Mineração de dados aplicada à predição da evasão escolar no ensino médio

• Ano de defesa: 2021
• Autor(a) principal: Silva, Alex Sandro Siqueira da
• Tipo de documento: Tese
• Tipo de acesso: Acesso aberto
• Idioma: por
• Instituição de defesa: Universidade Estadual Paulista (Unesp)
• Palavras-chave em Português: Educação; Ensino médio; Evasão escolar; Mineração de dados; Classificação por árvores de decisão; Education; High school; School dropout; Data mining; Decision tree classification
• Link de acesso: http://hdl.handle.net/11449/213799

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.