MINERAÇÃO DE DADOS: UM ESTUDO PARA IDENTIFICAÇÃO DO PERFIL DOCENTE DAS IES COM CONCEITO 3 OU SUPERIOR NO IGC AVALIADO EM 2016 NO ESTADO DO ESPÍRITO SANTO

MINERAÇÃO DE DADOS: UM ESTUDO PARA IDENTIFICAÇÃO DO PERFIL DOCENTE DAS IES COM CONCEITO 3 OU SUPERIOR NO IGC AVALIADO EM 2016 NO ESTADO DO ESPÍRITO SANTO

Silva, André Bessa da; Paula, Denilton Macário de; Gomes, Geórgia Regina Rodrigues

Artigo Completo:

Neste trabalho de pesquisa o objetivo é aplicar técnicas de mineração de dados para extrair informações relevantes da base de dados do censo superior de 2016, disponibilizados pelo INEP, sendo utilizada como metodologia uma pesquisa de revisão bibliográfica para conceituação de termos e algoritmos de mineração dados a serem utilizados na pesquisa, bem como discernimento dos processos e indicadores que o MEC leva em consideração para avaliar uma instituição de ensino superior no Brasil. Além disso, também é aplicado o tratamento dos dados anterior a fase de mineração e aplicação do processo do KDD. A pesquisa resulta na criação de clusters de informações, que agrupam os dados da mineração em 7 grandes grupos, além de detalhar algumas ramificações contidas na árvore de decisão criada com base no algoritmo J48. Com este trabalho, podemos concluir que a mineração de dados se apresenta como uma ferramenta poderosa para extração de conhecimento, que nos possibilitou traçar perfis dos docentes capixabas das instituições com IGC 3 ou superior.

Neste trabalho de pesquisa o objetivo é aplicar técnicas de mineração de dados para extrair informações relevantes da base de dados do censo superior de 2016, disponibilizados pelo INEP, sendo utilizada como metodologia uma pesquisa de revisão bibliográfica para conceituação de termos e algoritmos de mineração dados a serem utilizados na pesquisa, bem como discernimento dos processos e indicadores que o MEC leva em consideração para avaliar uma instituição de ensino superior no Brasil. Além disso, também é aplicado o tratamento dos dados anterior a fase de mineração e aplicação do processo do KDD. A pesquisa resulta na criação de clusters de informações, que agrupam os dados da mineração em 7 grandes grupos, além de detalhar algumas ramificações contidas na árvore de decisão criada com base no algoritmo J48. Com este trabalho, podemos concluir que a mineração de dados se apresenta como uma ferramenta poderosa para extração de conhecimento, que nos possibilitou traçar perfis dos docentes capixabas das instituições com IGC 3 ou superior.

Palavras-chave:

DOI: 10.5151/spolm2019-122

Referências bibliográficas

• [1] BATISTA, Fábio Barbosa; BARRETO, Willian de Sousa; GOMES, Geórgia Regina Rodrigues. Utilização de Mineração de Dados para descrição do perfil dos docentes das IES com conceito satisfatório no IGC em 2011 do estado do Rio de Janeiro. Revista de Ciência & Tecnologia. Junho de 2015. Universidade de Iguaçu (UNIG)- RJ. CARDOSO, Olinda Nogueira Paes; MACHADO, Rosa Teresa Moreira. Knowledge management using data mining: a case study of the Federal University of Lavras. Revista de Administração Pública, v. 42, n. 3, p. 495–528, Jun 2008. CAMPOS, Raphael; Árvores de Decisão. <Https://medium.com/machine-learning-beyonddeep- learning/%C3%A1rvores-de-decis%C3%A3o-3f52f6420b69>.Acessado em :10-12- 2018. CAMILO, Cássio Oliveira; CARLOS, João. Mineração de Dados: Conceitos, Tarefas, Métodos e Ferramentas. RT-INF_001-09. p. 29, 2009. Instituto de Informática. Universidade Federal de Goiás. Goiás-GO. CASSIANO, Keila Mara. Análise de Séries Temporais Usando Análise Espectral Singular (SSA) e Clusterização de Suas Componentes Baseada em Densidade. Teste (Doutorado em Engenharia Elétrica) – PUC. Rio de Janeiro. 2014. CUNHA, M.I.; FERNANDES, C, M.; FORSTER, M. M. Avaliação externa e os Cursos de Graduação: implicações políticas na prática pedagógica e na docência. Perspectiva para o ensino e à docência universitária frente ao impacto das políticas de avaliação externa no Brasil. In: DIAS SOBRINHO, J, RISTOFF, D.(Orgs.) Avaliação e compromisso público. A educação superior em debate. Florianópolis: Insular, 2003.p. 97-112. FAYYAD, Usama; PIATETSKY-SHAPIRO, Gregory; SMYTH, Padhraic. From Data Mining to Knowledge Discovery in Databases. p. 18, 1996. AI Magazine. GIL, Antônio Carlos. Como elaborar projetos de pesquisa. 4. ed. São Paulo: Atlas S.a, 2002. 176 p. INEP, Manual do Enade, 2016 – Brasília: Inep, 2016. Disponível em: < http://download.inep.gov.br/educacao_superior/enade/manuais/manual_do_enade_28092016 .pdf>. Acessado em: 13-12-2018. INEP, SINAES 2015 - volume 5, 2015– Brasília: Inep, 2015. Disponível em: <http://portal.inep.gov.br/documents/186968/484109/SINAES+- +Sistema+Nacional+de+Avalia%C3%A7%C3%A3o+da+Educa %C3%A7%C3%A3o+Superior+Vol+5/ee07ce50-a60f-4614-9aac-01bfe168df5f? version=1.2>. Acesso em: 12-12-2018. JAIN, A.K., MURTY, M.N. & FLYNN, P.J. “Data Clustering: A Review”, ACM Computing Surveys, vol. 31, no. 3, pp. 264-323,1999. MAIMON, Oded. Introduction To Knowledge Discovery In Databases. Israel, 2009. Disponível em: <http://www.ise.bgu.ac.il/faculty/liorr/hbchap1.pdf>. Acesso em: 03/12/2018. MONTEIRO E SILVA, A. B., PORTUGAL, M. S., CECHIN, A. L. (2001). Redes Neurais Artificiais e Análise de Sensibilidade: Uma Aplicação à Demanda de Importações Brasileira. Revecap vol. 5 n. 4. QUINLAN, J.R. C4.5: programs for machine learning. Sydney, Austrália: Morgan Kaufmann Publishers, 1993. 302 p. RISTOFF, Dilvo; GIOLO, Jaime. O Sinaes como Sistema. RBPG, Brasília, v. 3, n. 6, p. 193- 265, dez. 2006. SOCZEK, Felipe Cebulski; ORLOVSKI, Regiane. Mineração de Dados: Conceitos e aplicação de algoritmos em uma Base de Dados na área da saúde p. 25, 2014. Semana Acadêmica – Revista Científica.

Como citar:

Silva, André Bessa da; Paula, Denilton Macário de; Gomes, Geórgia Regina Rodrigues; "MINERAÇÃO DE DADOS: UM ESTUDO PARA IDENTIFICAÇÃO DO PERFIL DOCENTE DAS IES COM CONCEITO 3 OU SUPERIOR NO IGC AVALIADO EM 2016 NO ESTADO DO ESPÍRITO SANTO", p-1673-1688. In: Anais do XIX Simpósio de Pesquisa Operacional & Logística da Marinha. São Paulo: Blucher, 2020.
ISSN 21756295, DOI 10.5151/spolm2019-122