GraduAI – Sistema com Aprendizagem de Máquina para Avaliação de Risco de Evasão
Resumo
A evasão nas instituições de ensino superior brasileiras tem se tornado uma preocupação crescente. Este trabalho possui como objetivo identificar padrões de evasão e sucesso acadêmico utilizando técnicas de aprendizado de máquina em dados públicos de educação. Os resultados alcançaram uma taxa de acerto nas previsões de aproximadamente 80%. Com posse desse modelo preditivo, foi desenvolvida uma API que fornece informações sobre as chances de sucesso e evasão dos estudantes, considerando características relevantes como idade, atividades extracurriculares e apoio social. Essa abordagem visa auxiliar os estudantes no planejamento de suas carreiras acadêmicas de forma mais eficiente, reduzindo a probabilidade de evasão.Referências
ALMEIDA, M. (2021). INTEGRAÇÃO DE FERRAMENTAS PARA UM FIREWALL MODULAR E ESCALÁVEL COM USO DE CONTAINERS E COMPUTADORES DE PLACA ÚNICA. Curitiba. Fonte: [link].
Costa, S. L., & Dias, S. M. (2016). A permanência no ensino superior e as estratégias institucionais de enfrentamento da evasão. JORNAL DE POLÍTICAS EDUCACIONAIS, 9(18), pp. 51-60. doi:10.5380/jpe.v9i17/18.38650
da Silva, P. M., Lima, M. N., Soares, W. L., Silva, I. R., Fagundes, R. A., & de Souza, F. F. (2019). Ensemble Regression Models Applied to Dropout in Higher Education. 8th Brazilian Conference on Intelligent Systems (BRACIS) (pp. 120-125). IEEE. doi:10.1109/BRACIS.2019.00030
Del Bonifro, F., Zingaro, S., Lisanti, G., & Maurizio, G. (2020). Student Dropout Prediction. International Conference on Artificial Intelligence in Education: AIED 2020. 12163. Springer, Cham. doi:https://doi.org/10.1007/978-3-030-52237-7_11
Duong, T., Koehler, B., Liew, T., Mower, C., & Venkatraman, S. (2014). IBM MobileFirst Strategy Software Approach. IBM Redbooks.
Filho, R. L., Motejunas, P. R., Hipólito, O., & Lobo, M. B. (set./dez. de 2007). A Evasão no Ensino Superior Brasileiro. Cadernos de Pesquisa, 37(132), 641-659. doi:10.1590/S0100-15742007000300007
Freitas, F., Dewan, M., Hassan, M. M., de Albuquerque, V. C., Vasconcelos, F., & Peixoto, S. (1 de 9 de 2020). IoT System for School Dropout Prediction Using Machine Learning Techniques Based on Socioeconomic Data. Electronics, p. 1613. doi: https://doi.org/10.3390/electronics9101613
Lamers, J., Santos, B., & Toassi, R. (03 de Abril de 2017). RETENÇÃO E EVASÃO NO ENSINO SUPERIOR PÚBLICO: ESTUDO DE CASO EM UM CURSO NOTURNO DE ODONTOLOGIA. Educação em Revista, 33, 1-26. doi:10.1590/0102-4698154730
MARTIN, R. C. (2009). Código Limpo: Habilidades Práticas do Agile Software (1ª ed.). Alta Books.
Nieto, Y., Gacía-Díaz, V., Montenegro, C., González, C. C., & González, R. (2019). Usage of Machine Learning for Strategic Decision Making at Higher Educational Institutions. IEEE Access, 7, 75007-75017. doi:10.1109/ACCESS.2019.2919343
Pedregosa, F., Varoquaux, G., Gramfort, A., Michel, V., Thirion, B., Grisel, O., . . . Duchesnay, É. (2011). Scikit-learn: Machine Learning in Python. Journal of Machine Learning Research, 12(85), 2825−2830. Fonte: [link].
Prestes, E. M., & Fialho, M. G. (2018). Evasão na educação superior e gestão institucional: o caso da Universidade Federal da Paraíba. Ensaio: Avaliação e Políticas Públicas em Educação, 26(100), 869-889. doi:10.1590/s0104-40362018002601104
Sales, A., Balby, L., & Cajueiro, A. (Agosto de 2016). Exploiting Academic Records for Predicting Student Drop Out: a case study in Brazilian higher education. Journal of Information and Data Management, 7(2), 166-180. Fonte: [link].
Santos, K. J., Menezes, A. G., de Carvalho, A. B., & Montesco, C. A. (2019). Supervised Learning in the Context of Educational Data Mining to Avoid University Students Dropout. IEEE 19th International Conference on Advanced Learning Technologies (ICALT) (pp. 207-208). IEEE. doi:10.1109/ICALT.2019.00068
Saravanan, R., & Sujatha, P. (2018). A State of Art Techniques on Machine Learning Algorithms: A Perspective of Supervised Learning Approaches in Data Classification. Proceedings of the Second International Conference on Intelligent Computing and Control Systems, pp. 945-949. doi:10.1109/ICCONS.2018.8663155
Silva, S., Santos, É., Rabelo, L., & Luciano, M. (29 de Maio de 2020). Avaliando a política de Dados abertos no Legislativo brasileiro. Revista Compolítica, 10(1), pp. 137-160. doi:10.21878/compolitica.2020.10.1.351
Teodoro, L. A., & Kappel, M. A. (2020). Machine Learning Applied to Academic Drop Out Prediction in Brazilian Public Universities (Aplicação de Técnicas de Aprendizado de Máquina para Predição de Risco de Evasão Escolar em Instituições Públicas de Ensino Superior no Brasil). Brazilian Journal of Computersin Education (Revista Brasileira de Informática na Educação - RBIE), 28, 838-863. doi:10.5753/RBIE.2020.28.0.838
Costa, S. L., & Dias, S. M. (2016). A permanência no ensino superior e as estratégias institucionais de enfrentamento da evasão. JORNAL DE POLÍTICAS EDUCACIONAIS, 9(18), pp. 51-60. doi:10.5380/jpe.v9i17/18.38650
da Silva, P. M., Lima, M. N., Soares, W. L., Silva, I. R., Fagundes, R. A., & de Souza, F. F. (2019). Ensemble Regression Models Applied to Dropout in Higher Education. 8th Brazilian Conference on Intelligent Systems (BRACIS) (pp. 120-125). IEEE. doi:10.1109/BRACIS.2019.00030
Del Bonifro, F., Zingaro, S., Lisanti, G., & Maurizio, G. (2020). Student Dropout Prediction. International Conference on Artificial Intelligence in Education: AIED 2020. 12163. Springer, Cham. doi:https://doi.org/10.1007/978-3-030-52237-7_11
Duong, T., Koehler, B., Liew, T., Mower, C., & Venkatraman, S. (2014). IBM MobileFirst Strategy Software Approach. IBM Redbooks.
Filho, R. L., Motejunas, P. R., Hipólito, O., & Lobo, M. B. (set./dez. de 2007). A Evasão no Ensino Superior Brasileiro. Cadernos de Pesquisa, 37(132), 641-659. doi:10.1590/S0100-15742007000300007
Freitas, F., Dewan, M., Hassan, M. M., de Albuquerque, V. C., Vasconcelos, F., & Peixoto, S. (1 de 9 de 2020). IoT System for School Dropout Prediction Using Machine Learning Techniques Based on Socioeconomic Data. Electronics, p. 1613. doi: https://doi.org/10.3390/electronics9101613
Lamers, J., Santos, B., & Toassi, R. (03 de Abril de 2017). RETENÇÃO E EVASÃO NO ENSINO SUPERIOR PÚBLICO: ESTUDO DE CASO EM UM CURSO NOTURNO DE ODONTOLOGIA. Educação em Revista, 33, 1-26. doi:10.1590/0102-4698154730
MARTIN, R. C. (2009). Código Limpo: Habilidades Práticas do Agile Software (1ª ed.). Alta Books.
Nieto, Y., Gacía-Díaz, V., Montenegro, C., González, C. C., & González, R. (2019). Usage of Machine Learning for Strategic Decision Making at Higher Educational Institutions. IEEE Access, 7, 75007-75017. doi:10.1109/ACCESS.2019.2919343
Pedregosa, F., Varoquaux, G., Gramfort, A., Michel, V., Thirion, B., Grisel, O., . . . Duchesnay, É. (2011). Scikit-learn: Machine Learning in Python. Journal of Machine Learning Research, 12(85), 2825−2830. Fonte: [link].
Prestes, E. M., & Fialho, M. G. (2018). Evasão na educação superior e gestão institucional: o caso da Universidade Federal da Paraíba. Ensaio: Avaliação e Políticas Públicas em Educação, 26(100), 869-889. doi:10.1590/s0104-40362018002601104
Sales, A., Balby, L., & Cajueiro, A. (Agosto de 2016). Exploiting Academic Records for Predicting Student Drop Out: a case study in Brazilian higher education. Journal of Information and Data Management, 7(2), 166-180. Fonte: [link].
Santos, K. J., Menezes, A. G., de Carvalho, A. B., & Montesco, C. A. (2019). Supervised Learning in the Context of Educational Data Mining to Avoid University Students Dropout. IEEE 19th International Conference on Advanced Learning Technologies (ICALT) (pp. 207-208). IEEE. doi:10.1109/ICALT.2019.00068
Saravanan, R., & Sujatha, P. (2018). A State of Art Techniques on Machine Learning Algorithms: A Perspective of Supervised Learning Approaches in Data Classification. Proceedings of the Second International Conference on Intelligent Computing and Control Systems, pp. 945-949. doi:10.1109/ICCONS.2018.8663155
Silva, S., Santos, É., Rabelo, L., & Luciano, M. (29 de Maio de 2020). Avaliando a política de Dados abertos no Legislativo brasileiro. Revista Compolítica, 10(1), pp. 137-160. doi:10.21878/compolitica.2020.10.1.351
Teodoro, L. A., & Kappel, M. A. (2020). Machine Learning Applied to Academic Drop Out Prediction in Brazilian Public Universities (Aplicação de Técnicas de Aprendizado de Máquina para Predição de Risco de Evasão Escolar em Instituições Públicas de Ensino Superior no Brasil). Brazilian Journal of Computersin Education (Revista Brasileira de Informática na Educação - RBIE), 28, 838-863. doi:10.5753/RBIE.2020.28.0.838
Publicado
06/11/2023
Como Citar
TEODORO, Leonardo de Almeida; FERREIRA, Arthur Pedrosa; KAPPEL, Marco André Abud.
GraduAI – Sistema com Aprendizagem de Máquina para Avaliação de Risco de Evasão. In: CONCURSO ALEXANDRE DIRENE (CTD-IE) - TRABALHOS DE CONCLUSÃO DE CURSO - CONGRESSO BRASILEIRO DE INFORMÁTICA NA EDUCAÇÃO (CBIE), 12. , 2023, Passo Fundo/RS.
Anais [...].
Porto Alegre: Sociedade Brasileira de Computação,
2023
.
p. 84-95.
DOI: https://doi.org/10.5753/cbie_estendido.2023.234320.
