Uma Investigação Sobre a Identificação de Indicadores de Evasão de Alunos Utilizando Mineração de Dados

  • Francisco da Conceição Silva IFMA
  • Josenildo Costa da Silva IFMA
  • Arthur Mota França IFMA
  • George Sanders Carvalho Araújo IFMA
  • Emerson Elias Moraes IFMA

Resumo


Neste trabalho, propõe-se uma investigação acerca da identificação de indicadores de evasão de alunos em cursos de uma instituição de ensino técnico e tecnológico por meio de técnicas de mineração de dados, para auxiliar as partes interessadas (professores, gestores, etc) na tomada de decisão. Como parte da pesquisa, foi desenvolvida uma ferramenta para identificar relações em dados de alunos sobre o desempenho de aprendizagem. Estes dados foram submetidos a técnicas de mineração de dados para geração de modelos preditivos. Os modelos baseados em árvore de decisão, especificamente, o XGboost, obtiveram os melhores desempenhos para classificar um aluno como possível evadido. Os modelos alcançaram precisão e sensibilidade de 96% e 83% respectivamente.

Referências

Fayyad, U., Piatetsky-Shapiro, G., and Smyth, P. (1996). From data mining to knowledge discovery in databases. AI magazine, 17(3):37-37.

Kemp, C. and Gyger, B. (2013). Professional Heroku Programming. ITPro collection. Wiley.

Kuhn, M. and Johnson, K. (2013). Applied Predictive Modeling. Springer.

Middleton, N. and Schneeman, R. (2013). Heroku: Up and Running: Effortless Application Deployment and Scaling. O'Reilly Media.

Pascoal, T. A., Brito, D., and Rêgo, T. (2015). Uma abordagem para a previsão de desempenho de alunos de computação em disciplinas de programação. Nuevas Ideas en Informática Educativa TISE, 2015(454-458):2.

Romero, C., Espejo, P. G., Zafra, A., Romero, J. R., and Ventura, S. (2013). Web usage mining for predicting final marks of students that use moodle courses. Computer Applications in Engineering Education, 21(1):135-146.

Romero, C., Ventura, S., and García, E. (2008). Data mining in course management systems: Moodle case study and tutorial. Computers & Education, 51(1):368-384.

Santana, M. A. et al. (2015). Um estudo comparativo das técnicas de predição na identificação de insucesso acadêmico dos estudantes durante cursos de programação introdutória. Universidade Federal de Alagoas, Maceió, AL.

Silva, F., da Silva, J., Silva, R., and Fonseca, L. C. (2015). Um modelo preditivo para diagnóstico de evasão baseado nas interações de alunos em fóruns de discussão. In Brazilian Symposium on Computers in Education (Simpósio Brasileiro de Informática na Educação-SBIE), page 1187.

Silva, M. M. (2017). Mineração de dados no Twitter: uma ferramenta prática para extração e análise dos resultados. Universidade Federal de Outro Preto.

Soares, F. A. L. and Carvalho, R. B. (2017). Proposta de um portal educacional para estudantes de programação de computadores. Abakós, 5(2):36-58.

Vieira, C. E. C., de Lima Junior, J. A. T., de Paula Vieira, P., et al. (2015). Dificuldades no processo de aprendizagem de algoritmos: uma análise dos resultados na disciplina de algoritmos do curso de sistemas de informação da faeterj-campus paracambi. Cadernos UniFOA, 10(27):5-15.

Witten, I. H., Frank, E., and Hall, M. A. (2011). Data Mining: Practical Machine Learning Tools and Techniques. Morgan Kaufmann, 3 edition.
Publicado
28/09/2022
SILVA, Francisco da Conceição; SILVA, Josenildo Costa da; FRANÇA, Arthur Mota; ARAÚJO, George Sanders Carvalho; MORAES, Emerson Elias. Uma Investigação Sobre a Identificação de Indicadores de Evasão de Alunos Utilizando Mineração de Dados. In: ESCOLA REGIONAL DE COMPUTAÇÃO DO CEARÁ, MARANHÃO E PIAUÍ (ERCEMAPI), 10. , 2022, São Luís/MA. Anais [...]. Porto Alegre: Sociedade Brasileira de Computação, 2022 . p. 69-78. DOI: https://doi.org/10.5753/ercemapi.2022.225945.