Mineração de Dados Educacionais na Previsão de Evasão: uma RSL sob a Perspectiva do Congresso Brasileiro de Informática na Educação

Resumo


Este trabalho apresenta uma revisão sistemática de estudos que utilizam técnicas de mineração de dados educacionais no contexto da previsão de evasão estudantil e que foram publicados no Congresso Brasileiro de Informática na Educação, principal evento da área no país. Características contextuais (redes, modalidades e níveis de ensino), técnicas (tarefas, categorias de algoritmos e ferramentas) e de dados (tipos, abrangência e volume) foram analisadas com o intuito de identificar como esse tema está sendo abordado no cenário de pesquisa brasileiro. Como resultado, foram evidenciadas carências na exploração dos níveis da educação básica e técnica e na disponibilização, aos gestores acadêmicos, de mecanismos de suporte à tomada de decisões.
Palavras-chave: evasão estudantil, mineração de dados educacionais, revisão sistemática da literatura

Referências

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.
Publicado
24/11/2020
COLPO, Miriam Pizzatto; PRIMO, Tiago Thompsen; PERNAS, Ana Marilza; CECHINEL, Cristian. Mineração de Dados Educacionais na Previsão de Evasão: uma RSL sob a Perspectiva do Congresso Brasileiro de Informática na Educação. In: SIMPÓSIO BRASILEIRO DE INFORMÁTICA NA EDUCAÇÃO (SBIE), 31. , 2020, Online. Anais [...]. Porto Alegre: Sociedade Brasileira de Computação, 2020 . p. 1102-1111. DOI: https://doi.org/10.5753/cbie.sbie.2020.1102.