Publicação: Mineração de dados aplicada à predição da evasão escolar no ensino médio
Carregando...
Arquivos
Data
Autores
Orientador
Minussi, Carlos Roberto 
Coorientador
Pós-graduação
Engenharia Elétrica - FEIS
Curso de graduação
Título da Revista
ISSN da Revista
Título de Volume
Editor
Universidade Estadual Paulista (Unesp)
Tipo
Tese de doutorado
Direito de acesso
Acesso aberto
Resumo
Resumo (português)
Evasão escolar é um fenômeno tão antigo quanto as próprias escolas no formato como as conhecemos, espaços físicos e virtuais que congregam pessoas para o desenvolvimento de conhecimentos e construção de aprendizagens. Os fatores que levam os alunos à evasão, ao abandono desses espaços antes de finalizarem os períodos regulares de conclusão dos seus estudos, são múltiplos e diversificados, porém, seja como for, a frustração causada é sempre um problema de grande alcance social, seja sob aspectos mais pontuais, como os prejuízos financeiros para Estados e famílias que investem nos sistemas educacionais, seja sob aspectos mais abrangentes de pessoas que estarão menos preparadas para os desafios do nosso tempo. Compreender a evasão escolar e antecipar medidas para prevenir suas consequências são objetivos de muitos pesquisadores, de diferentes áreas da ciência, não restritas às ciências sociais e educacionais. O presente trabalho se junta a esses esforços, utilizando técnicas de inteligência computacional, especificamente a mineração de dados com classificações por árvores de decisões, para criar modelos preditivos da evasão escolar dos alunos matriculados no ensino médio do Instituto Federal de Educação, Ciência e Tecnologia de Mato Grosso (IFMT). Nas experimentações realizadas, o ambiente de trabalho oferecido pelo Weka foi suporte aos algoritmos mineradores “J48”, “SimpleCart” e “RandomForest”, que alcançaram, em seus melhores desempenhos, índices de precisão variando de 80,79% a 84,40%. Os preditores inferidos pelos classificadores são recursos importantes para identificar potenciais evasores, embora não se prestem à descrição dos porquês desses apontamentos, são mecanismos de previsão e não de explicação. Essas previsões, somadas a um exame cuidadoso das árvores de decisões geradas durante o processo, podem revelar indicadores preciosos à definição de políticas e ações educacionais que se antecipem às evasões, permitindo que providências sejam tomadas enquanto ainda há tempo.
Resumo (inglês)
School dropout is a phenomenon as old as the schools themselves in the format as we know them, physical and virtual spaces that bring people together for the development of knowledge and the construction of learning. The factors that lead students to evasion, abandonment of these spaces before completing the regular periods of completion of their studies, are multiple and diversified, however, in any case, the frustration caused is always a problem of great social reach, whether under more punctual aspects, such as the financial losses for States and families that invest in education systems, besides more comprehensive aspects of people who will be less prepared for the challenges of our time. Understanding school dropout and anticipating measures to prevent its consequences are objectives of many researchers, from different areas of science, not restricted to social and educational sciences. This work joins these efforts, using computational intelligence techniques, specifically data mining with classifications by decision trees, to create predictive models of school dropout for students enrolled in high school at the Federal Institute of Education, Science, and Technology of Mato Grosso (IFMT). In the experiments carried out, the work environment offered by Weka was support for the mining algorithms J48, SimpleCart, and RandomForest, which achieved, in their best performances, precision rates ranging from 80.79% to 84.40%. The predictors inferred by the classifiers are important resources to identify potential evaders, although they do not lend themselves to the description of the reasons for these notes, they are mechanisms of prediction and not of explanation. These predictions, coupled with a careful examination of the decision trees generated during the process, can reveal valuable indicators for the definition of educational policies and actions that anticipate evasion, allowing measures to be taken while there is still time.
Descrição
Palavras-chave
Educação, Ensino médio, Evasão escolar, Mineração de dados, Classificação por árvores de decisão, Education, High school, School dropout, Data mining, Decision tree classification
Idioma
Português
