01.1 - Graduação (Sede)
URI permanente desta comunidadehttps://arandu.ufrpe.br/handle/123456789/2
Navegar
3 resultados
Resultados da Pesquisa
Item Panorama da licenciatura em computação: uma análise das particularidades acadêmico-profissionais dos docentes de informática/computação no Brasil(2024-09-30) Gonçalves, Alexandre Fernandes; Rodrigues, Rodrigo Lins; http://lattes.cnpq.br/5512849006877767; http://lattes.cnpq.br/5960541042758316O presente trabalho tem como objetivo verificar a atual situação dos docentes de informática/computação no ensino básico brasileiro, mais precisamente sobre a formação específica de licenciatura em computação (LC) e os quantitativos destes, com sua distribuição em algumas variáveis como região, sexo e região político-administrativa. A pesquisa foi realizada com dados dos docentes de informática/computação ao nível de Brasil, oriundas do Censo Escolar do ano de 2020. Após essa etapa, foi utilizada a técnica de Análise de Correspondência Múltipla (MCA), para verificar as características dos atributos encontrados e as associações existentes entre as categorias das variáveis, relacionando a formação docente com o perfil. Concluímos com esse estudo que há um baixo quantitativo de profissionais docentes de informática/computação. São apenas 478 (2,19% do total de registros) com formação específica na área de LC, existindo uma grande quantidade de professores (15.059 - 69,09%) que são licenciados em outras áreas distintas da computação. A formação em pedagogia é a fonte da maioria dos professores de informática/computação, com cerca de 11.101 (50,93%) destes profissionais; e que a carência é ainda maior nas regiões Norte e Centro-Oeste do país, que possuem apenas 56 professores, o que corresponde a 11,71% dos licenciados em computação (LCs) em atividade.Item Elaboração do conjunto de dados agregados do censo da educação básica(2022-10-07) Barros, Abílio Nogueira; Mello, Rafael Ferreira Leite de; http://lattes.cnpq.br/6190254569597745; http://lattes.cnpq.br/2576549853650823O Instituto Nacional de Estudos e Pesquisas Educacionais Anísio Teixeira (INEP) disponibiliza o Censo da Educação Básica, o maior levantamento anual de dados sobre a educação brasileira. Os dados são disponibilizados anualmente e com cerca de 370 colunas e pouco mais de 230 mil registros por ano. Este trabalho apresenta o processo que foi utilizado para criar um conjunto de dados que unificasse os anos de 2010-2021 e o disponibilizasse de forma a garantir boas práticas de disponibilização de dados na web. Foi gerado um conjunto de dados abrangendo todos os anos mencionados, posteriormente dividido em subconjuntos dada a natureza dos dados apresentados.Item Técnicas de aprendizado de máquina para descoberta de conhecimento sobre dados abertos do ensino superior público brasileiro(2021-12-10) Rodrigues, Ebony Marques; Gouveia, Roberta Macêdo Marques; http://lattes.cnpq.br/2024317361355224; http://lattes.cnpq.br/5929185711837204Este trabalho trata do uso de técnicas dos métodos de Knowledge Discovery in Databases — KDD — e Cross Industry Standard Process for Data Mining — CRISPDM — sobre bases de dados educacionais disponibilizadas pelo Instituto Nacional de Estudos e Pesquisas Educacionais Anísio Teixeira — INEP — visando à descoberta de conhecimento que permita a identificação, assim como a compreensão, do contexto de formação de discentes de Instituições de Ensino Superior — IES — públicas brasileiras. Três cenários de mineração de dados são observados, tendo em vista métodos do Aprendizado de Máquina Supervisionado e do Aprendizado de Máquina Não Supervisionado, abrangendo experimentos de classificação, agrupamento e associação de dados. O primeiro cenário, que contempla dados de concluintes de cursos de graduação de graus bacharelado e licenciatura, objetiva prever o tempo aproximado de conclusão da graduação, considerando informações socioeconômicas dos estudantes, por meio de 16 modelos de classificação construídos com o emprego de algoritmos de Árvore de Decisão, Floresta Aleatória, XGBoost e Rede Neural Perceptron Multicamadas. Os modelos XGBoost tiveram os melhores resultados em todos os experimentos. Por sua vez, o segundo cenário utiliza o algoritmo KMeans para a execução de um agrupamento de IES públicas que, a partir da análise de quatro grupos obtidos com a consideração de informações sobre despesas, quantidades de docentes e técnicos, localização e categoria administrativa das IES, entre outras, possibilitou a identificação de similaridades e dissimilaridades entre as instituições. Os grupos em questão, além de dados utilizados no primeiro cenário, que incluem informações sobre os estudantes, como faixa etária, tempo de graduação e forma de ingresso na graduação, observando se esse ocorreu por meio de políticas de ação afirmativa ou de inclusão social, entre outras, são considerados nos experimentos do terceiro cenário, com o uso do algoritmo Apriori, para a geração de regras de associação que podem suportar a descoberta de conhecimento no âmbito do ensino superior público brasileiro.