Minería de datos educativos con aprendizaje máquina

Autores/as

DOI:

https://doi.org/10.15536/reducarmais.5.2021.2417

Palabras clave:

Minería de datos educativos, Predicción de rendimiento, Aprendizaje automático

Resumen

Con el aumento de la disponibilidad de datos, especialmente en el contexto educativo, han surgido áreas específicas para la extracción de información relevante, como Educational Data Mining (MDE), que integra numerosas técnicas que apoyan la captura, procesamiento y análisis de estos conjuntos. de registros. A principal técnica associada a MDE é a Aprendizagem de Máquina, que vem sendo empregada a décadas no processamento de dados em diversos contextos, mas com o advento do Big Data houve uma intensificação na aplicação dessa técnica no intuito de extrair informações relevantes de uma enorme quantidade de dados. En este sentido, este estudio tiene como objetivo predecir el rendimiento de los estudiantes, utilizando un conjunto de datos públicos, y comparar cuál de los algoritmos de aprendizaje automático utilizados fue el más efectivo, además de indicar cuáles son los principales atributos predictivos del rendimiento de los estudiantes. . Para ello, se implementó un proceso de ODE basado en 4 pasos: 1) Recolección de datos; 2) Extracción de recursos y limpieza de datos (Pre-Procesamiento y Transformación); y 3) Procesamiento analítico y algoritmos; 4) análisis y / o interpretación de resultados. Como resultado, se identificó que para el conjunto de datos utilizado en este estudio, el algoritmo de árboles de decisión fue el más preciso, con una precisión del 87%, y se encontró que los atributos relacionados con las actividades escolares son más predictivos de los estudiantes. desempeño que los datos de características demográficas y socioeconómicas.

Descargas

Los datos de descargas todavía no están disponibles.

Biografía del autor/a

Vanessa Faria de Souza, Instituto Federal de Educação, Ciência e Tecnologia do Rio Grande do Sul

Doutoranda no PPGIE (Programa de Pós-Graduação em Informática na Educação) da Universidade Federal do Rio Grande do Sul (UFRGS). Mestre em Informática pelo PPGI (Programa de Pós-Graduação em Informática) da Universidade Tecnológica Federal do Paraná (UTFPR), na área de Computação Aplicada, e ênfase em Engenharia de Software. Possuo especialização em Educação Especial Inclusiva, com ênfase em Tecnologia Assistiva. Sou graduada em Sistemas de Informação pela Universidade Estadual do Norte do Paraná (2011). Completei a Licenciatura em Matemática, pela UTFPR. Atualmente sou docente dedicação exclusiva no Instituto Federal do Rio Grande do Sul, Campus Ibirubá, estou em afastamento para a realização do Doutorado. Ministro aulas nos Cursos de Ciência da Computação, Técnico em Informática Integrado do Ensino Médio, Licenciatura em Matemática e Especialização em Ensino de Linguagens e suas Tecnologias. Também já Atuei como Professora do Magistério Superior na Universidade Estadual do Norte do Paraná (UENP) nos cursos de Graduação Ciência da Computação e Sistemas de informação, nas disciplinas de Sistemas Digitais, Projeto e Análise de Algoritmo, Tópicos Avançados em Computação, Computação Simbólica e Numérica, Metodologia Científica. Assim como na UTFPR. Também já atuei como professora de Matemática no Ensino Básico.

Citas

AGGARWAL, Charu C. Data Mining: The Textbook. 1. ed. New York, USA: Springer, 2015. v. 1E-book. Disponível em: https://doi.org/10.1007/978-3-319-14142-8

BAKER, Michael J. The roles of models in Artificial Intelligence and Education research : a prospective view. Journal of Artificial Intelligence and Education, [S. l.], v. 11, p. 122–143, 2000.

BAKER, Ryan; ISOTANI, Seiji; CARVALHO, Adriana. Mineração de Dados Educacionais: Oportunidades para o Brasil. Revista Brasileira de Informática na Educação, [S. l.], v. 19, n. 02, p. 3–13, 2011. Disponível em: https://doi.org/10.5753/rbie.2011.19.02.03

BISHOP, Christopher M.; PATTERN. Pattern Recognition and Machine Learning. 1. ed. Nova York, USA: Springer, 2006. E-book.

CHUI, Kwok Tai et al. Predicting at-risk university students in a virtual learning environment via a machine learning algorithm. Computers in Human Behavior, [S. l.], v. 107, n. December 2017, p. 105584, 2020. Disponível em: https://doi.org/10.1016/j.chb.2018.06.032

CORTEZ, P.; SILVA, A. Usando Data Mining para prever o desempenho dos alunos do ensino médio. In A. Brito e J. Teixeira Eds., Proceedings of 5th Future Business Technology Conference (FUBUTEC 2008). Porto, Portugal: EUROSIS, ISBN 978-9077381-39-7, 2008. p. 5-12.

DE LOS REYES, Daniel A. Guimarães et al. Predição de sucesso acadêmico de estudantes: uma análise sobre a demanda por uma abordagem baseada em transfer learning. Revista Brasileira de Informática na Educação, [S. l.], v. 27, n. 1, p. 1–25, 2019. Disponível em: https://doi.org/10.5753/rbie.2019.27.01.01

EDM. Educational Data Mining. [s. l.], 2020. Disponível em: http://educationaldatamining.org/. Acesso em: 31 maio. 2020.

HASTIE, T.; TIBSHIRANI, R.; FRIEDMAN, J. H. The Elements of Statistical Learning: Data Mining, Inference, and Prediction. 2. ed. California, USA: Springer, 2009. E-book.

IGUAL, Laura; SEGUÍ, Santi. Introduction to Data Science: A Python Approach to Concepts, Techniques and Applications. 1. ed. [S. l.]: Springer, 2017. E-book. Disponível em: https://doi.org/10.1007/978-3-319-50017-1

JAPKOWICZ, Nathalie; SHAH, Mohak. Evaluating Learning Algorithms: A Classification Perspective. 1a Ed. ed. Cambridge: [s. n.], 2014. E-book.

KUBAT, Miroslav. An Introduction to Machine Learning. 2. ed. Coral Gables, FL, USA: Springer, 2017. E-book. Disponível em: https://doi.org/10.1007/978-3-319-63913-0

LANDIS, J. Richard; KOCH, Gary G. This content downloaded from 185.2.32.58 on Tue. [S. l.], v. 33, n. 2, p. 363–374, 1977.

MITCHELL, Tom M. Machine Learning. 1. ed. Nova York, USA: McGraw-Hill Science/Engineering/Math, 1997. E-book.

RIGO, Sandro José et al. Minerando Dados Educacionais com foco na evasão escolar: oportunidades, desafios e necessidades. Revista Brasileira de Informática na Educação, [S. l.], v. 22, n. 01, p. 168–177, 2014. Disponível em: https://doi.org/10.5753/RBIE.2014.22.01.132

RODRIGUES, Rodrigo Lins et al.Discovery engagement patterns MOOCs through cluster analysis. IEEE Latin America Transactions, [S. l.], v. 14, n. 9, p. 4129–4135, 2016. Disponível em: https://doi.org/10.1109/TLA.2016.7785943

ROMERO, Cristobal; VENTURA, Sebastian. Data mining in education. Wiley Interdisciplinary Reviews: Data Mining and Knowledge Discovery, [S. l.], v. 3, n. 1, p. 12–27, 2013. Disponível em: https://doi.org/10.1002/widm.1075

SAMUEL, A. L. Some studies in machine learning using the game of checkers. IBM Journal of Research and Development, [S. l.], v. 3, n. 3, p. 210–229, 1959. Disponível em: https://doi.org/10.1147/rd.33.0210

ZHANG, Yaling; WU, Bei. Research and application of grade prediction model based on decision tree algorithm. In: 2019, Chengdu, China. Turing Celebration Conference (ACM TURC 2019). Chengdu, China: ACM, 2019. p. 1–6. Disponível em: https://doi.org/10.1145/3321408.3322857

Descargas

Publicado

2021-07-03

Cómo citar

Faria de Souza, V. (2021). Minería de datos educativos con aprendizaje máquina. Educar Mais, 5(4), 766–787. https://doi.org/10.15536/reducarmais.5.2021.2417

Número

Vol. 5 Núm. 4 (2021)

Sección

Artículos

Licencia

Derechos de autor 2021 Vanessa Faria de Souza

Creative Commons License

Esta obra está bajo una licencia internacional Creative Commons Atribución-NoComercial 4.0.

DECLARACIÓN DE RESPONSABILIDAD: Certifico que participé de la concepción del trabajo, en parte o en la íntegra, que no omití cualesquiera ligaciones o acuerdos de financiación entre los autores y compañías que puedan tener interés en la publicación de este artículo. Certifico que el texto es original y que el trabajo, en parte o en la íntegra, o cualquier otro trabajo con contenido sustancialmente similar, de mi autoría, no fue enviado a otra revista y no lo será mientras su publicación esté siendo considerada por la Revista Educar Mais, sea en formato impreso o electrónico.

 

El autor responsable por el envío del trabajo representa todos los autores del mismo y, al enviar el artículo para la revista, está garantizando que tiene el permiso de todos para hacerlo. Del mismo modo, asegura que el artículo no viola derechos autorales y que no hay plágio en el trabajo. La revista no se responsabiliza por las opiniones emitidas.

 

La Revista Educar Mais es de acceso abierto (Open Access), sin que haya la necesidad de pagos de tasas, sea para submisión o procesamiento de los artículos. La revista adopta la definición de Budapest Open Access Initiative (BOAI), o sea, los usuarios poseen el derecho de leer, bajar, copiar, distribuir, imprimir, buscar y hacer links directos para los textos completos de los artículos en ella publicados.

 

Todos los artículos son publicados con la licencia Creative Commons Atribuição-NãoComercial 4.0 Internacional. Los autores mantienen los derechos autorales sobre sus producciones, debiendo ser contactados directamente si hay interés en uso comercial de los trabajos.