Avaliação do tempo de teste no desempenho de alunos de disciplinas relacionadas à estatística por meio de modelos lineares generalizados
DOI:
https://doi.org/10.33448/rsd-v10i9.17883Palavras-chave:
Regressão logística; Tempo em avaliação; Razão de chances; Indicadores educacionais.Resumo
O tempo que um aluno leva para concluir um teste pode influenciar no seu desempenho? Para responder a essa questão, foi considerado o modelo de regressão logística. No seu desenvolvimento, a avaliação foi considerada como uma forma de quantificar o desempenho de um aluno refletindo seu grau de conhecimento em determinado conteúdo. Para isso utilizamos registros dos momentos iniciais e finais no desenvolvimento de uma avaliação. Os registros dos tempos despendidos foram obtidos em cinco turmas diferentes de graduação, com disciplinas ministradas pelo mesmo professor, com o mesmo conteúdo teórico, na mesma universidade. Os resultados confirmam estatisticamente que cada minuto a mais que o aluno fica fazendo a prova, implica em maiores chances de obtenção de bom desempenho, bem como diferenças de desempenho entre os gêneros feminino e masculino, embora não sejam estatisticamente diferentes, demonstrando que os alunos do sexo feminino têm maiores chances de atingir a média. O modelo também confirma, de acordo com as razões de chances, que durante as avaliações o desempenho dos alunos diminui, tendo a melhor pontuação no primeiro teste. Pelas referências consultadas, entendemos que a diferença nas notas de cada aluno é influenciada por diversos fatores, fruto de suas próprias experiências.
Referências
Abdellatif Fadul, A., & Osman Abd Elghafar Mohammed, K. (2018). Using Logistic Regression to Model Factors Associated With Basic School Drop-Out in Kassala State, Sudan. Global Journal of Pure and Applied Mathematics, 14(2), 301–313. Retrieved from http://www.ripublication.com
Abedalaziz, N. (2010). Detecting gender related DIF using logistic Regression and Mantel-Haenszel approaches. Procedia - Social and Behavioral Sciences, 7(2), 406–413. doi: 10.1016/j.sbspro.2010.10.055
Akaike, H. (1974). A new look at the statistical model identification. IEEE Transactions on Automatic Control, 19(6), 716–723.
Alija, S. (2015). Application of Ordinal Logistic Regression in the Study of Students’ Achievement in External Testing. Bulletin of the Transilvania University of Braşov,Series VII: Social Sciences - Law, 8(57), 17–22. Retrieved from http://www.iiste.org/Journals/index.php/MTM/article/view/7679
Alija, S., Snopce, H., & Aliu, A. (2016). Logistic Regression for Determining Factors Influencing Students ’ Perception of Course. The Eurasia Proceedings of Educational and Social Sciences, 5, 99–106. Retrieved from https://dergipark.org.tr/en/pub/epess/issue/30752/332916
Althaus, M. T. M., & Godoy, M. T. (2008). Lessons to pilot classes: interfaces between didatics and supervised training in biology. Olhar de Professor, 11(2), 295–311. doi: 10.5212/OlharProfr.v.11i2.295311
Andrade, M. L. F. de, & Massabni, V. G. (2011). Practical activities development : a challenge to science teachers. Ciência & Educação, 17(4), 835–854. doi: 10.1590/S1516-73132011000400005
Antunes, C. (2002). Avaliação da Aprendizagem Escolar (4° ed.; Vozes, Ed.). Rio de Janeiro: Vozes.
Batistela, G. C., Rodrigues, S. A., & Bononi, J. T. C. M. (2009). Estudo sobre a evassão escolar usando regressão logística: análise dos alunos do curso de administração da Fundação Educacional de Ituverava. Tekhne e Logos, 1(1), 103–120.
Boff, R. J. (2010). Administração do Tempo. InterLink, 1(1), 59–74.
Campos, C. R., Jacobini, O. R., Wodewotzki, M. L. L., & Ferreira, D. H. L. (2011). Educação Estatística no Contexto da Educação Crítica. BOLEMA, 24(39), 473–494. Retrieved from http://www.periodicos.rc.biblioteca.unesp.br/index.php/bolema/article/view/5104
Chuieire, M. S. F. (2008). Concepções sobre a Avaliação Escolar. Estudos Em Avaliação Educacional, 19(39), 49. doi: 10.18222/eae193920082469
Cordeiro, G. M. (2004). On Pearson’s residuals in generalized linear models. Statistics & Probability Letters, 66(3), 213–219. doi: 10.1016/j.spl.2003.09.004
Daguplo, M. S. (2017). Binary Logistic Predictive Model in Determining Students’ Intention to Take Higher Education. Asia Pacific Journal of Multidisciplinary Research, 5(4), 138–143. Retrieved from http://www.apjmr.com/wp-content/uploads/2017/12/APJMR-2017.5.4.17.pdff3d351f6db0140be97b35f1e5945a3c8&site=eds-live&scope=site
Dal’Igna, M. C. (2007). Desempenho escolar de meninos e meninas: há diferença? Educação Em Revista, (46), 241–267. doi: 10.1590/S0102-46982007000200010
De Dios Jiménez, J., & Salas-Velasco, M. (2000). Modeling educational choices. A binomial logit model applied to the demand for Higher Education. Higher Education, 40(3), 293–311. doi: 10.1023/A:1004098300436
de Menezes, F. S., Liska, G. R., Cirillo, M. A., & Vivanco, M. J. F. (2017). Data classification with binary response through the Boosting algorithm and logistic regression. Expert Systems with Applications, 69, 62–73. doi: 10.1016/j.eswa.2016.08.014
De Oliveira Mendonça, L., & Lopes, C. E. (2011). Mathematical Modeling: A learning environment for the implementation of Statistics Education in High School. Bolema - Mathematics Education Bulletin, 24(40), 701–724. Retrieved from http://www.periodicos.rc.biblioteca.unesp.br/index.php/bolema/article/view/5290
Emiliano, P. C., Vivanco, M. J. F., & de Menezes, F. S. (2014). Information criteria: How do they behave in different models? Computational Statistics & Data Analysis, 69, 141–153. doi: 10.1016/j.csda.2013.07.032
Eratlı Şirin, Y., & Şahin, M. (2020). Investigation of Factors Affecting the Achievement of University Students with Logistic Regression Analysis: School of Physical Education and Sport Example. SAGE Open, 10(1). doi: 10.1177/2158244020902082
Favéro, L. P., Belfiore, P., Da Silva, F. L., & Chan, B. L. (2009). Análise de dados: modelagem multivariada para a tomada de decisões (Elsevier, Ed.). Rio de Janeiro: Elsevier.
Ferrão, M. E., & Almeida, L. S. (2018). Multilevel modeling of persistence in higher education. Ensaio, 26(100), 664–683. doi: 10.1590/S0104-40362018002601610
Formiga, N. S. (2004). Atribuição de causalidade e rendimento acadêmico: Predição e diferença em alunos da universidade pública e privada. Revista de Psicologia Da UNC, 2(1), 3–14.
Freire, P. (1997). Pedagogia da Autonomia: Saberes nescessários à prática educativa. In P. & Terra (Ed.), Paz e terra (58th ed.). São Paulo: Paz & Terra.
Giannini, S. P. P., Latorre, M. do R. D. de O., & Ferreira, L. P. (2012). Distúrbio de voz e estresse no trabalho docente: um estudo caso-controle. Cadernos de Saúde Pública, 28(11), 2115–2124. doi: 10.1590/S0102-311X2012001100011
Giannini, S. P. P., Latorre, M. do R. D. de O., & Ferreira, L. P. (2013). Distúrbio de voz relacionado ao trabalho docente:um estudo caso-controle. Brazilian Journal of Otorhinolaryngology, 3(1), 129–134.
Gilberto, P. A. (1995). Influence and residuals in restricte generalized linear models. Journal of Statistical Computation and Simulation, 51(2–4), 315–331. doi: 10.1080/00949659508811640
Guney, Y. (2009). Exogenous and endogenous factors influencing students’ performance in undergraduate accounting modules. Accounting Education, 18(1), 51–73. doi: 10.1080/09639280701740142
Hosmer, D. W., Lemeshow, S., & Sturdivant, R. X. (2013). Applied Logistic Regression. In Wiley series in probability and statistics CN - QA278.2 .H67 2013 (3rd ed.). doi: 10.1002/9781118548387
Jacobini, O. R., & Wodewotzki, M. L. L. (2001). A Modelagem Matemática Aplicada no Ensino de Estatística em Cursos de Graduação. Bolema - Boletim de Educação Matemática, 14(15), 47–68.
Köche, J. C. (2011). Fundamentos de metodologia científica : teoria da ciência e iniciação à pesquisa. Petrópolis: Vozes.
Kraemer, M. E. P. (2005). A avaliação da aprendizagem como processo construtivo de um novo fazer. Avaliação: Revista Da Avaliação Da Educação Superior, 10(2), 137–147.
Leite, R. C. M., Guimarães, E. C., Lima, E. A. P. de, Barrozo, M. A. de S., & Tavares, M. (2011). Utilização de regressão logística simples na verificação da qualidade do ar atmosférico de Uberlândia. Engenharia Sanitaria e Ambiental, 16(2), 175–180. doi: 10.1590/S1413-41522011000200011
Lima, N. da C. M., Casela, A. L. M., Ribeiro, L. V. F., & Rezende, W. (2019). Associação do índice de atitudes e práticas pedagógicas ao desempenho dos estudantes na avaliação em larga escala do estado do Espírito Santo. Educação Em Revista, 35. doi: 10.1590/0102-4698198087
Liska, G. R., Cirillo, M. Â., de Menezes, F. S., & Bueno Filho, J. S. de S. (2019). Machine learning based on extended generalized linear model applied in mixture experiments. Communications in Statistics - Simulation and Computation, 1–15. doi: 10.1080/03610918.2019.1697821
Magalhães, F. A. C., & Andrade, J. Xi. (2006). Exame vestibular, características demográficas e desempenho na universidade: em busca de fatores preditivos. Congresso USP de Controladoria e Contabilidade, 1–11.
Mazulo, E. S. (2015). Análise da proficiência em matemática por meio de regressão linear múltipla. Revista Intersaberes, 10(21), 613–625. doi: 10.22169/revint.v10i21.664
McCulloch, C. E., Searle, S. R., & Neuhaus, J. M. (2009). Generalized, Linear, and Mixed Models. John Wiley Sonc Inc.
Moral, R. A., Hinde, J., & Demétrio, C. G. B. (2017). Half-Normal Plots and Overdispersed Models in R : The hnp Package . Journal of Statistical Software, 81(10). doi: 10.18637/jss.v081.i10
Niu, L. (2020). A review of the application of logistic regression in educational research: common issues, implications, and suggestions. Educational Review, 72(1), 41–67. doi: 10.1080/00131911.2018.1483892
Peng, C.-Y. J., Lee, K. L., & Ingersoll, G. M. (2002). An Introduction to Logistic Regression Analysis and Reporting. The Journal of Educational Research, 96(1), 3–14. doi: 10.1080/00220670209598786
Pyke, S. W. ., & Sheridan, P. M. . (1993). Logistic Regression Analysis of Graduate Student Retention. The Canadian Journal of Higher Education, 23(2), 44–64. Retrieved from https://journals.sfu.ca/cjhe/index.php/cjhe/article/view/183161
RStudio Team. (2015). RStudio: Integrated Development for R. Retrieved from http://www.rstudio.com/
Sio Jyh Lih, J., & Ismail, R. Bin. (2019). Binary Logistic Regression Analysis of Teacher Self-Efficacy Factors Influencing Literacy and Numeracy. World Journal of Education, 9(1), 209. doi: 10.5430/wje.v9n1p209
R Core Team (2017). R: A language and environment for statistical computing . Retrieved from http://www.r-project.org/
Viseu, F., Menezes, L., Fernandes, J. A., Gomes, A., & Martins, P. M. (2017). Conceções de Professores do Ensino Básico sobre a Prova Matemática: influência da experiência profissional. Bolema: Boletim de Educação Matemática, 31(57), 430–453. doi: 10.1590/1980-4415v31n57a21
Vizzotto, P. A., & Mackedanz, L. F. (2018). Validação De Instrumento De Avaliação Da Alfabetização Científica Para Egressos Do Ensino Médio No Contexto Da Física Do Trânsito. Educação Em Revista, 34(0). doi: 10.1590/0102-4698202974
Wild, C. J., & Pfannkuch, M. (1999). Statistical thinking in empirical enquiry. International Statistical Review, 67(3), 223–248. doi: 10.1111/j.1751-5823.1999.tb00442.x
Yin, R. K. (2001). Estudo de caso: planejamento e métodos (2nd ed.). Porto Alegre: Bookman.
Zanon, C., Hutz, C. S., Yoo, H., & Hambleton, R. K. (2016). An application of item response theory to psychological test development. Psicologia: Reflexao e Critica, 29(1). doi: 10.1186/s41155-016-0040-x
Zanon, D. P., Althaus, M. T. M., & Bagio, V. A. (2018). Didática na docência universitária em Saúde: metodologias ativas e avaliação (1st ed.). Retrieved from https://www.editoraappris.com.br/produto/737-didtica-na-docncia-universitria-em-sade-metodologias-ativas-e-avaliao
Zewude, B. T., & Ashine, K. M. (2016). Binary Logistic Regression Analysis in Assessment and Identifying Factors That Influence Students ’ Academic Achievement : The Case of College of Natural and Computational. Journal of Education and Practice, 7(25), 1–6. Retrieved from https://eric.ed.gov/?id=EJ1115855
Downloads
Publicado
Como Citar
Edição
Seção
Licença
Copyright (c) 2021 Esttefani Duarte Brum; Gilberto Rodrigues Liska; Alisson Darós Santos
Este trabalho está licenciado sob uma licença Creative Commons Attribution 4.0 International License.
Autores que publicam nesta revista concordam com os seguintes termos:
1) Autores mantém os direitos autorais e concedem à revista o direito de primeira publicação, com o trabalho simultaneamente licenciado sob a Licença Creative Commons Attribution que permite o compartilhamento do trabalho com reconhecimento da autoria e publicação inicial nesta revista.
2) Autores têm autorização para assumir contratos adicionais separadamente, para distribuição não-exclusiva da versão do trabalho publicada nesta revista (ex.: publicar em repositório institucional ou como capítulo de livro), com reconhecimento de autoria e publicação inicial nesta revista.
3) Autores têm permissão e são estimulados a publicar e distribuir seu trabalho online (ex.: em repositórios institucionais ou na sua página pessoal) a qualquer ponto antes ou durante o processo editorial, já que isso pode gerar alterações produtivas, bem como aumentar o impacto e a citação do trabalho publicado.
