Modelos de previsão de evasão tardia na graduação de uma universidade pública
Abstract
The students’ dropout represents a critical problem for higher education institutions, because their budget is based on the number of students enrolled. Furthermore, the dropout is a disservice to job market since it causes qualified workers lack. Thus, this work proposes dropout prediction models, especially for the late dropout. A 30,000 students database was used for training supervised machine learning algorithms. Their performances are then discussed in terms of accuracy and f1-score.References
Brito Júnior, I. (2018). Uso de mineração de dados educacionais para a classificação e identificação de perfis de evasão de graduandos em Sistemas de Informação (Monografia, Universidade Federal do Rio Grande do Norte).
Couto, D., & Santana, A. (2017). Mineração de dados educacionais aplicada à identificação de variáveis associadas à evasão e retenção. II Congresso sobre Tecnologia na Educação (pp. 333-344).
de Jesus, H. O.; Rodriguez, L. C.; Costa Junior, A. O. (2021) Predição de Evasão Escolar na Licenciatura em Computação. Revista Brasileira de Informática na Educação, v. 29, p. 255-272. [DOI: 10.5753/rbie.2021.29.0.255]
de Oliveira Júnior, J. G.; Noronha, R V.; Kaestner, C. A. A. (2017) Método de seleção de atributos aplicados na previsão da evasão de cursos de graduação. Revista de Informática Aplicada, v. 13, n. 2. [DOI: 10.13037/ria.vol13n2.206]
Gonzalez, L. A. (2018) Regressão logística e suas aplicações. Monografia (Universidade Federal do Maranhão, Campus do Bacanga). Disponível em: [link]. Acesso em: 17/nov/2022
INEP, INSTITUTO NACIONAL DE ESTUDOS E PESQUISAS EDUCACIONAIS ANÍSIO TEIXEIRA (2017). Metodologia de Cálculo dos Indicadores de Fluxo da Educação. Brasília: Inep. Disponível em: [link]. . Acesso em: 07/jul/2022
Khoshgoftaar, T. M., Golawala, M., & Van Hulse, J. (2007). An empirical study of learning from imbalanced data using random forest. In 19th IEEE International Conference on Tools with Artificial Intelligence (ICTAI 2007) Vol. 2, pp. 310-317.
Pedregosa, F. et al.(2011). Scikit-learn: Machine learning in Python. the Journal of machine Learning research, 12, 2825-2830.
Pereira, F. C. B. et al. (2003) Determinantes da evasão de alunos e os custos ocultos para as instituições de ensino superior: uma aplicação na Universidade do Extremo Sul Catarinense. Tese (doutorado) - Universidade Federal de Santa Catarina, Centro Tecnológico. Programa de Pós-Graduação em Engenharia de Produção.
Prestes, E. M. D. T.; Fialho, M. G. D.; Pfeiffer, D. K. (2014). A evasão no ensino superior globalizado e suas repercussões na gestão universitária. 6º Encontro Internacional da Sociedade Brasileira de Educação Comparada.
Rodrigues, E. M., & Gouveia, R. M. (2021). Técnicas de machine learning para predição do tempo de permanência na graduação no Âmbito do ensino superior público brasileiro. Anais do VI Congresso sobre Tecnologias na Educação (pp. 128-137). SBC.
Santana, A. P.; Perrosso, J. E. C.; Macedo, K. L. O.; Farias, S. P. D. (1996) Evasão escolar em escolas públicas municipais rurais localizadas em Montes Claros. Trabalho de Conclusão de Curso. Universidade Estadual de Montes Claros.
Santos, P.; Goya, D. (2020) Aprendizado de Máquina Aplicado à Análise de Evasão em Cursos de Sistemas de Informação. Anais Estendidos do XVI Simpósio Brasileiro de Sistemas de Informação. SBC. [DOI: 10.5753/sbsi.2020.13145]
Vasquez, J.; Castaño, E.; Gallón, S.; Gomez, K. (2003). Determinantes de la deserción estudiantil en la Universidad de Antioquia. Borradores del Cie, (04), 1-38.
Couto, D., & Santana, A. (2017). Mineração de dados educacionais aplicada à identificação de variáveis associadas à evasão e retenção. II Congresso sobre Tecnologia na Educação (pp. 333-344).
de Jesus, H. O.; Rodriguez, L. C.; Costa Junior, A. O. (2021) Predição de Evasão Escolar na Licenciatura em Computação. Revista Brasileira de Informática na Educação, v. 29, p. 255-272. [DOI: 10.5753/rbie.2021.29.0.255]
de Oliveira Júnior, J. G.; Noronha, R V.; Kaestner, C. A. A. (2017) Método de seleção de atributos aplicados na previsão da evasão de cursos de graduação. Revista de Informática Aplicada, v. 13, n. 2. [DOI: 10.13037/ria.vol13n2.206]
Gonzalez, L. A. (2018) Regressão logística e suas aplicações. Monografia (Universidade Federal do Maranhão, Campus do Bacanga). Disponível em: [link]. Acesso em: 17/nov/2022
INEP, INSTITUTO NACIONAL DE ESTUDOS E PESQUISAS EDUCACIONAIS ANÍSIO TEIXEIRA (2017). Metodologia de Cálculo dos Indicadores de Fluxo da Educação. Brasília: Inep. Disponível em: [link]. . Acesso em: 07/jul/2022
Khoshgoftaar, T. M., Golawala, M., & Van Hulse, J. (2007). An empirical study of learning from imbalanced data using random forest. In 19th IEEE International Conference on Tools with Artificial Intelligence (ICTAI 2007) Vol. 2, pp. 310-317.
Pedregosa, F. et al.(2011). Scikit-learn: Machine learning in Python. the Journal of machine Learning research, 12, 2825-2830.
Pereira, F. C. B. et al. (2003) Determinantes da evasão de alunos e os custos ocultos para as instituições de ensino superior: uma aplicação na Universidade do Extremo Sul Catarinense. Tese (doutorado) - Universidade Federal de Santa Catarina, Centro Tecnológico. Programa de Pós-Graduação em Engenharia de Produção.
Prestes, E. M. D. T.; Fialho, M. G. D.; Pfeiffer, D. K. (2014). A evasão no ensino superior globalizado e suas repercussões na gestão universitária. 6º Encontro Internacional da Sociedade Brasileira de Educação Comparada.
Rodrigues, E. M., & Gouveia, R. M. (2021). Técnicas de machine learning para predição do tempo de permanência na graduação no Âmbito do ensino superior público brasileiro. Anais do VI Congresso sobre Tecnologias na Educação (pp. 128-137). SBC.
Santana, A. P.; Perrosso, J. E. C.; Macedo, K. L. O.; Farias, S. P. D. (1996) Evasão escolar em escolas públicas municipais rurais localizadas em Montes Claros. Trabalho de Conclusão de Curso. Universidade Estadual de Montes Claros.
Santos, P.; Goya, D. (2020) Aprendizado de Máquina Aplicado à Análise de Evasão em Cursos de Sistemas de Informação. Anais Estendidos do XVI Simpósio Brasileiro de Sistemas de Informação. SBC. [DOI: 10.5753/sbsi.2020.13145]
Vasquez, J.; Castaño, E.; Gallón, S.; Gomez, K. (2003). Determinantes de la deserción estudiantil en la Universidad de Antioquia. Borradores del Cie, (04), 1-38.
Published
2023-08-23
How to Cite
MARTINS, Caio Vinicius Monteiro; LACERDA, Filipe Carvalho; CARMO, Igor Procópio do; SILVA, Edmilson Vitorino Scovino da; ALVES, Tatiane Ornelas Martins; GOMES, Johnny Moreira; CAMPOS, Ricardo Silva.
Modelos de previsão de evasão tardia na graduação de uma universidade pública. In: CONGRESS ON TECHNOLOGIES IN EDUCATION (CTRL+E), 8. , 2023, Santarém/PA.
Anais [...].
Porto Alegre: Sociedade Brasileira de Computação,
2023
.
p. 41-50.
DOI: https://doi.org/10.5753/ctrle.2023.231654.
