Educational Data Mining in Dropout Prediction: an SLR from the Perspective of the Brazilian Congress on Computers in Education

• Miriam Pizzatto Colpo Federal University of Pelotas https://orcid.org/0000-0002-6477-3227
• Tiago Thompsen Primo Federal University of Pelotas https://orcid.org/0000-0003-3870-097X
• Ana Marilza Pernas Federal University of Pelotas https://orcid.org/0000-0001-8142-817X
• Cristian Cechinel Federal University of Santa Catarina https://orcid.org/0000-0001-6384-409X

DOI: https://doi.org/10.5753/cbie.sbie.2020.1102

Abstract

This work presents a systematic review about studies that use educational data mining techniques in the context of student dropout prediction and that were published in the Brazilian Congress on Computers in Education, which is the main academic event of the topic on the country. Contextual (educational systems, modalities and levels), techniques (tasks, categories of algorithms and tools) and data (types, coverage and volume) characteristics were extracted and analyzed in order to identify how this area is being explored in the Brazilian research scenario. As a result, lacks in the exploration of the basic and technical education levels and in the availability of mechanisms to support academic managers in decision-making were evidenced.

Keywords: student dropout, educational data mining, systematic literature review

References

Baker, R. S. J., Isotani, S., and Carvalho, A. M. J. B. (2011). Mineração de dados educacionais: Oportunidades para o Brasil. Revista Brasileira de Informática na Educação, 19:3–13.


Brasil (1996). Diplomação, retenção e evasão nos cursos de graduação em instituições de ensino superior públicas. Technical report, Ministério da Educação, Comissão Especial de Estudos sobre a Evasão nas Universidades Públicas Brasileiras: ANDIFES; ABRUEM; SESu/MEC, Brasília, DF.


Han, J., Kamber, M., and Pei, J. (2012). Data Mining: Concepts and Techniques. Morgan Kaufmann Publishers, Waltham, MA, 3rd edition.


INEP (2020). Indicador de fluxo da educação superior 2010-2016. Disponível em: http://portal.inep.gov.br/indicadores-educacionais. Acesso em: 17 jun. 2020.


Kitchenham, B. A. and Charters, S. (2007). Guidelines for performing systematic literature reviews in software engineering. Technical Report EBSE-2007-01, School of Computer Science and Mathematics, Keele University, Keele, UK.


Marques, L. T., Castro, A. F. D., Marques, B. T., Silva, J. C. P., and Queiroz, P. G. G.(2019). Mineração de dados auxiliando na descoberta das causas da evasão escolar: Um mapeamento sistemático da literatura. Novas Tecnologias na Educação, 17(3):194–203.


Maschio, P. d. T., Vieira, M. A., da Costa, N. T., Melo, S., and Júnior, C. P. (2018). Um panorama acerca da mineração de dados educacionais no Brasil. In Anais do XXIX Simpósio Brasileiro de Informática na Educação (SBIE 2018), pages 1936–1940.


Mduma, N., Kalegele, K., and Machuve, D. (2019). A survey of machine learning approaches and techniques for student dropout prediction. Data Science Journal, 18:14:1–10.


Oliveira Júnior, J. G., Noronha, R. V., and Kaestner, C. A. (2017). Método de seleção de atributos aplicados na previsão da evasão de cursos de graduação. Revista de Informática Aplicada, 13(2):54–67.


Pontili, R., Staduto, J., and Henrique, J. (2018). Abandono e atraso escolar e sua relação com indicadores socioeconômicos: uma análise para a região sul do Brasil. Gestão & Regionalidade, 34(101):4–22.


Romero, C. and Ventura, S. (2020). Educational data mining and learning analytics: An updated survey. WIREs Data Mining and Knowledge Discovery, 10(3):e1355.


Silva, G. P. d. (2013). Análise de evasão no ensino superior: uma proposta de diagnóstico de seus determinantes. Avaliação: Revista da Avaliação da Educação Superior (Campinas), 18:311–333.


Silva Filho, R. L. L., Motejunas, P. R., Hipolito, O., and Lobo, M. B. C. M. (2007). A evasão no ensino superior brasileiro. Cadernos de Pesquisa, 37(132):641–659.