Author:
Lima William de Sousa,Ferraz Daniel de Oliveira,Sousa Ailton Lopes de,Melo Júnior Gilberto de
Abstract
A análise de dados educacionais tem ganhado crescente relevância na atualidade, sendo uma ferramenta essencial para a compreensão e melhoria dos processos de ensino e aprendizagem. Esse trabalho tem como objetivo utilizar técnicas de clusterização para analisar dados educacionais do Instituto Federal do Pará (IFPA), campus Altamira, referentes aos anos de 2018 a 2021, com intuito de gerar grupos utilizando o algoritmo Farthest First presente no software WEKA. Utilizando dados coletados do sistema acadêmico, o estudo organizou as informações dos discentes contendo 15 atributos diferentes, abrangendo tanto aspectos socioeconômicos quanto acadêmicos dos estudantes. A análise resultou na formação de seis clusters distintos, cada um representando diferentes perfis de alunos com base em características como desempenho acadêmico, número de faltas e situação no curso. A análise dos clusters revelou a complexidade dos fatores que influenciam a trajetória acadêmica dos estudantes. A utilização do algoritmo Farthest First mostrou-se eficaz na identificação de padrões relevantes, destacando a importância de considerar aspectos socioeconômicos e pessoais além do desempenho acadêmico para entender as dinâmicas de permanência e evasão nos cursos superiores.
Publisher
South Florida Publishing LLC
Reference25 articles.
1. BATISTA, Messias Rafael; DE ARAÚJO FAGUNDES, Roberta Andrade. Mineração de dados educacionais aplicada a performance de estudantes: uma revisão sistemática da literatura. Revista Novas Tecnologias na Educação, v. 21, n. 1, p. 271-280, 2023.
2. CORCOVIA, Lucas Oukus; ALVES, Renato Santos. Aprendizagem de Máquina e Mineração de Dados: avaliação de métodos de aprendizagem. Revista Interface Tecnológica, v. 16, n. 1, p. 90-101, 2019.
3. DA SILVA, Rogério Aparecido Teixeira et al. Análise de dados de trabalhos acadêmicos da região Norte do Brasil utilizando algoritmo de agrupamento Farthest First. Cuadernos de Educación y Desarrollo, v. 16, n. 1, p. 3327-3346, 2024.
4. DE MAGALHÃES, Lúcia Helena et al. Agrupamento automático de notícias de jornais on-line usando técnicas de machine learning para clustering de textos no idioma português. 2020.
5. DE MELO, Gilberto et al. Evaluation techniques of machine learning in task of reprovation prediction of technical high school students. In: 2017