Identificação de Atributos Relevantes na Evasão no Ensino Superior Público Brasileiro

• Bruno Claudino Pereira de Brito Universidade Federal Rural de Pernambuco
• Rafael Ferreira Leite de Mello Universidade Federal Rural de Pernambuco https://orcid.org/0000-0003-3548-9670
• Gabriel Alves Universidade Federal Rural de Pernambuco https://orcid.org/0000-0002-2249-7818

DOI: https://doi.org/10.5753/cbie.sbie.2020.1032

Resumo

A evasão é um problema frequente nas universidades brasileiras. Além da perda do aluno no meio acadêmico, pode provocar gastos universitários ineficientes uma vez que orçamento universitário não consegue atingir seu objetivo de formar o aluno. Técnicas de mineração de dados com auxílio de algoritmos podem auxiliar na identificação do possível aluno em evasão. Diversos algoritmos podem ser utilizados entre eles o Random Forest. Este trabalho visa identificar, com a ajuda deste algoritmo, a relevância de características pessoais nos alunos em associação com características demográficas no processo de evasão. O trabalho foi realizado nos dados de uma universidade pública federal em conjunto com dados do censo demográfico brasileiro. Os resultados alcançados, avaliados entre as duas bases de dados, permitem verificar quais características estão associadas aos alunos evadidos nesta universidade.

Palavras-chave: Mineração de dados educacionais, Learning Analytics, Evasão

Referências

CARRANO, Davi et al. Combinando Técnicas de Mineração de Dados para Melhorar a Detecção de Indicadores de Evasão Universitária. Brazilian Symposium on Computers in Education (Simpósio Brasileiro de Informática na Educação - SBIE), [S.l.], nov. 2019.


DELGADO, M. F. et al. (2014) “Do we need hundreds of classifiers to solve real world classification problems?”, J. Machine Learning Research, v. 15, n. 1, p. 3133 – 3181.


GOLDSCHMIDT, Ronaldo; PASSOS, Emmanuel. Data mining : um guia prático. 4a Reimpressão. Rio de Janeiro: Elsevier, 2005.


HAN, J., Kamber, M., and Pei, J. (2011). Data Mining: Concepts and Techniques. Morgan Kaufmann Publishers Inc., San Francisco, CA, USA, 3rd edition.


INEP. Informe estatístico do MEC revela melhoria do rendimento escolar[1998?]. Disponível em: http://portal.inep.gov.br/artigo/-/asset_publisher/B4AQV9zFY7Bv/content/informe-estatistico-do-mec-revela-melhoria-do-rendimento-escolar/21206 . Acesso em: 06 de Jul. 2020.


LIAW, A.; wiener, M. Classification and regression by random forest. R News, v.2, p.18-22, 2002.


LIŢOIU, N., & Oproiu, G. C. (2018). Dropout Rate in Universities–a Critical Issue of Today Education. In The International Scientific Conference eLearning and Software for Education (Vol. 3, pp. 77-83). " Carol I" National Defence University.


PASCOAL, Tulio et al. Evasão de estudantes universitários: diagnóstico a partir de dados acadêmicos e socieconômicos. Brazilian Symposium on Computers in Education (Simpósio Brasileiro de Informática na Educação - SBIE), [S.l.], p. 926, nov. 2016.


QUEIROGA, Emanuel; CECHINEL, Cristian; ARAÚJO, Ricardo. Predição de estudantes com risco de evasão em cursos técnicos a distância. Brazilian Symposium on Computers in Education (Simpósio Brasileiro de Informática na Educação - SBIE), [S.l.], p. 1547, out. 2017. ISSN 2316-6533.


SANTOS, Daniel Cirne Vilas-Boas dos; FALCÃO, Taciana Pontual. Acompanhamento de alunos em ambientes virtuais de aprendizagem baseado em sistemas tutores inteligentes. Brazilian Symposium on Computers in Education (Simpósio Brasileiro de Informática na Educação - SBIE), [S.l.], p. 1267, out. 2017. ISSN 2316-6533.


SILVA, Regina Maria Ferreira da. Ações afirmativas e direito fundamental à educação. Uma análise à luz das cotas raciais universitárias. Revista Jurídica da Presidência, v. 14, n. 104, out. 2012.


TAN, P.; Steinbach, M. K. V. (2009). Introdução ao data mining, Mineração de Dados. Ciência Moderna.


TIBSHIRANI, Robert; FRIEDMAN, Jerome (2008). The Elements of Statistical Learning (2nd ed.). Springer. ISBN 0-387-95284-5. Hastie, Trevor