Mineração de Dados Educacionais para identificação de Perfil de Retenção em um curso de Ciência da Computação
Resumo
O fenômeno da retenção no ensino superior é motivo de preocupações e impactos negativos tanto para a universidade e sociedade. Este trabalho propõe a utilização de técnicas de Mineração de Dados Educacionais e Aprendizagem de Máquina para identificar o perfil de retenção de alunos de graduação em Ciência da Computação da Unioeste, campus de Foz do Iguaçu, aplicando os algoritmos KNN e SVM. Os resultados demonstraram que existe relação entre os dados como sexo, idade e a retenção, sendo útil para a instituição adotar estratégias que visem evitar o baixo rendimento estudantil.Referências
Andriola, W. B. & Araújo, A. C. (2018). Uso de indicadores para diagnóstico situacional de Instituições de Ensino Superior. Ensaio: Avaliação e Políticas Públicas em Educação, Rio de Janeiro, v. 26, n. 100, p. 645-663. https://doi.org/10.1590/s0104-40362018002601062
Aggarwal, C. C. (2018). Neural Networks and Deep Learning (1st ed.). Springer Nature. https://doi.org/10.1007/978-3-319-94463-0
Campello, A. V. C. & Lins, L. N. (2008) Metodologia de análise e tratamento da evasão e retenção em cursos de graduação de instituições federais de ensino superior. In: ENCONTRO NACIONAL DE ENGENHARIA DE PRODUÇÃO, 28., 2008, Rio de Janeiro. Anais [...] Rio de Janeiro: ABEPRO, p. 1-13. Disponível em: http://www.abepro.org.br/biblioteca/enegep2008_TN_STO_078_545_11614.pdf
de Brito, D., Júnior, I., Queiroga, E., & do Rêgo, T. (2014). Predição de desempenho de alunos do primeiro período baseado nas notas de ingresso utilizando métodos de aprendizagem de máquina. Brazilian Symposium on Computers in Education (Simpósio Brasileiro de Informática na Educação - SBIE), 25(1), 882. doi: http://dx.doi.org/10.5753/cbie.sbie.2014.882
de França, R. S. & do Amaral, H. J. C. (2013). Mineração de Dados na Identificação de Grupos de Estudantes com Dificuldade de Aprendizagem no Ensino da Programação. RENOTE, v. 11, n. 1.
Donoso-Díaz, S., Iturrieta, T. N. & Traverso, G. D. (2018). Sistemas de Alerta Temprana para estudiantes en riesgo de abandono de la Educación Superior. Ensaio: Avaliação e Políticas Públicas em Educação, Rio de Janeiro, v. 26, n. 100, p. 944-967. https://doi.org/10.1590/s0104-40362018002601494
Faúndez, F., Muñoz, K. & Cornejo, F. (2012). Percepción sobre el modelo educativo basado en competencias y su contribuición a la retención de estudiantes de la universidad de Talca. In: CONFERÊNCIA LATINOAMERICANA SOBRE EL ABANDONO EN LA EDUCACIÓN SUPERIOR, 2., 2012, Porto Alegre. Anais... Porto Alegre: PUC-RS, 2012. p. 738-744.
Hand, D.J. (2007). Principles of Data Mining. Drug-Safety 30, 621–622. https://doi.org/10.2165/00002018-200730070-00010.
Igual, L., & Seguí, S. (2017). Introduction to Data Science A Python Approach to Concepts, Techniques and Applications (1st ed.).. Springer Nature. https://doi.org/10.1007/978-3-319-50017-1
Lamers, J. M. S. et al. (2017). Retenção e evasão no ensino superior público: estudo de caso em um curso noturno de odontologia. Educação em Revista, Belo Horizonte, v.33, e154730. https://doi.org/10.1590/0102-4698154730
Lima Junior, P. et al. (2019). Taxas longitudinais de retenção e evasão: uma metodologia para estudo da trajetória dos estudantes na Educação Superior. Ensaio: Avaliação e Políticas Públicas em Educação, Rio de Janeiro, v. 27, n. 102, p. 157-178. https://doi.org/10.1590/s0104-40362018002701431
Lima, Michelle Pinto. (2013). As mulheres na Ciência da Computação. Revista Estudos Feministas [online], v. 21, n. 3, pp. 793-816. Epub 28 Jan 2014. ISSN 1806-9584. https://doi.org/10.1590/S0104-026X2013000300003
Mainier, F. B. et al. (2006) A contribuição da disciplina de introdução à engenharia química no diagnóstico da evasão. Ensaio: Avaliação e Políticas Públicas em Educação, Rio de Janeiro, v. 14, n. 51, p. 261-277. https://doi.org/10.1590/S0104-40362006000200008
Manhães, L. M. B. (2015). Predição do Desempenho Acadêmico de Graduandos Utilizando Mineração de Dados Educacionais (Publication No. XVII) [Doctoral dissertation, Universidade Federal do Rio de Janeiro]. https://www.cos.ufrj.br/uploadfile/1426690008.pdf
Romero, C., & Ventura, S. (2010). Educational Data Mining: A Review of the State of the Art. IEEE Transactions on Systems, Man, and Cybernetics, Part C, 40(6), 601-618.
Saccaro, A., França, M. T. A., & Jacinto, P. d. A. (2019). Fatores Associados à Evasão no Ensino Superior Brasileiro: um estudo de análise de sobrevivência para os cursos das áreas de Ciência, Matemática e Computação e de Engenharia, Produção e Construção em instituições públicas e privadas., 49(2), 337-373. https://doi.org/10.1590/0101-41614925amp
Silva, G. S. (2017) Retenção e evasão no ensino superior no contexto da expansão: o caso do curso de engenharia de alimentos da UFPB. Dissertação (Mestrado em Políticas Públicas, Gestão e Avaliação da Educação Superior) - Centro de Educação, Universidade Federal da Paraíba, João Pessoa.
Vanz, S. A. S. et al. (2016). Evasão e retenção no curso de Biblioteconomia da UFRGS. Avaliação: Revista de Avaliação da Educação Superior (Campinas), Sorocaba, v. 21, n. 2, p. 541-568. https://doi.org/10.1590/S1414-40772016000200012
Wilson, Fiona. (2003). "Can compute, won’t compute: women’s participation in the culture of computing." New Technology, Work and Employment, v. 18, n. 2, p. 127-142.
Aggarwal, C. C. (2018). Neural Networks and Deep Learning (1st ed.). Springer Nature. https://doi.org/10.1007/978-3-319-94463-0
Campello, A. V. C. & Lins, L. N. (2008) Metodologia de análise e tratamento da evasão e retenção em cursos de graduação de instituições federais de ensino superior. In: ENCONTRO NACIONAL DE ENGENHARIA DE PRODUÇÃO, 28., 2008, Rio de Janeiro. Anais [...] Rio de Janeiro: ABEPRO, p. 1-13. Disponível em: http://www.abepro.org.br/biblioteca/enegep2008_TN_STO_078_545_11614.pdf
de Brito, D., Júnior, I., Queiroga, E., & do Rêgo, T. (2014). Predição de desempenho de alunos do primeiro período baseado nas notas de ingresso utilizando métodos de aprendizagem de máquina. Brazilian Symposium on Computers in Education (Simpósio Brasileiro de Informática na Educação - SBIE), 25(1), 882. doi: http://dx.doi.org/10.5753/cbie.sbie.2014.882
de França, R. S. & do Amaral, H. J. C. (2013). Mineração de Dados na Identificação de Grupos de Estudantes com Dificuldade de Aprendizagem no Ensino da Programação. RENOTE, v. 11, n. 1.
Donoso-Díaz, S., Iturrieta, T. N. & Traverso, G. D. (2018). Sistemas de Alerta Temprana para estudiantes en riesgo de abandono de la Educación Superior. Ensaio: Avaliação e Políticas Públicas em Educação, Rio de Janeiro, v. 26, n. 100, p. 944-967. https://doi.org/10.1590/s0104-40362018002601494
Faúndez, F., Muñoz, K. & Cornejo, F. (2012). Percepción sobre el modelo educativo basado en competencias y su contribuición a la retención de estudiantes de la universidad de Talca. In: CONFERÊNCIA LATINOAMERICANA SOBRE EL ABANDONO EN LA EDUCACIÓN SUPERIOR, 2., 2012, Porto Alegre. Anais... Porto Alegre: PUC-RS, 2012. p. 738-744.
Hand, D.J. (2007). Principles of Data Mining. Drug-Safety 30, 621–622. https://doi.org/10.2165/00002018-200730070-00010.
Igual, L., & Seguí, S. (2017). Introduction to Data Science A Python Approach to Concepts, Techniques and Applications (1st ed.).. Springer Nature. https://doi.org/10.1007/978-3-319-50017-1
Lamers, J. M. S. et al. (2017). Retenção e evasão no ensino superior público: estudo de caso em um curso noturno de odontologia. Educação em Revista, Belo Horizonte, v.33, e154730. https://doi.org/10.1590/0102-4698154730
Lima Junior, P. et al. (2019). Taxas longitudinais de retenção e evasão: uma metodologia para estudo da trajetória dos estudantes na Educação Superior. Ensaio: Avaliação e Políticas Públicas em Educação, Rio de Janeiro, v. 27, n. 102, p. 157-178. https://doi.org/10.1590/s0104-40362018002701431
Lima, Michelle Pinto. (2013). As mulheres na Ciência da Computação. Revista Estudos Feministas [online], v. 21, n. 3, pp. 793-816. Epub 28 Jan 2014. ISSN 1806-9584. https://doi.org/10.1590/S0104-026X2013000300003
Mainier, F. B. et al. (2006) A contribuição da disciplina de introdução à engenharia química no diagnóstico da evasão. Ensaio: Avaliação e Políticas Públicas em Educação, Rio de Janeiro, v. 14, n. 51, p. 261-277. https://doi.org/10.1590/S0104-40362006000200008
Manhães, L. M. B. (2015). Predição do Desempenho Acadêmico de Graduandos Utilizando Mineração de Dados Educacionais (Publication No. XVII) [Doctoral dissertation, Universidade Federal do Rio de Janeiro]. https://www.cos.ufrj.br/uploadfile/1426690008.pdf
Romero, C., & Ventura, S. (2010). Educational Data Mining: A Review of the State of the Art. IEEE Transactions on Systems, Man, and Cybernetics, Part C, 40(6), 601-618.
Saccaro, A., França, M. T. A., & Jacinto, P. d. A. (2019). Fatores Associados à Evasão no Ensino Superior Brasileiro: um estudo de análise de sobrevivência para os cursos das áreas de Ciência, Matemática e Computação e de Engenharia, Produção e Construção em instituições públicas e privadas., 49(2), 337-373. https://doi.org/10.1590/0101-41614925amp
Silva, G. S. (2017) Retenção e evasão no ensino superior no contexto da expansão: o caso do curso de engenharia de alimentos da UFPB. Dissertação (Mestrado em Políticas Públicas, Gestão e Avaliação da Educação Superior) - Centro de Educação, Universidade Federal da Paraíba, João Pessoa.
Vanz, S. A. S. et al. (2016). Evasão e retenção no curso de Biblioteconomia da UFRGS. Avaliação: Revista de Avaliação da Educação Superior (Campinas), Sorocaba, v. 21, n. 2, p. 541-568. https://doi.org/10.1590/S1414-40772016000200012
Wilson, Fiona. (2003). "Can compute, won’t compute: women’s participation in the culture of computing." New Technology, Work and Employment, v. 18, n. 2, p. 127-142.
Publicado
25/10/2021
Como Citar
ROLIM, Joana Pacheco; SILVA, Rômulo César.
Mineração de Dados Educacionais para identificação de Perfil de Retenção em um curso de Ciência da Computação. In: ESCOLA REGIONAL DE INFORMÁTICA DE GOIÁS (ERI-GO), 9. , 2021, Evento Online.
Anais [...].
Porto Alegre: Sociedade Brasileira de Computação,
2021
.
p. 195-204.
DOI: https://doi.org/10.5753/erigo.2021.18444.
