Analysis of Educational Data Mining

Ahuja, Ravinder; Jha, Animesh; Maurya, Rahul; Srivastava, Rishabh

doi:10.1007/978-981-13-0761-4_85

Cited by 34 publications

(13 citation statements)

References 24 publications

Supporting

Mentioning

Contrasting

Unclassified

Order By: Relevance

“…No entanto, não há utilidade em grandes bases de dados sem a utilização de ferramentas que auxiliem na análise e interpretação desses, corroboram Machado et al (2015). Dentre as ferramentas de análise de uma grande massa de dados, destaca-se a técnica de mineração de dados, que permite extrair conhecimento de um vasto número de registros (ROIGER, 2017), em especial em dados relacionados à educação, conhecida como 3-Informações disponíveis em: <http://inep.gov.br/conceito-preliminar-de-curso-cpc> Educational data mining (EDM), conceito apresentado nos trabalhos de Baker, Isotani e Carvalho (2011) e Ahuja et al (2019).…”

Section: Palavras-chaveunclassified

Análise dos cursos de licenciatura da Rede Federal utilizando mineração de dados

Gualhano

Vasconcelos

2020

Educ. Pesqui.

View full text Add to dashboard Cite

Resumo A extração do conhecimento, também conhecida como processo KDD (Knowledge Discovery in Databases), é um conjunto de técnicas (Seleção, Pré-processamento, Tratamento, Mineração e Interpretação de Dados) que tem como objetivo analisar e extrair padrões e informações potencialmente úteis de grandes bases de dados. A avaliação da qualidade dos cursos de graduação no Brasil é feita por meio do Conceito Preliminar de Cursos (CPC), que é um indicador de qualidade que avalia esses cursos. Portanto, a presente pesquisa insere-se no discutido contexto, buscando utilizar técnicas de mineração de dados para extrair conhecimento das avaliações do CPC dos anos de 2014 e 2017 e identificar os principais critérios e resultados da avaliação dos cursos de graduação em Licenciatura, fazendo uma análise dos dados da Rede Federal de todo o Brasil. Para isso, utilizou-se a base de dados disponibilizada no portal do Instituto Nacional de Estudos e Pesquisas Educacionais Anísio Teixeira (INEP) e foram utilizadas as etapas do processo KDD, com foco na mineração de dados para extração de conhecimento da base. Os resultados permitiram realizar a identificação dos critérios de avaliação com maior impacto para a avaliação do CPC dos cursos de Licenciatura, além de uma comparação entre a avaliação de 2014 e 2017. Espera-se que as informações extraídas a partir do presente trabalho possam ser úteis e subsidiar a gestão educacional, além de serem utilizadas para o aprimoramento dos cursos de graduação.

show abstract

Section: Palavras-chaveunclassified

Análise dos cursos de licenciatura da Rede Federal utilizando mineração de dados

Gualhano

Vasconcelos

2020

Educ. Pesqui.

View full text Add to dashboard Cite

show abstract

“…Prediction [13] is one of the renowned data mining approach that is commonly used in educational data mining (EDM) [14], crime mining [15], business and finance [16], health [17], and more.…”

Section: Related Literaturementioning

confidence: 99%

Application of Time Series Analysis in Projecting Philippines’ Electric Consumption

Delima¹

2019

IJMLC

View full text Add to dashboard Cite

This paper employed the famous ARIMA(p,d,q) model in forecasting Philippines' electric consumption for the years 2018 to 2022 using the univariate historical data of the country's power statistics in megawatt-hour from 2003-2017. The ACF and PACF plots were considered as well as stationarity of the data in assigning appropriate (p,d,q) values. By selecting the model with the lowest Akaike Information Criterion (AIC) value, an optimal model is then identified. The simulation result showed that ARIMA(1,2,1) model appeared to be the statistically appropriate model to forecast the Philippines' electrical consumption allocated for residential, commercial,

show abstract

“…Clustering can group data together to form a structure opinion [41]. Traditional clustering can be divided into hierarchical and partitioning [68]. Hierarchical clustering is clusters that have a hierarchy between them.…”

Section: Unsupervised Data Miningmentioning

confidence: 99%

A Review on Student Attrition in Higher Education Using Big Data Analytics and Data Mining Techniques

Tarmizi¹,

Mutalib²,

Hamid³

et al. 2019

IJMECS

View full text Add to dashboard Cite

Student attrition among undergraduate students is among the most concerned issues in higher educational institutions in Malaysia and abroad. This problem arises when these students unable to complete their studies within the stipulated period when there are majoring in the Science, Technology, Engineering, and Mathematics (STEM) fields. Research findings highlight numerous factors contribute to the student attrition. These findings also suggest that the factors differ from one case to another case. Effects of student attrition not only for the student itself but also to the institutions and community. It is challenging to classify the factors based on general assumptions. Moreover, increasing students' information makes the problem more complicated. This student information can provide a useful database for analytical analysis. Methods such as big data analytics and data mining techniques can be deployed to gain insights and pattern that related to student attrition problem. The objective of this paper (i) review the student attrition in higher education (HE) and the contributing factors; and (ii) review the existing computational model to analyze and predict student attrition in HE.

show abstract

Analysis of Educational Data Mining

Cited by 34 publications

References 24 publications

Análise dos cursos de licenciatura da Rede Federal utilizando mineração de dados

Análise dos cursos de licenciatura da Rede Federal utilizando mineração de dados

Application of Time Series Analysis in Projecting Philippines’ Electric Consumption

A Review on Student Attrition in Higher Education Using Big Data Analytics and Data Mining Techniques

Contact Info

Product

Resources

About