1 de 8

Mineração de dados educacionais: construindo o ensino baseado em perfis.

Fábio O. Torres, Marcela A. Souza, Marcelo S. Camacho, Osmar Tharlles xxx

Instituto de Tecnologia - Universidade Federal do Pará
Av. Augusto Corrêa, 01, Guamá
Belém/PA, Brasil, 66075-970
{fabio.torres, marcela.alves, marcelo, osmar.tharlles} @unifesspa.edu.br

Resumo – Este trabalho apresenta um estudo sobre a
mineração de dados educacionais no âmbito da Universidade
Federal do Sul e Sudeste do Pará, com vistas ao
fornecimentos de insumos, que proporcionem aos integrantes
desta Instituição Federal de Ensino Superior - IFES,
respostas adequadas sobre a problemática da inserção de
cursos superiores em seus campi fora de sede, pois existe o
oferecimento de cursos em outras localidades, diferentes de
Marabá, mas a procura ainda está sendo baixa, verificando
esta afirmação pela quantidade de processos seletivos
realizados no ano de 2015. Com informações que serão
extraídas da base de dados oriunda do Sistema Unificado de
Seleção pode-se conhecer os perfis dos candidatos a alunos da
instituição e consequentemente adequar o oferecimento de
cursos em campi aos quais esta procura esta sedando de
forma expressiva em relação aos outros.
I. INTRODUÇÃO
dos alunos pelas IFES e a consequente transparência
destas ações.
Verificamos em [17] que a Universidade Federal do Sul
e Sudeste do Pará – Unifesspa, ofertou ao SiSU no ano de
2015, 990 vagas. Entretanto, ocorreram 5 (cinco)
chamadas, no período entre 04 de fevereiro e 26 de março,
afim de que houvesse preenchimento das vagas
remanescentes.
Uma série de fatores pode ocasionar esta dificuldade no
preenchimento das vagas, no entanto, para entender este
fato necessita-se conhecer melhor os perfis dos candidatos
que pretendem ingressar na instituição. Esta etapa do
processo de seleção poderia ser melhor executada baseado-
se nas conclusões retiradas a partir da mineração de dados
feita na base que é passada pelo SiSU à Unifesspa visando
a segunda etapa do processo de seleção.

No cenário atual constata-se um modelo diferente no Portanto, técnicas para a obtenção do conhecimento

que tange ao ingresso de estudantes em Instituições através da mineração de dados como classificação com

Federais de Ensino Superior – IFES, pois ao invés de Naive Bayes, agrupamento usando o algoritmo K-means,

serem realizadas provas específicas em cada uma destas, associação e predição usando o modelo de árvore com o

há a possibilidade de uso de uma outra forma de ingresso, algoritmo Predictapriori foram exploradas a fim de que os

o Exame Nacional do Ensino Médio – ENEM em conjunto perfis de candidatos pudessem ser levados em

com o Sistema de Seleção Unificada – SiSU. O apoio dado consideração nos momentos de construção do

pelo Governo Federal a esta opção, não somente existe planejamento da distribuição dos cursos pelos campi da

pelo fato de que ele pudesse acompanhar o desempenho Unifesspa.

dos alunos egressos do ensino médio, sejam eles oriundos

II. TRABALHOS RELACIONADOS
de escolas públicas ou particulares, mas também pela
Nos últimos 10 anos tem crescido o número de
possibilidade de ter uma melhor visão do modo de seleção
pesquisas em relação a área de mineração de dados

educacionais no intuito de subsidiar as decisões no
âmbito de políticas de ensino das instituições, entretanto,
no Brasil esses estudos ainda passam por um processo de
amadurecimento. Abaixo é apresentada uma lista de
referências que foram analisadas e utilizadas para a
construção deste artigo.
R. Kabra e R.S. Bichkar publicam em seu artigo a previsão
de desempenho de estudantes de engenharia utilizando
árvore de decisão com o algoritmo C4.5 [1].
V. Ramesh, P. Parkavi e K. Ramar, demonstram
o uso da estatística na predição em mineração de dados,
fazendo uso de uma base de alunos com 29 diferentes
parâmetros [2].
Vasile Paul Bretfelean mostra em seu artigo a análise e
previsão do comportamento dos alunos usando árvores de
decisão em ambiente Weka [3]
M. Ramaswamy e R. Bhaskaran usam o modelo de
previsão CHAID para analisar a inter-relação entre
variáveis que são utilizadas na predição do resultado do
desempenho no ensino superior, tomando como base dados
do ensino secundário [4].
Surjeet Kumar Yadav e Saurabh Pal aplicaram os
algoritmos C4.5, ID3 e árvores de decisão CART em bases
com estudantes de engenharia para prever seus
desempenhos e suas melhorias[5].
Ana Carolina LE Senechal realizou pré-processamento de
dados educacionais em ambiente virtual de aprendizagem
[6].
Jaimin N. Undavia, Prashant M. Dolia, Nikhil P. Shah
investigam em bases de dados educacionais, parâmetros
que tendem a influenciar o desempenho de alunos no
2 de 8
ensino superior. Usando a metodologia experimental de
levantamento de dados CUM [7].
Marcelo Damasceno, apresenta a ferramenta Weka
(Waikato Enviroment for Knowledge Analysis) como uma
opção poderosa para mineração de dados a empresas,
setores governamentais e instituições de ensino que não
detém vultuoso financiamento para aplicar nesta atividade.
[8]
Evandro Costa, Ryan S.J.d. Baker, Lucas Amorim,
Jonathas Magalhães, Tarsis Marinho, eles aproximam, de
forma apurada, os benefícios que a mineração de dados
educacionais podem causar no processo de oferecimento
de subsídios para a melhoria das políticas e práticas em
educação a distância ou presencial, além de ser uma
importante ferramenta para viabilizar a sua personalização
[9].
III. MOTIVAÇÃO
Devido ao grande número de chamadas feitas pelo
SiSU[17] e adequação do oferecimento de cursos pelos
campi fora de sede, haja vista que o preenchimento das
vagas nestes, em um primeiro momento foi insatisfatória,
usou-se a base de dados repassadas pelo SiSU para auxiliar
na construção de políticas de ensino da instituição, ou seja,
procura-se relacionar por meio de modelos matemáticos e
estatísticos quais são os cursos com maiores
probabilidades de serem preenchidas as vagas se forem
ofertados em campi do interior.
Desta forma na secção IV abordaremos o estudo do
domínio preencher com as partes do artigo.
IV. O PROCESSO DE DESCOBERTA DO
CONHECIMENTO.
Na grande maioria dos sistemas educacionais, existe
uma imensa quantidade de dados, obtida por meio dos
 3 de 8

alunos, professores, recursos e etc. A mineração de dados identificar os dados relevantes para o mesmo e certificar-se
para a educação é usada a fim de descobrir padrões nestes de que as variáveis relevantes para o projeto não são
dados, pois desta forma, há um melhor e mais apurado interdependentes.
auxílio, as IFES na tomada de decisão em relação ao 3 – Preparação dos dados: Tendo em vista a possibilidade
ensino, o qual elas promovem. Existem dois tipos de dos dados serem oriundo de diversos locais, existe a
sistemas educacionais:[1] possibilidade dos mesmos não estarem preparados para
a) Sistema de Educação Tradicional: Neste sistema, que os métodos de mineração sejam aplicados diretamente.
há o contato direto entre os alunos e o professor. O Algumas ações podem ser executadas para introduzir
Registro dos alunos, incluindo a informação, tais como qualidade nesses dados.
atendimento, as notas, entre outros, podem ser mantidas 4 – Modelagem: neste momento, técnicas e algoritmos de
manualmente ou digitalmente. mineração estarão sendo aplicados.
b) Sistema de aprendizagem baseado na Web: é 5 – Avaliação: nesta etapa, será necessário o
também conhecido com e-learning. Este sistema acompanhamento por especialistas, conhecedores do
proporciona o estudo, pelos alunos, de qualquer local onde negócio, tendo em vista que a confiabilidade do modelo
estejam sem qualquer restrição de tempo. Em um sistema será julgada. Devem ser executadas várias formas de testes
Web, vários dados sobre os alunos são coletados e validações, por exemplo: cross validation, suplied test
automaticamete por meio de logs. set, use tranning set e indicadores para auxiliar na análise
Os resultados da extração de dados de ensino, a dos resultados obtidos como matriz de confusão, estatística
partir de qualquer um dos tipos de sistemas educacionais kappa, erro médio absoluto, entre outros.
supracitados, podem ser usados por diferentes membros do 6 – Distribuição: neste momento se faz a divulgação
sistema de ensino [1], [2]. dos resultados aos envolvidos no processo.
Almejando um direcionamento a seguir, escolhemos
para esta pesquisa o modelo de processo de mineração de
dados CRISP-DM (Cross-Industry Standard Processo of
Data Mining), por atualmente ser considerado um padrão
de grande aceitação [13]. Ele delineia as fases de um
projeto, suas respectivas tarefas e os relacionamentos entre
elas. O modelo consiste em seis fases organizadas de
maneira cíclica, conforme mostra a figura 1, no entanto,
mesmo composto por fases, o fluxo não é unidirecional,
desta forma, podemos exercer tanto a ação de seguir,
quanto a de regressar entre as fases. Assim, nossa pesquisa
segue as etapas/fases previstas no modelo, que são:
1 – Entendimento dos negócios: tem como principal meta
o entendimento do objetivo que se deseja alcançar;
2 – Entendimento dos dados: os dados podem vir de Fig. 1 - Figura representando o processo CRISP [14]
diversos locais e possuírem diversos formatos, por isso há
a necessidade de entender de forma clara o problema,

Tomando sua simplicidade e clareza de uso, este modelo
delineia os principais procedimentos desta pesquisa.
V. CONHECIMENTO DO DOMÍNIO.
O Exame Nacional do Ensino Médio (Enem) foi
criado no ano de 1998 e tem como principal objetivo a
avaliação do desempenho do estudante no final do ensino
médio, almejando contribuir para o aumento da qualidade
desse nível de escolaridade.
No ano de 2009 passou também a ser usado como
forma de seleção para o ingresso nas universidades.
Mudanças foram feitas na prova com intuito de contribuir
para a democratização das oportunidades de acesso às
vagas [10].
A posteriori, através do SiSU (Sistema de Seleção
Unificada) o uso dos resultados do exame pôde ser
aplicado para o acesso ao ensino superior por meio de uma
fase única de seleção que combina com os próprios
métodos das IFES.
O SiSU é um sistema informatizado, no qual o
Ministério da Educação (MEC) realiza gerência. É através
dele que IFES podem oferecer vagas para candidatos
participantes do Exame Nacional de Ensino Médio
(Enem). De maneira resumida, o processo para a inscrição
e concorrência as vagas apresentadas ao SiSU pelas IFES,
se dá da seguinte maneira: No final da etapa de inscrição,
o sistema seleciona automaticamente os candidatos mais
bem classificados em cada curso, de acordo com suas
notas no ENEM e eventuais ponderações. Serão
considerados selecionados somente os candidatos
classificados dentro do número de vagas ofertadas pelo
SiSU em cada curso, por modalidade de concorrência. [11]
Após as chamadas regulares do processo seletivo, o
SiSU disponibilizará às instituições participantes uma
Lista de espera a ser utilizada prioritariamente para
preenchimento das vagas eventualmente não ocupadas.
Para participar da Lista de Espera do Sisu, o candidato
4 de 8
deve manifestar o interesse no prazo especificado no
cronograma. [11]
Essa lista, consiste de uma tabela, com uma
quantidade expressiva de atributos, que ao contexto do
processo de seleção SiSU, são extremamente necessários,
entretanto, ao nosso objetivo não iriam nos apresentar uma
quantidade significativa de informações, pois muitas delas
são de cunho pessoal, como nome, CPF, número de
inscrição, entre outros. Por isso, neste momento, iniciamos
nossa fase se análise dos dados, a fim de que pudéssemos
ter uma noção de quais tipos de dados estaríamos
trabalhando, ou seja, se eram dados quantitativos ou
qualitativos, discreto ou contínuos, tendo em vista, a
ligação direta que há entre estas atividades e a escolha
adequado dos métodos que deverão ser aplicados a estes
dados, realizando assim o processo de redução
dimensional.
Obtendo neste momento do processo, uma visão
sobre os dados, nos faltava explorá-los. Assim, partimos
para a fase de verificação da existência de alguns valores
que poderiam causar a perda de qualidade do nosso futuro
modelo, tratando valores nulos ou em branco, valores
duplicados, etc.
VI. A BASE DE DADOS
O processo de preparação, na maioria dos projetos de
mineração, compreende até 50% de todo o processo [15].
Para outros autores , esta etapa pode compreender até
80% [16]. Sendo assim, executamos algumas das
principais atividades apresentadas por pesquisadores [17],
dando grande importância a esta fase, para que ao final
pudéssemos ter um modelo confiável, testado e validado.
Na realização das principais tarefas de pré-
processamento, obtivemos uma tabela com 954 amostras
com 14 atributos.
Na Tabela 1 descrevemos os atributos da base de
dados utilizada:
Tabela 1: Atributos e seus domínios
 5 de 8

Ordem Name Possíveis valores  NOTA_CN - Nota do ENEM para o tópico Ciências
1 NOME_CAMPUS {M, RP, SF, X, SA} Naturais e suas tecnologias.
2 NOME_CURSO {E_COMP, DIR, PED, E_CIV,  NOTA_M - Nota do ENEM para o tópico Matemática
QUIM, C_ECON, HIST, S_INF, e suas tecnologias.
C_SOC, ADM, GEO, L_ING,
 NOTA_R - Nota do ENEM para o tópico Redação.
E_MIN, A_VIS, S_COL,
 ST_OPCAO – Prioridade de escolha da Unifesspa no
ENG_QUIM, E_MEC, E_ELET,
E_MAT, L_PORT, CONTA, SiSU.
AGRO, C_BIO, MAT, FISICA}  N_MODALIDADE – Algumas políticas
3 AREA_CURSOS {TECNO, HUM_2, HUM_1,
S_BIO}
4 TURNO {INT, NOT, VESP, MATU}
5 IDADE (14-52)
6 SEXO {M,F}
7 UF_INSCRITO {PA, TO, MA, CE, AM, BA,
MG, PE, DF, RJ, GO, PI, SP,
RN, RS, RR, AP, PR, MS}
8 NOTA_L (404.2-707)
9 NOTA_CH (502.4 – 756.6)
10 NOTA_CN (409.2 - 771)
11 NOTA_M (366.5 – 874.7)
12 NOTA_R (400 - 980)
13 ST_OPCAO {1-2}
14 N_MODALIDADE {EMM, PRETOS, RBINFSAL}

Abaixo apresentamos as definições de cada um dos

atributos utilizados:
 NOME_CAMPUS – Nome dos campi da Unifesspa.
 NOME_CURSO – Nomes dos cursos oferecidos por
Fig. 2 – Áreas dos cursos [17]
todos os campi da Unifesspa.
afirmativas.
 AREA_CURSOS – Área dos cursos.
 TURNO – Turno de aplicação dos cursos. VII. MINERAÇÃO DOS DADOS DA BASE
 IDADE – Idade dos candidatos. Os métodos utilizados para a mineração dos dados da
 SEXO – Gênero dos candidatos. base escolhida buscou adquirir algum conhecimento que
 UF_INSCRITO – Estado de origem do candidato. nos permitisse conhecer o perfil dos candidatos que
 NOTA_L – Nota do ENEM para o tópico Linguagens pleitearam os cursos de graduação na Instituição.
e suas tecnologias.
 NOTA_CH - Nota do ENEM para o tópico Ciências
Humanas e suas tecnologias.
 Tabela 1 – Naive Bayes 6 de 8

Utilizamos algoritmos de classificação, clusterização,

associação e predição nesse processo nos quais são
descritos a seguir concomitantemente com as análises de
seus resultados.
 Da
Dada a figura abaixo e a partir da análise dos
dados observamos que:

Fig. 3 - Árvore de decisão

→ concentração muito grande dos cursos na sede da

universidade (Unifesspa, campus marabá)
→ as notas de matemática (N1 < 611 ≤ N2) influencia na
escolha das áreas dos cursos
→ a quantidade pequena da frequência de candidatos que
pleiteou vagas nos campi fora de não nos mostra muito
conhecimento sobre os perfis dos candidatos para estes
campi.
→ a rede de dependência da árvore de decisão mostra que
a escolha dos cursos depende da nota de matemática (no
ENEM e onde se dá este curso.
 Da classificação por Naive Bayes
As Tabela 1 foi gerada a partir do algoritmo de Naive
Bayes na planilha do Excel para produzir as seguintes
análises:
→ a escolha da área dos cursos na rede de dependências
mostra que ela depende das notas tiradas em CN e
Matemática e que o campus onde se dá o curso também
tem influência nessa escolha. Aparece o atributo sexo
relacionado a escolha do curso, isto é, os candidatos de
determinados gêneros escolhem áreas de cursos
específicos.
→ candidatos que tem nota na faixa 549-588 possuem
preferência por cursos de humanística 1.
→ 588-632 tem preferência pela área tecnológica
→ nota > 632 preferem área tecnológica
→ nota < 502 preferem área humanística 2
Candidatos que tem nota na faixa (para matemática):
→ 569 – 640 → escolhem tecnologias
→ 503 – 570 → escolhem saúde biológica
→ 640 – 711 → escolhem tecnologia
→ nota < 503 → a maioria escolhe humanística 2
→ nota > 711 → escolhem tecnologia
 7 de 8

Temos ainda que, dependendo do tipo de área de curso, 6. NO_MUNICIPIO=MARABA 339 ==>
NOME_CAMPUS=MARABA UF_INSCRITO=PA 326 conf:(0.96)
os sexos masculino e feminino se inclinam naturalmente
7. AREA_CURSOS=HUMANISTICA_2 405 ==> UF_INSCRITO=PA
Tabela 2 – Exemplo de inclinação dos gêneros masculino e 381 conf:(0.94)
feminino em relação as áreas TECNOLOGIA e 8. NOME_CAMPUS=MARABA AREA_CURSOS=HUMANISTICA_2
SAUDE_BIOLOGICAS.
326 ==> UF_INSCRITO=PA 305 conf:(0.94)
9. NO_MODALIDADE_CONCORRENCIA=PRETOS 393 ==>
UF_INSCRITO=PA 363 conf:(0.92)
10. NOME_CAMPUS=MARABA SEXO=F 316 ==>
UF_INSCRITO=PA 291 conf:(0.92)
PredictiveApriori no WEKA com 10 regras:
1. AREA_CURSOS=TECNOLOGICA TURNO=INTEGRAL
UF_INSCRITO=PA 245 ==> NOME_CAMPUS=MARABA 245 acc:

para determinadas áreas de afinidade. No entanto esta (0.99412)

2. NO_MUNICIPIO=MARABA
regra não é geral, apenas se apresentou constante no
NO_MODALIDADE_CONCORRENCIA=EMM 244 ==>
decorrer do processo dos dados em questão (Tabela 2). UF_INSCRITO=PA 244 acc:(0.99411)
3. SEXO=M NO_MUNICIPIO=MARABA 195 ==>

 Da clusterização pelo algoritmo K-means UF_INSCRITO=PA 195 acc:(0.99345)

4. NO_MUNICIPIO=MARABA ST_OPCAO='(1.9-inf)' 190 ==>
 Da associação e predição pelos algoritmos
UF_INSCRITO=PA 190 acc:(0.99335)
Apriori e o PredictiveApriori 5. TURNO=INTEGRAL NO_MUNICIPIO=MARABA 178 ==>
Para esta etapa utilizamos a ferramenta WEKA 3.6 para UF_INSCRITO=PA 178 acc:(0.9931)
6. AREA_CURSOS=HUMANISTICA_2 NO_MUNICIPIO=MARABA
tentar adquirir conhecimentos a partir da associação de
161 ==> UF_INSCRITO=PA 161 acc:(0.99266)
atributos e em seguida utilizar as regras obtidas para
7. AREA_CURSOS=TECNOLOGICA TURNO=INTEGRAL
descrever e predizer os possíveis perfis dos candidatos aos ST_OPCAO='(-inf-1.1]' 160 ==> NOME_CAMPUS=MARABA 160
cursos oferecidos. acc:(0.99263)
8. NO_MUNICIPIO=MARABA ST_OPCAO='(-inf-1.1]' 149 ==>
Antes de iniciarmos o uso do algoritmo em si foi preciso
UF_INSCRITO=PA 149 acc:(0.99227)
discretizar os valores dos atributos NOTA_L, NOTA_CH,
9. NO_MUNICIPIO=BELEM 147 ==> UF_INSCRITO=PA 147 acc:
NOTA_CN, NOTA_M e NOTA_R. Feito isto, passamos ao (0.99219)
algoritmo Apriori e PredictApriori e geramos algumas regras (10 10. AREA_CURSOS=TECNOLOGICA TURNO=INTEGRAL
no total). IDADE='(17.8-21.6]' 146 ==> NOME_CAMPUS=MARABA 146 acc:
(0.99216)

Apriori no WEKA com 10 regras:

1. NO_MUNICIPIO=MARABA 339 ==> UF_INSCRITO=PA 339
conf:(1)
III. CONCLUSÃO
2. NOME_CAMPUS=MARABA NO_MUNICIPIO=MARABA 326
==> UF_INSCRITO=PA 326 conf:(1) A CONCLUSÃO, como a INTRODUÇÃO, devem ser
3. AREA_CURSOS=TECNOLOGICA TURNO=INTEGRAL 301 ==>
escritas em uma só seção sem subseção. Nesta seção é
NOME_CAMPUS=MARABA 301 conf:(1)
4. NO_MUNICIPIO=MARABA 339 ==> realizada uma apreciação do trabalho onde são abordados
NOME_CAMPUS=MARABA 326 conf:(0.96) os aspectos principais do trabalho, realçando a sua
5. UF_INSCRITO=PA NO_MUNICIPIO=MARABA 339 ==>
contribuição à disciplina. A CONCLUSÃO deve fazer
NOME_CAMPUS=MARABA 326 conf:(0.96)
sentido para quem não leu todo o trabalho ou para quem
 8 de 8

leu, no máximo a INTRODUÇÃO. Deve-se, entretanto, evitar [8] Marcelo Damasceno - “Introdução a mineração de dados

a repetição. utilizando o Weka”. V Congresso de Pesquisa e Inovação da

Rede Norte Nordeste de Educação Tecnológica (0258-4286),
REFERÊNCIAS Julho 2011.

[1] R. R. Kabra e R. S. Cichkar – “Performance Prediction of

[9] Evandro Costa, Ryan S.J.d. Baker, Lucas Amorim, Jonathas
Engineering Students using Decision Tree”, International Journal
Magalhães, Tarsis Marinho - “Mineração de Dados Educacionais:
of Computer Applications(0975-8887), Vol. 36 – Nº. 11,
Conceitos, Técnicas, Ferramentas e Aplicações”. Jornada de
Dezembro 2011.
Atualização em Informática na Educação - JAIE 2012.

[2] V. Ramesh, P. Parkavi, K. Ramar – “Predicting Student

[10] Natalya Moacyra Bittencourt Queiroz. “O novo ENEM e as
Performance: A Statistical and Data Mining Approach”,
práticas pedagógicas dos professores de física na cidade de
International Journal of Computer Applications (0975-8887),
Maceió”.[dissertação]. Maceió: Universidade Federal de
Vol. 63 – No.*, Fevereiro 2013.
Alagoas, Programa de Pós-Graduação em Educação; 2014.

[3] Vasile Paul Bresfelean – “Analysis and Predictions on

[11] Ministério da Educação (BR), Sistema de Seleção Unificada.
Student’s Behavior Using Decision Tree in WekaEnvironment”,
Conhecendo o SiSU. Brasília: Ministério da Educação, 2015.
Processo do ITI 2007 29ª Conferência Internacional sobre
[citado em 2015 Mar 18]. Disponível em: http://sisu.mec.gov.br/
Tecnologia da Informação, 25-28 junho de 2001, Cavtat, Croácia.
[4] M.Ramaswami, R.Bhaskaran, “A CHAID Based
[12] Paulo Cortez, Alice Silva. “Using Data Mining to Predict
Performance Prediction Model in Educational Data Mining”,
Secondary School Student Performance. Conferência sobre
Jornal Internacional de Ciência da Computação Vol. 7, Nº. 1,
Tecnologias Futuras para os negócios (FUBUTEC 2008) pg. 5-
Janeiro 2010.
12, Porto, Portugal, Abril, 2008, EUROSIS, ISBN 978-9077381-
39-7.
[5] Surjeet Kumar Yadav, Saurabh Pal – “Data Mining: A
Prediction for Performance Improvements of Engineering
[13] Peter Chapman, Julian Clinton, Randy Kerber, Thomas
Students using Classification”, Jornal Mundos da Ciência da
Khabaza, Thomas Reinartz, Colin Shearer e Rüdiger Wirth.
Computação e Informação (2221-0741), Vol. 2, Nº. 2,51-56,
“CRISP-DM 1.0. Step-by-step data mining guide. CRISP-DM
2012.
consortium, 2000.

[6] Ana Carolina LE Senechal - “Análise e pré-processamento de

[14] Daniel T. Larose. “Discovering Knowledge in Data: An
dados utilizando técnicas de mineração de dados educacionais
Introduction to Data Mining”. John Wiley and Sons, Inc, 2005.
para o Moodle”, Agosto 2013.

[15] David L. Olson e Durson Delen. “Advanced Data Mining

[7] Jaimin N. Undavia, Prashant M. Dolia, Ph.D, Nikhil P. Shah -
Techniques”. Springer, 2008.
“Prediction of Graduate Students for Master Degree based on
Their Past Performance using Decision Tree in Weka
[16] Colleen McCue. “Data Mining and Predictive Analysis -
Environment”. Jornal Internacional de aplicações computacionais
(0975 – 8887) Volume 74, Julho 2013. Intelligence Gathering and Crime Analysis”.1nd ed . USA:
Elsevier, 2007.

[17] https://www.unifesspa.edu.br/index.php/sisu-unifesspa