Evasão Acadêmica e suas Causas em Cursos de Bacharelado em Ciência da Computação: Um Estudo de Caso na UFERSA

• Leonardo Torres Marques Universidade Federal do Ceará
• Bruno Torres Marques Universidade Federal do Ceará
• Rayana Souza Rocha Universidade Federal Rural do Semi Árido
• Lenardo Chaves e Silva Universidade Federal Rural do Semi-Árido
• Angélica Félix de Castro Universidade Federal Rural do Semi-Árido
• Paulo Gabriel Gadelha Queiroz Universidade Federal Rural do Semi-Árido

DOI: https://doi.org/10.5753/cbie.sbie.2020.1042

Resumo

Diante do problema complexo que é a evasão acadêmica, buscou-se no presente estudo, por meio da utilização da técnica de agrupamento, desvendar as causas da evasão acadêmica no curso de Ciência da Computação da UFERSA, utilizando uma base de dados extraída do Sistema Integrado de Gestão de Atividades Acadêmicas (SIGAA). Foram definidos dois clusters, em que um representa as características dos evadidos e o outro dos concludentes. As principais inferências foram que existe uma maior possibilidade de os alunos que residem na vila acadêmica, que têm experiências na área ao entrar o curso, que seus pais moram juntos, que são brancos, que frequentaram escola em escolas particulares e com alta renda mensal concluirão o curso.

Palavras-chave: Evasão escolar, Ciência da Computação e Agrupamento

Referências

Camilo, C. O. and Silva, J. C. d. (2009). Mineração de dados: Conceitos, tarefas, métodos e ferramentas. Universidade Federal de Goiás (UFC), pages 1–29.


da Silva Zanato, K. Y., Ventura, T. M., and Ribeiro, J. M. (2018). Análise da evasão de alunos da área de tecnologia da informação por meio de um banco de dados orientado a grafos. Revista Eletrônica Argentina-Brasil de Tecnologias da Informação e da Comunicação, 1(8).


do Nascimento, R. L. S., da Cruz Junior, G. G., and de Araújo Fagundes, R. A. (2018). Mineração de dados educacionais: Um estudo sobre indicadores da educação em basesde dados do inep. RENOTE, 16(1).Fayyad, U., Piatetsky-Shapiro, G., and Smyth, P. (1996). From data mining to knowledge discovery in databases. AI magazine, 17(3): 37–37.


Hoed, R. M. (2016). Análise da evasão em cursos superiores: o caso da evasão em cursos superiores da área de computação. Brasília, DF: Universidade de Brasília.


Júnior, O. d. G. F., Rodrigues, W. R. M., Barbirato, J. C. C., and de Barros Costa, E.(2019). Melhoria da gestão escolar através do uso de técnicas de mineração de dados educacionais: um estudo de caso em escolas municipais de maceió. RENOTE-Revista Novas Tecnologias na Educação, 17(1):296–305.


Manhães, L. M. B., Da Cruz, S. M. S., Costa, R. J. M., Zavaleta, J., and Zimbrão, G.(2011). Previsão de estudantes com risco de evasão utilizando técnicas de mineração de dados. In Brazilian symposium on computers in education (simpósio brasileiro de informática na educação-sbie), volume 1.


Martinho, V. R., Nunes, C., and Minussi, C. R. (2013). Prediction of school dropout riskgroup using neural network. In 2013 Federated Conference on Computer Science and Information Systems, pages 111–114. IEEE.


Nagai, N. P. and Cardoso, A. L. J. (2017). A evasão universitária: Uma análise além dos números. Revista Estudo & Debate, 24(1).


PESSOAL, D. (2018). Instituto nacional de estudos e pesquisas educacionais anísio teixeira.


Souza, S. (2008). Evasão no ensino superior: um estudo utilizando a mineração de dados como ferramenta de gestão do conhecimento em um banco de dados referente à graduação de engenharia. PhD thesis, Dissertação de Mestrado. Coppe–UFRJ, Rio de Janeiro.


Webber, C. G., Zat, D., do Prado, M. d. F. W., et al. (2013). Utilização de algoritmos de agrupamento na mineração de dados educacionais. RENOTE, 11(1).Zhao, Y. (2011). R and data mining: Examples and case studies.R and Data Mining,pages 1–4.