Data science em base escolar
uma perspectiva estatística da evasão escolar
Palavras-chave:
Evasão Escolar, Aprendizado de Máquina, Ciência de DadosResumo
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.
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.