Construção de um data warehouse para uma análise multidimensional da evasão escolar: estudo de caso da Plataforma Nilo Peçanha
DOI:
https://doi.org/10.18265/1517-0306a2022id7235Palavras-chave:
evasão escolar, data warehouse, PNP, processo de descoberta de conhecimento em bancos de dadosResumo
Os índices elevados de evasão escolar representam um problema que tem atraído a atenção de muitos gestores e educadores ao redor do mundo. Esse problema acontece quando, por algum motivo, o aluno abandona o curso no qual está matriculado antes de sua conclusão. A evasão escolar gera uma série de prejuízos aos diversos atores envolvidos no processo educacional e pode ocorrer em diversos níveis e modalidades de ensino, por diversas causas. Uma forma de se combater a evasão escolar – e, consequentemente, os problemas causados por ela – consiste em identificar, de forma antecipada, alunos ou perfis de alunos com alto risco de evasão. A identificação prévia desses perfis pode auxiliar os gestores de políticas educacionais na tomada de decisão, como a elaboração de planos e a execução de ações que tentem evitar que os alunos abandonem os seus cursos. Este trabalho propõe a confecção de um banco de dados dimensional utilizado em um data warehouse, para análise das características dos alunos, relacionadas à evasão escolar. Os dados são oriundos da Plataforma Nilo Peçanha (PNP), adquiridos através de processos de extração, transformação e carga dos dados. Processo de Descoberta de Conhecimento em Bancos de Dados foi utilizado para analisar quais características estão relacionadas à evasão escolar de alunos de cursos de nível técnico e de graduação da rede federal de ensino de todo o Brasil, comparando os resultados com os dados do Instituto Federal de Educação, Ciência e Tecnologia da Paraíba (IFPB). As características relacionadas a faixa etária, renda per capita familiar e etnia apresentaram diferenças significativas quando comparados os alunos que abandonaram o curso e aqueles que o concluíram.
Downloads
Referências
BAKER, R.; ISOTANI, S.; CARVALHO, A. Mineração de dados educacionais: oportunidades para o Brasil. Revista Brasileira de Informática na Educação, v. 19, n. 2, p. 3-13, 2011. DOI: http://dx.doi.org/10.5753/rbie.2011.19.02.03.
BRITO, D. M.; PASCOAL, T. A.; ARAÚJO, J. G. G. O.; LEMOS, M. O.; RÊGO, T. G. Identificação de estudantes do primeiro semestre com risco de evasão através de técnicas de Data Mining. In: XX CONGRESSO INTERNACIONAL DE INFORMÁTICA EDUCATIVA (TISE 2015), 20., 2015, Santiago. Nuevas Ideas en Informática Educativa: v. 11. Santiago: Universidad de Chile, 2015. Disponível em: http://www.tise.cl/volumen11/TISE2015/459-463.pdf. Acesso em: 12 nov. 2021.
CARPENTER, J.; HEWITT, E. Cassandra: The definitive guide. 3. ed. Sebastopol: O’Reilly Media, 2020.
CASTRO, L. N.; FERRARI, D. G. Introdução à mineração de dados: conceitos básicos, algoritmos e aplicações. São Paulo: Saraiva, 2016.
DORE, R.; LÜSCHER, A. Z. Permanência e evasão na educação técnica de nível médio em Minas Gerais. Cadernos de pesquisa, v. 41, n. 144, p. 770-789, 2011. DOI: https://doi.org/10.1590/S0100-15742011000300007.
FAYYAD, U.; PIATETSKY-SHAPIRO, G.; SMYTH, P. From data mining to knowledge discovery in databases. AI Magazine, v. 17, n. 3, p. 37-54, 1996. DOI: https://doi.org/10.1609/aimag.v17i3.1230.
FERREIRA, J. T. A.; MIRANDA, M.; ABELHA, A.; MACHADO, J. M. O processo ETL em sistemas Data Warehouse. In: SIMPÓSIO DE INFORMÁTICA, 2., 2010, Braga. Actas [...]. Braga: Universidade do Minho, 2010. p. 757-765. Disponível em: http://repositorium.sdum.uminho.pt/handle/1822/11435. Acesso em: 3 nov. 2022.
INEP – INSTITUTO NACIONAL DE ESTUDOS E PESQUISAS EDUCACIONAIS ANÍSIO TEIXEIRA. Sinopse Estatística da Educação Superior. 2020. Disponível em https://www.gov.br/inep/pt-br/acesso-a-informacao/dados-abertos/microdados. Acesso em: 22 nov. 2020.
INMON, W. H. Building the data warehouse. 4th ed. New York: Wiley, 2002.
KABASHI, Q.; SHABANI, I.; CAKA, N. Analysis of the student dropout rate at the Faculty of Electrical and Computer Engineering of the University of Prishtina, Kosovo, From 2001 to 2015. IEEE Access, v. 10, p. 68126-68137, 2022. DOI: https://doi.org/10.1109/ACCESS.2022.3185620.
KAUR, P.; SINGH, M.; JOSAN, G. S. Classification and prediction based data mining algorithms to predict slow learners in education sector. Procedia Computer Science, v. 57, p. 500-508, 2015. DOI: https://doi.org/10.1016/j.procs.2015.07.372.
KEMCZINSKI, A.; CIDRAL, A.; CASTRO, J. E. E.; FIOD NETO, M. Como obter vantagem competitiva utilizando business intelligence? Produção On Line, v. 3, n. 2, 2003. DOI: https://doi.org/10.14488/1676-1901.v3i2.626.
KIMBALL, R.; ROSS, M. The data warehouse toolkit: the definitive guide to dimensional modeling. 3rd ed. Indianapolis: Wiley, 2013.
MNYAWAMI, Y. N.; MAZIKU, H. H.; MUSHI, J. C. Enhanced model for predicting student dropouts in developing countries using automated machine learning approach: a case of tanzanian’s secondary schools. Applied Artificial Intelligence, v. 36, n. 1, p. 433-451, 2022. DOI: https://doi.org/10.1080/08839514.2022.2071406.
MOLINER, L.; ALEGRE, F.; LORENZO-VALENTIN, G. The COVID-19 Pandemic’s Impact on 9th Grade Students’ Mathematics Achievement. European Journal of Educational Research, v. 11, n. 2, p. 835-845, 2022. DOI: https://doi.org/10.12973/eu-jer.11.2.835.
PRIM, A. L.; FÁVERO, J. D. Motivos da evasão escolar nos cursos de ensino superior de uma faculdade na cidade de Blumenau. E-Tech: Tecnologias para Competitividade Industrial, Florianópolis, 3. ed. especial, p. 53-72, 2013. DOI: https://doi.org/10.18624/e-tech.v0i0.382.
ROMERO, C.; VENTURA, S.; PECHENIZKY, M.; BAKER, R. S. F. Handbook of educational data mining. New York: Taylor & Francis, 2010.
SAKKA, A.; BIMONTE, S.; PINET, F.; SAUTOT, L. Volunteer data warehouse: state of the art. International Journal of Data Warehousing and Mining (IJDWM), v. 17, n. 3, p. 1-21, 2021. DOI: https://dx.doi.org/10.4018/IJDWM.2021070101.
SANTOS, F. F. P.; SIMON, L. M.; PINTO, N. G. M. Retenção e evasão escolar em um Instituto Federal de Educação, Ciência e Tecnologia. Revista Científica da AJES, v. 9, n. 18, p. 186-196, 2020. Disponível em: https://revista.ajes.edu.br/index.php/rca/article/view/334. Acesso em: 3 nov. 2022.
SILVA, T. H. O.; MENDONÇA, F. M. Análise de evasão dos cursos de licenciatura de uma instituição de ensino pertencente a rede federal de educação, profissional, científica e tecnológica. Curitiba. Brazilian Journal of Development, v. 7, n. 8, p. 80739-80751, 2021. DOI: https://doi.org/10.34117/bjdv7n8-338.
SINGH, H. P.; ALHULAIL, H. N. Predicting student-teachers dropout risk and early identification: a four-step logistic regression approach. IEEE Access, v. 10, p. 6470-6482, 2022. DOI: http://doi.org/10.1109/ACCESS.2022.3141992.
VEIGA, C. R.; BERGIANTE, N. Fatores predominantes da evasão escolar no ensino médio profissional: uma revisão de literatura. In: CONGRESSO NACIONAL DE EXCELÊNCIA EM GESTÃO, 12.; INOVARSE, 3., 2016, Rio de Janeiro. Anais [...]. Rio de Janeiro: CNEG, 2016.
XU, C.; ZHU, G.; YE, J.; SHU, J. Educational data mining: dropout prediction in XuetangX MOOCs. Neural Processing Letters, v. 54, p. 2885-2900, 2022. DOI: https://doi.org/10.1007/s11063-022-10745-5.
Downloads
Publicado
Como Citar
Edição
Seção
Licença
Esta revista, seguindo as recomendações do movimento de Acesso Aberto, proporciona seu conteúdo em Full Open Access. Assim os autores conservam todos seus direitos permitindo que a Revista Principia possa publicar seus artigos e disponibilizar pra toda a comunidade.
A Revista Principia adota a licença Creative Commons 4.0 do tipo atribuição (CC-BY). Esta licença permite que outros distribuam, remixem, adaptem e criem a partir do seu trabalho, inclusive para fins comerciais, desde que lhe atribuam o devido crédito pela criação original.
Os autores estão autorizados a enviar a versão do artigo publicado nesta revista em repositório institucionais, com reconhecimento de autoria e publicação inicial na Revista Principia.
Demais informações sobre a Política de Direitos Autorais da Revista Principia encontram-se neste link.
(precisa estar logado)
