Data science em base escolar

uma perspectiva estatística da evasão escolar

Autores

  • Celso Barreto Da Silva
  • Sergio Martins Fernandes
  • Galdir Damasceno Reges Júnior
  • José Vicente Cardoso Santos

Palavras-chave:

Evasão Escolar, Aprendizado de Máquina, Ciência de Dados

Resumo

Um importante recurso em que todos os seres humanos precisam se apoiar é a educação. Diante da afirmação, nota-se que a educação no Brasil enfrenta problemas sérios de estrutura e infraestrutura e outros investimentos e entre os problemas catalogados, existe um mais questionado e pesquisado que é a evasão escolar. Nesse cenário, essa pesquisa tem por objetivo geral estabelecer correlação entre a evasão em cursos de TI com o perfil de origem dos alunos, e, por objetivos específicos, a coleta de dados para alimentação de base de dados focal; o tratamento isento dos dados coletados; o treinamento do modelo de aprendizagem de máquina, e, a visualização e análise dos resultados. Avança-se já com a construção da primeira parte do texto destacando através de fundamentação histórica e coleta de dados para que tenhamos dados para a criação do modelo e o embasamento teórico necessário ao tempo em que adota-se uma metodologia lastreada em revisão de literatura específica e aplicada para este estudo que consiste na prospecção de publicados na área (artigos, monografias, teses, dissertações bem como bases de dados oficiais) com construção de texto final a partir de consultas a textos acadêmicos e documentos pertinentes à discussão. Na segunda parte da pesquisa é debatido como sobre a limpeza dos dados com a aplicação de técnicas como a ETL com foco em maximizar o resultado para o nosso modelo ao tempo em que se espera o tratamento da aplicação das técnicas escolhidas para a realização do treinamento de nosso modelo Machine Learning e a catalogação dos resultados e por fim analisaremos os resultados obtidos com demonstrações estatísticas e gráficas e espera-se encontrar o melhor resultado de previsão através dos dados estatísticos acompanhados pelos gráficos e observações sobre o projeto.

Biografia do Autor

Celso Barreto Da Silva

Mestrando em Sistemas e Computação.

Sergio Martins Fernandes

Doutorado em Engenharia de Computação.

Galdir Damasceno Reges Júnior

Doutorado em Mecatrônica.

José Vicente Cardoso Santos

Doutorado em Modelagem Computacional.

Referências

ALPAYDIN, E. (2010). Introduction to Machine Learning. The MIT Press. [GS Search].

Baepler, P., & Murdoch, C. J. (2007). Academic analytics and data mining in higher education. International Journal for the Scholarship of Teaching and Learning, 4(2). doi: Disponível em: <http://dx.doi.org/10.20429/ijsotl.2010.040217>. Acessado 09 setembro 2022.

BAGGI, Cristiane Aparecida Dos Santos e Lopes, Doraci Alves. Evasão e avaliação institucional no ensino superior: uma discussão bibliográfica. Avaliação: Revista da Avaliação da Educação Superior (Campinas) [online]. 2011, v. 16, n. 2 [Acessado 09 setembro 2022], pp. 355-374. Disponível em: <https://doi.org/10.1590/S1414-40772011000200007>. Epub 28 Jun 2011. ISSN 1982-5765.

BOMFIM, GLÉDISON DE AVILA. EVASÃO ESCOLAR EM INSTITUIÇÃO PRIVADA DE ENSINO SUPERIOR: ANÁLISE E PREDIÇÃO. Disponível em: <https://www.unifacvest.edu.br/assets/uploads/files/arquivos/0e944-bomfim_gledison_avila-evasao-escolar-em-instituicao-privada-de-ensino-superior_tcc_ii_unifacvest_2021.pdf> Acesso em: 09/09/2022.

BRITO, M.; Medeiros, F.; Bezerra, EP. Uma ferramenta baseada em infográficos para monitorar o risco de evasão no ensino a distância no ensino superior. Disponível em:<https://ieeexplore.ieee.org/document/8937361>. Acesso em: 09/09/2022.

COELHO, Flavio Codeço. Computação. Científica com Python. Uma introdução à programação para cientistas. Petrópolis RJ. Edição do Autor. 2007. p.28. Disponível em: <http://complex.if.uff.br/_media/python_flavio.pdf>. Acesso em: Acesso em: 09/09/2022.

DELEN, D. 2010. “Uma análise comparativa de técnicas de aprendizado de máquina para retenção de alunos Gestão." Sistemas de Apoio à Decisão 49 (4): 498–506.

GANSEMER-TOPF, AM e JH Schuh. 2006. “Seletividade Institucional e Gastos Institucionais: Examinando Fatores Organizacionais que Contribuem para Retenção e Graduação”. Research in Higher Education 47 (6): 613–642.

ZHANG, Y., S. Oussena, T. Clark e H. Kim. 2010. “Usando a mineração de dados para melhorar a retenção de alunos no ensino superior: um estudo de caso”. Conferência Internacional sobre Sistemas de Informação Empresarial.

BRASIL. LEGP – Lei Geral de Proteção dos dados. Disponível em <https://www.planalto.gov.br/ccivil_03/_ato2015-2018/2018/lei/l13709.htm>. Acesso em: 09/09/2022.

LÜSCHER, Ana Zuleima; DORE, Rosemary. Política educacional no Brasil: educação técnica e abandono escolar. Revista Brasileira de Pós-Graduação. Brasília, supl. 1, v. 8, p. 147 - 176, 2011.

MARQUES, Leoanardo Torres. MATEO: UMA ABORDAGEM DE DESCOBERTA DE CONHECIMENTO PARA DESVENDAR AS CAUSAS DA EVASÃO ESCOLAR. Disponível em: <https://repositorio.ufersa.edu.br/bitstream/prefix/5425/1/LeonardoTM_DISSERT.pdf> Acesso em: 09/09/2022.

MOHER, D. et al. The PRISMA Group. Preferred reporting items for systematic reviews and meta-analyses: the PRISMA statement. 2009. Disponível em: Acesso em: 09/09/2022.

M. Canesche, L. Bragança, O. P. V. Neto, J. A. Nacif and R. Ferreira, "Google Colab CAD4U: Hands-On Cloud Laboratories for Digital Design," 2021 IEEE International Symposium on Circuits and Systems (ISCAS), Daegu, Korea, 2021, pp. 1-5, doi: 10.1109/ISCAS51556.2021.9401151.

TINTO, V. (1975). Dropout from Higher Education: A Theoretical Synthesis of Recent Research. Review of Educational Research, 45(1), 89–125. Disponível em: <https://doi.org/10.3102/00346543045001089>. Acesso em: 09/09/2022.

WITTEN, I. H., & Frank, E. (2005). Practical machine learning tools and techniques. Morgan Kaufmann Series in Data Management Systems. Disponível em: <https://scholar.google.com.br/scholar?hl=pt-BR&as_sdt=1%2C5&as_vis=1&q=Practical+machine+learning+tools+and+techniques&btnG=>. Acesso em: 09/09/2022.

Downloads

Publicado

2022-10-09

Como Citar

Silva, C. B. D., Fernandes, S. M., Júnior, G. D. R., & Santos, J. V. C. (2022). Data science em base escolar: uma perspectiva estatística da evasão escolar. Apoena, 5(1), 1–16. Recuperado de https://publicacoes.unijorge.com.br/apoena/article/view/310

Edição

Seção

Artigos