Use este identificador para citar ou linkar para este item:
http://bdtd.uftm.edu.br/handle/tede/635Registro completo de metadados
| Campo DC | Valor | Idioma |
|---|---|---|
| dc.creator | MIRANDA, Larissa de Pádua | - |
| dc.creator.ID | 08950819627 | por |
| dc.creator.Lattes | http://lattes.cnpq.br/0680030033333646 | por |
| dc.contributor.advisor1 | LEMES, Leandro Cruvinel | - |
| dc.contributor.advisor1ID | 07074594601 | por |
| dc.contributor.advisor1Lattes | http://lattes.cnpq.br/5865049926600585 | por |
| dc.date.accessioned | 2019-04-22T16:48:53Z | - |
| dc.date.issued | 2018-12-17 | - |
| dc.identifier.citation | MIRANDA, Larissa de Pádua. Mineração de dados como suporte educacional. 2018. 53f. Dissertação (Mestrado em Matemática) - Programa de Mestrado Profissional em Matemática em Rede Nacional, Universidade Federal do Triângulo Mineiro, Uberaba, 2018. | por |
| dc.identifier.uri | http://bdtd.uftm.edu.br/handle/tede/635 | - |
| dc.description.resumo | Ao considerar as demandas educacionais, o processo de informatização do ambiente escolar e o baixo desempenho dos alunos na disciplina de matemática, propõe-se pesquisar, conhecer e adaptar materiais que viabilizem a classificação de estudantes a partir de perfis pautados na relação entre fatores sociais, escolares (avaliações bimestrais e somativas) e extraescolares que possam influenciar sobremaneira no rendimento deles ao final do ano letivo. Para isso, utilizou-se a Mineração de Dados Educacionais (do inglês Educational Data Mining, EDM) – especificamente os algoritmos Random Forest, Gradient Boosting Classifier e KNearest Neighbor Algorithm (KNN) – e a linguagem de programação Python para adaptar modelos por meio de dois conjuntos de dados disponíveis em um site gratuito para comparar a eficiência entre eles. Pretende-se identificar fatores sociais e extraescolares, além de construir perfis de alunos de determinada comunidade, com vistas a discutir metodologias que podem otimizar o processo de ensino e aprendizagem. | por |
| dc.description.abstract | When considering the educational demands, the process of computerization of the school environment and the low performance of the students in the mathematics discipline, it is proposed to research, to know and to adapt materials that enable the classification of students from profiles based on the relation between social factors, (bimonthly and summative assessments) and extracurricular activities that may greatly influence their performance at the end of the school year. For this, Educational Data Mining (EDM) - specifically the Random Forest algorithms, Gradient Boosting Classifier and KNearest Neighbor Algorithm (KNN) - and the programming language Python to adapt models through two sets of data available on a free website to compare the efficiency between them. It aims to identify social and extra-school factors, as well as to build profiles of students from a particular community, with a view to discussing methodologies that can optimize the teaching and learning process. | eng |
| dc.description.sponsorship | Coordenação de Aperfeiçoamento de Pessoal de Nível Superior | por |
| dc.format | application/pdf | * |
| dc.thumbnail.url | http://bdtd.uftm.edu.br/retrieve/3931/Dissert%20Larissa%20P%20Miranda.pdf.jpg | * |
| dc.language | por | por |
| dc.publisher | Universidade Federal do Triângulo Mineiro | por |
| dc.publisher.department | Instituto de Ciências Exatas, Naturais e Educação - ICENE::Curso de Licenciatura em Matemática | por |
| dc.publisher.country | Brasil | por |
| dc.publisher.initials | UFTM | por |
| dc.publisher.program | Programa de Mestrado Profissional em Matemática em Rede Nacional | por |
| dc.relation.references | ALVES, M. T. G. et al. Fatores familiares e desempenho escolar: uma abordagem multidimensional. DADOS-Revista de Ciências Sociais, Universidade do Estado do Rio de Janeiro, v. 56, n. 3, 2013. AMRIEH, E. A.; HAMTINI, T.; ALJARAH, I. Preprocessing and analyzing educational data set using x-api for improving student’s performance. Applied Electrical Engineering and Computing Technologies (AEECT), 2015 IEEE Jordan Conference on (pp. 1-5). IEEE, 2015. AMRIEH, E. A.; HAMTINI, T.; ALJARAH, I. Mining educational data to predict student’s academic performance using ensemble methods. International Journal of Database Theory and Application, n. 9(8), p. 119–136, 2016. ATHANI, S. S. et al. Student performance predictor using multiclass support vector classification algorithm. International Conference on Signal Processing and Communication, p. 341–346, 2017. BASU, C. et al. Recommendation as classification: Using social and content-based information in recommendation. In: Aaai/iaai. [S.l.: s.n.], 1998. p. 714–720. BHERING, E.; SIRAJ-BLATCHFORD, I. A relaçãoo escola-familia - um modelo de trocas e colaboração. 1999. BRAMER, M. Undergraduate topicsin computer science – principles of data mining. Springer, 2007. BRASIL, M. Secretaria de educação. Parâmetros Curriculares Nacionais: terceiro e quarto ciclos do ensino fundamental - Matemática, Brasília: MEC/SEF, 1998. BREIMAN, L. Arcing classifiers. Annals of Statistics, 1998. CAPELLINI, S. A. et al. Medidas de desempenho escolar: avaliação formal e opinião de professores. Estudos de Psicologia (Campinas), SciELO Brasil, 2004. CARRIJO, I. B. Extração de regras operacionais ótimas de sistemas de distrubuição de água através de algoritmos genéticos multiobjetivo e aprendizado de máquina. Tese (Doutorado) — Universidade de São Paulo, 2004. CORTEZ, P.; SILVA, A. M. G. Using data mining to predict secondary school student performance. EUROSIS-ETI, p. 5–12, 2008. DAMIANI, M. F. et al. Discutindo pesquisas do tipo intervenção pedagógica. Cadernos de Educação, v. 45, p. 57–67, 2013. DUNHAM, M. H. Data mining:introductory and advanced topics. Upper Saddle River, p. 1–6, 2003. E.-CALDERON, O. A.; B.-ARANIBAR, D. Optimal selection of factors using genetic algorithms and neural networks for the prediction of student’s academic performance. Latin America Congress on Computational Intelligence (LA-CCI), p. 341–346, 2015.Referências 46 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. FERREIRA, G. S. Investigação acerca dos fatores determinantes para a conclusão do ensino fundamental utilizando mineração de dados educacionais no censo escolar da educação básica do inep 2014. Anais dos Workshops do IV Congresso Brasileiro de Informática na Educação(CBIE), p. 1034–1043, 2015. Disponível em: <http://dx.doi.org/10.5753/cbie.wcbie.2015.1034>. GERVAI, S. M. S. A mediação pedagógica em contexto de aprendizagem online. 2007. Disponível em: <https://tede2.pucsp.br/handle/handle/13857>. GONÇALVES, E. H. A utilização de tecnologias digitais no curso de licenciatura em matemática parfor/ead da universidade federal de uberlândia. Universidade Federal de Uberlândia, 2018. GOTTARDO, E.; KAESTNER, C.; NORONHA, R. V. Previsão de desempenho de estudantes em cursos ead utilizando mineração de dados: uma estratégia baseada em séries temporais. Anais do 23o Simpósio Brasileiro de Informática na Educação, 2012. Disponível em: <http://dx.doi.org/10.5753/cbie.sbie.2012.\%25p>. GRANDO, R. C. O jogo e a matemática no contexto da sala de aula. Paulus, Campinas, 2004. JAIN, Y. K.; BHANDARE, S. K. Min max normalization based data perturbation method for privacy protection. International Journal of Computer & Communication Technology, v. 2, n. 8, p. 45–50, 2011. KASKI, S.; KOHONEN, T. Exploratory data analysis by the self-organizing map: Structures of welfare and poverty in the world. In: CITESEER. Neural networks in financial engineering. Proceedings of the third international conference on neural networks in the capital markets. [S.l.], 1996. KENSKI, V. M. Novas tecnologias. Revista Brasileira de Educação, n. 8, p. 58–71, 1998. KIRALJ, R.; FERREIRA, M. Basic validation procedures for regression models in qsar and qspr studies: theory and application. Journal of the Brazilian Chemical Society, SciELO Brasil, v. 20, n. 4, p. 770–787, 2009. KLOCK, C. E.; RIBAS, R. P.; REIS, A. I. Karma: um ambiente para o aprendizado de síntese de funções booleanas. Brazilian Journal of Computers in Education, v. 18, n. 02, p. 33, 2010. LUTZ, M.; ASCHER, D. Aprendendo python. Tradução TORTELLO, p. 568, 2007. MACEDO, G. A. Fatores associados os rendimento escolar de alunos da 5a série(2000) – uma abordagem do valor adicionado. XIV Encontro Nacional de Estudos Populacionais - ABEP, 2004. MALLMANN, E. M. Redes e Mediação: Princípios Epistemológicos de Teoria de Rede de Mediadores da Educação. [S.l.: s.n.], 2010. v. 54. 221–241 p.Referências 47 MANHÃES, L. M. B.; AL et. Previsão de estudantes com risco de evasão utilizando técnicas de mineração de dados. XXII Simpósio Brasileiro de Informática na Educação - XVII Workshop de Informática na Escola, p. 150–159, 2011. MARCO, F. F. d. Estudo dos processos de resolução de problema mediante a construção de jogos computacionais de matemática no ensino fundamental. [sn], 2004. Disponível em: <http://repositorio.unicamp.br/bitstream/REPOSIP/253205/1/Marco_ FabianaFiorezide_M.pdf>. MATSUBARA, E. T. O algoritmo de aprendizado semi-supervisionado co-training e sua aplicação na rotulação de documentos. 2004. Acesso em: 25/07/2018. Disponível em: <http://www.teses.usp.br/teses/disponiveis/55/55134/tde-19082004-092311/en.php>. MIGUEL, R. T.; RIJO, D.; LIMA, L. N. Fatores de risco para o insucesso escolar: A relevância da variáveis psicológicas e comportamentais do aluno. Revista Portuguesa de Pedagogia, v. 46, p. 89–114, 2012. MONARD, M. C.; BARANAUSKAS, J. A. Conceitos sobre Aprendizado de Máquina. [S.l.]: Editora Manole, 2003. 89–114 p. MORAN, J. M. A Educação que desejamos: novos desafios e como chegar lá. Campinas, SP: [s.n.], 2007. NUNES, F. B.; VOSS, G. B.; CAZELLA, S. C. Mineração de dados educacionais e mundos virtuais: um estudo exploratório no opensim. Anais dos Workshops do IV Congresso Brasileiro de Informática na Educação(CBIE), p. 1044–1053, 2015. Disponível em: <http://dx.doi.org/10.5753/cbie.wcbie.2015.1044>. OLSON, D. L.; DELLEN, D. Advanced data mining techniques. Springer, 2008. PEDREGOSA, F. et al. Scikit-learn: Machine learning in Python. Journal of Machine Learning Research, v. 12, p. 2825–2830, 2011. PERRENOUD, P. Dez competências para ensinar. Artes Médicas Sul., 2000. PONTE, J. P. da; BROCARDO, J.; OLIVEIRA, H. Investigações matemáticas na sala de aula. Belo Horizonte: [s.n.], 2003. PRADO, M. E. B. B. A mediação pedagógica: suas relações e interdependências. In: Brazilian Symposium on Computers in Education (Simpósio Brasileiro de Informática na Educação-SBIE). [S.l.: s.n.], 2006. v. 1, n. 1, p. 101–110. SEVERO, C. E. P. et al. Mediação Pedagógica em Ambientes Virtuais de Ensino Aprendizagem Através de Agentes de Mineração de Dados Educacionais. 2011. Acesso em: 28/08/2017. Disponível em: <http://www.seer.ufrgs.br/index.php/InfEducTeoriaPratica/ article/view/14223/16840>. SIMOUDIS, E. Reality check for data mining. IEEE Expert, p. 26–33, 1996. SIQUEIRA, C. M.; GURGEL-GIANNETTI, J. Mau desempenho escolar: uma visão atual. Revista da Associação Médica Brasileira, Elsevier, v. 57, n. 1, p. 78–87, 2011.Referências 48 SOKOLOVA, M.; JAPKOWICZ, N.; SZPAKOWICZ, S. Beyond accuracy, f-score and roc: a family of discriminant measures for performance evaluation. In: SPRINGER. Australasian joint conference on artificial intelligence. [S.l.], 2006. p. 1015–1021. WERSTCH, J. V. Vygotsky y la formación social de la mente. [S.l.]: Paiadós, 1988. WITTEN, I. H.; FRANK, E. Data mining - practical machine learning tools and techniques. Elsevier, 2005. | por |
| dc.rights | Acesso Aberto | por |
| dc.rights.uri | http://creativecommons.org/licenses/by-nc-nd/4.0/ | - |
| dc.subject | Mineração de Dados Educacionais. | por |
| dc.subject | Práticas escolares. | por |
| dc.subject | Fatores sociais | por |
| dc.subject | Educational Data Mining. | eng |
| dc.subject | School practices. | eng |
| dc.subject | Social factors. | eng |
| dc.subject.cnpq | Matemática | por |
| dc.title | Mineração de dados como suporte educacional | por |
| dc.type | Dissertação | por |
| Aparece nas coleções: | Programa de Mestrado Profissional em Matemática em Rede Nacional | |
Arquivos associados a este item:
| Arquivo | Descrição | Tamanho | Formato | |
|---|---|---|---|---|
| Dissert Larissa P Miranda.pdf | Dissert Larissa P Miranda | 1,25 MB | Adobe PDF |  Visualizar/Abrir |
Este item está licenciada sob uma Licença Creative Commons
