Program and Virtual High Limits and the Next Free Address

No treinamento da base de dados, foram utilizados valores de parâmetros variados

para o algoritmo apriori, objetivando encontrar as melhores regras envolvendo os atributos

RendimentoPortugues e RendimentoMatematica, com o restante dos atributos oferecidos.

Com todos os atributos gerados da base e com a configuração de 10 regras e os parâmetros

de suporte mínimo em 0.1 e 1.0 para suporte máximo, as regras foram geradas livremente. No

entanto, ficou visível que os atributos importantes não apareceram nas regras, conforme mostra a

Figura 19.

Com a intenção de buscar resultados esperados para o objetivo do estudo, alguns atributos

foram removidos para identificar novas regras importantes destacadas a seguir:

• Várias regras foram geradas com a confiança 1.0: Um aluno socializado gosta de inova-

ções na sala de aula; o aluno com um bom rendimento em matemática gosta de inovações,

como também é um aluno socializado; o aluno com um ótimo rendimento em português

tem a família presente na escola.

• Como ainda gostaríamos de mais regras colocamos a média de confiança mínima 0.5 e

novas regras foram geradas: o aluno que gosta de inovação na sala de aula não têm hábito

de leitura, como também os alunos que têm um rendimento regular em português; alunos

que mora com mãe e pai tem hábito de leitura.

• A agressividade é muito importante ser trabalhada, ela afeta na aprendizagem do aluno,

algumas regras referenciadas a ela foram geradas: o aluno que não é agressivo tem

um bom e ótimo rendimento em português e matemática, e a família está presente no

desenvolvimento do aluno, como também os alunos não agressivos moram com a mãe

e pai. Uma importante regra gerada e que deve ter um olhar especial é que os alunos

agressivos são do gênero masculino.

• A família em parceria com a escola é muito importante, regras foram geradas mostrando

essa importância: o aluno com o rendimento ótimo e bom em português tem a família

presente e mora com o pai e mãe.

• A aprovação do aluno no final do ano letivo é muito importante para ele, a família e a

escola, na execução do algoritmo mostra que o aluno repetente não tem a família presente,

não tem hábito de leitura, não mora com o pai e a mãe.

Com os resultados obtidos, vários perfis foram identificados. Esses resultados foram

apresentados a gestão, coordenação pedagógica e professores e verificados por eles mesmo.

Satisfeitos com a apresentação, criaram uma tabela com as características desses alunos,

ilustrada na Tabela 2.

40

Tabela 2 – Perfis de alunos

Perfil Características Aluno

01

Família presente Tem hábito de leitura Mora com pai e mãe Participativo Organizado Não é agressivo

Aluno com um ÓTIMO rendimento em português.

02 Gosta de inovações

Socializado

Aluno com um BOM rendimento em matemática.

03

Não tem hábito de leitura Gosta de inovação Não mora com o pai e a mãe

Não participativo

Aluno com Rendimento REGULAR e FRACO em português.

04

Não é agressivo A família está presente Mora com a mãe e o pai

Aluno com BOM rendimento em português e matemática

05

Não tem a família presente

Não tem hábito de leitura Não mora com o pai e mãe

Aluno REPETENTE

06

Família não está presente Não mora com o pai e mãe Gênero masculino

Aluno AGRESSIVO

Fonte: Gestão, coordenação pedagógica e professores

É possível observar na Tabela 2 alguns pontos importantes na conclusão do estudo

realizado. Os alunos com uma aprendizagem suficiente para ter um bom e ótimo rendimento,

tem a família presente no seu desenvolvimento educacional. Dessa maneira, entende-se que a

família é uma peça essencial para o sucesso do aluno, identificado no Perfil 05 e 06, onde o

aluno repetente e agressivo não tem a família presente.

4 CONCLUSÕES

Aplicar a mineração de dados em uma base de dados é de bastante utilidade na escola.

Permite obter uma visão melhor do que se deseja tratar, auxiliando na tomada de decisões para

encontrar estratégias e solucionar problemas.

Neste trabalho de conclusão apresentado ao curso de Sistemas de Informação, buscou-

se identificar perfis de alunos de uma escola do ensino público, através de dados coletados,

utilizando ferramentas de Mineração de Dados. Primeiramente a escola aonde foi realizada o

estudo de caso, forneceu os dados que a mesma tem armazenados nas fichas dos alunos e em

relatórios de avaliações. Após isso, conforme as etapas necessárias para realizar o processo de

KDD, foram realizadas a limpeza, integração, seleção e transformação dessa informação.

Com os dados no formato correto, foi possível realizar a análise inicial, para então

minerar os dados, e ao final ser feita a avaliação e conhecimento das informações. Esse processo

foi repetido várias vezes, para encontrar perfis de alunos, e só assim apresentado o resultado

adquirido.

Existem vários métodos para minerar dados, mas neste estudo com o objetivo definido o

escolhido foi a Associação, para isso foi realizado leituras na busca de conceitos básicos e como

utilizar a técnica. O algoritmo apriori bastante utilizado foi aplicado na base de dados através do

software WEKA.

Muitas informações que não eram vistas pela escola foram expostas. Na escola um dos

problemas que mais preocupa é a violência entre colegas, e isso faz com que a aprendizagem seja

dificultada, uma das informações reveladas foi que alunos do gênero masculino são agressivos,

com essa informação a escola vai realizar um trabalho diferenciado com eles. Além dessa

informação, também foi identificado que a família é o diferencial para o bom desempenho dos

alunos na escola.

A partir da pesquisa realizada, observa-se que a mineração de dados é excelente ferra-

menta para auxiliar as escolas a conhecer de maneira mais organizada o perfil de seus alunos.

Dans le document RT–11 System Internals Manual (Page 195-198)