Análise de padrões na educação via redes neurais e aprendizado de máquina

Abstract

O Censo Escolar do INEP (Instituto Nacional de Estudos e Pesquisas Educacionais Anísio Teixeira) é uma fonte indispensável de dados educacionais no Brasil, servindo como base para o planejamento de ações e melhorias na educação. No entanto, o grande volume e a complexidade desses dados impõem desafios significativos para sua análise e interpretação. Portanto, este trabalho propõe a aplicação de Redes Neurais de Grafos (GNNs) como uma abordagem inovadora para enfrentar os desafios associados à alta dimensionalidade, à falta de padronização e às dificuldades de interpretação dos dados do mais recente Censo Escolar de 2023. Através deste trabalho, foi demonstrado como as GNNs podem ser efetivas em capturar relações complexas entre os dados, facilitando a extração de informações relevantes, bem como a geração de insights educacionais significativos.

The INEP School Census (Instituto Nacional de Estudos e Pesquisas Educacionais Anísio Teixeira) is an indispensable source of educational data in Brazil, serving as the foundation for planning actions and improving education. However, the large volume and complexity of this data collection pose significant challenges for exploration and interpretation. Therefore, this study proposes the application of Graph Neural Networks (GNNs) as an innovative tool to address the challenges associated with high dimensionality, lack of standardization, and difficulties in interpreting the data from the most recent 2023 School Census. This work demonstrates how GNNs can effectively capture complex relationships within the data, facilitating the extraction of relevant information and generating meaningful educational insights.