1) O documento descreve uma análise espacial dos índices educacionais do estado do Rio Grande do Norte no Brasil usando técnicas de mineração de dados.
2) Foram utilizados indicadores educacionais do IBGE juntamente com SIG para mapear a distribuição da educação e identificar padrões usando árvores de decisão.
3) Os resultados mostram que a maioria dos municípios do RN apresenta qualidade educacional abaixo da meta e que a situação é pior em regiões com pequenas atividades econômicas.
Aplicação de uma técnica de visualização de dados baseado em árvores para aux...
ANÁLISE ESPACIAL DOS ÍNDICES EDUCACIONAIS DO RIO GRANDE DO NORTE COM O USO DE TÉCNICAS DE MINERAÇÃO DE DADOS
1. Anais VI Simpósio Regional de Geoprocessamento e Sensoriamento Remoto - Geonordeste, Aracaju, SE, Brasil, 26 a 30 de novembro de 2012, UFS.
ANÁLISE ESPACIAL DOS ÍNDICES EDUCACIONAIS DO RIO GRANDE DO NORTE
COM O USO DE TÉCNICAS DE MINERAÇÃO DE DADOS
Fábio Abrantes Diniz1, Fabiano Rosemberg de Moura Silva2, Roberto Douglas da Costa3, Thiago Reis
da Silva4, Íthalo Bruno Grigório de Moura5, Angélica Felix Castro6
1
Mestrando em Ciência da Computação, UERN/UFERSA, Mossoró - RN, fabio.abrantes.diniz@gmail.com
2
Mestrando em Ciência da Computação, UERN/UFERSA, Mossoró - RN, fabiano.rosemberg.silva@gmail.com
3
Mestrando em Ciência da Computação, UERN/UFERSA, Mossoró - RN, robertodcosta@gmail.com
4
Mestrando em Ciência da Computação, UERN/UFERSA, Mossoró - RN, trsilva.si@gmail.com
5
Mestrando em Ciência da Computação, UERN/UFERSA, Mossoró - RN, ithalobgm @gmail.com
6
Professora Doutora do Departamento de Informática da UFERSA, Mossoró – RN, angelicafcastro@ gmail.com
RESUMO: O Rio Grande do Norte (RN) é um estado rico em recursos naturais, apresenta um
desenvolvimento educacional concentrado em algumas regiões. Diante dessa realidade, este trabalho
descreve a distribuição da educação na população do RN, mostrando a sua disparidade entre seus
municípios. Logo, foram utilizados alguns indicadores da educação do Instituto Brasileiro de
Geografia e Estatística (IBGE), juntamente com o Sistema de Informação Geográfico (SIG)
TerraView para a elaboração de mapas, utilizando técnicas do geoprocessamento e da estatística.
Além disto, também foram utilizadas técnicas de Mineração de Dados (MD) para identificar padrões
que ajudam a caracterizar a qualidade do sistema educacional do RN, mostrando assim, a desigualdade
entre seus municípios e evidenciando um desenvolvimento educacional concentrado em algumas
regiões. Por fim, os resultados mostram que a maioria dos municípios do RN apresenta qualidade
educacional abaixo da meta e que a situação é pior em regiões do estado que possuem pequenas
atividades econômicas.
PALAVRAS-CHAVE: Sistema de informação geográfico, Mineração de dados, Árvore de decisão.
INTRODUÇÃO: O RN é composto por 167 municípios, que se agrupam em quatro mesorregiões e
19 microrregiões (IBGE 2012). De acordo com a Secretaria de Estadual de Educação e Cultura
(SEEC), o RN possui 16 Diretorias Regionais de Educação (DIRED) que direcionam as instituições
educacionais e mantêm uma rede de 3.175 escolas do Ensino Fundamental das quais 620 são
estaduais, 2 084 são municipais, 470 são particulares e uma federal. O ensino médio foi ministrado em
420 estabelecimentos, com a matrícula de 152.326 alunos. Dos 152.326 discentes, 133.369 estavam
nas escolas públicas e 18.957 nas particulares (SEEC, 2012).
Diante dessa realidade, este artigo tem por objetivo analisar as características do sistema educacional
do RN, que enfatizam as diferenças sociais e econômicas entre as regiões mais ricas e as menos
desenvolvidas do estado. Para realizar este trabalho foram utilizados os indicadores demográficos e
educacionais do RN obtidos através do IBGE, tais como: população em idade escolar, número de
matrículas, taxa de escolaridade, aprovação, abandono, reprovação e os índices de desenvolvimento de
educação básica (IDEB). Alguns desses indicadores são utilizados na elaboração de algumas análises
espaciais, a fim de mostrar a qualidade e a equidade da educação nas redes públicas e privadas em
todo o estado do RN.
A mineração de dados é definida como um processo de descoberta de padrões nos dados (Fayyad,
1996). Desta forma, sua utilização neste trabalho visa encontrar um padrão comportamental de
variáveis que descrevem a distribuição da educação na população do RN. Portanto, para a realização
desse estudo aplicou o uso de técnicas de Mineração de Dados (MD) para estimar alguns resultados
que demonstram relações significativas entre a educação e o desenvolvimento local. Juntamente,
utilizou-se uso das técnicas e ferramentas de geoprocessamento, contida no Sistema de informação
Geográfica (SIG) TerraView. Nesta ferramenta foram utilizados os recursos de visualização dos dados
espaciais para dar subsídios em tomadas de decisões no setor educativo. A fim de ajudar o Governo
2. Anais VI Simpósio Regional de Geoprocessamento e Sensoriamento Remoto - Geonordeste, Aracaju, SE, Brasil, 26 a 30 de novembro de 2012, UFS.
em decisões para cumprir e otimizar as metas e objetivos na melhoria do serviço de educação do
estado do RN.
MATERIAS E MÉTODOS: A área de estudo é o Estado do Rio Grande do Norte, com uma área de
aproximadamente 53.000 km2, dividido politicamente em 167 municípios, com mais de três milhões
de habitantes (IBGE, 2012).
Foram utilizadas 167 amostras (número de municípios do RN), com seus respectivos dados de
educacionais, como o conjunto de treinamento para geração da árvore de decisão. Através da árvore
selecionada foi possível extrapolar a estimativa da distribuição da qualidade da educação. Cada
amostra possui atributos que trazem informações políticos, sociais e educacionais, referentes ao Estado
do RN.
As informações referentes ao Estado do RN tais como área, municípios, micro e mesorregiões,
população, Índice de Desenvolvimento Humano (IDH), renda domiciliar per capita, entre outras,
foram obtidas do Censo Demográfico 2010, através da página do IBGE na Internet. Os atributos
utilizados, referentes à educação, foram: as taxas de abandono escolar, aprovação, desempenho médio,
o Índice de Desenvolvimento da Educação Básica (IDEB), entre outros, todos obtidos da página da
SEEC na Internet e do Censo Escolar 2010. Também foram obtidos, da página do IBGE, os mapas nos
quais foram utilizadas técnicas de agrupamento - quantil (equipartição de amostras em 5,4 e 3
intervalos, com dos valores da amostra em cada intervalo).
Neste estudo, foram utilizadas técnicas de geoprocessamento (BRETERNITZ, 2010) através do
software TerraView 4.1.0 e dados disponibilizados pelo IBGE e pela SEEC sobre o Estado do RN
(SEEC, 2012). O TerraView é um SIG desenvolvido pelo Instituto Nacional de Pesquisas Espaciais
(INPE) sobre a biblioteca de geoprocessamento do TerraLib, também desenvolvida pelo INPE e tem
como seus principais objetivos oferecer à comunidade um fácil visualizador de dados geográficos com
recursos de consulta e análise de dados (INPE 2012).
As árvores de decisão são um dos modelos mais simples e mais usados em inferência indutiva. Estas
árvores são treinadas de acordo com um conjunto de dados de treinamento previamente classificadas e
posteriormente, usa essa árvore para classificar a exatidão do classificador num conjunto de teste.
Existem vários algoritmos de classificação que utilizam árvores de decisão. Dependendo do problema,
um algoritmo pode ser mais eficiente do que o outro. Dentre os algoritmos, os mais usados são: o ID3,
ASSISTANT, C4.5 e CART (Classification and Regression Trees) (DINIZ et. al. 2011).
Nesse trabalho foi utilizado o algoritmo C4.5, pois trabalha com valores indisponíveis, com valores
contínuos, poda árvores de decisão e não depende de suposições sobre a distribuição dos valores das
variáveis ou da independência entre si das variáveis (FAYYAD; PIATESKY-SHAPIRO; SMYTH,
1996). Características cruciais quando se usa dados de SIG juntamente com dados de imagem.
A ferramenta utilizada para aplicar a técnica de mineração de dados foi o denominado Weka (Waikato
Environment for Knowledge Analysis), da Universidade de Waikato, Nova Zelândia. O pacote Weka
possui uma suíte que contém diversas técnicas de mineração de dados, totalmente gratuito por ser um
software livre (WEKA, 2012). O Weka usa arquivos de dados de treinamento onde devem ser
explicitadas quais variáveis são permitidas para uma relação específica, bem como o tipo de dado de
cada variável (isto é, nominal ou valor numérico). O Weka pode detectar padrões em dados que podem
ser explorados mediante regras. Das técnicas disponíveis, foi utilizado o algoritmo de indução de
árvore de decisão C4.5 desenvolvido por (Quilan 1993) e implementado em sua versão para
linguagem Java, no Weka, com o nome J4.8, para gerar árvores de decisão (WEKA, 2012).
Para a utilização do conjunto de dados, foi feito um pré-processamento nos dados a fim de torná-los
compatíveis com o formato da ferramenta utilizada. O algoritmo de classificação do Weka necessita
de atributos preditivos para representar os padrões a serem classificados. Foram utilizados quatro
3. Anais VI Simpósio Regional de Geoprocessamento e Sensoriamento Remoto - Geonordeste, Aracaju, SE, Brasil, 26 a 30 de novembro de 2012, UFS.
atributos para a descoberta do modelo nesse trabalho, tais como: o IDH, a renda domiciliar per capita,
a taxa de abandono escolar e o IDEB. Todos são atributos preditivos que influenciam direta e
indiretamente na qualidade da educação em uma determinada região.
Além disso, o algoritmo de classificação do Weka precisa de uma variável nominal denominada
atributo-classe que classificam os dados. Portanto, foi criado, a partir dos valores dos atributos
preditivos, o atributo-classe MetaqualEd (Meta da qualidade da Educação) o qual possui três
categorias de valores (acima, media, abaixo) que classifica o nível da meta da qualidade educacional
do RN. Caracterizando as instâncias da base de dados como acima, abaixo ou na média da meta
nacional, estipulada pelo governo do RN para o nível da qualidade da educação para o ano de 2010.
RESULTADOS E DISCUSSÃO: Como mencionado, a ferramenta Weka foi utilizada como apoio
durante a execução da etapa de MD. As classificações com pequeno número de instâncias (167)
evidenciadas na base de dados, a árvore de decisão alcançou 87,5% das instâncias classificadas
corretamente. Uma estimativa válida que pode não ter sido a melhor devido ao número reduzido de
informação, além do fato de existirem poucas instâncias com prevalência muito alta em relação às
outras classes. O classificador foi testado utilizando-se o método de validação cruzada 10- Fold-Cross-
Validation para obtenção da proporção de acertos (acurácia).
Com a Mineração de Dados, foi possível analisar as diferenças no padrão do conjunto de reações das
variáveis em relação à melhora da meta da qualidade da educação nos municípios do RN. Para
avaliação das classificações foi utilizada a estatística de Kappa que é um método estatístico que serve
para medir a concordância entre diferentes medidas (LANDIS; KOCH, 1977), sendo muito usada para
avaliação da precisão, determinada por uma matriz de confusão. Sua grande vantagem é que para o seu
cálculo não se incluem somente os elementos da diagonal principal e sim todos os elementos da matriz
de erro (MOREIRA, 2001). A classificação desse trabalho gerou um índice de Kappa de
aproximadamente 73%.
O algoritmo J4.8 possui regras decisão e uma matriz de confusão. Nesse trabalho foi elaborada uma
matriz de confusão durante os treinamentos e testes das instâncias (Tabela 1). Analisando a matriz,
foram detectados possíveis problemas na classificação e também na separabilidade entre as classes.
Tabela 1. Matriz de confusão.
Classe Prevista
Classe = acima Classe = media Classe = abaixo
Classe Acima (28) 22 5 1
Real Media (23) 4 13 6
Abaixo (116) 1 4 111
Observa-se também na Tab. 2 que das 167 instâncias, 146 (111+22+13) são classificadas
corretamente, sendo que 21 (4+1+4+5+6+1) instâncias são classificadas incorretamente, 19 (4+4+5+6)
foram classificadas com um erro de classe e 2 (1+1) classificada com dois erros. Para um total de 28
instâncias com classe real rotulada como acima, tiveram 22 instâncias (78,9%) classificadas
corretamente, 5 instâncias (17,9%) foram classificadas como media e somente 1 (3,5%) foi
classificada como abaixo. Esse resultado pode ser considerado satisfatório, uma vez que os recursos
para o melhoramento da educação de uma região são pequenos, e com essa classificação pode
transferir boa parte dos recursos da educação destinados a municípios que tiveram uma qualidade da
educação acima da meta estipulada para municípios que estão com uma qualidade educacional abaixo
do esperado.
Já com as instâncias com classe real média, um pouco a mais da metade (56,5%) delas são
classificadas corretamente. Esse resultado mostra que mesmo que essas áreas estejam alcançando a
média de qualidade da educação, ainda precisam de atenção na melhora do seu sistema educacional,
pois podem sofrer baixas se não tiverem o investimento necessário. Já para a classe de prevalência
4. Anais VI Simpósio Regional de Geoprocessamento e Sensoriamento Remoto - Geonordeste, Aracaju, SE, Brasil, 26 a 30 de novembro de 2012, UFS.
abaixo, foram classificadas corretamente 111 das 116 amostras (96%), sendo que 4 amostras (3,4%)
foram classificas como media e apenas 1 amostra (0,6%) de prevalência foi classificada como acima.
Esse resultado evidencia a comprovação do padrão, mostrando que o RN precisa melhorar tanto a
qualidade do ensino e a infraestrutura da educação como a diminuição da desigualdade social,
provando que melhorando a qualidade da educação melhora a qualidade de vida.
O algoritmo J4.8 determina a variável com maior quantidade de informação e a coloca na raiz da
árvore de decisão. Em cada nó da árvore, foi feita a divisão em conjuntos cada vez mais homogêneos.
A variável colocada na raiz da árvore foi IDEBEFfin09 (Índice de Educação Básica do Ensino Funda
mental final de 2009), correspondendo à divisão em dois grupos: para valores desta variável menores
ou iguais a 3.2 e maiores que 3.2. A Figura 1 mostra a árvore de decisão (obtida a partir do algoritmo
J4.8 do Weka) para a prevalência da meta da qualidade da educação em relação a algumas variáveis
preditivas que foram selecionadas pelo Weka por conterem maior quantidade de informação. Foram
ainda selecionado outras variáveis tais como: índices de desenvolvimento humano (IDH2000), renda
domiciliar (renda) e taxa de abandono (TAbanEMed10).
Figura 1: Árvore de decisão obtida a partir do algoritmo J4.8 do Weka.
O resultado da classificação gerado pela árvore de decisão, acima, pode ser considerado coerente em
relação à realidade. Pela análise da árvore vemos a qualidade da educação do Estado do RN esta
abaixo da média estabelecida. Dos 167 municípios 115 estão com a qualidade abaixo da média.
Seguindo o ramo da árvore até a folha que apresenta o maior número de classes abaixo, os 115
municípios se caracterizam com um IDEB menor que 3.2, IDH menor que 0.7 e taxa de abandono
maior que 11.1%. Contrario as metas estabelecidas os quais são possuir um IDEB maior que 3.2, taxa
de abandono menor que 10% e IDH na média da nacional que é 0.78. É apresentado na Figura 2, os
dados classificados através das regras da árvore de decisão espacializados num mapa temático
utilizando o aplicativo TerraView.
Figura 2: Meta da qualidade da educação estimada através da árvore de decisão.
5. Anais VI Simpósio Regional de Geoprocessamento e Sensoriamento Remoto - Geonordeste, Aracaju, SE, Brasil, 26 a 30 de novembro de 2012, UFS.
Logo, podemos ver que as vantagens de árvore de decisão incluem a capacidade de lidar com dados
que estão em diferentes escalas de medidas, não serem necessárias suposições sobre as distribuições
de frequência dos dados em cada uma das classes, a flexibilidade e a capacidade de lidar com relações
não lineares entre variáveis e classes. E a simplicidade para encontrar os padrões torna essa técnica
muito útil nesse trabalho.
CONCLUSÕES E TRABALHOS FUTUROS: Esse trabalho demonstrou que o uso de árvore de
decisão é fundamental na descoberta de padrões, pois lida com dados de diferentes escalas de medidas
e têm a flexibilidade e a capacidade de trabalhar com relações não lineares entre variáveis e classes.
Foi possível constatar que a maioria dos municípios Estado do RN apresenta qualidade educacional
abaixo da meta e que a situação é pior em regiões do Estado que possuem pequenas atividades
econômicas, pois esses municípios apresentam as mais baixas rendas familiares e IDH, além dos
investimentos educacionais serem baixos. Como trabalho futuro propõe-se integrar as técnicas
de geoprocessamento com a exploração desta base de dados utilizando outras técnicas de mineração de
dados, tais como: Clusterização e Máquinas de Vetores de Suporte (SVM). A fim de identificar novos
padrões ou tendências de desenvolvimento e deficiências educacionais dos municípios do Estado do
RN, e melhorar a precisão dos resultados.
AGRADECIMENTOS: Os autores agradecem a CAPES pela concessão das bolsas de pesquisa.
REFERÊNCIAS:
Breternitz, V. J. Sistemas de informações geográficas: uma visão para administradores e
profissionais de tecnologia da informação. 2010.
IBGE. Instituto Brasileiro de Geografia e Estatística. Disponível em:
<http://www.ibge.gov.br/home>. Acesso em: ago. 2012.
INPE. Manual do Sistema de Processamento de Informações Georreferenciados versão 4.3
(SPRING-4.3). Divisão de Processamento de Imagens, INPE- São José dos Campos. Disponível em:
<http://www.dpi.inpe.br/cursos>. Acesso em: jul. 2012.
Diniz, F. A.; Costa, R. D.; Silva, F. R. M.; Castro, A. F.; Silva, M. P. S. O Uso do Geoprocessamento
na Análise dos Índices Educacionais do Rio Grande Norte. In: Escola Potiguar de Computação e
Suas Aplicações – EPOCA 2011. Natal – RN.
Fayyad, U.; Piatesky-Shapiro, G.; Smyth, P. From Data Mining to Knowledge Discovery: An
Overview. Cambridge: AAAI Press,1996.
Landis, J. R.; Koch, G. G. The measurement of observer agreement for categorical data in
Biometrics. v. 33, p. 159 –174, 1977.
Moreira, M. A. Fundamentos de Sensoriamento Remoto. Instituto Brasileiro de Pesquisas Espaciais,
São Paulo: São José dos Campos, 2001.
Quinlan, J. R. C4.5: Programs For Machine Learning. Morgan Kaufmann, Los Altos, 1993.
SEEC. Secretaria de Estado da Educação e da Cultura. Disponível em:
<http://www.educacao.rn.gov.br/contentproducao/aplicacao/seec/principal/enviados/index.asp>,
Acesso em: jul. 2012.
WEKA. Waikato Environment for Knowledge Analysis. Disponível em:
<http://www.cs.waikato.ac.nz/ml/weka/>, Acesso em: jul. 2012.
.