Relatório Técnico de Conclusão de Curso
Faculdade de Tecnologia Jessen Vidal - Fatec São José dos Campos
Análise estatística descritiva e Regressão da Inserção das Mulheres nos cursos de TI nos anos de 2009 a 2018.
Análise de dados do Censo da Educação Superior - INEP, utilizando a biblioteca Pandas no jupyter notebook, para analisar o número de mulheres inseridas nos cursos de TI nos anos de 2009 a 2018 e um estudo em regressão, para traçar a tendência da taxa de crescimento da inserção dos alunos nos cursos de Tecnologia da Informação (TI) nesse mesmo período.
Dados Brutos: https://www.gov.br/inep/pt-br/acesso-a-informacao/dados-abertos/microdados/censo-da-educacao-superior
Recomendações para o uso:
iniciar > CMD > enter
pip install -r requirements.txt
jupyter notebook
Veja os notebooks no diretório que acabou de baixar, tem a extensão ipynb
- Caso escolha Docker
iniciar > CMD > enter
make start
Definição do problema
Desigualdade de gênero na área da Tecnologia da Informação
-
Os cursos da área de Tecnologia, são majoritariamente ocupados por homens. [1]
-
Entre a década de 1960 e 1970 houve um crescimento dos cursos na área da computação e a crescente participação das mulheres. [2][3]
-
A partir de 1980, iniciou-se a construção de estereótipos e identidades que associavam a computação ao universo masculino e a cultura geek. [2][3]
-
Pesquisa realizada pela Empresa de consultoria Yoctoo[4:
- 82,8% das mulheres entrevistadas relata ter vivido, ou ainda vivenciar, preconceito de gênero dentro do seu ambiente de trabalho.
- Em relação à área acadêmica, 61,8% assegura ter vivido ou vivência este preconceito.
- O estudo realizado pela empresa de consultoria é bastante revelador, trazendo outros importantes números: 91% das entrevistadas afirmam que ainda existe preconceito dentro das empresas e que essas ainda estão dando os primeiros passos direcionados à implementação de políticas de diversidade e inclusão;
- 72% afirmam que o ambiente familiar não costuma estimular meninas a gostarem de brincadeiras ou carreiras ligadas à tecnologia;
- 42% das participantes afirmam que o maior desafio é ter de provar a todo tempo que são profissionais competentes;
Desenvolvimento
Método Knowledge Discovery in Databases (KDD)
Pré-Processamento e Formatação
-
Linguagem de programação Python 3.
-
Bibliotecas de suporte Pandas, Numpy, Matplolib, Seaborn, Statsmodels.
-
Aplicativo da web Jupyter Notebook.
-
O volume de dados de 10 anos da educação superior é muito grande.
-
Filtro com os seguintes termos: “Computação”, “Tecnologia da Informação”, “Informática” e “Análise de Desenvolvimento de Sistemas”
Mineração e Análise dos Dados
- Contagem de alunos por curso e as medidas de tendência central.
- Cruzamento dos dados divididos por gênero e por idade, assim como a porcentagem de mulheres e homens nos cursos.
- Cruzamento dos dados por gênero e por ano - Inserção das mulheres na área ao longo dos anos analisados.
- Relação dos dados e sua causualidade, a correlação e a covariância.
- Gráfico de dispersão e, com o apoio da biblioteca Statmodels, os gráficos de regressão da taxa de crescimento dos homens e das mulheres nos cursos de TI.
- Para validar o modelo, foi utilizada a biblioteca sklearn.metrics, para o cálculo dos erros médios.
Resultados e Discussões
-
Dataframe final conta com os dados de 1.217.117 alunos, sendo a idade mínima de 13 anos e a máxima de 84 anos.
-
Medidas Centrais:
75% dos alunos estão na região de 20 a 30 anos.
-
Correlação e a covariância em relação a taxa de porcentagem do crescimento da inserção por gênero ao longo dos anos:
-
Regressão para verificar se uma variável independente (Ano), tem relação com uma variável dependente (Número de alunos por sexo e por ano):
-
Regressão para verificar se uma variável independente (Ano), tem relação com uma variável dependente (Número de alunas por sexo e por ano):
Validação do Modelo
-
O R2 em ambas regressões linear e polinomial foi de 0,959 e 0,989, respectivamente. Nesse caso afirma-se que 96% e 99%, respectivamente das variações do ano podem ser explicadas com base na variação do número de alunos inseridos nos cursos.
-
Indicando que ambas as regressões apresentam ótimo modelo para predizer a taxa de crescimento dos homens e das mulheres nos anos de 2008 a 2019.
-
Para a regressão linear, os valores encontrados de rmse e de mae foram 0,34 e 0,26, respectivamente, para ambos os gêneros.
-
Para a regressão polinomial os valores foram 0,18 e 0,15, respectivamente, para ambos os gêneros. Novamente a regressão polinomial apresentou valores menores de erro em relação a regressão linear.
Conclusão
-
A análise empreendida aqui busca analisar a participação das mulheres nos cursos da tecnologia da informação a partir da categoria gênero, realizando para isso uma análise descritiva dos dados.
-
Tal análise evidencia o comportamento e o fluxo da inserção dos alunos ao longo dos anos. Observa-se que o número de mulheres nos cursos da área de TI, está cada vez mais diminuindo. Análises similares foram encontrados em estudos do curso de Ciências da Computação de Moreira, Silva e Carvalho[6] na UFPB e de Santos[1], no IME-USP.
-
As administrações educacionais devem usar esses dados com a intenção de criar métodos para evitar a redução da procura dos cursos por mulheres e torná-los mais atraentes e inclusivos para o público feminino.
-
Na tomada dessas decisões, é necessário criar indicadores e destacar os pontos relevantes para a coordenação do curso.
-
Para trabalhos futuros, recomenda-se que se utilizem fatores relacionados ao tema, para estabelecer um modelo preditivo com maior consistência e maior precisão, verificando assim a relação da diminuição da inserção das mulheres nos cursos de TI, a outros fatores relacionados à área.
Referências Bibliográficas
[1] SANTOS, C. M. Por que as mulheres ‘desapareceram’ dos cursos de computação?. Jornal da USP, 2018. Disponível em: https://jornal.usp.br/universidade/por-que-as-mulheres-desapareceram-dos-cursos-de-computacao. Acesso em 10/08/2020.
[2] ABBATE, J. The Pleasure Paradox: Bridging the Gap between Popular Images of Computing and Women´s Historical Experiences. In: SOUZA, T. P de. Seminário Internacional Fazendo Gênero. Congresso, Florianópolis, 2017. Disponível em: https://bit.ly/37oKgyJ Acesso em 01/06/2020.
[3] HAYES, C. C. Computer Science: The incredible shrinking Woman. In: SOUZA, T. P de. Seminário Internacional Fazendo Gênero. Congresso, Florianópolis, 2017. Disponível em: https://bit.ly/37oKgyJ Acesso em 01/06/2020.
[4] YOCTOO, 2019, in: SILVA, José; OLIVEIRA, Letícia; SILVA, André. Meninas na Computação: uma análise inicial da participação das mulheres nos cursos de Sistemas de Informação do estado de Alagoas. In: Anais do XXVII Workshop sobre Educação em Computação. SBC, 2019. p. 444-452.
[5] FAYYAD, U.; PIATETSKY-SHAPIRO, G.; SMYTH, P. From data mining to knowledge discovery in databases. AI magazine, v. 17, n. 3, p. 37-37, 1996.
[6] MOREIRA, J. A.; SILVA, R. M.; CARVALHO, M. E. P. Cenários Prospectivos: Uma Visão do Futuro da Presença Feminina em Cursos de Ciência da Computação de uma Instituição de Ensino Superior. In: Anais do XXVI Workshop sobre Educação em Computação. SBC, 2018.