Machine learning models evaluation for predicting school dropout in multicampus teaching scenarios

• Francisco Alysson da Silva Sousa IFPI
• Vinícius Ponte Machado UFPI
• Rodrigo de Melo Souza Veras UFPI
• André Macedo Santana UFPI

DOI: https://doi.org/10.5753/eniac.2024.245237

Resumo

O artigo aborda a evasão escolar como um dos principais desafios da educação. Na Rede Federal de Educação Profissional, o amplo alcance das instituições acrescenta complexidade ao problema. Nesse contexto, a análise preditiva pode orientar estratégias proativas. Assim, a inteligência artificial, especificamente o aprendizado de máquina, surge como uma ferramenta essencial para a gestão educacional. O estudo avalia modelos preditivos aplicados ao contexto da educação técnica multicampi. Alguns desses modelos obtiveram resultados significativos com médias harmônicas acima de 90%, demonstrando equilíbrio entre sensibilidade e precisão. Esses resultados sugerem um potencial relevante para apoiar a tomada de decisão no combate à evasão escolar.

Palavras-chave: Aprendizagem de máquina, Evasão escolar, Predição

Referências

Baker, R., Isotani, S., and Carvalho, A. (2011). Mineraçao de dados educacionais: Oportunidades para o brasil. Revista Brasileira de informática na educação, 19(02):03.

Bitencourt, P. B. d. and Ferrero, C. (2019). Predição de risco de evasão de alunos usando métodos de aprendizado de máquina em cursos técnicos. In Anais dos Workshops do Congresso Brasileiro de Informática na Educação, volume 8, page 149.

Brasil (2018). Portaria nº 1, de 03 de janeiro de 2018. Institui a Plataforma Nilo Peçanha - PNP, a Rede de Coleta, Validação e Disseminação das Estatísticas da Rede Federal de Educação Profissional, Científica e Tecnológica - REVALIDE.

Dutra, J. F., de Souza, J. P. L., and de Souza Fernandes, D. Y. (2022). Classificação de estudantes com potencial à evasão: aplicando mineração de dados no contexto de cursos técnicos subsequentes do ifpb. Revista Principia-Divulgação Científica e Tecnológica do IFPB, 59(3):1009–1027.

Faceli, K., Lorena, A. C., Gama, J., and Carvalho, A. C. P. d. L. F. d. (2011). Inteligência artificial: uma abordagem de aprendizado de máquina. LTC.

Goldschmidt, R., Passos, E., and Bezerra, E. (2015). Data mining. Elsevier Brasil.

Lopes Filho, J. A. and Silveira, I. (2021). Detecção precoce de estudantes em risco de evasão usando dados administrativos e aprendizagem de máquina. RISTI - Revista Iberica de Sistemas e Tecnologias de Informacao, pages 480–495.

Machado, V. P. (2011). Inteligência Artificial. EDUFPI.

Oliveira, I. S., Medeiros, F. P. A., and Andrade, F. G. (2022). Seleção de atributos para classificadores de evasão escolar com dados da plataforma nilo peçanha. In Anais do I Workshop de Aplicações Práticas de Learning Analytics em Instituições de Ensino no Brasil, pages 30–39. SBC.

Ramos, J. L. C., Rodrigues, R. L., Silva, J. C. S., and de Oliveira, P. L. S. (2020). Crisp-edm: uma proposta de adaptação do modelo crisp-dm para mineração de dados educacionais. In Anais do XXXI Simpósio Brasileiro de Informática na Educação, pages 1092–1101. SBC.

Romero, C., Romero, J. R., and Ventura, S. (2014). A survey on pre-processing educati-onal data. Educational data mining: applications and trends, pages 29–64.

Romero, C. and Ventura, S. (2020). Educational data mining and learning analytics: An updated survey. Wiley interdisciplinary reviews: Data mining and knowledge discovery, 10(3):e1355.

Russel, S. and Norvig, P. (2013). Inteligência artificial. tradução da terceira edição. Rio de Janeiro, RJ: Elsevier Editora.

Souza, V. F. d. and Cazella, S. C. (2022). Mineração de dados educacionais com algoritmos de regressão: um estudo sobre a predição do desempenho. Revista Educar Mais, 6:183–198.