Uma linha de pesquisa que apresenta potencial para melhorar a qualidade do ensino e que tem se consolidado nos últimos anos é conhecida como “Mineração de Dados Educacio-
nais” ou EDM (do inglês, “Educational Data Mining”) (BAKER; ISOTANI; CARVALHO,
2011, p. 3-17). Segundo Romero, Ventura e García (2008, p. 368-384), para atingir os objeti- vos propostos, os métodos utilizados nesta linha de pesquisa exploram, em conjunto ou indi- vidualmente, a aplicação de técnicas como Mineração de Dados. Além disso, Fayyad et al. (2002, p. 28-31) ressaltam que a mineração de dados está principalmente preocupada em tor- nar fácil, conveniente e prático para as organizações a exploração de grandes bases de dados mesmo para usuários sem experiência como analista de dados.
A comunidade internacional de mineração de dados educacionais (http://www.educationaldatamining.org) define a mineração de dados educacionais como uma disciplina emergente, preocupada com o desenvolvimento de métodos para explorar tipos de dados que vêm de contextos educativos e usar esses métodos para entender melhor os alunos e as configurações que eles empreendem.
A busca de causas de evasão escolar utilizando técnicas de mineração de dados educa- cionais tem sido objeto de muitas pesquisas. Cobbe et al. (2011) também corrobora estas defi- nições apresentadas anteriormente e entendem que a mineração de dados, aliada ao aprendi- zado de máquina, é uma poderosa ferramenta para a realização de análise de risco de evasão, porquanto permitem a identificação de alunos com elevado risco de evasão, uma vez que a seleção está livre de distorções causadas por influências ideológicas. Balaniuk at al. (2011) argumentam que a seleção de alunos com elevado risco de evasão proporciona à instituição a oportunidade de antecipar uma decisão antes de o aluno se evadir como, por exemplo, traçar estratégias de mitigação do problema.
Romero, Ventura e García (2008, p. 368-384) destacam que diversas técnicas de mine- ração de dados têm sido utilizadas no contexto educacional. Dentre as técnicas mais utiliza- das, esses autores destacam as que se enquadram no grupo “Previsão”.
Segundo Souza (2002, p. 26), as Regras de Classificação é a predição de um valor que um determinado atributo do conjunto assumirá dado um conjunto de valores dos demais atri- butos do conjunto. Sob forma de Árvores de Decisão, usando sequência hierárquica construí- da ao longo de uma estrutura de Árvore com nós e folhas representando as classes, a Árvore exprime diferentes Regras de Classificação. A utilização de algoritmo de classificação busca obter um modelo com elevado grau de confiabilidade.
O emprego dessa técnica tem o potencial de fornecer informações úteis para subsidiar o desenvolvimento de ações (ou seja, diminuir a evasão escolar e melhorar a qualidade do curso) ou estratégias pedagógicas específicas. Essas informações poderiam, também, eviden- ciar algumas características individuais ou coletivas de estudantes (GOTTARDO; KAEST- NER; NORONHA, 2012, p. 2).
Nessa perspectiva, o processo de mineração dos dados para este estudo tem como ob- jetivo caracterizar o perfil de alunos propensos a se evadirem dos cursos técnicos de nível médio. Por meio de técnicas de mineração de dados, busca-se obter modelos para inferir um aspecto particular dos dados (variável a ser prevista) através de alguma combinação de outros aspectos destes dados (variáveis preditoras) (WITTEN; FRANK; HALL, 2011, p. 375).
Vale ressaltar que é relativamente novo o uso de técnicas de mineração de dados para predição da evasão discente (DEKKER et. al., 2009, p. 41-50). Os trabalhos que foram encon- trados que são devotados a analisar a evasão escolar, com emprego de técnicas de mineração de dados, são relacionados no Quadro 3.
Quadro 3 - Documentos devotados à aplicação de técnicas de Mineração de Dados Educacionais
Referência Resumo
Baker, Isotani e Carvalho (2011)
O artigo apresenta uma revisão das pesquisas realizadas na área de Mineração de Dados Educacional (EDM), dando ênfase aos méto- dos e aplicações que têm influenciado, com sucesso, a pesquisa e a prática da educação em vários países. Foram discutidas as condi- ções que viabilizam a pesquisa da EDM no cenário internacional e os desafios para consolidar a área no Brasil. Além disso, também será abordado o potencial impacto da EDM na melhora da qualida- de dos cursos na modalidade educação a distância (EAD).
Cobbe at al. (2011)
O artigo apresenta, de forma pragmática, como sistemas de Busi- ness Intelligence (BI) e de mineração de dados podem ser utiliza- dos na compreensão da realidade das Instituições de Ensino Supe- rior e na gestão de risco, com ênfase na evasão escolar.
Dekker, Pechenizkiy e Vlee- shouwers (2009)
O artigo descreve os resultados da aplicação da Mineração de Da- dos Educacional realizado para o curso de Engenharia Elétrica (EE), com o objetivo de prever a desistência dos alunos após o primeiro semestre de estudo ou antes de entrarem no programa de estudo. Objetiva, também, identificar fatores de sucesso - específi- co para o programa de EE.
Gaioso (2005)
O artigo apresenta uma revisão sobre a evasão na Educação Supe- rior no contexto brasileiro. Analisa a produção acadêmica sobre o tema nos principais periódicos da área de Educação no país.
Gottardo, Kaestner e Noronha (2012)
Neste trabalho, técnicas de Mineração de Dados Educacionais fo- ram utilizadas para gerar inferências sobre o desempenho de estu- dantes a partir de dados coletados em séries temporais. O objetivo principal foi investigar a viabilidade de obtenção dessas informa- ções em etapas iniciais de realização do curso de forma a apoiar a tomada de ações pró-ativas.
Hamalainen at al. (2004)
A partir da análise dos dados recuperados dos cursos de educação a distância, foram realizadas análises, que incluem a tecnologia de um Sistema Tutor Inteligente, combinada com um Sistema de Mi- neração de Dados (DMS), para monitorar, intervir e aconselhar o especialista, neste caso o professor, no processo de aprendizagem.
Martins, Lopes e Raabe (2012)
Este artigo relata duas pesquisas realizadas para detecção de alunos candidatos à evasão. Utilizou-se, na primeira, o conhecimento do especialista (professor da disciplina) para modelar uma Rede Baye- siana do perfil dos alunos desistentes em uma disciplina de algo- ritmos e programação, do primeiro semestre de um curso de gradu- ação em Ciência da Computação. O Assistente de Predição da Eva- são (APE) foi incorporado a um Sistema Tutor Inteligente (STI) chamado Alice, passando a alertar o professor sobre alunos poten- ciais desistentes. Na segunda pesquisa, buscou-se aprimorar o APE por meio da aplicação do processo KDD (Knowledge Discovery in Database), acrescentando novas variáveis obtidas com os dados do
Referência Resumo
STI Alice e de outras fontes. O artigo apresenta os modelos cria- dos, os experimentos realizados e discute os resultados obtidos.
Romero, Ventura e García (2008)
Este trabalho é um levantamento da aplicação específica de Mine- ração de Dados Educacionais visando aprender sistemas de gestão de educação a distância, em um estudo de caso com o sistema Mo- odle. O objetivo foi apresentá-lo tanto na teoria como na prática a todos os interessados nesta nova área de pesquisa.
Santos, Santos e Rissoli (2013)
Neste trabalho, foram realizadas análises significativas que inclu- em a tecnologia de um Sistema Tutor Inteligente, denominado SAE, e alguns métodos de mineração de dados. Em sua proposta, almeja-se combinar essas duas tecnologias para o processamento adequado ao seu contexto de estudo (evasão no ensino superior), tendo como objetivo potencializar seus resultados a fim de comba- tê-la.
Apresentamos a seguir uma breve discussão das propostas identificadas no Quadro 3 e consideradas pelo autor como mais relevantes para esta pesquisa.
No estudo realizado por Hamalainen et al. (2004), foram utilizadas regras de associa- ção e modelos probabilísticos para identificar as características mais importantes para predizer os resultados finais. A análise foi realizada em duas disciplinas de programação ofertadas na modalidade educação a distância (EAD) em um curso de Ciência da Computação. Estas disci- plinas apresentavam altos índices de reprovações e abandono.
A dissertação de Santos (2013) aplica técnicas de mineração de dados aos dados de es- tudantes gerados pela interação em um Sistema de Apoio Educacional (SAE), o objetivo era identificar comportamentos e características de estudantes com risco de evasão no ensino su- perior; para tanto foi utilizado um comitê de preditores para extração de regras. O experimen- to utilizou a base de dados fornecida pelo SAE, totalizando 1.509 estudantes. Seu objetivo era combinar dois tipos de tecnologias, SAE e Mineração de dados, para desenvolver um sistema de alerta para os professores da disciplina.
Observa-se que, de modo geral os estudos que utilizam técnicas de mineração de da- dos, em base de dados educacionais, para predição da evasão escolar apresentam duas caracte- rísticas importantes. A primeira é a seleção dos atributos mais relevantes para caracterizar os grupos de estudantes. A segunda está relacionada ao estudo e seleção dos algoritmos mais apropriados para solução do problema, estimando o desempenho quando aplicados a dados educacionais.