Visual analysis to compare academic performances of Quota and Non-Quota Students from Computer-related programs

• Pedro B. Pio Universidade de Brasília
• Igor C. Sodré Universidade de Brasília
• Vinicius R. P. Borges Universidade de Brasília http://orcid.org/0000-0003-1254-8420

DOI: https://doi.org/10.5753/wei.2020.11154

Resumo

A implementação do sistema de cotas em universidades públicas é um tópico de debate na sociedade brasileira, especialmente no que concerne ao desempenho acadêmico dos estudantes que foram admitidos pelo sistema de cotas. Este artigo descreve um processo de análise visual para explorar e comparar o desempenho entre estudantes cotistas e não-cotistas em cursos relacionados com a área de Computação em uma universidade pública brasileira. Os resultados evidenciaram que as taxas de reprovação e evasão entre os estudantes de cotas é levemente superior em relação aos demais, no entanto estas taxas apresentaram valores similares nos períodos finais dos cursos.

Palavras-chave: Análise visual, ações afirmativas

Referências

Baggi, C. A. d. S. and Lopes, D. A. (2011). Evasão e avaliação institucional no ensino superior: uma discussão bibliográfica.R. da Avaliação da Educação Superior, 16(2).

Bailey, S. R. and Peria, M. (2010). Racial quotas and the culture war in brazilian academia. Sociology Compass, 4(8):592–604.

Costa, E. B., Fonseca, B., Santana, M. A., de Ara ́ujo, F. F., and Rego, J. (2017). Evaluating the effectiveness of educational data mining techniques for early prediction of students’ academic failure in introductory programming courses. Computers in HumanBehavior, 73:247–256.

Crosby, F. J. and Cordova, D. I. (1996). Words worth of wisdom: Toward an understanding of affirmative action. Journal of Social issues, 52(4):33–49.

dos Santos, J. T. and Queiroz, D. M. (2016). The impact of the “quota system” in the federal university of bahia (2004-2012). Creative Education, 7(17):2678.

Keim, D. A. (2002). Information visualization and visual data mining. IEEE Transactions on Visualization and Computer Graphics, 8(1):1–8.

Romero, C. and Ventura, S. (2020). Educational data mining and learning analytics: An updated survey.Wiley Interdisciplinary Reviews: Data Mining and Knowledge Discovery, page e1355.

Valente, R. R. and Berry, B. J. (2017). Performance of students admitted through affirmative action in brazil. Latin American Research Review, 52:18–34.

Wirth, R. and Hipp, J. (2000). Crisp-dm: Towards a standard process model for data mining. In International Conference on the Practical Applications of Knowledge Discovery and Data Mining, pages 29–39. Springer-Verlag London, UK.