Minerando Dados para Entender os Fatores de Influência da Qualidade Educacional do Maranhão
DOI:
https://doi.org/10.5753/rbie.2023.2831Palavras-chave:
Mineração de Dados Educacionais, Maranhão, Educação, Análise de Correlação, Análise de Fatores, Regressão, Árvore de DecisãoResumo
O estado do Maranhão apresenta índices baixos na qualidade da educação básica, conforme pode ser verificado nas avaliações de desempenho nacionais ao longo dos anos. O problema da baixa qualidade educacional pode ser abordado e investigado do ponto de vista de diversas áreas. Uma delas é a utilização de Mineração de Dados Educacionais, que está cada vez mais presente em estudos científicos, e também é utilizada para dar suporte à tomada de decisão por elaboradores de políticas públicas. No entanto, as pesquisas com os dados de uma região geográfica, ou determinada localidade, ainda podem ser escassas, sendo o caso do estado do Maranhão. Essa pesquisa tem o objetivo de entender quais são os fatores que influenciam na qualidade da educação pública do estado do Maranhão. Para isso, foram utilizadas técnicas de mineração de dados, tais como análise exploratória de dados, análise de correlação, análise de fatores, regressão e árvore de decisão. Os dados utilizados são das escolas públicas estaduais de ensino médio do Maranhão. Os resultados desse estudo mostram um diagnóstico da situação educacional do estado, com a identificação do que influencia significativamente no desempenho da educação.
Downloads
Referências
Agarwal, S. (2013). Data mining: Data mining concepts and techniques. In 2013 international conference on machine intelligence and research advancement (pp. 203–207). doi:10.1109/ICMIRA.2013.45. [GS Search]
Akoglu, H. (2018). User’s guide to correlation coefficients. Turkish Journal of Emergency Medicine, 18(3), 91-93. doi: 10.1016/j.tjem.2018.08.001. [GS Search]
Azevedo, A., & Santos, M. F. (2008). Kdd, semma and crisp-dm: a parallel overview. In A. Abraham (Ed.), Iadis european conf. data mining (p. 182-185).
Barbieri, C. (2001). Bi–business intelligence–modelagem & tecnologia.
Brasil (1988). Constituição da república federativa do Brasil de 1988. Diário Oficial da República Federativa do Brasil. [Link]
Carvalho, J., Cruz, L., & Gouveia, R. (2017). Descoberta de conhecimento com aprendizado de máquina supervisionado em dados abertos dos censos da educação básica e superior. In Anais dos workshops do congresso brasileiro de informática na educação (Vol. 6, pp. 674–683). doi:10.5753/cbie.wcbie.2017.674 [GS Search]
Castro Soares, R., Neto, N. W., Coutinho, L. R., da Silva, F. J., dos Santos, D. V., & Teles, A. S. (2021). Mineração de dados da educaçao básica brasileira usando as bases do inep: Uma revisão sistemática da literatura. RENOTE, 19(1), 361–370. doi: 10.22456/1679-1916.118526 [GS Search]
Curral, J. (1994). Statistics packages: A general overview.
DiStefano, C., Zhu, M., & Mindrila, D. (2009). Understanding and using factor scores: Considerations for the applied researcher. Practical Assessment, Research, and Evaluation, 14(1), 20. doi:10.7275/da8t-4g52. [GS Search]
Fayyad, U., Piatetsky-Shapiro, G., & Smyth, P. (1996). From data mining to knowledge discovery in databases. AI magazine, 17(3), 37–37. doi:10.1609/aimag.v17i3.1230 [GS Search]
Fernandes, E., Holanda, M., Victorino, M., Borges, V., Carvalho, R., & Van Erven, G. (2019). Educational data mining: Predictive analysis of academic performance of public school students in the capital of brazil. Journal of Business Research, 94, 335–343. doi:10.1016/j.jbusres.2018.02.012 [GS Search]
Figueiredo Filho, D. B., & Silva Júnior, J. A. d. (2010). Visão além do alcance: uma introdução à análise fatorial. Opinião pública, 16(1), 160–185. doi:10.1590/S0104-62762010000100007 [GS Search]
Fonseca, S. O. d., & Namen, A. A. (2016). Data mining on inep databases: An initial analysis aiming to improve brazilian educational system. Educação em Revista, 32, 133–157. doi:10.1590/0102-4698140742 [GS Search]
Garcia, S. C. (2003). O uso de árvores de decisão na descoberta de conhecimento na área da saúde. Unpublished master’s thesis. [GS Search]
Gorsuch, R. L. (2014). Factor analysis: Classic edition.
IBGE (2021). Maranhão - IBGE Cidades. [Link]
INEP (2022a). Portal de Dados Abertos do Instituto Nacional de Estudos e Pesquisas Educacionais Anísio Teixeira (INEP). [Link]
INEP (2022b). Índice de Desenvolvimento da Educação Básica (IDEB) - Instituto Nacional de Estudos e Pesquisas Educacionais Anísio Teixeira (INEP). [Link]
Júnior, G. C., Nascimento, R., Alves, G., & Gouveia, R. (2017). Identificando correlaçoes e outliers entre bases de dados educacionais. In Anais dos workshops do congresso brasileiro de informática na educação (Vol. 6, pp. 694–703). doi:10.5753/cbie.wcbie.2017.694 [GS Search]
Lima, D. A., Ferreira, M. E. A., & Silva, A. F. F. (2021). Machine learning and data visualization to evaluate a robotics and programming project targeted for women. Journal of Intelligent & Robotic Systems, 103(1), 1–20. doi:10.1007/s10846-021-01443-w [GS Search]
Lira, S. A. (2004). Análise de correlação: Abordagem teórica e de construção dos coeficientes com aplicações.
Maranhão, G. (2022). Piso salarial do professor com jornada de 40 horas no maranhão é R$ 3 mil a mais que o nacional. [Link]
Namen, A. A., Borges, S. X. d. A., & Sadala, M. d. G. S. (2013). Indicadores de qualidade do ensino fundamental: o uso das tecnologias de mineração de dados e de visões multidimensionais para apoio à análise e definição de políticas públicas. Revista Brasileira de Estudos Pedagógicos, 94(238), 677–700. doi:10.1590/S2176-66812013000300003 [GS Search]
Nascimento Bem, L., da Silva Pereira, V., & Souza, E. (2017). Data mart para análise comparativa de dados do ideb em municípios da microrregião do pajeú em pernambuco. In Anais dos workshops do congresso brasileiro de informática na educação (Vol. 6, pp. 704–713). doi:10.5753/cbie.wcbie.2017.704 [GS Search]
Orange Data Mining (2022). Orange Documentation. Tree Viewer. [Link]
Pacini, I. B. d. A. (2020). Indicadores educacionais: Um estudo dos limites e potencialidades da prova brasil da rede estadual de ensino do tocantins. Humanidades & Inovação, 7(18), 242–257. [GS Search]
Pallant, J. (2020). Spss survival manual: A step by step guide to data analysis using ibm spss. Routledge. [GS Search]
Peña-Ayala, A. (2014). Educational data mining: A survey and a data mining-based analysis of recent works. Expert Systems with Applications, 41(4, Part 1), 1432-1462. doi:10.1016/j.eswa.2013.08.042 [GS Search]
Rigo, S., Cambruzzi, W., Barbosa, J., & Cazella, S. (2014). Aplicações de mineração de dados educacionais e learning analytics com foco na evasão escolar: oportunidades e desafios. Revista Brasileira de Informática na Educação, 22(01), 132. doi:10.5753/rbie.2014.22.01.132 [GS Search]
Rigotti, J. I. R., & Cerqueira, C. A. (2015). As bases de dados do inep e os indicadores educacionais: conceitos e aplicações. Livros, 71–88. [GS Search]
Rodrigues, R. L., De Medeiros, F. P., & Gomes, A. S. (2013). Modelo de regressão linear aplicado à previsão de desempenho de estudantes em ambiente de aprendizagem. In Brazilian symposium on computers in education (simpósio brasileiro de informática na educação-sbie) (Vol. 24, p. 607-616). doi:10.5753/cbie.sbie.2013.607 [GS Search]
Santos, A., & de Medeiros, F. P. A. (2020). Relationship of federal funding to ideb results in a state in brazil: an approach based on educational data mining. In 15th iberian conference on information systems and technologies (cisti) (pp. 1–4). doi:10.23919/CISTI49556.2020.9140924 [GS Search]
SEDUC-MA, S. E. E. M. (2020). Maranhão mantém trajetória de crescimento e atinge 3,7 no ideb, maior nota da história. [Link]
Shearer, C. (2000). The crisp-dm model: the new blueprint for data mining.
Silva Pinto, G., Júnior, O. d. G. F., & de Barros Costa, E. (2019). Identificação dos fatores de melhorias no ideb pelo uso de mineração de dados: Um estudo de caso em escolas municipais de teotônio vilela-alagoas. RENOTE, 17(3), 183–193. doi:10.22456/1679-1916.99469 [GS Search]
Silva Pinto, G., Júnior, O. F., Costa, E., Barbirato, J. C. C., & Rodrigues, W. R. M. (2019). Identificação dos fatores de melhorias no ideb pelo uso de mineração de dados: Um estudo de caso em escolas municipais de maceió. In Brazilian symposium on computers in education (Vol. 30, pp. 1828–1837). doi:10.5753/cbie.sbie.2019.1828 [GS Search]
Tan, P.-N., Steinbach, M., & Kumar, V. (2009). Introdução ao datamining: mineração de dados.
Witten, I. H., Frank, E., Hall, M. A., Pal, C. J., & DATA, M. (2005). Practical machine learning tools and techniques. In Data mining (Vol. 2, p. 4). doi:10.1016/C2009-0-19715-5 [GS Search]
Arquivos adicionais
Publicado
Como Citar
Edição
Seção
Licença
Copyright (c) 2023 Raimundo de Castro Soares, Nelson Weber Neto, Luciano Reis Coutinho, Davi Viana dos Santos, Francisco José da Silva e Silva, Ariel Soares Teles
Este trabalho está licenciado sob uma licença Creative Commons Attribution-NonCommercial-NoDerivatives 4.0 International License.
