 2015.
Shearer, C. (2000). The crisp-dm model: The new blueprint for data mining. Journal of Data Warehousing, 5(4).
Publicado
30/10/2017
Como Citar
CALIXTO, Kennet E. A.; N. SEGUNDO, Caetano V.; DE GUSMÃO, Renê P..
Mineração de dados aplicada à educação: um estudo comparativo acerca das características que influenciam a evasão escolar. In: SIMPÓSIO BRASILEIRO DE INFORMÁTICA NA EDUCAÇÃO (SBIE), 28. , 2017, Recife/PE.
Anais [...].
Porto Alegre: Sociedade Brasileira de Computação,
2017
.
p. 1447-1456.
DOI: https://doi.org/10.5753/cbie.sbie.2017.1447.
