MINERAÇÃO DE DADOS RELACIONADOS AO APRENDIZADO DE LÍNGUA PORTUGUESA UM ESTUDO EXPLORATÓRIO
|
|
- Miguel Cipriano da Cunha
- 8 Há anos
- Visualizações:
Transcrição
1 MINERAÇÃO DE DADOS RELACIONADOS AO APRENDIZADO DE LÍNGUA PORTUGUESA UM ESTUDO EXPLORATÓRIO Anderson Amendoeira Namen Universidade do Estado do Rio de Janeiro, Instituto Politécnico Universidade Veiga de Almeida Ana Carolina Soares e Soares carolsoaresrj@hotmail.com Universidade Veiga de Almeida Resumo. O artigo apresenta o processo de mineração de dados aplicado para a identificação de associações entre variáveis relacionadas ao ensino de Língua Portuguesa para alunos da quarta série do ensino fundamental do Estado do Rio de Janeiro. São apresentadas as tarefas de limpeza e tratamento dos dados, pré-requisito para a execução do algoritmo de associação utilizado e são analisados os primeiros resultados obtidos no processo. Palavras-chave: Descoberta de conhecimento, Mineração de dados, Algoritmo Apriori 1. INTRODUÇÃO Em 2007 foi lançado o Plano de Desenvolvimento da Educação (PDE), que define uma série de metas a serem alcançadas, relacionadas ao fortalecimento da educação básica. Um dos mecanismos que propiciam o acompanhamento das metas definidas pelo PDE é o Censo Escolar da Educação Básica (INEP, 2009). Realizado anualmente, tem como principal objetivo a organização de uma ampla base de dados sobre escolas, professores e alunos. Também são realizadas avaliações em nível nacional (SAEB e Prova Brasil) visando coletar indicadores das médias de desempenho dos alunos do ensino básico em Língua Portuguesa e Matemática. O presente trabalho apresenta os resultados iniciais referentes à mineração de dados relacionados aos alunos da quarta série do ensino fundamental do Estado do Rio de Janeiro. Segundo Hirji (2001), a mineração de dados efetua o casamento da Estatística com a Inteligência Artificial, possibilitando a descoberta de relações ocultas em grandes repositórios de dados e, a partir daí, a inferência de regras para previsão de comportamento futuro e orientação na tomada de decisões. O objetivo principal é descobrir, a partir do uso de modelos computacionais, associações entre variáveis que caracterizam o perfil dos alunos e o nível de aprendizado de língua portuguesa obtido por estes. Dessa forma, torna-se possível identificar características que influenciem positivamente ou negativamente o processo de ensino-aprendizagem de língua portuguesa. O artigo apresenta, inicialmente, as bases de dados selecionadas, bem como o processo desenvolvido para limpeza e transformação de dados, pré-requisito necessário para a mineração. Os conceitos do algoritmo apriori, utilizado para a descoberta de associações entre variáveis, são então apresentados, assim como a escolha dos parâmetros utilizados na
2 execução do algoritmo. Finalmente, é efetuada uma análise dos primeiros resultados obtidos, seguida de algumas conclusões. 2. BASES USADAS, LIMPEZA E TRANSFORMAÇÃO DOS DADOS A cada dois anos, o Governo Federal realiza uma prova de língua portuguesa e matemática, denominada Prova Brasil, para todos os alunos da quarta e oitava série do ensino fundamental. Além da prova, os alunos respondem um questionário contendo diferentes perguntas relacionadas ao seu perfil sócio-econômico. Professores e diretores de escolas também respondem questionários relacionados ao seu perfil e ao da Instituição em que trabalham. Todos esses dados são armazenados em diferentes arquivos, sendo que os últimos dados disponibilizados pelo INEP referem-se à Prova Brasil do ano de Os seguintes arquivos foram selecionados para o presente trabalho: TS_ALUNO (Identificação dos alunos juntamente com a proficiência em cada disciplina); TS_QUEST_ALUNO (Resposta do questionário aplicado ao aluno de cada série); As estruturas dos arquivos são apresentadas nas Tabelas 1 e 2. Tabela 1 Estrutura do arquivo TS_ALUNO seq. Atributo Tipo tam. Descrição 1 ID_ALUNO Num 8 Código do Aluno na Prova Brasil 2 ID_TURMA Char 7 Código da Turma na Prova Brasil 4 TX_HORARIO_INICIO Char 5 Horário de Início da aula. As duas primeiras posições correspondem a hora e as duas ultimas aos minutos. 5 TX_HORARIO_FINAL Char 5 Horário de Término da aula.as duas primeiras posições correspondem a hora e as duas ultimas aos minutos. 6 NU_QTD_ALUNO Num 4 Número de Alunos matriculados na turma 7 ID_SERIE Num 1 Código da Série (4 4.ª série/5.º ano EF; 8 8.ª série / 9.º ano EF) 8 PK_COD_ENTIDADE Num 8 Código da Escola 9 ID_DEPENDENCIA_ADM Num 1 Código da Dependência Administrativa da Escola 10 ID_LOCALIZACAO Num 1 Código da Localização da Escola 11 SIGLA_UF Char 2 Sigla da Unidade da Federação 12 COD_UF Num 2 Código da Unidade da Federação 12 NO_MUNICIPIO Char 50 Nome do Município 13 COD_MUNICIPIO Num 7 Código do Município 14 ST_LINGUA_PORTUGUESA Num 1 Situação do Preenchimento da prova de Língua Portuguesa. O valor 0 indica que a prova não foi preenchida pelo aluno, enquanto o valor 1 indica que a prova foi preenchida. 15 ST_MATEMATICA Num 1 Situação do Preenchimento da prova de Matemática 16 NU_THETA_L Num 8 Proficiência do aluno em Língua Portuguesa calculada na escala única do SAEB, com média = 0 e desvio = 1 na população de referência 17 NU_SETHETA_L Num 8 Desvio padrão da proficiência em Língua Portuguesa 18 NU_THETAT_L Num 8 Proficiência em Língua Portuguesa transformada na escala única do SAEB, com média = 250, desvio = 50 (do SAEB/97). 19 NU_SETHETAT_L Num 8 Desvio padrão da proficiência transformada em Língua Portuguesa 20 NU_SETHETA_M Num 8 Desvio padrão da proficiência em Matemática
3 21 NU_THETAT_M Num 8 Proficiência do aluno em Matemática transformada na escala única do SAEB, com média = 250, desvio = 50 (do SAEB/97) 22 NU_SETHETAT_M Num 8 Desvio padrão da proficiência transformada em Matemática 23 NU_THETA_M Num 8 Proficiência do aluno em Matemática calculada na escala única do SAEB, com média = 0 e desvio = 1 na população de referência Tabela 2 Estrutura do arquivo TS_QUEST_ALUNO seq. Atributo Tipo tam. Descrição Código de Preenchimento 1 ID_ALUNO Num 8 Código do Aluno na Prova Brasil 2 ID_SERIE Num 1 Código da Série 3 ID_DEPENDENCIA_ADM Num 1 Código da Dependência Administrativa da Escola 4 ID_LOCALIZACAO Num 1 Código da Localização da Escola 5 SIGLA_UF Char 2 Sigla da Unidade da Federação 6 COD_UF Num 2 Código da Unidade da Federação 7 NO_MUNICIPIO Char 50 Nome do Município 8 COD_MUNICIPIO Num 7 Código do Município 9 TX_RESP_QUESTIONARIO Char 47 Resposta para o Questionário do Aluno 4 4.ª série/5.º ano EF 8 8.ª série / 9.º ano EF 1 Federal 2 - Estadual 3 - Municipal 1 Urbana 2 Rural Ver posição da resposta no questionário O escopo do presente trabalho envolve a análise dos dados dos alunos de língua portuguesa da quarta série do ensino fundamental do Estado do Rio de Janeiro. Desse modo, o primeiro processo realizado foi selecionar somente os alunos do Estado do Rio de Janeiro. Assim, foram selecionados, dentre os registros existentes nos diferentes arquivos, apenas os registros com o atributo SIGLA_UF igual ao valor RJ e o atributo ID_SERIE igual a 4. Embora a maior parte das técnicas de mineração tolere algum nível de imperfeição nas entradas, a melhoria da qualidade dos dados provê um grande aprimoramento nas análises resultantes dos algoritmos de mineração. Alguns trabalhos, como o de Redman (2001) e Wang et al. (2001) apresentam diferentes aspectos relacionados ao tratamento e garantia da qualidade dos dados. Para o presente caso, foram realizadas algumas tarefas, tanto de limpeza, quanto de transformação de dados. Estas foram fundamentais para a posterior execução dos algoritmos de detecção de padrões de associações entre as variáveis existentes no modelo. 2.1 Eliminação dos dados inconsistentes Como pode ser observado nas Tabelas 1 e 2, o atributo ID_ALUNO identifica cada aluno e está presente nos arquivos TS_ALUNO e TS_QUEST_ALUNO. Conforme citado anteriormente, o arquivo TS_ALUNO possui os dados da proficiência dos alunos, enquanto TS_QUEST_ALUNO possui os dados das respostas aos questionários dos alunos. Desse modo, identificou-se que todo registro com determinado ID_ALUNO existente em TS_ALUNO deveria possuir um registro correspondente no arquivo TS_QUEST_ALUNO. Caso isso não ocorresse, significava que o aluno possuía os dados referentes ao seu nível de aprendizado, mas não possuía os dados do questionário aplicado, contendo seu perfil sócio econômico. Foi realizado, então, um processo de exclusão dos registros de TS_ALUNO que não possuíam registro com ID_ALUNO correspondente em TS_QUEST_ALUNO, resultando na eliminação de 703 registros, de um total de , permanecendo registros no arquivo.
4 2.2 Criação de novos atributos a partir de atributos existentes O arquivo TS_QUEST_ALUNO possui um atributo denominado TX_RESP_QUESTIONARIO, que identifica as respostas ao questionário do aluno. O campo é do tipo Char com 47 posições, sendo este o número de questões aplicadas ao aluno. Ou seja, como esse campo é um string de tamanho 47, cada posição do campo corresponde à letra referente à resposta de uma determinada questão. Exemplificando, a primeira posição do string pode ser preenchida com os valores A ou B, e corresponde à primeira pergunta sobre o sexo do aluno, sendo a letra A a resposta para o sexo masculino e B para o sexo feminino. A trigésima sexta posição do string, por sua vez, está ligada à questão de número 36 ( Quando você entrou na escola? ) e pode ser preenchida com os valores A, B, C ou D, que são as opções referentes às seguintes respostas, respectivamente: No maternal (jardim de infância). ; Na pré-escola. ; Na primeira série. ; Depois da primeira série.. Para acesso a maiores detalhes, todos os questionários estão disponíveis no site do INEP, no endereço O objetivo do presente trabalho é a identificação de variáveis que possam influenciar positiva ou negativamente a proficiência do aluno em língua portuguesa. Como o atributo TX_RESP_QUESTIONARIO é representado por um string único, este não possui qualquer representatividade, dentro dos objetivos de associação buscados. Assim, foi necessária a divisão do atributo em tantos atributos quantos fossem os números de questões. No arquivo TS_QUEST_ALUNO foram criados 47 atributos, todos do tipo Char de tamanho 1, cada um deles identificando a resposta à pergunta correspondente aplicada no questionário do aluno. Os atributos foram nomeados de acordo com os enunciados das questões. Por exemplo, o novo atributo criado no arquivo TS_QUEST_ALUNO denominado Q1Sexo, corresponde à primeira questão sobre o sexo do aluno. Ele foi preenchido com o valor contido na primeira posição do string TX_RESP_QUESTIONARIO do arquivo TS_QUEST_ALUNO. O atributo Q2RacaCor, preenchido com o valor da segunda posição do string, corresponde à raça/cor do estudante, pergunta de número 2 do questionário, e assim sucessivamente. A criação dos novos atributos possibilitou que todas as variáveis caracterizadoras do perfil dos alunos ficassem disponíveis no modelo e pudessem ser usadas como entradas para o algoritmo de mineração. 2.3 Transformação de atributos contínuos em discretos A transformação de um atributo contínuo em um categórico é geralmente aplicada em atributos que são usados na análise de classificação ou associação. Conforme mencionado por Tan, Steinbach & Kumar (2009), alguns algoritmos de associação, caso do presente trabalho, não podem ser aplicados com a utilização de atributos contínuos. Para os arquivos aqui apresentados, a grande maioria dos atributos possui dados discretos. Somente os dados relacionados à proficiência dos alunos (arquivo TS_ALUNO) possuem atributos contínuos. Em particular, após análise detalhada do significado dos dados contidos no arquivo TS_ALUNO, foi constatado que o atributo NU_THETAT_L era o mais recomendado para ser utilizado nas análises. De acordo com o dicionário de dados do INEP
5 (vide esse campo contém o dado da proficiência em Língua Portuguesa de cada aluno já transformada em uma escala única. Na realidade, o atributo NU_THETAT_L foi mantido no arquivo, sendo criado um novo atributo correspondente denominado EscalaNotaPortugues. Observou-se que a média geral do atributo NU_THETAT_L possuía o valor de Foram então criadas duas categorias para o novo atributo EscalaNotaPortugues: Abaixo Média e Acima Média, onde: 0 NU_THETAT_L < => EscalaNotaPortugues = Abaixo Média e NU_THETAT_L => EscalaNotaPortugues = Acima Média Além das duas categorias apresentadas, foi criada mais uma categoria denominada Não Fez, para os alunos que não haviam feito a prova. Essa transformação foi feita para todos os alunos que possuíam o atributo ST_LINGUA_PORTUGUESA igual a 0, indicando que não haviam preenchido a prova (vide Tabela 1). Apesar desses alunos (ao todo 316) terem o campo NU_THETAT_L preenchido com o valor 0, eles não poderiam ser categorizados na faixa Abaixo Média. Se isso acontecesse, as informações utilizadas como base para o algoritmo de associação ficariam inconsistentes, já que se tratavam de duas situações completamente distintas (fazer a prova e ter aproveitamento igual a zero é uma situação completamente diferente de não fazer a prova). É importante ressaltar que os dados relativos à proficiência foram utilizados como entrada para o algoritmo utilizado, já que um dos principais objetivos buscados era a identificação de padrões de comportamento (ou perfis) associados ao nível de aprendizagem obtido pelos alunos. Desse modo, a criação de uma variável discreta era pré-requisito essencial para a aplicação do algoritmo de associação. 3. DESCOBERTA DE ASSOCIAÇÕES ENTRE VARIÁVEIS Essa seção apresenta a aplicação de uma metodologia conhecida como análise de associação, útil para descobrir relacionamentos interessantes escondidos em grandes conjuntos de dados. Os relacionamentos descobertos podem ser representados na forma de regras de associação. Uma regra de associação é uma expressão de implicação no formato X => Y (X implica em Y), onde X = {x 1, x 2,..., x n } e Y = { y 1, y 2,..., y n } são conjuntos disjuntos de itens, isto é, X Y = ϕ; X é o antecedente da regra (lado esquerdo) e Y é o consequente da regra (lado direito) podendo envolver qualquer número de itens (atributos) em cada lado da regra. O significado desta regra é que as transações da base de dados que contêm X tendem a conter Y. A força de uma regra de associação pode ser medida em termos de duas métricas: o suporte e a confiança. O suporte determina a frequência com que um conjunto de itens X U Y ocorre. Ou seja, o suporte é o percentual de transações que contêm todos os itens na qual uma regra é aplicável. A confiança determina a frequência na qual os itens Y aparecem em transações que contenham X. Em outras palavras, a confiança não trabalha com todas as transações, apenas com as que possuem o antecedente da regra. Para uma determinada regra X => Y, quanto
6 maior a confiança, maior a probabilidade de que Y esteja presente em transações que contenham X. As definições formais dessas medidas são: Suporte = S(X =>Y) = O ( X Y ) N (1) Confiança = C(X =>Y) = O( X Y ) O( X ) (2) onde: O( X Y ) é o número total de ocorrências de registros contendo os itens X e Y O(X) é o número total de ocorrências de registros contendo X N é o numero total de registros Outra medida, denominada fator de interesse (também chamada de importância ou lift), deve ser usada para evitar uma situação cunhada como armadilha de confiança. O exemplo listado a seguir, retirado de Tan, Steinbach & Kumar (2009), mostra que mesmo valores significativos de confiança podem não identificar uma regra relevante. A Tabela 3 mostra uma situação onde se busca analisar o relacionamento entre pessoas que bebam chá e café. Tabela 3 Preferências de bebida em um grupo de 1000 pessoas Bebe café Não bebe café Totais Bebe chá Não bebe chá Totais Analisando a regra Bebe chá => Bebe café, poderíamos, em um primeiro momento, considerá-la relevante, já que seus valores de suporte (15%) e confiança (75%) são relativamente altos. Este argumento pode ser contraposto quando se percebe que 80% do número total de pessoas bebe café, número superior ao das pessoas que bebem chá e café. Ou seja, apesar do valor da confiança da regra Bebe chá => Bebe café ser alto (75%), a regra, no entanto, é ilusória. O fato de uma pessoa beber chá, na realidade, diminui a possibilidade de que beba café de 80 para 75 por cento. O fator de interesse é uma medida que provê informação adicional, evitando situações enganosas, como a mencionada acima. O fator de interesse de uma regra é calculado a partir da seguinte fórmula: ( P ( Y X ) Fator de Interesse = I(X =>Y) = log ) P ( Y not X ) (3) onde P(Y X) é a probabilidade de Y ocorrer quando X ocorre e P(Y not X), é a probabilidade de Y ocorrer quando X não ocorre.
7 Um fator de interesse igual a 0 significa que não há associação entre X e Y. Fatores de interesse positivos indicam que Y tenderá a crescer caso X seja verdadeiro. Valores negativos, por sua vez, indicam que o antecedente X afeta negativamente o consequente Y, ou seja, a regra não é relevante. O objetivo da mineração de regras de associação é gerar todas as regras possíveis que excedam alguns patamares mínimos de suporte e de confiança especificados pelo usuário. O problema, portanto, é decomposto em dois subproblemas: 1. Gerar todos os conjuntos de itens que possuem suporte maior do que um limite mínimo definido pelo usuário. Esses conjuntos são chamados de conjuntos de itens frequentes; 2. Para cada conjunto de itens frequentes, gerar todas as regras que possuem confiança maior que um valor de confiança mínimo. Para tratar esses subproblemas foi utilizado o algoritmo Apriori. O algoritmo realiza a mineração em dois passos. No primeiro, é feita uma varredura sobre o arquivo de entrada, a fim de gerar todos os conjuntos de combinações de itens que satisfaçam um valor maior do que o suporte mínimo especificado pelo usuário. No segundo, são extraídas todas as regras de alta confiança dos conjuntos gerados. Estas regras são chamadas de regras fortes. Detalhes do algoritmo, inclusive com apresentação de variações do respectivo pseudocódigo, podem ser encontrados em Han & Kamber (2006), Tan, Steinbach & Kumar (2009) e Elmasri & Navathe (2011). Mais especificamente, foi utilizado o algoritmo denominado Microsoft Association Rules, uma implementação do algoritmo Apriori, disponibilizada dentro do ambiente do Sistema Gerenciador de Banco de Dados SQL Server 2008 da Microsoft, ambiente para o qual os arquivos foram importados em formato de tabelas de banco de dados. Maiores detalhes da ferramenta e dos algoritmos de mineração disponibilizados por ela podem ser encontrados em Harinath et al. (2009) e MacLennan & Crivat (2008). 4. SIMULAÇÃO E GERAÇÃO DE RESULTADOS Um número limitado de atributos foi selecionado para a execução do algoritmo de mineração. O objetivo foi identificar relacionamentos entre a proficiência do aluno, sua faixa etária, período em que entrou na escola, grau de escolaridade dos pais, incentivos dos pais em relação à frequência na escola, atividades do aluno como trabalho doméstico ou fora de casa, e se este já havia sido reprovado (atributos EscalaNotaPortugues, Q4Idade, Q36QndEntrouNaEscola, Q19SerieMaeOuResponsavelEstudou, Q23SeriePaiOuResponsavelEstudou, Q30SeusPaisIncentivamNaoFaltarAula, Q34EmDiaAulaQntTempoTrabalhoDomestico, Q35TrabalhaForaDeCasa, Q38JaFoiReprovado). A escala da nota de português foi definida como atributo para previsão, ou seja, o atributo a ser identificado como consequente das regras geradas pelo algoritmo. Os atributos selecionados possuem relação direta com as respostas aos questionários dos alunos da quarta série do ensino fundamental do Estado do Rio, bem como com os resultados no exame de proficiência em Língua Portuguesa, conforme mencionado na
8 Seção 2. Foram definidos parâmetros de entrada relacionados ao suporte e confiança mínimos desejados para obtenção de regras, com os seguintes valores: Suporte Mínimo = 0,5%; Confiança Mínima = 75%. Cabe ressaltar que a escolha de um valor pequeno para o suporte mínimo visou possibilitar a identificação de combinação de itens (atributos) que, apesar de não tão frequentes, pudessem ter grande relevância (ou seja, confiança e fator de interesse altos). Como o volume de dados envolvido é grande ( registros de alunos), o uso de um percentual mínimo de suporte de 0.5% permite a identificação de regras relacionadas a um número ainda significativo de estudantes contendo perfil semelhante. Após a simulação, foram geradas 45 regras, todas elas contendo valores do fator de interesse maiores do que 0, ou seja, sendo identificadas como regras relevantes. As primeiras 20 regras, ordenadas decrescentemente pela confiança, são apresentadas na Tabela 4, que contêm, além da regra, os respectivos valores de confiança e fator de interesse. Como pode ser observado na tabela, as variáveis que compõem o antecedente da regra são precedidas pelo sinal ->, sendo a variável EscalaNotaPortugues o seu consequente. Tabela 4 Regras de Associação geradas Confiança Fator de Interesse 83,70% 0, ,70% 0, ,60% 0, ,30% 0, Regra Q30 Seus Pais Incentivam Nao Faltar Aula = Não, Q4 Idade = 12 anos -> Escala Nota Portugues = Abaixo Média Q30 Seus Pais Incentivam Nao Faltar Aula = Não, Q35 Trabalha Fora De Casa = Sim -> Escala Nota Portugues = Abaixo Média Q30 Seus Pais Incentivam Nao Faltar Aula = Não, Q38 Ja Foi Reprovado = Sim, uma vez -> Escala Nota Portugues = Abaixo Média Q35 Trabalha Fora De Casa = Sim, Q23 Serie Pai Ou Responsavel Estudou = Completou a 8ª série, mas não completou o Ensino Médio( antigo 2º grau), Q38 Ja Foi Reprovado = Sim, uma vez - > Escala Nota Portugues = Abaixo Média Q4 Idade = 13 anos, Q35 Trabalha Fora De Casa = Sim, Q38 Ja Foi Reprovado = Sim, uma vez -> 80,70% 0, Escala Nota Portugues = Abaixo Média Q35 Trabalha Fora De Casa = Sim, Q19 Serie Mae Ou Responsavel Estudou = Completou a 8ª série, mas não completou o Ensino Médio( antigo 2º grau), Q38 Ja Foi Reprovado = Sim, uma vez - 80,10% 0, > Escala Nota Portugues = Abaixo Média Q30 Seus Pais Incentivam Nao Faltar Aula = Não, Q38 Ja Foi Reprovado = Sim, uma vez, Q35 79,70% 0, Trabalha Fora De Casa = Não -> Escala Nota Portugues = Abaixo Média 79,30% 0, ,00% 0, ,60% 0, Q35 Trabalha Fora De Casa = Sim, Q36 Qnd Entrou Na Escola = Na Pré- escola, Q38 Ja Foi Reprovado = Sim, uma vez -> Escala Nota Portugues = Abaixo Média Q35 Trabalha Fora De Casa = Sim, Q34 Em Dia Aula Qnt Tempo Trabalho Domestico = 2 horas, Q38 Ja Foi Reprovado = Sim, uma vez -> Escala Nota Portugues = Abaixo Média Q30 Seus Pais Incentivam Nao Faltar Aula = Não, Q36 Qnd Entrou Na Escola = Na Pré- escola -> Escala Nota Portugues = Abaixo Média Q30 Seus Pais Incentivam Nao Faltar Aula = Não, Q19 Serie Mae Ou Responsavel Estudou = Não 78,20% 0, sei -> Escala Nota Portugues = Abaixo Média Q35 Trabalha Fora De Casa = Sim, Q36 Qnd Entrou Na Escola = Na Pré- escola, Q38 Ja Foi Reprovado = Sim, uma vez, Q30 Seus Pais Incentivam Nao Faltar Aula = Sim -> Escala Nota 77,80% 0, Portugues = Abaixo Média 77,80% 0, ,50% 0, Q30 Seus Pais Incentivam Nao Faltar Aula = Não, Q19 Serie Mae Ou Responsavel Estudou = Não sei, Q23 Serie Pai Ou Responsavel Estudou = Não sei -> Escala Nota Portugues = Abaixo Média Q30 Seus Pais Incentivam Nao Faltar Aula = Não, Q36 Qnd Entrou Na Escola = Na primeira série - > Escala Nota Portugues = Abaixo Média 77,40% 0, Q4 Idade = 14 anos, Q35 Trabalha Fora De Casa = Sim -> Escala Nota Portugues = Abaixo Média
9 77,40% 0, ,40% 0, ,90% 0, Q35 Trabalha Fora De Casa = Sim, Q38 Ja Foi Reprovado = Sim, uma vez -> Escala Nota Portugues = Abaixo Média Q35 Trabalha Fora De Casa = Sim, Q19 Serie Mae Ou Responsavel Estudou = Completou a 4ª série, mas não completou a 8ª série( antigo ginásio), Q38 Ja Foi Reprovado = Sim, uma vez -> Escala Nota Portugues = Abaixo Média Q35 Trabalha Fora De Casa = Sim, Q38 Ja Foi Reprovado = Sim, uma vez, Q19 Serie Mae Ou Responsavel Estudou = Não sei -> Escala Nota Portugues = Abaixo Média 76,90% 0, Q30 Seus Pais Incentivam Nao Faltar Aula = Não -> Escala Nota Portugues = Abaixo Média 76,80% 0, Q30 Seus Pais Incentivam Nao Faltar Aula = Não, Q19 Serie Mae Ou Responsavel Estudou = Não sei, Q35 Trabalha Fora De Casa = Não -> Escala Nota Portugues = Abaixo Média 5. CONCLUSÕES O presente trabalho apresentou a simulação de um algoritmo para detecção de padrões de associação entre diferentes variáveis de um modelo. Cabe ressaltar que as tarefas de manipulação dos dados, visando à eliminação de inconsistências, limpeza de dados e transformação de atributos, com a conversão de atributos contínuos em discretos, foram essenciais para a execução do algoritmo e simulação propriamente dita. Sem essas atividades, não seria possível a geração de resultados com nível de confiabilidade satisfatório. Analisando a Tabela 4, é possível observar que alguns fatores, como falta de incentivo dos pais, reprovação prévia do aluno e atuação do aluno em trabalho doméstico e/ou em trabalho fora de casa, entre outros, exercem influência (negativa) sobre o aprendizado do estudante. O presente artigo, no entanto, não tem a pretensão de analisar esses fatores mais detalhadamente, cabendo essa tarefa para o futuro, preferencialmente contando com o apoio de educadores e especialistas na área de educação. O objetivo principal do presente trabalho foi demonstrar o potencial da mineração de dados e, mais especificamente, do algoritmo Apriori, utilizado para a identificação de associações entre diferentes variáveis do modelo. Trata-se de um trabalho inicial, que terá continuidade com a execução de outras simulações. Muitos outros atributos, além dos utilizados na simulação apresentada, poderão ser usados para a identificação de novas regras de associação relevantes. Outros arquivos, com dados de professores, diretores e escolas, também disponibilizados na base de dados do INEP/MEC, poderão ser utilizados para trabalhos futuros de mineração. Desse modo, será possível identificar também relações entre atributos referentes aos professores, aos diretores e as escolas, e o processo de ensino-aprendizagem dos estudantes. Evidentemente, tratamento semelhante em relação aos dados deverá ser efetuado nesses arquivos, com correção de inconsistências e transformações, antes da execução dos algoritmos. Agradecimentos O presente trabalho foi realizado com o apoio da CAPES e do INEP, por intermédio do Programa Observatório da Educação.
10 REFERÊNCIAS Elmasri, R., Navathe, S.B Sistemas de banco de dados. São Paulo: Pearson Addison Wesley. Han, J., Kamber, M Data Mining: Concepts and techniques. 2 ed. Morgan Kaufmann Publishers. Harinath, S., Matt, C., Meenakshisundaram, S., Zare, R. Lee, D.G Professional Microsoft SQL Server Analysis Services 2008 with MDX. Wiley Publishing Inc. Hirji, K Exploring data mining implementation. Communications of ACM, 44, n. 7, jul INEP Estudo exploratório sobre o professor brasileiro com base nos resultados do Censo Escolar da Educação Básica Instituto Nacional de Estudos e Pesquisas Educacionais Anísio Teixeira. Brasília: Inep, MacLennan, J., Crivat, B Data Mining with Microsoft SQL Server Wiley Publishing Inc. Redman, T.C Data Quality: The Field Guide. Digital Press. Tan, P., Steinbach, M., Kumar, V Introdução ao Data Mining Mineração de Dados. Rio de Janeiro: Editora Ciência Moderna Ltda. Wang, R.Y., Ziad, M., Lee, Y.W Data Quality. The Kluwer International Series on Advances in Database Systems, Vol. 23. Kluwer Academic Publishers. DATA MINING RELATED TO PORTUGUESE LANGUAGE LEARNING AN INITIAL ANALISYS Abstract. This paper presents the use of Data Mining for knowledge discovery related to Portuguese language learning by students from elementary school in Rio de Janeiro Brazil. The process of data cleaning and transformation is presented, which is the prerequisite to the execution of the association algorithm. Some first results are reported. Keywords: Knowledge Discovery, Data Mining, Apriori Algorithm
UTILIZAÇÃO DE CLASSIFICADORES BAYESIANOS PARA ANÁLISE DOS FATORES RELACIONADOS AO DESEMPENHO DOS ALUNOS DA QUARTA SÉRIE DO ENSINO FUNDAMENTAL
UTILIZAÇÃO DE CLASSIFICADORES BAYESIANOS PARA ANÁLISE DOS FATORES RELACIONADOS AO DESEMPENHO DOS ALUNOS DA QUARTA SÉRIE DO ENSINO FUNDAMENTAL Anderson Amendoeira Namen aanamen@iprj.uerj.br Universidade
Leia maisADM041 / EPR806 Sistemas de Informação
ADM041 / EPR806 Sistemas de Informação UNIFEI Universidade Federal de Itajubá Prof. Dr. Alexandre Ferreira de Pinho 1 Sistemas de Apoio à Decisão (SAD) Tipos de SAD Orientados por modelos: Criação de diferentes
Leia maisSistema de mineração de dados para descobertas de regras e padrões em dados médicos
Sistema de mineração de dados para descobertas de regras e padrões em dados médicos Pollyanna Carolina BARBOSA¹; Thiago MAGELA² 1Aluna do Curso Superior Tecnólogo em Análise e Desenvolvimento de Sistemas
Leia maisISO/IEC 12207: Gerência de Configuração
ISO/IEC 12207: Gerência de Configuração Durante o processo de desenvolvimento de um software, é produzida uma grande quantidade de itens de informação que podem ser alterados durante o processo Para que
Leia maisANEXO 2 - INDICADORES EDUCACIONAIS 1
ES R O D A C I D N I 2 O X E N A EDUCACIONAIS 1 ANEXO 2 1 APRESENTAÇÃO A utilização de indicadores, nas últimas décadas, na área da educação, tem sido importante instrumento de gestão, pois possibilita
Leia maisXIII Encontro de Iniciação Científica IX Mostra de Pós-graduação 06 a 11 de outubro de 2008 BIODIVERSIDADE TECNOLOGIA DESENVOLVIMENTO
XIII Encontro de Iniciação Científica IX Mostra de Pós-graduação 06 a 11 de outubro de 2008 BIODIVERSIDADE TECNOLOGIA DESENVOLVIMENTO EPE0147 UTILIZAÇÃO DA MINERAÇÃO DE DADOS EM UMA AVALIAÇÃO INSTITUCIONAL
Leia maisExtração de Árvores de Decisão com a Ferramenta de Data Mining Weka
Extração de Árvores de Decisão com a Ferramenta de Data Mining Weka 1 Introdução A mineração de dados (data mining) pode ser definida como o processo automático de descoberta de conhecimento em bases de
Leia maisMINERAÇÃO DE DADOS EDUCACIONAIS: UM ESTUDO DE CASO APLICADO AO PROCESSO SELETIVO DO IFSULDEMINAS CÂMPUS MUZAMBINHO
MINERAÇÃO DE DADOS EDUCACIONAIS: UM ESTUDO DE CASO APLICADO AO PROCESSO SELETIVO DO IFSULDEMINAS CÂMPUS MUZAMBINHO Fernanda Delizete Madeira 1 ; Aracele Garcia de Oliveira Fassbinder 2 INTRODUÇÃO Data
Leia maisPESQUISA SOBRE O PERFIL DE ALUNOS NA UTILIZAÇÃO DE UM SITE DOCENTE DO ENSINO SUPERIOR
PESQUISA SOBRE O PERFIL DE ALUNOS NA UTILIZAÇÃO DE UM SITE DOCENTE DO ENSINO SUPERIOR Wesley Humberto da Silva (Fundação Araucária), André Luis Andrade Menolli (Orientador) e-mail: wesleyhumberto11@mail.com
Leia maisLição 1 - Criação de campos calculados em consultas
1 de 5 21-08-2011 22:15 Lição 1 - Criação de campos calculados em consultas Adição de Colunas com Valores Calculados: Vamos, inicialmente, relembrar, rapidamente alguns conceitos básicos sobre Consultas
Leia maisRBEP ESTUDOS. Anderson Amendoeira Namen Sonia Xavier de Almeida Borges Maria da Glória Schwab Sadala. Resumo
ESTUDOS RBEP Indicadores de qualidade do ensino fundamental: o uso das tecnologias de mineração de dados e de visões multidimensionais para apoio à análise e definição de políticas públicas * Anderson
Leia maisMicrosoft Access XP Módulo Um
Microsoft Access XP Módulo Um Neste primeiro módulo de aula do curso completo de Access XP vamos nos dedicar ao estudo de alguns termos relacionados com banco de dados e as principais novidades do novo
Leia maisManual do Aluno. O Moodle é um sistema que gerencia ambientes educacionais de aprendizagem que podem ser denominados como:
Manual do Aluno É com muita satisfação que apresentamos o Reunir Unopar. Ambiente Virtual de Aprendizagem Colaborativa que tem por objetivo principal ser um espaço colaborativo de construção do conhecimento
Leia maisMINERAÇÃO DE DADOS APLICADA. Pedro Henrique Bragioni Las Casas pedro.lascasas@dcc.ufmg.br
MINERAÇÃO DE DADOS APLICADA Pedro Henrique Bragioni Las Casas pedro.lascasas@dcc.ufmg.br Processo Weka uma Ferramenta Livre para Data Mining O que é Weka? Weka é um Software livre do tipo open source para
Leia maisDisciplina: Unidade III: Prof.: E-mail: Período:
Encontro 08 Disciplina: Sistemas de Banco de Dados Unidade III: Modelagem Lógico de Dados Prof.: Mario Filho E-mail: pro@mariofilho.com.br Período: 5º. SIG - ADM Relembrando... Necessidade de Dados Projeto
Leia maisManual Geral do OASIS
Manual Geral do OASIS SISTEMA DE GESTÃO DE DEMANDA, PROJETO E SERVIÇO DE TECNOLOGIA DA INFORMAÇÃO OASIS Introdução Esse manual tem como objetivo auxiliar aos usuários nos procedimentos de execução do sistema
Leia maisUNIVERSIDADE DE SÃO PAULO. Faculdade de Arquitetura e Urbanismo
UNIVERSIDADE DE SÃO PAULO Faculdade de Arquitetura e Urbanismo DISTRIBUIÇÃO AMOSTRAL ESTIMAÇÃO AUT 516 Estatística Aplicada a Arquitetura e Urbanismo 2 DISTRIBUIÇÃO AMOSTRAL Na aula anterior analisamos
Leia maisCONCURSO PÚBLICO ANALISTA DE SISTEMA ÊNFASE GOVERNANÇA DE TI ANALISTA DE GESTÃO RESPOSTAS ESPERADAS PRELIMINARES
CELG DISTRIBUIÇÃO S.A EDITAL N. 1/2014 CONCURSO PÚBLICO ANALISTA DE GESTÃO ANALISTA DE SISTEMA ÊNFASE GOVERNANÇA DE TI RESPOSTAS ESPERADAS PRELIMINARES O Centro de Seleção da Universidade Federal de Goiás
Leia maisBem- Vindo ao manual de instruções do ECO Editor de COnteúdo.
Manual de Instruções ECO Editor de Conteúdo Bem- Vindo ao manual de instruções do ECO Editor de COnteúdo. O ECO é um sistema amigável e intui?vo, mas abaixo você pode?rar eventuais dúvidas e aproveitar
Leia maisPAINEL GERENCIADOR DE E-MAILS
Este manual foi criado com o objetivo de facilitar o gerenciamento de suas contas de e-mail. Com ele, o administrador poderá criar e excluir e-mails, alterar senha, configurar redirecionamento de contas,
Leia mais1. Avaliação de impacto de programas sociais: por que, para que e quando fazer? (Cap. 1 do livro) 2. Estatística e Planilhas Eletrônicas 3.
1 1. Avaliação de impacto de programas sociais: por que, para que e quando fazer? (Cap. 1 do livro) 2. Estatística e Planilhas Eletrônicas 3. Modelo de Resultados Potenciais e Aleatorização (Cap. 2 e 3
Leia maisResoluções comentadas das questões de Estatística da prova para. ANALISTA DE GERENCIAMENTO DE PROJETOS E METAS da PREFEITURA/RJ
Resoluções comentadas das questões de Estatística da prova para ANALISTA DE GERENCIAMENTO DE PROJETOS E METAS da PREFEITURA/RJ Realizada pela Fundação João Goulart em 06/10/2013 41. A idade média de todos
Leia maisManual de digitação de contas Portal AFPERGS
Manual de digitação de contas Portal AFPERGS 1 Sumário Acesso à função digitação de contas... 3 O que é a Função digitação de contas (DC)... 4 Como proceder na função digitação de conta médica (DC)...
Leia maisCAPÍTULO 3 - TIPOS DE DADOS E IDENTIFICADORES
CAPÍTULO 3 - TIPOS DE DADOS E IDENTIFICADORES 3.1 - IDENTIFICADORES Os objetos que usamos no nosso algoritmo são uma representação simbólica de um valor de dado. Assim, quando executamos a seguinte instrução:
Leia maisDESENVOLVIMENTO DE UM REPOSITÓRIO DE DADOS DO FUTEBOL BRASILEIRO
Universidade Federal de Ouro Preto - UFOP Instituto de Ciências Exatas e Biológicas - ICEB Departamento de Computação - DECOM DESENVOLVIMENTO DE UM REPOSITÓRIO DE DADOS DO FUTEBOL BRASILEIRO Aluno: Rafael
Leia maisFATEC Cruzeiro José da Silva. Ferramenta CRM como estratégia de negócios
FATEC Cruzeiro José da Silva Ferramenta CRM como estratégia de negócios Cruzeiro SP 2008 FATEC Cruzeiro José da Silva Ferramenta CRM como estratégia de negócios Projeto de trabalho de formatura como requisito
Leia maisDESENVOLVIMENTO DE UM SOFTWARE NA LINGUAGEM R PARA CÁLCULO DE TAMANHOS DE AMOSTRAS NA ÁREA DE SAÚDE
DESENVOLVIMENTO DE UM SOFTWARE NA LINGUAGEM R PARA CÁLCULO DE TAMANHOS DE AMOSTRAS NA ÁREA DE SAÚDE Mariane Alves Gomes da Silva Eliana Zandonade 1. INTRODUÇÃO Um aspecto fundamental de um levantamento
Leia maisCapítulo 7 Medidas de dispersão
Capítulo 7 Medidas de dispersão Introdução Para a compreensão deste capítulo, é necessário que você tenha entendido os conceitos apresentados nos capítulos 4 (ponto médio, classes e frequência) e 6 (média).
Leia maisAjuda ao SciEn-Produção 1. 1. O Artigo Científico da Pesquisa Experimental
Ajuda ao SciEn-Produção 1 Este texto de ajuda contém três partes: a parte 1 indica em linhas gerais o que deve ser esclarecido em cada uma das seções da estrutura de um artigo cientifico relatando uma
Leia maisA Grande Importância da Mineração de Dados nas Organizações
A Grande Importância da Mineração de Dados nas Organizações Amarildo Aparecido Ferreira Junior¹, Késsia Rita da Costa Marchi¹, Jaime Willian Dias¹ ¹Universidade Paranaense (Unipar) Paranavaí PR Brasil
Leia maisMINISTÉRIO DA EDUCAÇÃO INSTITUTO NACIONAL DE ESTUDOS E PESQUISAS EDUCACIONAIS ANÍSIO TEIXEIRA DIRETORIA DE AVALIAÇÃO DA EDUCAÇÃO BÁSICA
MINISTÉRIO DA EDUCAÇÃO INSTITUTO NACIONAL DE ESTUDOS E PESQUISAS EDUCACIONAIS ANÍSIO TEIXEIRA DIRETORIA DE AVALIAÇÃO DA EDUCAÇÃO BÁSICA NOTA TÉCNICA Perfil de A Lei de Diretrizes e Bases da Educação Nacional
Leia maisAdministração de dados - Conceitos, técnicas, ferramentas e aplicações de Data Mining para gerar conhecimento a partir de bases de dados
Universidade Federal de Pernambuco Graduação em Ciência da Computação Centro de Informática 2006.2 Administração de dados - Conceitos, técnicas, ferramentas e aplicações de Data Mining para gerar conhecimento
Leia maisPrograma de Apoio Didático Graduação - Perguntas Frequentes
Geral 1.1) O que é PAD? O Programa de Apoio Didático (PAD), instituído pela Resolução GR-49/2007 e renovado pela Resolução GR-54/2010, é um programa de bolsas destinado exclusivamente a alunos da graduação
Leia maisCálculo utilizando variáveis do tipo DATA
Cálculo utilizando variáveis do tipo DATA Pré requisitos: Elaboração de questionário Análise de resultados Visões: relatórios multimídia Publicação de questionário na internet O uso de variáveis do tipo
Leia mais6 Construção de Cenários
6 Construção de Cenários Neste capítulo será mostrada a metodologia utilizada para mensuração dos parâmetros estocásticos (ou incertos) e construção dos cenários com respectivas probabilidades de ocorrência.
Leia mais1.2) Na tela seguinte, o primeiro item a ser selecionado é o Unidade Acumuladora1.
MANUAL DA NOVA VERSÃO DE ARQUIVAMENTO DO CPROD Na nova versão de Arquivamento que está sendo implementada no CPROD, antes de realizarmos o Arquivamento do Processo ou Documento em si, temos que criar no
Leia maisOFICINA BLOG DAS ESCOLAS
OFICINA BLOG DAS ESCOLAS Créditos: Márcio Corrente Gonçalves Mônica Norris Ribeiro Março 2010 1 ACESSANDO O BLOG Blog das Escolas MANUAL DO ADMINISTRADOR Para acessar o blog da sua escola, acesse o endereço
Leia maisGuia do usuário para utilização do sistema WCRC3 Central de Informações do Registro Civil da Arpen SP Gravação e envio dos registros
Guia do usuário para utilização do sistema WCRC3 Central de Informações do Registro Civil da Arpen SP Gravação e envio dos registros Página 1 de 12 1 Introdução 2 Procedimentos e padronização dos dados
Leia maisOBSERVATÓRIO DE GESTÃO DA INFORMAÇÃO. Palavras-chave: Gestão da Informação. Gestão do conhecimento. OGI. Google alertas. Biblioteconomia.
XIV Encontro Regional dos Estudantes de Biblioteconomia, Documentação, Ciência da Informação e Gestão da Informação - Região Sul - Florianópolis - 28 de abril a 01 de maio de 2012 RESUMO OBSERVATÓRIO DE
Leia maisConceito de pesquisa
Conceito de pesquisa A pesquisa e uma atividade voltada para a solução de problemas, através do emprego de procedimentos científicos. Seus elementos são: 1. Problema ou dúvida 2. Metodo científico 3. Resposta
Leia maisNOTA TÉCNICA 11/2014. Cálculo e forma de divulgação da variável idade nos resultados dos censos educacionais realizados pelo Inep
INSTITUTO NACIONAL DE ESTUDOS E PESQUISAS EDUCACIONAIS ANÍSIO TEIXEIRA - INEP DIRETORIA DE ESTATÍSTICAS EDUCACIONAIS COORDENAÇÃO-GERAL DE CONTROLE DE QUALIDADE E DE TRATAMENTO DA INFORMAÇÃO COORDENAÇÃO-GERAL
Leia maisMétodos Matemáticos para Gestão da Informação
Métodos Matemáticos para Gestão da Informação Aula 05 Taxas de variação e função lineares III Dalton Martins dmartins@gmail.com Bacharelado em Gestão da Informação Faculdade de Informação e Comunicação
Leia maisFeature-Driven Development
FDD Feature-Driven Development Descrição dos Processos Requisitos Concepção e Planejamento Mais forma que conteúdo Desenvolver um Modelo Abrangente Construir a Lista de Features Planejar por
Leia maisAnálise e Desenvolvimento de Sistemas ADS Programação Orientada a Obejeto POO 3º Semestre AULA 03 - INTRODUÇÃO À PROGRAMAÇÃO ORIENTADA A OBJETO (POO)
Análise e Desenvolvimento de Sistemas ADS Programação Orientada a Obejeto POO 3º Semestre AULA 03 - INTRODUÇÃO À PROGRAMAÇÃO ORIENTADA A OBJETO (POO) Parte: 1 Prof. Cristóvão Cunha Objetivos de aprendizagem
Leia maisEste artigo é uma breve resenha da tese de mestrado em economia de Albernaz,
AMELHORIA DA QUALIDADE DA EDUCAÇÃO NO BRASIL: UM DESAFIO PARA O SÉCULO XXI Introdução ANGELA ALBERNAZ* Este artigo é uma breve resenha da tese de mestrado em economia de Albernaz, 2002, 1 cujo objetivo
Leia maisComo funciona? SUMÁRIO
SUMÁRIO 1. Introdução... 2 2. Benefícios e Vantagens... 2 3. Como utilizar?... 2 3.1. Criar Chave / Senha de Usuário... 2 3.2. Recursos da Barra Superior... 2 3.2.1. Opções... 3 3.2.1.1. Mover Para...
Leia maisManual de Pedido de Matrícula em Disciplinas pelo Q-Acadêmico WEB
Manual de Pedido de Matrícula em Disciplinas pelo Q-Acadêmico WEB Área Responsável Implantação Preparado por: Leonardo Moulin Franco 27 de maio de 2009 Revisão 00 TABELA DE REVISÃO DESTE MANUAL REVISÃO
Leia maisManual do Visualizador NF e KEY BEST
Manual do Visualizador NF e KEY BEST Versão 1.0 Maio/2011 INDICE SOBRE O VISUALIZADOR...................................................... 02 RISCOS POSSÍVEIS PARA O EMITENTE DA NOTA FISCAL ELETRÔNICA.................
Leia maisIDENTIFICAÇÃO E AVALIAÇÃO DE ASPECTOS E IMPACTOS AMBIENTAIS
Versão: 02 Página 1 de 5 1. OBJETIVO: Definir a metodologia para identificar e avaliar os aspectos e impactos ambientais, a fim de determinar as medidas necessárias para controle. 2. APLICAÇÃO: Este procedimento
Leia maisNovell. Novell Teaming 1.0. novdocx (pt-br) 6 April 2007 EXPLORAR O PORTLET BEM-VINDO DESCUBRA SEU CAMINHO USANDO O NOVELL TEAMING NAVIGATOR
Novell Teaming - Guia de início rápido Novell Teaming 1.0 Julho de 2007 INTRODUÇÃO RÁPIDA www.novell.com Novell Teaming O termo Novell Teaming neste documento se aplica a todas as versões do Novell Teaming,
Leia maisPedagogia Estácio FAMAP
Pedagogia Estácio FAMAP # Objetivos Gerais: O Curso de Graduação em Pedagogia da Estácio FAMAP tem por objetivo geral a formação de profissionais preparados para responder às diferenciadas demandas educativas
Leia maisCONSELHO MUNICIPAL DO IDOSO DE SALTO
CONSELHO MUNICIPAL DO IDOSO DE SALTO SECRETARIA MUNICIPAL DE AÇÃO SOCIAL E CIDADANIA PREFEITURA DA ESTÂNCIA TURÍSTICA DE SALTO www.cmisalto.com.br Pesquisa sobre a Frequência de Idosos em Grupos Em parceria
Leia maisGARANTIA DA QUALIDADE DE SOFTWARE
GARANTIA DA QUALIDADE DE SOFTWARE Fonte: http://www.testexpert.com.br/?q=node/669 1 GARANTIA DA QUALIDADE DE SOFTWARE Segundo a NBR ISO 9000:2005, qualidade é o grau no qual um conjunto de características
Leia maisAvanços na transparência
Avanços na transparência A Capes está avançando não apenas na questão dos indicadores, como vimos nas semanas anteriores, mas também na transparência do sistema. Este assunto será explicado aqui, com ênfase
Leia maisDesafio Profissional PÓS-GRADUAÇÃO 2012. Gestão de Projetos - Módulo C Prof. Me. Valter Castelhano de Oliveira
Desafio Profissional PÓS-GRADUAÇÃO 12 Gestão de Projetos - Módulo C Prof. Me. Valter Castelhano de Oliveira 1 DESAFIO PROFISSIONAL Disciplinas: Ferramentas de Software para Gestão de Projetos. Gestão de
Leia maisQUALIDADE DE SOFTWARE
QUALIDADE DE SOFTWARE Luiz Leão luizleao@gmail.com http://www.luizleao.com Questão 1 A ISO 9000-3 é um guia para a aplicação da ISO 9001 para o desenvolvimento, fornecimento e manutenção de software. As
Leia mais04/08/2012 MODELAGEM DE DADOS. PROF. RAFAEL DIAS RIBEIRO, M.Sc. @ribeirord MODELAGEM DE DADOS. Aula 1. Prof. Rafael Dias Ribeiro. M.Sc.
MODELAGEM DE DADOS PROF. RAFAEL DIAS RIBEIRO, M.Sc. @ribeirord MODELAGEM DE DADOS Aula 1 Prof. Rafael Dias Ribeiro. M.Sc. @ribeirord 1 Objetivos: Apresenta a diferença entre dado e informação e a importância
Leia mais4 Segmentação. 4.1. Algoritmo proposto
4 Segmentação Este capítulo apresenta primeiramente o algoritmo proposto para a segmentação do áudio em detalhes. Em seguida, são analisadas as inovações apresentadas. É importante mencionar que as mudanças
Leia maisSISTEMA. Tecnologia. Software. Hardware. Prazos. Pessoas. Qualidade. Custo GERENCIAMENTO DE RISCO: COMO GARANTIR O SUCESSO DOS PROJETOS DE TI?
GERENCIAMENTO DE RISCO: COMO GARANTIR O SUCESSO DOS PROJETOS DE TI? Os projetos de Tecnologia de Informação possuem características marcantes, que os diferencia dos demais são projetos onde o controle
Leia maisPORTAL DE COMPRAS SÃO JOSÉ DO RIO PRETO
Compra Direta - Guia do Fornecedor PORTAL DE COMPRAS SÃO JOSÉ DO RIO PRETO Página As informações contidas neste documento, incluindo quaisquer URLs e outras possíveis referências a web sites, estão sujeitas
Leia maisANÁLISE DA CONSERVAÇÃO PÓS-COLHEITA DA ALFACE (Lactuca Sativa, L) UTILIZANDO O SISTEMA DE APOIO À TOMADA DE DECISÃO BKD
ANÁLISE DA CONSERVAÇÃO PÓS-COLHEITA DA ALFACE (Lactuca Sativa, L) UTILIZANDO O SISTEMA DE APOIO À TOMADA DE DECISÃO BKD RESUMO Thereza P. P. Padilha Fabiano Fagundes Conceição Previero Laboratório de Solos
Leia maisOCOMON PRIMEIROS PASSOS
OCOMON PRIMEIROS PASSOS O OCOMON ainda não possui um arquivo de Help para atender a todas questões relacionadas ao sistema. Esse arquivo serve apenas para dar as principais instruções para que você tenha
Leia maisPag: 1/20. SGI Manual. Controle de Padrões
Pag: 1/20 SGI Manual Controle de Padrões Pag: 2/20 Sumário 1 Introdução...3 2 Cadastros Básicos...5 2.1 Grandezas...5 2.2 Instrumentos (Classificação de Padrões)...6 3 Padrões...9 3.1 Padrão Interno...9
Leia maisROTEIRO PARA TREINAMENTO DO SAGRES DIÁRIO Guia do Docente
Conceito ROTEIRO PARA TREINAMENTO DO SAGRES DIÁRIO Guia do Docente O Sagres Diário é uma ferramenta que disponibiliza rotinas que facilitam a comunicação entre a comunidade Docente e Discente de uma instituição,
Leia maisINTENÇÃO DE COMPRA DIA DAS CRIANÇAS 2014
PE MPRA DIA DAS CRIANÇAS 2014 1 MPRA DIA DAS CRIANÇAS 2014 PE MPRA DIA DAS CRIANÇAS 2014 2 Faculdade Estácio de Sá de Campo Grande Intenção de Compra para o Dia das Crianças 2014 Rua Venâncio Borges do
Leia maisPERFIL EMPREENDEDOR DE ALUNOS DE GRADUAÇÃO EM DESIGN DE MODA
PERFIL EMPREENDEDOR DE ALUNOS DE GRADUAÇÃO EM DESIGN DE MODA Alini, CAVICHIOLI, e-mail¹: alini.cavichioli@edu.sc.senai.br Fernando Luiz Freitas FILHO, e-mail²: fernando.freitas@sociesc.org.br Wallace Nóbrega,
Leia maisGUIA RÁPIDO DE UTILIZAÇÃO DO PORTAL DO AFRAFEP SAÚDE
GUIA RÁPIDO DE UTILIZAÇÃO DO PORTAL DO AFRAFEP SAÚDE INTRODUÇÃO O portal do Afrafep Saúde é um sistema WEB integrado ao sistema HEALTH*Tools. O site consiste em uma área onde os Usuários e a Rede Credenciada,
Leia maisManual de Utilização
Manual de Utilização Versão 1.0 18/01/2013 Sempre consulte por atualizações deste manual em nossa página. O Cotação Web está em constante desenvolvimento, podendo ter novas funcionalidades adicionadas
Leia maisCOMO REALIZAR A AUTENTICAÇÃO NO SISTEMA?...3
1 INDÍCE 1. COMO REALIZAR A AUTENTICAÇÃO NO SISTEMA?...3 1.1. PRIMEIRO ACESSO... 3 1.2. SOLICITAR NOVA SENHA... 4 2. COMO INFORMAR A SITUAÇÃO DOS ALUNOS?...6 2.1. DADOS DO DIRETOR/RESPONSÁVEL...6 2.2.
Leia maisExtração de Conhecimento & Mineração de Dados
Extração de Conhecimento & Mineração de Dados Nesta apresentação é dada uma breve introdução à Extração de Conhecimento e Mineração de Dados José Augusto Baranauskas Departamento de Física e Matemática
Leia maisSistema de Gestão de Recursos de Aprendizagem
Sistema de Gestão de Recursos de Aprendizagem Ambiente Virtual de Aprendizagem (Moodle) - - Atualizado em 29/07/20 ÍNDICE DE FIGURAS Figura Página de acesso ao SIGRA... 7 Figura 2 Portal de Cursos... 8
Leia maisMicrosoft Access: Criar consultas para um novo banco de dados. Vitor Valerio de Souza Campos
Microsoft Access: Criar consultas para um novo banco de Vitor Valerio de Souza Campos Conteúdo do curso Visão geral: consultas são essenciais Lição: inclui sete seções Tarefas práticas sugeridas Teste.
Leia maisCRIANDO BANCOS DE DADOS NO SQL SERVER 2008 R2 COM O SQL SERVER MANAGEMENT STUDIO
CRIANDO BANCOS DE DADOS NO SQL SERVER 2008 R2 COM O SQL SERVER MANAGEMENT STUDIO Antes de criarmos um novo Banco de Dados quero fazer um pequeno parênteses sobre segurança. Você deve ter notado que sempre
Leia maisTabela e Gráficos Dinâmicos Como estruturar dinamicamente dados no Excel
Tabela e Gráficos Dinâmicos Como estruturar! Para que serve a Tabela e o Gráfico Dinâmico?! Como criar uma Tabela Dinâmica?! Como criar um Gráfico Dinâmico?! Como podemos atualizar dos dados da Tabela
Leia maisControle do Arquivo Técnico
Controle do Arquivo Técnico Os documentos existentes de forma física (papel) no escritório devem ser guardados em pastas (normalmente pastas suspensas) localizadas no Arquivo Técnico. Este Arquivo pode
Leia maisGuia de Acesso Rápido AVA Ambiente Virtual de Aprendizagem Aluno
Guia de Acesso Rápido AVA Ambiente Virtual de Aprendizagem Aluno Introdução O Ambiente de Aprendizagem, ou AVA, é um aplicativo web onde os educadores e alunos podem disponibilizar materiais didáticos,
Leia maisGerenciamento de Riscos do Projeto Eventos Adversos
Gerenciamento de Riscos do Projeto Eventos Adversos 11. Gerenciamento de riscos do projeto PMBOK 2000 PMBOK 2004 11.1 Planejamento de gerenciamento de riscos 11.1 Planejamento de gerenciamento de riscos
Leia maisAnálise descritiva das informações referentes a aluno, diretor e escola. Modelos de Regressão Multinivel:(dois níveis hierárquicos) Aluno Escola
Avaliação do Projeto Arte na Escola Resultados Janeiro 2012 Objetivo Avaliar o desempenho dos alunos da 8ª série nas provas de matemática e língua portuguesa das escolas públicas nas quais o professor
Leia maisUNIVERSIDADE FEDERAL DE SANTA CATARINA GRADUAÇÃO EM SISTEMAS DE INFORMAÇÃO DEPARTAMENTO DE INFORMÁTICA E ESTATÍSTICA DATA MINING EM VÍDEOS
UNIVERSIDADE FEDERAL DE SANTA CATARINA GRADUAÇÃO EM SISTEMAS DE INFORMAÇÃO DEPARTAMENTO DE INFORMÁTICA E ESTATÍSTICA DATA MINING EM VÍDEOS VINICIUS DA SILVEIRA SEGALIN FLORIANÓPOLIS OUTUBRO/2013 Sumário
Leia maisIntegração ADMRH com AGROSYS
Treinamentos no produto AdmRH CGI - Consultoria Gaúcha de Informática Ltda - Divisão de treinamentos Guia do Aluno Versão 1.0 Integração ADMRH com AGROSYS Empresa: Participante: Data: Os produtos da CGI
Leia maisSistema Banco de Preços Manual do Usuário OBSERVATÓRIO
Sistema Banco de Preços Manual do Usuário OBSERVATÓRIO da Despesa Pública 1 Sumário O Banco de Preços... 3 Acessando o Banco de Preços... 4 Funções do Banco de Preços... 5 Gerar Preço de Referência...
Leia maisINFORMAÇÕES IMPORTANTES: LEIA COM ATENÇÃO
1 de 7 Prezado(a) Candidato(a), INFORMAÇÕES IMPORTANTES: LEIA COM ATENÇÃO Utilize um computador instalado o software Acrobat Reader (www.adobe.com/br/) para ler textos disponibilizados na prova. Lembre-se
Leia maisMódulo I - Aula 3 Tipos de Sistemas
Módulo I - Aula 3 Tipos de Sistemas Agora que você já conheceu algumas características dos Sistemas de Informação, nesta aula você vai aprender um pouco sobre tipos de sistemas. Você conhecerá a integração
Leia maisCriação de Consultas e Relatórios no Access CRIAÇÃO DE CONSULTAS E RELATÓRIOS NO ACCESS
Criação de Consultas e Relatórios no Access CRIAÇÃO DE CONSULTAS E RELATÓRIOS NO ACCESS Sumário Conceitos / Autores chave... 3 1. Introdução... 4 2. Consultas... 5 3. Relatórios... 8 4. Conclusões... 11
Leia maisSphinx Scanner Informações gerais V 5.1.0.8
Sphinx Scanner Informações gerais V 5.1.0.8 Pré-requisitos: Possuir modalidade scanner no software Sphinx A SPHINX Brasil propõe uma solução de leitura automática de questionários por scanner. O Sphinx
Leia maisPLANEJAMENTO DA MANUFATURA
58 FUNDIÇÃO e SERVIÇOS NOV. 2012 PLANEJAMENTO DA MANUFATURA Otimizando o planejamento de fundidos em uma linha de montagem de motores (II) O texto dá continuidade à análise do uso da simulação na otimização
Leia mais5 CONCLUSÃO. 5.1. Resumo
70 5 CONCLUSÃO 5.1. Resumo Conforme visto no capítulo anterior, por meio das análises dos resultados da pesquisa de campo, realizadas no software SPSS 17.0 versão Windows, foram obtidas as funções de utilidade;
Leia maisSíntese das discussões do fórum Livro-APF: Julho/2010
Síntese das discussões do fórum Livro-APF: Julho/2010 Assunto: Estimativa de Aumento de Produtividade Data: 01/07/2010 Link: http://br.groups.yahoo.com/group/livro-apf/message/2577 Dúvida: Existe alguma
Leia maisPisa 2012: O que os dados dizem sobre o Brasil
Pisa 2012: O que os dados dizem sobre o Brasil A OCDE (Organização para Cooperação e Desenvolvimento Econômico) divulgou nesta terça-feira os resultados do Programa Internacional de Avaliação de Alunos,
Leia maisÁrvores Binárias Balanceadas
Árvores Binárias Balanceadas Elisa Maria Pivetta Cantarelli Árvores Balanceadas Uma árvore é dita balanceada quando as suas subárvores à esquerda e à direita possuem a mesma altura. Todos os links vazios
Leia maisEste documento tem o objetivo de esclarecer alguns procedimentos e definir parâmetros para facilitar o processo.
Prezado Curador, Em dezembro de 2010 o INCT-HVFF (INCT-Herbário Virtual da Flora e dos Fungos) teve um projeto aprovado junto ao CNPq, no âmbito do programa Reflora, cujo objetivo é aumentar a base informacional
Leia maisAula 03 Teoria Geral dos Sistemas: Dados x Informação x Conhecimento
Curso de Sistemas de Informação Aula 03 Teoria Geral dos Sistemas: Dados x Informação x Conhecimento Professora: Germana Rolim Semestre 2010.2 Agenda 1. Sistemas de Informação 2. Conceitos de Dados, Informação
Leia maisQ-Acadêmico. Módulo CIEE - Estágio. Revisão 01
Q-Acadêmico Módulo CIEE - Estágio Revisão 01 SUMÁRIO 1. VISÃO GERAL DO MÓDULO... 2 1.1 PRÉ-REQUISITOS... 2 2. ORDEM DE CADASTROS PARA UTILIZAÇÃO DO MÓDULO CIEE... 3 2.1 CADASTRANDO EMPRESAS... 3 2.1.1
Leia maisMANUAL DE NAVEGAÇÃO UNICURITIBA VIRTUAL
MANUAL DE NAVEGAÇÃO UNICURITIBA VIRTUAL ACESSANDO O UNICURITIBA VIRTUAL Acesse o site do UNICURITIBA: http://unicuritiba.edu.br Clique no link Portal do Aluno, que fica no canto superior direito. Dentro
Leia maisManual do Painel Administrativo
Manual do Painel Administrativo versão 1.0 Autores César A Miggiolaro Marcos J Lazarin Índice Índice... 2 Figuras... 3 Inicio... 5 Funcionalidades... 7 Analytics... 9 Cidades... 9 Conteúdo... 10 Referência...
Leia maisPROJETO DE PESQUISA SOBRE A UTILIZAÇÃO DE AMBIENTES VIRTUAIS DE APRENDIZAGEM COMO APOIO AO ENSINO SUPERIOR EM IES DO ESTADO DE SÃO PAULO
552 PROJETO DE PESQUISA SOBRE A UTILIZAÇÃO DE AMBIENTES VIRTUAIS DE APRENDIZAGEM COMO APOIO AO ENSINO SUPERIOR EM IES DO ESTADO DE SÃO PAULO Silvio Carvalho Neto (USP) Hiro Takaoka (USP) PESQUISA EXPLORATÓRIA
Leia maisData Mining. Origem do Data Mining 24/05/2012. Data Mining. Prof Luiz Antonio do Nascimento
Data Mining Prof Luiz Antonio do Nascimento Data Mining Ferramenta utilizada para análise de dados para gerar, automaticamente, uma hipótese sobre padrões e anomalias identificadas para poder prever um
Leia mais