Integração entre Ciência da Informação e Ciência de Dados:
análise de conteúdo aplicada à seleção de variáveis para modelagem preditiva
Palavras-chave:
Ciência da Informação, Ciência de dados, Variáveis, Análise de Conteúdo, predição do abandono escolarResumo
qualidade dos resultados obtidos, tornando sua identificação e seleção etapas relevantes no processo de modelagem. O presente artigo tem como objetivo apresentar a aplicação da análise de conteúdo, técnica amplamente utilizada na Ciência da Informação, na exploração e seleção de variáveis para predição do abandono escolar dos alunos no ensino médio da rede estadual de ensino de Santa Catarina. A pesquisa caracteriza-se como aplicada, de objetivos exploratórios, abordagem predominantemente qualitativa e procedimentos técnicos documental e estudo de caso. O corpus foi constituído por 16 estudos selecionados por meio de levantamento bibliográfico, dos quais foram identificadas 269 variáveis, posteriormente agrupadas em 114 agrupamentos por similaridade semântica e conceitual e classificadas segundo as características Disponibilidade, Relevância e Dimensão. Os resultados demonstram que a análise de conteúdo possibilitou organizar e sistematizar as variáveis de forma contextualizada e estruturada, subsidiando sua seleção para modelagem preditiva. Conclui-se que a aplicação da análise de conteúdo favorece a integração entre princípios da Ciência da Informação e métodos da Ciência de Dados, oferecendo uma sistematização inicial das variáveis identificadas na literatura que poderá subsidiar pesquisas futuras voltadas à seleção de variáveis e à modelagem preditiva do abandono escolar.
Downloads
Referências
ALESP. Assembleia Legislativa do Estado de São Paulo. Assembleia lança o Índice Paulista de Vulnerabilidade Social. São Paulo: 2004. Disponível em: https://www.al.sp.gov.br/noticia/?id=264220. Acesso em: 14 out. 2024.
AMARAL, Fernando. Introdução a ciência de dados: mineração de dados e Big Data. 1. ed. Rio de Janeiro: Alta Books, 2016.
BARDIN, Laurence. Análise de conteúdo. 4. ed. Lisboa: Edições 70, 2009.
BARROS, Thiago Medeiros; SOUZA NETO, Plácido A.; SILVA, Ivanovitch; GUEDES, Luiz Affonso. Predictive models for imbalanced data: a school dropout perspective. Education Sciences, v. 9, n. 275, 2019. Disponível em: https://doi.org/10.3390/educsci9040275. Acesso em: 22 jan. 2024.
BARROS, Thiago Medeiros. Um processo orientado a dados para geração de modelo de predição de evasão escolar. 2020. Tese (Doutorado em Engenharia Elétrica e de Computação) - Universidade Federal do Rio Grande do Norte (UFRN), Natal RN, 2020. Disponível em: https://repositorio.ufrn.br/handle/123456789/31933. Acesso em: 08 jan. 2024.
BRASIL. Instituto Nacional de Estudos e Pesquisas Educacionais Anísio Teixeira (Inep). Saeb 2021: Indicador de Nível Socioeconômico do Saeb 2021: nota técnica. Brasília, DF: Inep, 2023. Disponível em: https://www.gov.br/inep/pt-br/acesso-a-informacao/dados-abertos/indicadores-educacionais/nivel-socioeconomico. Acesso em: 14 out. 2024.
BRASIL. Instituto Nacional de Estudos e Pesquisas Educacionais Anísio Teixeira (Inep). Sinopse estatística da educação básica 2025. Brasília: Inep, 2026a. Disponível em: https://www.gov.br/inep/pt-br/acesso-a-informacao/dados-abertos/sinopses-estatisticas/educacao-basica. Acesso em: 03 jul. 2026.
BRASIL. Instituto Nacional de Estudos e Pesquisas Educacionais Anísio Teixeira (Inep). Taxas de rendimento escolar. Brasília: Inep, 2026b. Disponível em: https://www.gov.br/inep/pt-br/acesso-a-informacao/dados-abertos/indicadores-educacionais/taxas-de-rendimento-escolar. Acesso em: 03 jul. 2026.
CHINNASAMY, Rajagopal; BALASUBRAMANIAN, Thangavel. Rank biserial stochastic feature embed bivariate kernelized regressive bootstrap aggregative classifier for school student dropout prediction. Concurrency and Computation: Practice and Experience, v. 34, n. 21, 2022a. Disponível em: https://doi.org/10.1002/cpe.7133. Acesso em: 22 jan. 2024.
CHINNASAMY, Rajagopal; BALASUBRAMANIAN, Thangavel. Tucker's congruence regressive feature projected tversky discriminant multiple instance learning boost data classification for school student dropout prediction. Concurrency and Computation: Practice and Experience, v. 34, n. 18, 2022b. Disponível em: https://doi.org/10.1002/cpe.7021. Acesso em: 22 jan. 2024.
COLPANI, Rogério. Mineração de dados educacionais: um estudo da evasão no ensino médio com base nos indicadores do Censo Escolar. Informática na Educação: teoria & prática, Porto Alegre, v. 21, n. 3, p. 109-123, 2018. Disponível em: https://seer.ufrgs.br/index.php/InfEducTeoriaPratica/article/view/87880. Acesso em: 08 jan. 2024.
IBGE. Censo Demográfico: O que é. [S.l.]: IBGE, 2023. Disponível em: https://www.ibge.gov.br/estatisticas/sociais/trabalho/22827-censo-demografico-2022.html?=&t=o-que-e. Acesso em: 10 dez. 2024.
IBGE. Produto Interno Bruno – PIB: O que é o PIB. [S.l.]: IBGE, 2024. Disponível em: https://www.ibge.gov.br/explica/pib.php. Acesso em: 04 out. 2024.
KRÜGER, João Gabriel Corrêa; BRITTO JR., Alceu de Souza; BARDDAL, Jean Paul. An explainable machine learning approach for student dropout prediction. Expert Systems With Applications. V. 233, 2023. Disponível em: https://doi.org/10.1016/j.eswa.2023.120933. Acesso em: 20 set. 2024.
LOPES FILHO, José Ahirton Batista. Detecção de estudantes em risco de evasão escolar usando aprendizagem de máquina. Tese (Doutorado em Engenharia Elétrica e Computação) - Universidade Presbiteriana Mackenzie, São Paulo SP, 2021. Disponível em: https://adelpha-api.mackenzie.br/server/api/core/bitstreams/178b32ac-cd0a-44e3-9804-87566f733e15/content. Acesso em: 22 jan. 2024.
MAHESHWARI, Ekansh; ROY, Chandrima; PANDEY, Manjusha; RAUTRAY, Siddharth. Prediction of factors associated with the dropout rates of primary to high school students in India using data mining tools. Frontiers in Intelligent Computing: Theory and Applications, v. 1.013, p. 242-251, 2020. Disponível em: https://doi.org/10.1007/978-981-32-9186-7_26. Acesso em: 22 jan. 2024.
MASOOD, Sheikh Wakie; BEGUM, Shahin Ara. Comparison of resampling techniques for imbalanced datasets in student dropout prediction. IEEE Silchar Subsection Conference (SILCON), Silchar, India, p. 1, 2022. Disponível em: https://ieeexplore.ieee.org/document/10028915. Acesso em: 22 jan. 2024.
MDUMA, Neema. Data balancing techniques for predicting student dropout using machine learning. Data, v. 8, n. 49, 2023. Disponível em: https://doi.org/10.3390/data8030049. Acesso em: 22 jan. 2024.
MOUTINHO, Sônia Oliveira Matos; MARTINS, Paulo George Miranda; ALENCAR, Danila Fernandes; CONEGLIAN, Caio Saraiva. Ciência da Informação e Ciência de Dados: convergências interdisciplinares. Encontros Bibli: revista eletrônica de biblioteconomia e ciência da informação, Florianópolis/SC, Brasil, v. 29, p. 1–26, 2024. Disponível em: https://periodicos.ufsc.br/index.php/eb/article/view/99127. Acesso em: 14 maio. 2025.
PNUD; IPEA; FJP. Atlas do desenvolvimento humano nas regiões metropolitanas brasileiras: Florianópolis, Sorocaba, Ride Grande Teresina, Ride Petrolina-Juazeiro. Brasília: PNUD: IPEA: FJP, 2017. Disponível em: http://www.atlasbrasil.org.br/acervo/biblioteca. Acesso em: 20 jan. 2025.
QUEIROGA, Emanuel Marques; MACHADO, Matheus Francisco Batista; PARAGARINO, Virgínia Rodés; PRIMO, Tiago Thompsen; CECHINEL, Cristian. Early prediction of at-risk students in secondary education: a countrywide K-12 learning analytics initiative in Uruguay. Information, v. 13, n. 9, 2022. Disponível em: https://doi.org/10.3390/info13090401. Acesso em: 22 jan. 2024.
QUEIROGA, Emanuel Marques; SANTANA, Daniel; SILVA, Marcelo da; AGUIAR, Martim de; SANTOS, Vinícius dos; MELLO, Rafael Ferreira; BITTENCOURT, Ig Ibert; CECHINEL, Cristian. Anticipating student abandonment and failure: predictive models in high school settings. In: International Conference on Artificial Intelligence in Education (AIED) 2024. Lecture Notes in Computer Science (LNCS), v. 14829, 2024. Disponível em: https://doi.org/10.1007/978-3-031-64302-6_25. Acesso em: 22 set. 2024.
SÃO PAULO (Estado). Resolução SE - 74 de 6 de nov. de 2008. Institui sobre o Programa de Qualidade da Educação (PQE) e o Índice de Desenvolvimento da Educação do Estado de São Paulo (IDESP). Diário Oficial do Estado de São
Paulo, São Paulo, v.118, n.211, p.19. 07 nov. 2008.
SICSÚ, Abraham L.; SAMARTINI, André; BARTH, Nelson L. Técnicas de machine learning. Editora Blucher, 2023.
SILVA, Alex Sandro Siqueira da. Mineração de dados aplicada à predição da evasão escolar no ensino médio. 2021. Tese (Doutorado em Engenharia Elétrica) - Universidade Estadual Paulista "Júlio de Mesquita Filho", Ilha Solteira, SP, 2021. Disponível em: http://hdl.handle.net/11449/213799. Acesso em: 08 jan. 2024.
SOUZA, Alex Marques de. Machine learning e a evasão escolar - análise preditiva no suporte à tomada de decisão. 2020. Dissertação (Mestrado em Sistemas de Informação e Gestão do Conhecimento) - Universidade FUMEC, Belo Horizonte, MG, 2020. Disponível em: https://repositorio.fumec.br/xmlui/bitstream/handle/123456789/420/alex_souza_mes_sigc_2020.pdf. Acesso em: 08 jan. 2024.
SUMARES, Gustavo. O que é GPA e como calcular o seu. [S.l.]: Fundação Estudar, 2024. Disponível em: https://www.estudarfora.org.br/gpa-o-que-e-e-como-calcular-o-seu/. Acesso em: 12 out. 2024.
TELES, Igor Antônio Gomes. Aprendizagem de máquina para predição do abandono e evasão dos estudantes do estado do Ceará. 2023. Dissertação (Mestrado em Engenharia Elétrica e Computação) - Universidade Federal do Ceará, Sobral, CE, 2023. Disponível em: http://repositorio.ufc.br/handle/riufc/73132. Acesso em: 08 jan. 2024.
WONGVORACHAN, Tarid; HE, Surina; BULUT, Okan. A comparison of undersampling, oversampling, and SMOTE methods for dealing with imbalanced classification in educational data mining. Information, v. 14, n. 54, 2023. Disponível em: https://doi.org/10.3390/info14010054. Acesso em: 22 jan. 2024.
Downloads
Publicado
Como Citar
Edição
Seção
Licença
Os originais aceitos e publicados tornam-se propriedade de INFORMAÇÃO & SOCIEDADE, sendo vedada sua reprodução total ou parcial, sem a devida autorização da Comissão Editorial, exceto para uso de estudo e pesquisa.
