MINERAÇÃO DE DADOS EDUCACIONAIS APLICADA AOS MICRODADOS DO SAEB: PREDIÇÃO DE DESEMPENHO E FATORES ASSOCIADOS À PROFICIÊNCIA NO ENSINO MÉDIO EM RONDÔNIA
DOI:
https://doi.org/10.56238/arev7n9-157Palabras clave:
Desempenho Escolar, Educação, Ensino Médio, Mineração de Dados, SAEBResumen
Este estudo investiga a aplicação de técnicas de Mineração de Dados Educacionais (MDE) aos microdados do Sistema de Avaliação da Educação Básica (SAEB), com foco nos estudantes do 3º e 4º anos do Ensino Médio do estado de Rondônia. O objetivo foi desenvolver modelos de predição de desempenho em Língua Portuguesa e Matemática e identificar variáveis socioeconômicas, escolares e individuais mais relevantes para a proficiência dos alunos. Foram utilizados algoritmos de regressão, incluindo Linear Regression, IBk (KNN), Random Forest, SMOreg e M5P, sendo este último o que apresentou melhor desempenho preditivo. A análise de relevância por meio do método ReliefF apontou fatores como tempo de estudo, sexo, tipo de escola, acesso a recursos tecnológicos e compreensão das aulas remotas como determinantes do desempenho. Os resultados evidenciam a importância das condições socioeconômicas e do contexto educacional para a aprendizagem, oferecendo subsídios para políticas públicas mais direcionadas e para estratégias pedagógicas voltadas à redução das desigualdades educacionais.
Descargas
Referencias
ALVES, M. T. G.; SOARES, J. F. Contexto escolar e indicadores educacionais: condições desiguais para a efetivação de uma política de avaliação educacional. Educação e Pesquisa, São Paulo, v. 39, n. 1, p. 177-194, mar. 2013. DOI: https://doi.org/10.1590/S1517-97022013000100012
BAKER, R. S.; INVENTADO, P. S. Educational data mining and learning analytics. In: LARUSSON, J. A.; WHITE, B. (Ed.). Learning analytics. Heidelberg: Springer, 2014. p. 61–75. DOI: https://doi.org/10.1007/978-1-4614-3305-7_4
BRITO JÚNIOR, J. J. R. T. A relação entre nível socioeconômico e proficiência em matemática de estudantes pernambucanos do 9º ano através da Mineração de Dados Educacionais. Dialnet, 2022. DOI: https://doi.org/10.18542/amazrecm.v18i41.13547
FARIAS, M. de L.; GUSMÃO, R. P. de; GUSMÃO, C. S. D. Mineração de dados educacionais: investigando a relação entre os microdados do INEP e o desempenho do IDEB. Renote, Porto Alegre, v. 20, n. 2, 2022. DOI: https://doi.org/10.5753/sbie.2023.233489
FARIAS, M. L. de; GUSMÃO, R. P. de; GUSMÃO, C. S. D. Mineração de Dados para investigar o IDEB usando o Censo da Educação Básica e SAEB: um estudo de caso em Sergipe. In: SIMPÓSIO BRASILEIRO DE INFORMÁTICA NA EDUCAÇÃO (SBIE), 2020.
FONSECA, S. O.; NAMEN, A. A. Mineração em bases de dados do Inep: uma análise exploratória para nortear melhorias no sistema educacional brasileiro. Educação em Revista, Belo Horizonte, v. 32, n. 1, p. 133–157, mar. 2016. DOI: https://doi.org/10.1590/0102-4698140742
INSTITUTO NACIONAL DE ESTUDOS E PESQUISAS EDUCACIONAIS ANÍSIO TEIXEIRA (INEP). Microdados do Sistema de Avaliação da Educação Básica – SAEB 2021. Brasília: INEP, publicado em 16 set. 2022; atualizado em 05 maio 2023.
PINTO, G. da S. et al. Mineração de dados educacionais: um modelo de predição do perfil do aluno para melhoria do IDEB. In: SIMPÓSIO BRASILEIRO DE INFORMÁTICA NA EDUCAÇÃO (SBIE), 31., 2020, Online. Porto Alegre: Sociedade Brasileira de Computação, 2020. DOI: https://doi.org/10.5753/cbie.sbie.2020.1172
ROMERO, C.; VENTURA, S. Educational Data Mining and Learning Analytics: An Updated Survey. WIREs Data Mining and Knowledge Discovery, 2020. DOI: https://doi.org/10.1002/widm.1355
SOARES, J. F.; ANDRADE, R. J. Nível socioeconômico, qualidade e eqüidade das escolas de Belo Horizonte. Ensaio: Avaliação e Políticas Públicas em Educação, Rio de Janeiro, v. 14, n. 50, p. 107-126, jan./mar. 2006. DOI: https://doi.org/10.1590/S0104-40362006000100008
