O desempenho dos alunos dos cursos de M´usica no Enade 2014 Neylson Crepalde, PhD Candidate.
[email protected] http://neylsoncrepalde.github.io Grupo Interdisciplinar de Pesquisa em An´ alise de Redes Sociais Departamento de Sociologia – UFMG Curso de M´ usica – CEUNIH
CARA – COPPEAD – RJ 14 de Abril de 2016
Conte´udo
1
Introdu¸c˜ao
2
Metodologia
3
Resultados
4
Considera¸c˜oes Finais
Neylson Crepalde (UFMG / CEUNIH)
M´ usica – Enade 2014
Abril, 2016
2 / 19
Introdu¸c˜ao
Da perspectiva de um gestor educacional de ensino superior, o sucesso de seu trabalho reside na forma¸c˜ao de profissionais altamente capacitados e que detenham o conhecimento necess´ario `as atividades que eles dever˜ao realizar em seus respectivos setores. Al´em de um rigoroso sistema
Neylson Crepalde (UFMG / CEUNIH)
de avalia¸c˜ao interno previsto em seu Projeto Pol´ıtico-Pedag´ogico, o gestor tem `a sua disposi¸c˜ao dados que permitam comparar seus resultados com outras escolas em todo o pa´ıs. Trata-se do Exame Nacional de Desempenho dos Estudantes (Enade).
M´ usica – Enade 2014
Abril, 2016
3 / 19
A tomada de decis˜ao na gest˜ao acadˆemica
Segundo Angeloni (2003), o estilo de gest˜ao tayloriano com foco nos bens tang´ıveis est´a dando lugar a modelos mais modernos com foco em bens intang´ıveis. De fato, as de-
cis˜ oes ganham em velocidade e qualidade quando apoiadas em dados, informa¸c˜ao e conhecimento. Apenas os dados per se n˜ao tem efeito sobre o processo decis´orio.
Data =⇒ Information =⇒ Knowledge
Neylson Crepalde (UFMG / CEUNIH)
M´ usica – Enade 2014
Abril, 2016
4 / 19
Metodologia - Escolhendo o modelo
Para fazer a escolha do modelo adequado, usei duas t´ecnicas: a Forward Stepwise Selection e o LASSO. A Forward Stepwise Selection consiste de um m´etodo de sele¸c˜ao do melhor modelo construindo modelos aninhados gradativamente desde o modelo nulo at´e aquele com p covari´aveis
n X
yi − β0
p X
i=1
Neylson Crepalde (UFMG / CEUNIH)
j=1
2 βj xij + λ
(JAMES et al., 2015). O LASSO, por sua vez ´e uma t´ecnica conhecida como shrinkage onde o objetivo ´e controlar ou diminuir os coeficientes do modelo de modo que eles tendam a zero (HASTIE; TIBSHIRANI; FRIEDMAN, 2009). O LASSO pode ser definido por: p X
|βj | = RSS + λ
j=1
M´ usica – Enade 2014
p X
|βj |
(1)
j=1
Abril, 2016
5 / 19
FSS e LASSO
13.45 13.35 13.25
Test Root MSE
13.55
Forward Stepwise Selection
5
10
15
20
Index
261
243
−6
−4
189
19
−2
0
262
261
261
257
242
233
202
158
95 38
9 1
280
83 237
160
−20
73
240
95 260 128 99 140 26 25 144 11 89 51 23 88 36 8 50 97 129 37 142 259 227 151 84 258 244 108 266 77 60 101 112 132 145 35 141 133 139 239 230 232 148 105 34 38 135 14 67 64 134 15 147 47 217 209 165 223 238 13 74 169 264 198 222 182 265 48 76 218 247 249 241 52 188 65 137 221 248 192 131 1 33 171 201 106 231 205 228 85 214 111 190 196 242 175 78 120 173 20 150 80 156 163 185 255 54 71 138 180 55 143 152 199 167 189 197 107 168 61 172 184 155 181 176 202 213 164 240 267 22 130 193 203 121 186 166 119 160 207 216 122 183 98 194 229 12 178 102 161 191 162 93 24 66 159 252 174 200 124 79 195 4 263 225 92 127 256 170 49 19 62 136 113 126 90 246 204 39 68 16 158 87 46 177 63 6 220 224 18 187 254 234 157 5 243 109 117 251 17 59 7 154 179 27 45 210 261 114 21 96 32 115 9 29 235 236 262 215 219 116 212 10 30 28 91 2 72 31 253 233 75 57 257 100 94 70 211 41 43 40 42 44 3 208 206 153 123 56 58 118
200
103 69 226 146 250 82 245 125
Mean−Squared Error
0 −10
Coefficients
10
20
53
LASSO
149
LASSO − Cross Validation −6
Log Lambda
Neylson Crepalde (UFMG / CEUNIH)
−4
−2
0
log(Lambda)
M´ usica – Enade 2014
Abril, 2016
6 / 19
Os modelos multin´ıvel
Os modelos hier´arquicos ou modelos multin´ıvel (HLM) surgiram nos estudos em Ciˆencias da Educa¸c˜ao considerando que as vari´aveis abordadas n˜ao deveriam ser vistas no mesmo plano, mas aninham-se de forma hier´arquica em n´ıveis diferentes de an´alise. Alunos, por exemplo, agrupam-se dentro de classes,
Neylson Crepalde (UFMG / CEUNIH)
classes agrupam-se dentro de escolas, escolas agrupam-se em diferentes locais e assim por diante (MAIA et al., 2003). A grande vantagem dos modelos multin´ıvel est´a na possibilidade de contemplar as correla¸c˜oes e a varia¸c˜ao dos coeficientes estimados entre os grupos aninhados, o que escapa aos modelos lineares.
M´ usica – Enade 2014
Abril, 2016
7 / 19
No modelo hier´arquico s˜ao estimadas duas equa¸c˜ oes, uma para cada n´ıvel de an´alise (RAUDENBUSH; BRIK, 2002). A estima¸c˜ao do modelo no primeiro n´ıvel pode ser definida por \ ij = β0j + βj X + eij NotaGeral
(2)
A estima¸c˜ao do segundo n´ıvel pode ser definida por β0j = γ00 + U0j
Neylson Crepalde (UFMG / CEUNIH)
M´ usica – Enade 2014
(3)
Abril, 2016
8 / 19
Interessa-nos testar o efeito de cinco vari´aveis do segundo n´ıvel sobre o desempenho geral porque elas assumem a possibilidade de a¸c˜ao diferente das vari´aveis do primeiro n´ıvel, individuais. Escolhemos como vari´aveis de teste a percep¸c˜ao do estudante sobre o est´ımulo ao trabalho em equipe em sua IES, sua
Neylson Crepalde (UFMG / CEUNIH)
percep¸c˜ao sobre a rela¸c˜ao professoraluno, o est´ımulo dado pela IES `a extens˜ao universit´aria, `a inicia¸c˜ao cient´ıfica e os ambientes e equipamentos do curso em geral. Testarei tamb´em a intera¸c˜ao entre extens˜ao e inicia¸c˜ao cient´ıfica pois ´e bastante comum que essas ´areas funcionem em estreita rela¸c˜ao nas IES.
M´ usica – Enade 2014
Abril, 2016
9 / 19
Tabela : Vari´avel dependente e vari´aveis de teste Vari´ avel Nota Geral
Trabalho em equipe Rela¸c˜ ao professor-aluno Extens˜ ao Universit´ aria Inicia¸c˜ ao Cient´ıfica Ambiente e equipamentos
Neylson Crepalde (UFMG / CEUNIH)
Tipo Descri¸c˜ ao Vari´ avel Dependente Num´ erica Nota bruta da prova - M´ edia ponderada da forma¸c˜ ao geral (25%) e componente espec´ıfico (75%) (0 a 100) Vari´ aveis de Teste Categ´ orica Ordinal 1 (discordo totalmente) – 6 (concordo totalmente) Categ´ orica Ordinal 1 (discordo totalmente) – 6 (concordo totalmente) Categ´ orica Ordinal 1 (discordo totalmente) – 6 (concordo totalmente) Categ´ orica Ordinal 1 (discordo totalmente) – 6 (concordo totalmente) Categ´ orica Ordinal 1 (discordo totalmente) – 6 (concordo totalmente)
M´ usica – Enade 2014
Abril, 2016
10 / 19
Figura : Distribui¸c˜ao da vari´avel dependente
Neylson Crepalde (UFMG / CEUNIH)
M´ usica – Enade 2014
Abril, 2016
11 / 19
Resultados
Tabela : Modelos - Nota Geral do ENADE 2014 Dependent variable:
Intercepto Trab. Equipe Rela¸c˜ ao prof-aluno Extens˜ ao Inicia¸c˜ ao Cient´ıfica Intera¸c˜ ao Ext.∗In. Cient. Ambientes/equip. Observations R2 Adjusted R2 Akaike Inf. Crit. Bayesian Inf. Crit.
OLS geral
Nota Geral OLS m´ usica
(1)
(2)
(3)
34.358∗∗∗ (0.394) 0.217∗∗∗ (0.039) −0.108∗∗∗ (0.039) 0.547∗∗∗ (0.063) 0.390∗∗∗ (0.070) −0.128∗∗∗ (0.014) −0.182∗∗∗ (0.028)
29.551∗∗∗ (4.942) −0.245 (0.328) 0.555∗ (0.318) 0.835 (0.546) 0.156 (0.650) −0.136 (0.125) −0.858∗∗∗ (0.227)
31.136∗∗∗ (3.506) −0.198 (0.317) 0.409 (0.306) 0.958∗ (0.526) 0.186 (0.623) −0.141 (0.120) −0.835∗∗∗ (0.210)
196,971 0.118 0.117
2,025 0.264 0.199
2,025
16,011.220 16,471.510 ∗
Note:
Neylson Crepalde (UFMG / CEUNIH)
HLM m´ usica
M´ usica – Enade 2014
p
