INTEGRACIÓN ENTRE LA CIENCIA DE LA INFORMACIÓN Y LA CIENCIA DE LOS DATOS EN LA SELECCIÓN DE VARIABLES
un estudio de caso con análisis de contenido aplicado a la modelización predictiva
DOI:
https://doi.org/10.22478/ufpb.1809-4783.2025v35.74098Palabras clave:
Ciencia de la información, Ciencia de datos, Predicción, Variables, Análisis de contenidoResumen
Las variables utilizadas en los modelos de predicción son elementos esenciales, y su identificación y selección maximizan los resultados que se pueden obtener. El objetivo principal de este artículo es presentar la aplicación del análisis de contenido, técnica cualitativa ampliamente utilizada en Ciencias de la Información, en la exploración y selección de variables para la predicción del abandono escolar entre alumnos de la enseñanza media del estado de Santa Catarina. La investigación se caracteriza por ser de naturaleza aplicada, con objetivos exploratorios, abordaje cualitativo y cuantitativo y procedimientos documentales, además de un estudio de caso y la aplicación del análisis de contenido. Los resultados muestran que el análisis de contenido permitió agrupar y categorizar las variables de forma clara, contextualizada y estructurada, contribuyendo a la integración de los principios de organización de la información y de los métodos de la ciencia de datos.
Descargas
Citas
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.
Descargas
Publicado
Cómo citar
Número
Sección
Licencia
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.
