ANÁLISE DE DADOS EDUCACIONAIS: APLICAÇÃO DE TÉCNICAS DE MINERAÇÃO DE DADOS PARA O ESTUDO DA EVASÃO ESCOLAR
"2025-12-02" // app/Providers/../Base/Publico/Artigo/resources/show_includes/info_artigo.blade.php
App\Base\Administrativo\Model\Artigo {#1845 // app/Providers/../Base/Publico/Artigo/resources/show_includes/info_artigo.blade.php #connection: "mysql" +table: "artigo" #primaryKey: "id" #keyType: "int" +incrementing: true #with: [] #withCount: [] +preventsLazyLoading: false #perPage: 15 +exists: true +wasRecentlyCreated: false #escapeWhenCastingToString: false #attributes: array:35 [ "id" => 125780 "edicao_id" => 438 "trabalho_id" => 2050 "inscrito_id" => 6136 "titulo" => "ANÁLISE DE DADOS EDUCACIONAIS: APLICAÇÃO DE TÉCNICAS DE MINERAÇÃO DE DADOS PARA O ESTUDO DA EVASÃO ESCOLAR" "resumo" => "A evasão escolar é um problema social persistente que afeta o desenvolvimento da educação no Brasil. A falta de conhecimento aprofundado sobre suas causas limita a eficácia das políticas públicas e das decisões escolares para enfrentá-la. Nesse contexto, as tecnologias de análise de dados e inteligência artificial oferecem ferramentas poderosas para identificar fatores que influenciam o abandono dos estudos. Assim, o objetivo deste trabalho é utilizar técnicas de mineração de dados para identificar padrões e analisar as variáveis associadas à evasão escolar, auxiliando professores e gestores a compreender melhor os fatores que a motivam. Para isso, foi realizada uma pesquisa experimental com abordagem qualitativa, que envolveu a seleção de variáveis capazes de influenciar a evasão escolar, como características sociais e situação de trabalho, além da definição de meios para observar os efeitos dessas variáveis. Os dados escolares foram coletados da PNAD Contínua de 2021 a 2024, filtrando pela faixa etária de 14 a 18 anos. Em seguida, esses dados foram limpos e transformados utilizando a biblioteca Pandas do Python. Para definição do número ideal de clusters, foi utilizado o método de Elbow. A técnica de clusterização foi aplicada por meio do algoritmo k-means. Os resultados preliminares mostraram que os alunos que não frequentam a escola foram distribuídos entre todos os clusters gerados, indicando que esse é um problema multifacetado, com diferentes características que podem contribuir para a evasão escolar em contextos distintos. Até maio de 2025, análises mais profundas serão realizadas para caracterização completa dos clusters gerados. Espera-se que este trabalho contribua para uma maior compreensão das causas da evasão escolar e evidencie a importância das tecnologias de análise de dados para auxiliar educadores e responsáveis pela gestão escolar no desenvolvimento de estratégias mais eficazes para combater esse problema." "modalidade" => "Comunicação Oral (CO)" "area_tematica" => "GT 19 - Tecnologias e Educação" "palavra_chave" => ", , , , " "idioma" => "Português" "arquivo" => "TRABALHO_COMPLETO_EV214_ID6136_TB2050_28102025213447.pdf" "created_at" => "2025-12-02 14:51:22" "updated_at" => null "ativo" => 1 "autor_nome" => "ISABELLA LIE OSHIMA" "autor_nome_curto" => "ISABELLA" "autor_email" => "oshima.isabella@gmail.com" "autor_ies" => "FACULDADE DE TECNOLOGIA DE INDAIATUBA (FATECID)" "autor_imagem" => "" "edicao_url" => "anais-xi-congresso-nacional-de-educacao" "edicao_nome" => "Anais XI Congresso Nacional de Educação" "edicao_evento" => "XI Congresso Nacional de Educação" "edicao_ano" => 2025 "edicao_pasta" => "anais/conedu/2025" "edicao_logo" => null "edicao_capa" => "692d8b19ea55f_01122025093329.png" "data_publicacao" => "2025-12-02" "edicao_publicada_em" => "2025-12-01 09:33:29" "publicacao_id" => 19 "publicacao_nome" => "Anais CONEDU" "publicacao_codigo" => "2358-8829" "tipo_codigo_id" => 1 "tipo_codigo_nome" => "ISSN" "tipo_publicacao_id" => 1 "tipo_publicacao_nome" => "ANAIS de Evento" ] #original: array:35 [ "id" => 125780 "edicao_id" => 438 "trabalho_id" => 2050 "inscrito_id" => 6136 "titulo" => "ANÁLISE DE DADOS EDUCACIONAIS: APLICAÇÃO DE TÉCNICAS DE MINERAÇÃO DE DADOS PARA O ESTUDO DA EVASÃO ESCOLAR" "resumo" => "A evasão escolar é um problema social persistente que afeta o desenvolvimento da educação no Brasil. A falta de conhecimento aprofundado sobre suas causas limita a eficácia das políticas públicas e das decisões escolares para enfrentá-la. Nesse contexto, as tecnologias de análise de dados e inteligência artificial oferecem ferramentas poderosas para identificar fatores que influenciam o abandono dos estudos. Assim, o objetivo deste trabalho é utilizar técnicas de mineração de dados para identificar padrões e analisar as variáveis associadas à evasão escolar, auxiliando professores e gestores a compreender melhor os fatores que a motivam. Para isso, foi realizada uma pesquisa experimental com abordagem qualitativa, que envolveu a seleção de variáveis capazes de influenciar a evasão escolar, como características sociais e situação de trabalho, além da definição de meios para observar os efeitos dessas variáveis. Os dados escolares foram coletados da PNAD Contínua de 2021 a 2024, filtrando pela faixa etária de 14 a 18 anos. Em seguida, esses dados foram limpos e transformados utilizando a biblioteca Pandas do Python. Para definição do número ideal de clusters, foi utilizado o método de Elbow. A técnica de clusterização foi aplicada por meio do algoritmo k-means. Os resultados preliminares mostraram que os alunos que não frequentam a escola foram distribuídos entre todos os clusters gerados, indicando que esse é um problema multifacetado, com diferentes características que podem contribuir para a evasão escolar em contextos distintos. Até maio de 2025, análises mais profundas serão realizadas para caracterização completa dos clusters gerados. Espera-se que este trabalho contribua para uma maior compreensão das causas da evasão escolar e evidencie a importância das tecnologias de análise de dados para auxiliar educadores e responsáveis pela gestão escolar no desenvolvimento de estratégias mais eficazes para combater esse problema." "modalidade" => "Comunicação Oral (CO)" "area_tematica" => "GT 19 - Tecnologias e Educação" "palavra_chave" => ", , , , " "idioma" => "Português" "arquivo" => "TRABALHO_COMPLETO_EV214_ID6136_TB2050_28102025213447.pdf" "created_at" => "2025-12-02 14:51:22" "updated_at" => null "ativo" => 1 "autor_nome" => "ISABELLA LIE OSHIMA" "autor_nome_curto" => "ISABELLA" "autor_email" => "oshima.isabella@gmail.com" "autor_ies" => "FACULDADE DE TECNOLOGIA DE INDAIATUBA (FATECID)" "autor_imagem" => "" "edicao_url" => "anais-xi-congresso-nacional-de-educacao" "edicao_nome" => "Anais XI Congresso Nacional de Educação" "edicao_evento" => "XI Congresso Nacional de Educação" "edicao_ano" => 2025 "edicao_pasta" => "anais/conedu/2025" "edicao_logo" => null "edicao_capa" => "692d8b19ea55f_01122025093329.png" "data_publicacao" => "2025-12-02" "edicao_publicada_em" => "2025-12-01 09:33:29" "publicacao_id" => 19 "publicacao_nome" => "Anais CONEDU" "publicacao_codigo" => "2358-8829" "tipo_codigo_id" => 1 "tipo_codigo_nome" => "ISSN" "tipo_publicacao_id" => 1 "tipo_publicacao_nome" => "ANAIS de Evento" ] #changes: [] #casts: array:14 [ "id" => "integer" "edicao_id" => "integer" "trabalho_id" => "integer" "inscrito_id" => "integer" "titulo" => "string" "resumo" => "string" "modalidade" => "string" "area_tematica" => "string" "palavra_chave" => "string" "idioma" => "string" "arquivo" => "string" "created_at" => "datetime" "updated_at" => "datetime" "ativo" => "boolean" ] #classCastCache: [] #attributeCastCache: [] #dates: [] #dateFormat: null #appends: [] #dispatchesEvents: [] #observables: [] #relations: [] #touches: [] +timestamps: false #hidden: [] #visible: [] +fillable: array:13 [ 0 => "edicao_id" 1 => "trabalho_id" 2 => "inscrito_id" 3 => "titulo" 4 => "resumo" 5 => "modalidade" 6 => "area_tematica" 7 => "palavra_chave" 8 => "idioma" 9 => "arquivo" 10 => "created_at" 11 => "updated_at" 12 => "ativo" ] #guarded: array:1 [ 0 => "*" ] }