Predição de evasão no curso de Sistemas de Informação da UFSM utilizando dados históricos
Resumo
A evasão no ensino superior gera impactos sociais e econômicos sig nificativos. No curso de Sistemas de Informação da UFSM, dados históricos revelam que 54,8% dos alunos não concluem a graduação, evidenciando a necessidade de trabalhos voltados a predição da evasão. Através de análise exploratória, foram identificadas questões importante para diferenciar alunos evasores dos demais, analisando instabilidade no desempenho, desengajamento acadêmico, insuficiência de notas e vulnerabilidade em disciplinas críticas para compor as features do modelo. Este trabalho utiliza Mineração de Dados Edu cacionais e o algoritmo Balanced Random Forest para classificar o risco de evasão. Experimentos em múltiplas janelas temporais demonstraram precisão de 84,93% em longo prazo e 92,32% no semestre iminente à evasão, validando a eficácia do sistema para alertas antecipados.Referências
Agrusti, F., Bonavolontà, G., and Mezzini, M. (2019). University dropout prediction through educational data mining techniques: A systematic review. Journal of e-Learning and Knowledge Society, 15(3).
Baker, R. S. and Yacef, K. (2010). Data mining for education. In International Encyclopedia of Education, volume 7, pages 112–118. Elsevier, Oxford, UK.
Colpo, M. P., Primo, T. T., and Aguiar, M. S. (2021). Predição da evasão estudantil: uma análise comparativa de diferentes representações de treino na aprendizagem de modelos genéricos. In Anais do XXXII Simpósio Brasileiro de Informática na Educação (SBIE), Porto Alegre. SBC.
Dekker, G. W., Pechenizkiy, M., and Vleeshouwers, J. M. (2009). Predicting students drop out: A case study. In Proceedings of the 2nd International Conference on Educational Data Mining (EDM 2009), Cordoba, Espanha.
Favero, R. V. M. (2006). Dialogar ou evadir: eis a questão. Um estudo sobre a permanência e a evasão na educação a distância. Dissertação (mestrado em educação), Universidade Federal do Rio Grande do Sul, Porto Alegre.
Fernández, A., García, S., Galar, M., Prati, R. C., Krawczyk, B., and Herrera, F. (2018). Smote for learning from imbalanced data: progress and challenges, marking the 15-year anniversary. Journal of Artificial Intelligence Research, 61.
Hortêncio Filho, F. W. B., Vinuto, T. S., and Leal, B. C. (2020). Análise de classificadores para predição de evasão dos campi de uma instituição de ensino federal. In Anais do XXXI Simpósio Brasileiro de Informática na Educação (SBIE), Porto Alegre. SBC.
INEP (2025). Censo da Educação Superior 2024: Notas Estatísticas. Acesso em: 14 dez. 2025.
Manhães, L. M., da Cruz, S. M., and Zimbrão, G. (2014). Wave: an architecture for predicting dropout in undergraduate courses using edm. In Proceedings of the 29th Annual ACM Symposium on Applied Computing (SAC), Gyeongju, Korea. ACM.
Romero, C. and Ventura, S. (2024). Educational Data Mining and Learning Analytics: An updated survey. arXiv preprint arXiv:2402.07956.
Salaberri, P., Piovesan, S., and Irala, V. (2024). Mineração de dados educacionais para a predição de evasão: Experiência em uma universidade do sul do brasil. Administração: Ensino e Pesquisa (RAEP), 25(1).
Santos, C. H. D. C., Martins, S. L., and Plastino, A. (2021). É Possível Prever Evasão com Base Apenas no Desempenho Acadêmico? In Anais do XXXII Simpósio Brasileiro de Informática na Educação (SBIE), Porto Alegre. SBC.
Baker, R. S. and Yacef, K. (2010). Data mining for education. In International Encyclopedia of Education, volume 7, pages 112–118. Elsevier, Oxford, UK.
Colpo, M. P., Primo, T. T., and Aguiar, M. S. (2021). Predição da evasão estudantil: uma análise comparativa de diferentes representações de treino na aprendizagem de modelos genéricos. In Anais do XXXII Simpósio Brasileiro de Informática na Educação (SBIE), Porto Alegre. SBC.
Dekker, G. W., Pechenizkiy, M., and Vleeshouwers, J. M. (2009). Predicting students drop out: A case study. In Proceedings of the 2nd International Conference on Educational Data Mining (EDM 2009), Cordoba, Espanha.
Favero, R. V. M. (2006). Dialogar ou evadir: eis a questão. Um estudo sobre a permanência e a evasão na educação a distância. Dissertação (mestrado em educação), Universidade Federal do Rio Grande do Sul, Porto Alegre.
Fernández, A., García, S., Galar, M., Prati, R. C., Krawczyk, B., and Herrera, F. (2018). Smote for learning from imbalanced data: progress and challenges, marking the 15-year anniversary. Journal of Artificial Intelligence Research, 61.
Hortêncio Filho, F. W. B., Vinuto, T. S., and Leal, B. C. (2020). Análise de classificadores para predição de evasão dos campi de uma instituição de ensino federal. In Anais do XXXI Simpósio Brasileiro de Informática na Educação (SBIE), Porto Alegre. SBC.
INEP (2025). Censo da Educação Superior 2024: Notas Estatísticas. Acesso em: 14 dez. 2025.
Manhães, L. M., da Cruz, S. M., and Zimbrão, G. (2014). Wave: an architecture for predicting dropout in undergraduate courses using edm. In Proceedings of the 29th Annual ACM Symposium on Applied Computing (SAC), Gyeongju, Korea. ACM.
Romero, C. and Ventura, S. (2024). Educational Data Mining and Learning Analytics: An updated survey. arXiv preprint arXiv:2402.07956.
Salaberri, P., Piovesan, S., and Irala, V. (2024). Mineração de dados educacionais para a predição de evasão: Experiência em uma universidade do sul do brasil. Administração: Ensino e Pesquisa (RAEP), 25(1).
Santos, C. H. D. C., Martins, S. L., and Plastino, A. (2021). É Possível Prever Evasão com Base Apenas no Desempenho Acadêmico? In Anais do XXXII Simpósio Brasileiro de Informática na Educação (SBIE), Porto Alegre. SBC.
Publicado
22/04/2026
Como Citar
DALLANORA, Leonardo W.; MERGEN, Sérgio L. S..
Predição de evasão no curso de Sistemas de Informação da UFSM utilizando dados históricos. In: ESCOLA REGIONAL DE BANCO DE DADOS (ERBD), 21. , 2026, Dois Vizinhos/PR.
Anais [...].
Porto Alegre: Sociedade Brasileira de Computação,
2026
.
p. 11-20.
ISSN 2595-413X.
DOI: https://doi.org/10.5753/erbd.2026.20265.
