Mineração de Dados Educacionais: um estudo da evasão no ensino médio com base nos indicadores do Censo Escolar
Autor(a) principal: | |
---|---|
Data de Publicação: | 2018 |
Tipo de documento: | Artigo |
Idioma: | por |
Título da fonte: | Informática na Educação: teoria & prática |
Texto Completo: | https://seer.ufrgs.br/index.php/InfEducTeoriaPratica/article/view/87880 |
Resumo: | O emprego de técnicas de Mineração de Dados proporciona obter conhecimentos úteis com o intuito de melhorar a proposta educacional. Com o uso dos indicadores educacionais disponibilizados pelo INEP e utilizando a metodologia CRISP-DM, foram aplicadas as técnicas de correlação e regressão linear a fim de analisar as variáveis que se relacionam com a evasão escolar. Como resultados, foi possível verificar que a taxa de distorção idade-série apresentou a maior correlação positiva, sendo r=0,59. Em seguida, foi obtido o modelo preditivo no qual o resultado da Raiz do Erro Médio Quadrático foi de 5.06. Contudo, pode-se verificar que a Mineração de Dados Educacionais pode ser aplicada para exploração dos dados e gerar conhecimento de modo a servir como auxílio para soluções de problemas e suporte a mecanismos em apoio ao ensino. |
id |
UFRGS-7_b0f12d1047eaee2e42176050ad9274f0 |
---|---|
oai_identifier_str |
oai:seer.ufrgs.br:article/87880 |
network_acronym_str |
UFRGS-7 |
network_name_str |
Informática na Educação: teoria & prática |
repository_id_str |
|
spelling |
Mineração de Dados Educacionais: um estudo da evasão no ensino médio com base nos indicadores do Censo EscolarMineração de DadosEvasãoDescoberta de Conhecimento em Base de DadosMineração de Dados EducacionaisO emprego de técnicas de Mineração de Dados proporciona obter conhecimentos úteis com o intuito de melhorar a proposta educacional. Com o uso dos indicadores educacionais disponibilizados pelo INEP e utilizando a metodologia CRISP-DM, foram aplicadas as técnicas de correlação e regressão linear a fim de analisar as variáveis que se relacionam com a evasão escolar. Como resultados, foi possível verificar que a taxa de distorção idade-série apresentou a maior correlação positiva, sendo r=0,59. Em seguida, foi obtido o modelo preditivo no qual o resultado da Raiz do Erro Médio Quadrático foi de 5.06. Contudo, pode-se verificar que a Mineração de Dados Educacionais pode ser aplicada para exploração dos dados e gerar conhecimento de modo a servir como auxílio para soluções de problemas e suporte a mecanismos em apoio ao ensino.Universidade Federal do Rio Grande do Sul2018-12-31info:eu-repo/semantics/articleinfo:eu-repo/semantics/publishedVersionMétodos Quantitativos e Descritivosapplication/pdfhttps://seer.ufrgs.br/index.php/InfEducTeoriaPratica/article/view/8788010.22456/1982-1654.87880Computers in education: theory & practice; Vol. 21 No. 3 (2018): Processo Ensino-Aprendizagem, Mineração de Dados Educacionais, Recursos EducacionaisInformática na educação: teoria & prática; v. 21 n. 3 (2018): Processo Ensino-Aprendizagem, Mineração de Dados Educacionais, Recursos Educacionais1982-16541516-084Xreponame:Informática na Educação: teoria & práticainstname:Universidade Federal do Rio Grande do Sul (UFRGS)instacron:UFRGSporhttps://seer.ufrgs.br/index.php/InfEducTeoriaPratica/article/view/87880/52130Copyright (c) 2019 Informática na educação: teoria & práticainfo:eu-repo/semantics/openAccessColpani, Rogério2022-01-06T18:27:23Zoai:seer.ufrgs.br:article/87880Revistahttps://seer.ufrgs.br/InfEducTeoriaPraticaPUBhttps://seer.ufrgs.br/InfEducTeoriaPratica/oai||revista@pgie.ufrgs.br1982-16541516-084Xopendoar:2022-01-06T18:27:23Informática na Educação: teoria & prática - Universidade Federal do Rio Grande do Sul (UFRGS)false |
dc.title.none.fl_str_mv |
Mineração de Dados Educacionais: um estudo da evasão no ensino médio com base nos indicadores do Censo Escolar |
title |
Mineração de Dados Educacionais: um estudo da evasão no ensino médio com base nos indicadores do Censo Escolar |
spellingShingle |
Mineração de Dados Educacionais: um estudo da evasão no ensino médio com base nos indicadores do Censo Escolar Colpani, Rogério Mineração de Dados Evasão Descoberta de Conhecimento em Base de Dados Mineração de Dados Educacionais |
title_short |
Mineração de Dados Educacionais: um estudo da evasão no ensino médio com base nos indicadores do Censo Escolar |
title_full |
Mineração de Dados Educacionais: um estudo da evasão no ensino médio com base nos indicadores do Censo Escolar |
title_fullStr |
Mineração de Dados Educacionais: um estudo da evasão no ensino médio com base nos indicadores do Censo Escolar |
title_full_unstemmed |
Mineração de Dados Educacionais: um estudo da evasão no ensino médio com base nos indicadores do Censo Escolar |
title_sort |
Mineração de Dados Educacionais: um estudo da evasão no ensino médio com base nos indicadores do Censo Escolar |
author |
Colpani, Rogério |
author_facet |
Colpani, Rogério |
author_role |
author |
dc.contributor.author.fl_str_mv |
Colpani, Rogério |
dc.subject.por.fl_str_mv |
Mineração de Dados Evasão Descoberta de Conhecimento em Base de Dados Mineração de Dados Educacionais |
topic |
Mineração de Dados Evasão Descoberta de Conhecimento em Base de Dados Mineração de Dados Educacionais |
description |
O emprego de técnicas de Mineração de Dados proporciona obter conhecimentos úteis com o intuito de melhorar a proposta educacional. Com o uso dos indicadores educacionais disponibilizados pelo INEP e utilizando a metodologia CRISP-DM, foram aplicadas as técnicas de correlação e regressão linear a fim de analisar as variáveis que se relacionam com a evasão escolar. Como resultados, foi possível verificar que a taxa de distorção idade-série apresentou a maior correlação positiva, sendo r=0,59. Em seguida, foi obtido o modelo preditivo no qual o resultado da Raiz do Erro Médio Quadrático foi de 5.06. Contudo, pode-se verificar que a Mineração de Dados Educacionais pode ser aplicada para exploração dos dados e gerar conhecimento de modo a servir como auxílio para soluções de problemas e suporte a mecanismos em apoio ao ensino. |
publishDate |
2018 |
dc.date.none.fl_str_mv |
2018-12-31 |
dc.type.driver.fl_str_mv |
info:eu-repo/semantics/article info:eu-repo/semantics/publishedVersion Métodos Quantitativos e Descritivos |
format |
article |
status_str |
publishedVersion |
dc.identifier.uri.fl_str_mv |
https://seer.ufrgs.br/index.php/InfEducTeoriaPratica/article/view/87880 10.22456/1982-1654.87880 |
url |
https://seer.ufrgs.br/index.php/InfEducTeoriaPratica/article/view/87880 |
identifier_str_mv |
10.22456/1982-1654.87880 |
dc.language.iso.fl_str_mv |
por |
language |
por |
dc.relation.none.fl_str_mv |
https://seer.ufrgs.br/index.php/InfEducTeoriaPratica/article/view/87880/52130 |
dc.rights.driver.fl_str_mv |
Copyright (c) 2019 Informática na educação: teoria & prática info:eu-repo/semantics/openAccess |
rights_invalid_str_mv |
Copyright (c) 2019 Informática na educação: teoria & prática |
eu_rights_str_mv |
openAccess |
dc.format.none.fl_str_mv |
application/pdf |
dc.publisher.none.fl_str_mv |
Universidade Federal do Rio Grande do Sul |
publisher.none.fl_str_mv |
Universidade Federal do Rio Grande do Sul |
dc.source.none.fl_str_mv |
Computers in education: theory & practice; Vol. 21 No. 3 (2018): Processo Ensino-Aprendizagem, Mineração de Dados Educacionais, Recursos Educacionais Informática na educação: teoria & prática; v. 21 n. 3 (2018): Processo Ensino-Aprendizagem, Mineração de Dados Educacionais, Recursos Educacionais 1982-1654 1516-084X reponame:Informática na Educação: teoria & prática instname:Universidade Federal do Rio Grande do Sul (UFRGS) instacron:UFRGS |
instname_str |
Universidade Federal do Rio Grande do Sul (UFRGS) |
instacron_str |
UFRGS |
institution |
UFRGS |
reponame_str |
Informática na Educação: teoria & prática |
collection |
Informática na Educação: teoria & prática |
repository.name.fl_str_mv |
Informática na Educação: teoria & prática - Universidade Federal do Rio Grande do Sul (UFRGS) |
repository.mail.fl_str_mv |
||revista@pgie.ufrgs.br |
_version_ |
1799766183664156672 |