Atualização do Arquivo

DATA MINING IN EDUCATIONAL ENVIRONMENTS: A PRACTICAL
APPLICATION OF INSTITUTIONAL SELF EVALUATION DATA
ABSTRACT
Currently the many sectors of society produce an increasing amount of data that differs
from the data of past decades at a crucial point: its volume. The analysis of such data is
not an easy task because of its large volume. Thus, many of these data remains
"forgotten", although they may contain potentially valuable and useful information.
However, over the years, new techniques and computational tools have emerged for the
purpose of extracting useful knowledge of that big amount of data. Among these
techniques and tools, it highlights the Data Mining. The research presented in this
article aims to get relevant knowledge discovery to the Education area through the
mining of real data in educational environments. The data analyzed in this article are
related to the institucional self evaluation promoted annually by Internal Committee for
Assessment of the Federal Institute of Education, Science and Technology of Triângulo
Mineiro. The methodology used in the research makes use of the application of a tool
that assists in the mining step. The results showed the viability of applying data mining
techniques on the selected data, and the relevance of the knowledge discovered to guide
managers in the decision making process.
Keywords: Data Mining, J48, Education.
1. Introdução
É notável que a quantidade de dados originados por diversas fontes cresce
exponencialmente ao longo dos anos. O volume de dados é tão grande que, na maior
parte dos casos, sua análise é impossível de ser realizada por seres humanos. Nesse
contexto, surgiu a necessidade da criação de ferramentas que possibilitassem tal análise
de forma automática e precisa. Com isso, surgiu a área de Mineração de Dados (Han &
Kamber, 2000).
Mineração de dados, ou data mining, é um conjunto de técnicas que
possibilitam agregação, associação e classificação de dados, de tal modo que sejam
descobertos padrões ou anomalias que de outras formas não seriam percebidos. Tal
recurso é usado em diversas áreas, como medicina, financeira, cientifica, marketing,
dentre outras (Han & Kamber, 2000).
Durante o processo de mineração de dados existem diversas etapas a serem
cumpridas até que se chegue ao resultado esperado. O processo requer desde a
preparação dos dados até a escolha de um método de visualização das informações que
serão obtidas. Nessas etapas são utilizados recursos provenientes de diversas áreas do
conhecimento, como Estatística e Inteligência Artificial, principalmente no que se refere
aos algoritmos de aprendizado de máquina para construção de modelos (Han &
Kamber, 2000).
Em ambientes educacionais existe uma grande quantidade de dados que não
são analisados, ou não é realizada uma verificação se existem padrões além daqueles
que estão explícitos. A análise detalhada de tais dados pode identificar problemas, ou
soluções daqueles já identificados, bem como permitir aos gestores e equipes
pedagógicas tomarem decisões estratégicas.
Existem diversos tipos de dados educacionais, como por exemplo: notas de
alunos, quantitativo de matrículas e dados de avaliação institucional. Estes podem ser
obtidos de diversas maneiras. Analisar dados referentes à Instituição como um todo, no
que se referem aos professores, técnicos administrativos (TAEs), alunos, infraestrutura
do ambiente educacional e gestão é significativamente relevante, ainda mais quando se
deseja verificar a eficácia de técnicas de mineração de dados sobre tais informações.
O objetivo do presente trabalho é realizar um estudo da aplicação de
técnicas de mineração de dados sobre os dados coletados pela Comissão Própria de
Avaliação (CPA) do Instituto Federal de Educação, Ciência e Tecnologia do Triângulo
Mineiro (IFTM) nos anos de 2012 a 2014. Esse estudo tem o intuito de identificar
padrões ou anomalias que não haviam sido percebidos anteriormente, podendo também
fornecer subsídios para a criação de estratégias que podem contribuir para melhorar as
ações da CPA, bem como auxiliar os gestores dos campi do IFTM no processo de
tomada de decisão.
Analisando sob outro ponto de vista, pode-se dizer que este artigo apresenta
dados da autoavaliação institucional de anos passados para tentar predizer, através da
mineração de dados, como serão as avaliações dos próximos anos. A justificativa dessa
análise é que, se a predição de um item for ruim, o gestor já conseguirá saber com
antecedência onde deve investir esforços para melhorar a estrutura do seu curso, por
exemplo, e ter uma avaliação melhor quando chegar o próximo momento da mesma.
Isto porque, se nada for feito em relação a uma predição ruim, então provavelmente a
mesma continuará sendo ruim. Enquanto isso, se o gestor trabalhar sobre um item de
predição ruim, provavelmente este conseguirá melhorar a avaliação do item. Isso ilustra
a relevância da aplicação de técnicas de mineração sobre esse tipo de dados.
2. Metodologia
O processo de descoberta de conhecimento em bases de dados – KDD
(Knowledge Discovery in Databases) – é um processo de extração de informação de
bases de dados, que tem como objetivo a descoberta de conhecimento relevante para
uma determinada área. A mineração de dados é uma das etapas do KDD, embora, na
maior parte das vezes, todo o processo ser chamado de mineração de dados, devido à
grande importância desta etapa.
A aplicação do KDD sobre os dados reais do ambiente educacional
analisado, bem como o uso da ferramenta WEKA1 (Waikato Environment for
Knowledge Analysis) (Hall et al., 2009) como instrumento auxiliar na etapa de
mineração de dados, fazem parte da metodologia desta pesquisa.
A Figura 1 mostra as diversas etapas que compõe o KDD. Na sequência, é
apresentada em detalhes a aplicação dessas etapas sobre os dados considerados nessa
pesquisa.
Figura 1: Etapas do KDD.
2.1. Seleção
A seleção é a primeira etapa do processo de descoberta de conhecimento, e
está diretamente ligada ao resultado final alcançado no KDD. Nesta etapa é escolhido o
conjunto de dados a ser analisado. Sendo assim, trata-se de uma etapa complexa no
KDD, pois podem existir dados redundantes ou que somente façam sentido para um
especialista da área.
Normalmente, em Instituições Educacionais existe uma comissão
responsável por aplicar uma avaliação anual que realize uma análise sobre os diversos
prismas da Instituição. Participam desta avaliação professores, técnicos administrativos
e alunos. As perguntas que fazem parte da avaliação permitem avaliar diversas áreas,
como estrutura física, qualidade das aulas, informações sobre o plano de
desenvolvimento da Instituição, dentre outros.
Nesta pesquisa, conforme mencionado anteriormente, os dados analisados
são referentes à Autoavaliação Institucional promovida anualmente pela CPA do IFTM.
A análise realizada sobre esses dados foi segmentada em três áreas de interesse: 1)
1
Consiste em uma coleção de algoritmos de aprendizado de máquina para tarefas de mineração
de dados.
Avaliação dos professores; 2) Avaliação da infraestrutura dos campi; 3) Avaliação da
política de ensino, pesquisa e extensão. Essas áreas de interesse serão mais bem
detalhadas na seção 3. A partir destes dados, foram selecionados alguns atributos para
serem analisados. Para a primeira área de interesse, foram selecionados os atributos
“Curso”, “Disciplina”, “Pergunta” e “Resposta”. Já para a segunda e terceira áreas de
interesse, foram selecionados os atributos “Tipo Categoria” (que pode ser Aluno,
Professor ou Técnico Administrativo), “Pergunta” e “Resposta”. Esses atributos são
evidenciados nas figuras da seção 3.
2.2. Processamento
Os dados obtidos estavam armazenados em bases de dados, havendo muitas
informações redundantes ou que não eram necessárias para se chegar ao objetivo deste
trabalho. Neste sentido, inicialmente foi feito um estudo da estrutura das bases de dados
a partir de engenharia reversa. Posteriormente, foram criadas consultas para recuperar
somente informações úteis ao objetivo fim deste trabalho.
Os dados recuperados através das consultas são referentes à avaliação de
professores, por parte dos alunos, e dos demais elementos da instituição, por parte de
alunos, professores e técnicos administrativos.
2.3. Transformação
A transformação de dados foi feita através de um programa desenvolvido
especialmente para esse fim. Em alguns casos, foi necessária a categorização de
determinados atributos, como por exemplo, o atributo “Pergunta” na avaliação dos
professores.
A Tabela 1 apresenta a categorização que foi utilizada nas perguntas
referentes à avaliação dos professores realizada pelos alunos. A categorização foi
realizada considerando a proximidade das perguntas entre si.
Tabela 1: Categorização das perguntas da avaliação dos professores.
Pergunta
Categoria
Quanto ao Dinamismo e Criatividade nas Aulas
P1
Quanto à Eficiência na Apresentação de Conteúdos
P1
Quanto à Qualidade de Aula
P1
Quanto à Relação entre Teoria/Prática
P2
Quanto à Contextualização dos Conteúdos Ministrados com
P2
a Atividade Profissional
Quanto à Agilidade na Entrega de Notas
P3
Quanto à Participação nas Ações do Curso
P4
Quanto à Cordialidade
P5
Quanto ao Atendimento Pedagógico
P5
Quanto à Assiduidade
P6
Quanto à Pontualidade
P6
O atributo “Disciplina” dos cursos também foi categorizado. A
categorização das disciplinas foi realizada de acordo com os núcleos de formação dos
cursos analisados, presentes em seus próprios “Projeto Pedagógico de Curso” (PPC).
Esta categorização é apresentada na seção 3.1.
A seguir, são apresentados os cursos analisados neste artigo. Esses cursos
foram escolhidos por serem os únicos cursos superiores com dados de avaliação no ano
de 2012, o que propicia a continuidade das análises nos anos de 2013 e 2014. Dentre os
cursos apresentados abaixo, aqueles referentes aos itens 2, 4 e 5 tiveram suas disciplinas
categorizadas e analisadas em detalhes.
1)
2)
3)
4)
5)
Tecnologia em Análise e Desenvolvimento de Sistemas - Campus Ituiutaba;
Bacharelado em Zootecnia - Campus Uberaba, Unidade I (IFTM, 2011:1);
Bacharelado em Engenharia Agronômica - Campus Uberaba, Unidade I;
Licenciatura em Computação - Campus Uberlândia Centro (IFTM, 2012a: 17);
Tecnologia em Logística - Campus Uberlândia Centro (IFTM, 2012b: 21).
2.4. Mineração de Dados
As diversas etapas do KDD são muito importantes, contudo a mineração de
dados é considerada a parte mais importante de todo o processo.
Para a mineração dos dados, foi considerada a tarefa de classificação através
da utilização do algoritmo J48. O software WEKA foi utilizado como ferramenta
auxiliar nesta etapa. O algoritmo J48 surgiu da modificação da linguagem de
codificação do algoritmo C4.5 (Librelotto & Mozzaquatro, 2013). Sua execução gera
uma árvore de decisão baseada em um conjunto de dados de treinamento, e o modelo
resultante é usado para classificar as instancias do conjunto de teste (Librelotto &
Mozzaquatro, 2013).
Foram submetidos a esse processo três grandes conjuntos de dados: 1)
Dados da avaliação dos professores feita pelos alunos; 2) Dados da avaliação das
políticas de ensino, pesquisa e extensão, realizada pelos alunos, professores e técnicos
administrativos; 3) Dados da avaliação feita sobre a infraestrutura da Instituição.
2.5. Interpretação / Avaliação
Na interpretação dos resultados pode ser utilizada uma variedade de
técnicas, que inclui desde dados estatísticos até gráficos de frequência. O método de
visualização é escolhido segundo o público alvo que irá se beneficiar com as
informações resultantes.
Neste trabalho, as informações resultantes do KDD são visualizadas através
de árvores de decisão (Tan, Steinbach & Kumar, 2009). Após a execução da mineração
de dados, a WEKA disponibiliza meios visuais para a interpretação do resultado, como
por exemplo, a árvore de decisão obtida.
3. Resultados
Esta seção descreve os resultados obtidos com a aplicação de técnicas de
mineração de dados sobre os dados da Autoavaliação Institucional promovida pela CPA
do IFTM nos anos de 2012, 2013 e 2014. Foram analisadas as avaliações realizadas
pelos alunos sobre os professores, bem como os blocos de perguntas referentes à
Dimensão II (“A política para o ensino, a pesquisa, a pós-graduação, a extensão e as
respectivas formas de operacionalização, incluídos os procedimentos para estímulo à
produção acadêmica, as bolsas de pesquisa, de monitoria e demais modalidades”) e
Dimensão VII (“Infraestrutura física, especialmente a de ensino e de pesquisa,
biblioteca, recursos de informação e comunicação”) descritas em (CPA/IFTM, 2012).
Para a mineração dos dados, utilizou-se a tarefa de classificação, através do algoritmo
J48 com um grau de confiança de 90%. O atributo que sempre foi considerado como
classe durante a execução do algoritmo foi o atributo “Resposta”. Em todas as árvores
de decisão apresentadas neste artigo, a legenda dos valores possíveis para o atributo
“Resposta” é apresentada na Tabela 2.
Tabela 2: Legenda dos valores possíveis para o atributo “Resposta”.
Descrição
Rótulo
Ótimo
O
Bom
B
Regular
R
Fraco
F
Não sei
NS
Não se aplica
NA
3.1. Avaliação dos professores
As Figuras 2, 3 e 4 apresentam as árvores de decisão resultantes da
aplicação do algoritmo J48 nos dados da avaliação dos professores, realizada pelos
alunos, em diversos cursos superiores ofertados pelo IFTM nos anos de 2012, 2013 e
2014, respectivamente.
Figura 2: Árvore de decisão obtida na mineração dos dados de avaliação dos professores
do IFTM em cursos específicos no ano de 2012.
De acordo com a Figura 2, os cursos de Análise e Desenvolvimento de
Sistemas, Licenciatura em Computação e Logística foram classificados pelo modelo
como “Ótimo” para todas as perguntas mostradas na Tabela 1. Por outro lado, os cursos
de Engenharia Agronômica e Zootecnia tiveram sua classificação dependente do
atributo “Pergunta”. No curso de Engenharia Agronômica, a pergunta P6 foi
classificada pelo modelo como “Ótimo”, enquanto que as demais foram classificadas
como “Bom”. Já no curso de Zootecnia, a pergunta P3 foi classificada pelo modelo
como “Bom”, enquanto que as demais foram classificadas como “Ótimo”.
Sendo assim, essa análise nos mostra que, com os dados de treinamento
utilizados (autoavaliação de 2012), essas são as predições do modelo para as respostas
dos alunos desses cursos durante as avaliações. Com base nesses dados, a ideia é que a
equipe de gestão responsável pelos cursos invista estrategicamente de forma a manter as
avaliações satisfatórias e elabore um planejamento de forma a otimizar as avaliações
que ainda possam ser melhoradas. É importante ressaltar que, provavelmente, uma
determinada predição satisfatória não se manterá caso as condições anteriores que
proporcionaram tal avaliação não sejam mantidas. Dessa forma, mesmo as avaliações
satisfatórias precisam ser trabalhadas, logicamente que em um nível diferente, de forma
a serem mantidas.
Figura 3: Árvore de decisão obtida na mineração dos dados de avaliação dos professores
do IFTM em cursos específicos no ano de 2013.
No ano de 2013, de acordo com a Figura 3, o curso de Licenciatura em
Computação permaneceu classificado como “Ótimo” pelo modelo. No entanto, os
cursos de Análise de Desenvolvimento de Sistemas e Logística, que na Figura 2
apareceram classificados como “Ótimo”, passaram a ter sua classificação dependente do
atributo “Pergunta”. No curso de Análise e Desenvolvimento de Sistemas a pergunta P3
foi classificada como “Fraco”, as perguntas P2 e P4 foram classificados como “Bom”, e
as demais perguntas deste curso permaneceram classificadas como “Ótimo”. Já no curso
de Logística a pergunta P2 passou a ser classificada como “Bom”, e as demais perguntas
foram classificadas pelo modelo como “Ótimo”. Por outro lado, os cursos de
Engenharia Agronômica e Zootecnia apresentaram resultados semelhantes aos dados
apresentados na Figura 2. As perguntas P1, P2 e P5 do curso de Engenharia
Agronômica, que em 2012 foram classificadas como “Bom”, em 2013 passaram a ser
classificados pelo modelo como “Ótimo”. No curso de Zootecnia as perguntas P1, P2 e
P4, que em 2012 foram classificadas como “Ótimo”, em 2013 passaram a ser
classificadas como “Bom”.
Dessa forma, é possível constatar que, no geral, as predições de 2013
pioraram em relação às de 2012. Isso mostra a relevância de se ter acesso aos dados
obtidos pela mineração de dados, e com base nisso elaborar um planejamento para o
próximo ano.
Figura 4: Árvore de decisão obtida na mineração dos dados de avaliação dos professores
do IFTM em cursos específicos no ano de 2014.
Por fim, a Figura 4 apresenta a classificação feita pelo modelo sobre os
dados da autoavaliação do ano de 2014. Neste caso, houve uma melhora significativa na
opinião dos alunos em relação ao desempenho dos professores dentro dos cursos. Os
cursos de Engenharia Agronômica, Zootecnia e Logística, que em 2013 tinham sua
classificação dependente do atributo “Pergunta”, em 2014 passaram a ser classificados
como “Ótimo”. Já o curso de Análise e Desenvolvimento de Sistemas, que em 2013
teve sua classificação dependente do atributo “Pergunta”, em 2014 continuou em
situação semelhante, apesar da pergunta P3 ter sua classificação melhorada de “Fraco”
para “Ótimo”. Sendo assim, em suma, os dados apresentados na Figura 4 mostram que
em 2014, a grande maioria dos cursos apresentou sua classificação otimizada para todas
as perguntas avaliadas.
As Figuras 2, 3 e 4 mostraram a avaliação dos cursos de uma forma geral,
sem considerar os detalhes relacionados aos diversos núcleos de formação que compõe
cada curso. Desta maneira, de forma a propiciar uma visão mais detalhada de cada
curso, estes foram analisados em nível de disciplinas. Como um curso normalmente
possui dezenas de disciplinas, estas foram agrupadas por núcleos de formação, de
acordo com a categorização proposta no próprio Projeto Pedagógico de Curso (PPC)
dos cursos analisados, conforme mencionado na seção 2.3.
Dentro desse contexto, a Figura 5 mostra a árvore de decisão
especificamente para o curso de Licenciatura em Computação do campus Uberlândia
Centro do IFTM no ano de 2012, enquanto que a Figura 6 apresenta a avaliação do
mesmo curso no ano de 2014. A Tabela 3 mostra a legenda da categorização de
disciplinas utilizada nas Figuras 5 e 6.
Tabela 3: Legenda para os dados apresentados nas Figuras 5 e 6.
Descrição
Rótulo
Formação Científica
D1
Formação Específica
D2
Formação Geral
D3
Formação Pedagógica
D4
Formação Tecnológica (S.C.)
D5
Formação Tecnológica (S.I.)
D6
Figura 5: Árvore de decisão obtida dos dados de avaliação do curso de Licenciatura em
Computação no ano de 2012.
Figura 6: Árvore de decisão obtida dos dados de avaliação do curso de Licenciatura em
Computação no ano de 2014.
Analisando as árvores de decisão resultantes da mineração dos dados de
2012 e 2014 do curso de Licenciatura em Computação, Figuras 5 e 6 respectivamente,
pode-se constatar que ocorreram mudanças significativas. As perguntas que tratam de
cordialidade e atendimento pedagógico (P5), e também aquelas que tratam da
assiduidade e pontualidade (P6), permaneceram classificadas como “Ótimo” em ambas
as avaliações. Já a questão que trata da agilidade na entrega de notas (P3), que antes foi
classificada como “Ótimo”, passou a ser classificada como “Bom” nas áreas de
Formação Pedagógica e Formação Tecnológica (S.C.), permanecendo como “Ótimo”
nas demais áreas de formação. Nas demais questões houve algumas mudanças entre
“Ótimo” e “Bom”, no entanto, nenhumas delas chegaram ao ponto de classificar o
núcleo de formação como “Regular”. Sendo assim, em suma, de acordo com os dados
apresentados nas Figuras 5 e 6, não houve mudança significativa que indique uma
grande diferença na qualidade do curso segundo a opinião dos alunos, mas estes dados
são relevantes para que os professores e equipe de gestão do curso em questão possam
identificar as áreas onde existe insatisfação por parte dos estudantes.
Outro curso analisado em detalhes foi o curso de Logística do campus
Uberlândia Centro do IFTM. As Figuras 7 e 8 mostram as árvores de decisão resultantes
do processo de mineração de dados desse curso nos anos de 2012 e 2014,
respectivamente. A Tabela 4 mostra a legenda da categorização de disciplinas utilizada
nas Figuras 7 e 8.
Tabela 4: Legenda para os dados apresentados nas Figuras 7 e 8.
Descrição
Rótulo
Formação Complementar - Obrigatória
D1
Formação Básica
D2
Formação Específica
D3
Formação Complementar - Projeto Multidisciplinar
D4
Figura 7: Árvore de decisão obtida dos dados da avaliação do curso de Tecnologia em
Logística no ano de 2012.
Figura 8: Árvore de decisão obtida dos dados da avaliação do curso de Tecnologia em
Logística no ano de 2014.
De acordo com o resultado alcançado através da mineração dos dados das
autoavaliações de 2012 e 2014, Figuras 7 e 8 respectivamente, sobre o curso de
Logística, pode-se constatar que houve uma melhora na avaliação das disciplinas de
Formação Complementar - Obrigatória (D1), enquanto que nas disciplinas de Formação
Básica (D2) e Especifica (D3) a classificação fornecida pelo modelo permaneceu a
mesma. Apesar disso, o núcleo de Formação Complementar - Projeto Multidisciplinar
(D4), que antes apresentava apenas um item avaliado como “Regular”, apresentou uma
piora significativa, com duas perguntas (P1 e P3) sendo avaliadas como “Fraco” e com
outras duas (P5 e P6) sendo avaliadas como “Regular”. Esse resultado poderia ter sido
evitado com base na análise dos dados apresentados neste artigo.
Por fim, este artigo apresenta a análise em detalhes dos dados do curso de
Zootecnia do campus Uberaba - Unidade I do IFTM. As Figuras 9 e 10 mostram as
árvores de decisão resultantes da mineração dos dados desse curso nos anos de 2012 e
2014, respectivamente. A Tabela 5 mostra a legenda da categorização de disciplinas
utilizada nas Figuras 9 e 10.
Tabela 5: Legenda para os dados apresentados nas Figuras 9 e 10.
Descrição
Rótulo
Núcleo de Ciências Agronômicas
D1
Núcleo de Ciências Econômicas
D2
Núcleo de Ciências Ambientais
D3
Núcleo de Genética Melhoramento e Reprodução Animal
D4
Núcleo de Ciências Exatas e Aplicadas
D5
Núcleo de Morfologia e Fisiologia Animal
D6
Núcleo de Higiene e Profilaxia Animal
D7
Núcleo de Nutrição e Alimentação
D8
Núcleo de Produção Animal e Industrialização
D9
Figura 9: Árvore de decisão obtida dos dados da avaliação do curso Bacharelado em
Zootecnia no ano de 2012.
Figura 10: Árvore de decisão obtida dos dados da avaliação do curso Bacharelado em
Zootecnia no ano de 2014.
Na mineração dos dados do curso de Zootecnia referente aos anos de 2012 e
2014, Figuras 9 e 10 respectivamente, pode-se concluir que houve um crescimento na
quantidade de núcleos de formação classificados como “Ótimo” por parte do modelo.
Os núcleos de Ciências Exatas e Aplicadas (D5) e Higiene e Profilaxia Animal (D7)
permaneceram avaliados como “Ótimo”. Enquanto isso, os núcleos de Morfologia e
Fisiologia Animal (D6), Nutrição e Alimentação (D8) e Produção Animal e
Industrialização (D9), que possuíam grupos de perguntas classificados como “Bom”,
“Ótimo” e “Fraco”, passaram a ser classificados apenas como “Ótimo”. Nos demais
núcleos de formação houve uma ligeira melhora, pois embora estes não tenham sido
classificados como “Ótimo” pelo modelo, todos os grupos de perguntas que antes eram
tidos como “Fraco” ou “Regular” passaram a ser classificados como “Ótimo” ou
“Bom”.
3.2. Avaliação da infraestrutura dos campi
A Figura 11 apresenta o resultado da aplicação do algoritmo J48 nos dados
do bloco de perguntas referentes à Dimensão VII (CPA/IFTM, 2012), que trata
principalmente da infraestrutura dos campi do IFTM, no ano de 2012. Essa avaliação foi
realizada pelos alunos, professores e técnicos administrativos. A Tabela 6 contém a
legenda para os rótulos apresentados na Figura 11.
Tabela 6: Legenda para os dados apresentados na Figura 11.
Descrição
Avaliação feita por alunos
Avaliação feita por professores
Avaliação feita por técnicos administrativos
A infraestrutura das salas de aula (dimensões do espaço físico,
iluminação, ventilação, mobiliário e equipamento) é
A infraestrutura dos laboratórios (dimensões do espaço físico,
iluminação, ventilação, mobiliário e equipamento) é
A infraestrutura da biblioteca (organização e horário de funcionamento,
qualidade do acervo e do atendimento) é
A infraestrutura do campus (dimensões do espaço físico, iluminação,
ventilação, mobiliário e equipamento)
O número de computadores para acesso à Internet disponibilizados na
biblioteca é
Rótulo
A
P
T
P1
P2
P3
P4
P5
Figura 11: Árvore de decisão obtida na mineração dos dados de avaliação da
infraestrutura do IFTM no ano de 2012.
Dentre os resultados apresentados na Figura 11, destaca-se a diferença de
opinião dos alunos, professores e técnicos administrativos em relação às mesmas
perguntas. De acordo com o modelo produzido pelo algoritmo, os professores, no geral,
apresentaram uma avaliação mais crítica do que os demais, sendo sua resposta
normalmente classificada como “Regular” (perguntas P1, P2 e P4). Além disso, de
acordo com o modelo, a avaliação dos alunos se assemelha bastante à avaliação
realizada pelos técnicos administrativos do IFTM (perguntas P1, P2, P3 e P4). Outro
ponto importante a se ressaltar é que, de acordo com o modelo, a resposta dos alunos foi
classificada como “Fraco” para a pergunta referente ao número de computadores para
acesso à internet disponibilizados na biblioteca (P5), sendo esta a avaliação mais crítica
para essa pergunta.
A mesma análise apresentada na Figura 11 foi realizada também para os
anos de 2013 e 2014. As árvores de decisão obtidas na mineração dos dados de
avaliação da infraestrutura do IFTM nos anos de 2013 e 2014 consistiram em apenas
um nó, com a classificação “Bom”. Neste sentido, pode-se concluir que, com o passar
dos anos, houve uma melhora significativa na opinião dos alunos, professores e técnicos
administrativos em relação ao bloco de perguntas referentes à Dimensão VII.
Dentro desse contexto, outro ponto bastante relevante que deve considerado
é o crescimento na quantidade de alunos, professores e técnicos administrativos que
participaram das autoavaliações do IFTM realizadas nos anos de 2012, 2013 e 2014. O
Gráfico 1 mostra a evolução desse número aos longo dos anos analisados.
Gráfico 1: Número total de participantes discriminados por categoria que participaram
das autoavaliações do IFTM realizadas nos anos de 2012, 2013 e 2014.
De acordo com os dados apresentados no Gráfico 1, o número de
participantes nos diversos seguimentos cresceu consideravelmente ao longo dos anos,
com destaque para a quantidade de alunos, que praticamente dobrou de 2013 para 2014.
Um dos fatores relacionados a esse crescimento está o próprio crescimento da
Instituição e, consequentemente, do seu número de alunos e servidores. No geral, esses
resultados são bastante importantes, uma vez que a Instituição encontra-se em fase de
crescimento, e a adoção de medidas para melhoria contínua visa garantir uma satisfação
crescente nos seguimentos presentes. O processo de melhoria contínua pode ser
alcançado através da análise e planejamento sobre dados semelhantes aos apresentados
nesta pesquisa, uma vez que estes servem de suporte aos gestores.
3.3. Avaliação da política de ensino, pesquisa e extensão
As Figuras 12 e 13 apresentam os resultados da aplicação do algoritmo J48
nos dados do bloco de perguntas referentes à Dimensão II (CPA/IFTM, 2012), que trata
principalmente da política para o ensino, pesquisa e extensão dos campi do IFTM, nos
anos de 2012 e 2014, respectivamente. Essa avaliação foi realizada pelos alunos,
professores e técnicos administrativos. A Tabela 7 contém a legenda para os rótulos
apresentados nas Figuras 12 e 13.
Tabela 7: Legenda para os dados apresentados nas Figuras 12 e 13.
Descrição
Rótulo
Avaliação feita por alunos
A
Avaliação feita por professores
P
Avaliação feita por técnicos administrativos
T
A política e a atuação do Instituto para o ensino é
P1
Seu conhecimento e interesse na participação dos programas de pesquisa
P2
e extensão é
A política e a atuação do Instituto para a pesquisa é
P3
Seu conhecimento do programa de concessão de bolsas e monitoria é
P4
A política e a atuação do Instituto para a extensão é
P5
Figura 12: Árvore de decisão obtida na mineração dos dados sobre a política de ensino,
pesquisa e extensão do IFTM no ano de 2012.
Figura 13: Árvore de decisão obtida na mineração dos dados sobre a política de ensino,
pesquisa e extensão do IFTM no ano de 2014.
De acordo com a Figura 12, a política e a atuação da Instituição para o
ensino, pesquisa e extensão (perguntas P1, P3 e P5, respectivamente) foi classificada
pelo modelo como “Bom” para todas as categorias de participantes da avaliação.
Enquanto isso, as perguntas que dizem respeito ao conhecimento e interesse na
participação dos programas de pesquisa e extensão (P2) e o conhecimento do programa
de concessão de bolsas e monitoria (P4) foram classificadas pelo modelo como
“Fraco” pelos técnicos administrativos.
A mesma análise apresentada na Figura 12 foi realizada também para o ano
de 2013. A árvore de decisão obtida na mineração dos dados sobre a política de ensino,
pesquisa e extensão do IFTM no ano de 2013 consistiu em apenas um nó, com a
classificação “Bom”. Sendo assim, nota-se uma maior atuação dos técnicos
administrativos nos programas de pesquisa e extensão da Instituição no ano de 2013.
Enquanto isso, de acordo com a Figura 13 (ano de 2014), os itens P2, P3, P4
e P5 foram classificados pelo modelo como “Bom”, da mesma forma como já haviam
sido classificados sobre os dados de 2013. Além disso, em 2014, os professores
avaliaram o item P1 como “Ótimo”, mostrando assim uma melhora na política e atuação
do Instituto para o ensino.
Em resumo, de acordo com essa análise, pode-se concluir que houve uma
melhora significativa ao longo dos anos na opinião dos diversos seguimentos, ainda
mais se observado o crescimento na quantidade de participantes das autoavaliações
consideradas nesta pesquisa, conforme foi mostrado no Gráfico 1.
4. Conclusões
Os experimentos realizados nesta pesquisa evidenciaram a viabilidade e a
eficácia da aplicação de técnicas de mineração de dados sobre os dados da
Autoavaliação Institucional promovida pela CPA nos anos de 2012 a 2014. Os
resultados obtidos revelaram uma pequena parcela da informação que está escondida
por trás desses dados, de forma a propiciar uma amostra de como é possível se
beneficiar dos resultados dessa pesquisa.
Neste artigo foram apresentados vários grupos de árvores de decisão, com o
objetivo de ilustrar de forma clara o resultado da mineração dos dados coletados pela
CPA ao longo de três anos. A análise realizada sobre esses dados foi segmentada em
três áreas de interesse, conforme apresentado na seção 3: 1) Avaliação dos professores;
2) Avaliação da infraestrutura dos campi; 3) Avaliação da política de ensino, pesquisa e
extensão. A primeira área de interesse visa fornecer resultados de forma a auxiliar a
equipe de gestão dos cursos em como e onde deve-se investir esforços de forma a
melhorar a qualidade dos mesmos. Com essa análise é possível tanto predizer a opinião
geral dos alunos sobre os cursos, quanto a opinião dos mesmos segmentada por núcleos
de formação, o que fornece subsídios para uma planejamento mais apurado. Enquanto
isso, com a segunda área de interesse é possível analisar a opinião dos alunos,
professores e técnicos administrativos quanto à infraestrutura dos campi. Isso permite
entender se uma das partes relacionadas com a infraestrutura está em desagrado de
apenas um dos segmentos ou de todos, permitindo-se assim que a equipe de gestão da
Instituição se planeje para atuar de forma mais assertiva. Por fim, a terceira área de
interesse também apresenta a opinião segmentada por alunos, professores e técnicos
administrativos, porém para questões do âmbito das políticas de ensino, pesquisa e
extensão. Isso possibilita analisar qual desses três pilares (ensino, pesquisa e extensão)
carece de mais atenção e atuação por parte da equipe gestora da Instituição.
Além disso, as informações apresentadas neste artigo destacam a
importância da existência da Comissão Própria de Avaliação dentro de uma instituição
de ensino, e também mostram como a mineração de dados pode ser utilizada para
predizer os resultados que serão alcançados nos próximos anos caso os gestores não
realizem um planejamento de melhoria adequado. Com estes dados, também é possível
compartilhar experiências bem sucedidas dentro das instituições de ensino.
5. Referências
Comissão Própria de Avaliação do Instituto Federal de Educação, Ciência e Tecnologia
do Triângulo Mineiro, CPA/IFTM. (2012). RELATÓRIO AUTOAVALIAÇÃO
INSTITUCIONAL
ANO
2012.
Disponível
em:
<http://www.iftm.edu.br/cpa/pdf/relatorio_final_2012.pdf>. Acesso em: 1 set. 2015.
Instituto Federal de Educação, Ciência e Tecnologia do Triângulo Mineiro, IFTM.
(2012a). Projeto Pedagógico do Curso de Licenciatura em Computação. Disponível em:
<
http://www.iftm.edu.br/visao/loader_arquivo_ppc.php?src=190815161857_decretos_ad
_referendum_10-2013_-_ppc_computacao_av_udia.pdf >. Acesso em: 4 jan. 2016.
Instituto Federal de Educação, Ciência e Tecnologia do Triângulo Mineiro, IFTM.
(2012b). Projeto Pedagógico do Curso Superior de Tecnologia em Logística. Disponível
em:
<
http://www.iftm.edu.br/visao/loader_arquivo_ppc.php?src=150713160347_resolucao_3
2-2012_-_aprova_o_ppc__do_cst_em_logistica.pdf>. Acesso em: 4 jan. 2016.
Instituto Federal de Educação, Ciência e Tecnologia do Triângulo Mineiro, IFTM.
(2011). Projeto Pedagógico do Curso de Bacharelado em Zootecnia. Disponível em:
<http://www.iftm.edu.br/uberaba/cursos/graduacaopresencial/zootecnia/ppc/PPC_Bacharelado_Zootecnia.pdf>. Acesso em: 4 jan. 2016.
Hall, M., Frank, E., Holmes, G., Pfahringer, B., Reutemann, P., & Witten, I. H. (2009).
The WEKA Data Mining Software: An Update; SIGKDD Explorations. 11(1), 10-18.
Han, J., & Kambe, M. (2000). Data Mining: Concepts and Techniques. Morgan
Kaufmann.
Librelotto, S. R., & Mozzaquatro, P. M. (2013). Análise dos algoritmos de mineração
J48 e APRIORI aplicados na detecção de indicadores de qualidade de vida e saúde.
Revista interdisciplinar de ensino, pesquisa e extensão. 1(1), 26-37.
Tan, P., Steinbach, M., & Kumar, V. (2009). Introdução ao Data Mining: Mineração de
Dados. Rio de Janeiro: Ciência Moderna Ltda.