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
Edição
Seção
Licença
• O(s) autor(es) autoriza(m) a publicação do artigo na revista;
• O(s) autor(es) garante(m) que a contribuição é original e inédita e que não está em processo de avaliação em outra(s) revista(s), nem esteja publicado em anais de congressos e/ou portais institucionais;
• A revista não se responsabiliza pelas opiniões, ideias e conceitos emitidos nos textos, por serem de inteira responsabilidade de seu(s) autor(es). Opiniões e perspectivas expressas no texto, assim como a precisão e a procedência das citações, são de responsabilidade exclusiva do(s) autor(es), e contribuem para a promoção dos:
- Princípios FAIR (Findable, Accessible, Interoperable, and Reusable – localizável, acessível, interoperável e reutilizável);
- Princípios DEIA (diversidade, equidade, inclusão e acessibilidade).
• É reservado aos editores o direito de proceder ajustes textuais e de adequação do artigos às normas da publicação.
Responsabilidades dos autores e transferência de direitos autorais
Os autores devem declarar a originalidade do estudo, bem como o fato de que este não foi publicado anteriormente ou está sendo considerado para publicação em outro meio, como periódicos, anais de eventos ou livros. Ao autorizarem a publicação do artigo na Revista Principia, os autores devem também responsabilizar-se pelo conteúdo do manuscrito, cujos direitos autorais, em caso de aprovação, passarão a ser propriedade exclusiva da revista. A Declaração de Responsabilidades dos Autores e Transferência de Direitos Autorais deverá ser assinada por todos os autores e anexada ao sistema como documento suplementar durante o processo de submissão. Clique no link abaixo para fazer o download do modelo.
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.
