Analysis of Classifiers for Predicting Campuses Evasion in a Federal Education Institution

• Fernando Wagner Brito Hortêncio Filho Instituto Federal do Ceará
• Tiago Silva Vinuto Universidade Federal do Ceará
• Bruno Carvalho Leal Instituto Federal do Piauí

DOI: https://doi.org/10.5753/cbie.sbie.2020.1132

Abstract

Student dropout is a serious problem present in educational institutions around the world. There are a variety of factors that can motivate and trigger student dropouts. Several actions have been taken to mitigate the dropout rates. However, the vast majority of these actions are reactive. This work presents an analysis of the student dropout problem in the most affected campuses of an educational institution in the northeast region of Brazil. In this analysis, student dropout is defined as a classification problem, which aims to propose models for predicting student dropout using the leading machine learning classifiers. This approach allows the pedagogical team, teachers, and other institution sectors to make preventive decisions against student dropouts.

Keywords: prediction, machine learning, classification, school dropout, federal institute

References

Amorim, M. J. V., Barone, D., and Mansur, A. F. U. (2008). Técnicas de aprendizado de máquina aplicadas na previsão de evasão acadêmica. XIX Simpósio Brasileiro de Informática na Educação (SBIE), 1(1):666–674.


BRASIL (2014).Documento orientador para a superação da evasão e retenção na Rede Federal de Educação Profissional, Científica e Tecnológica. Ministério da Educação. Secretaria de Educação Profissional e Tecnológica.


Bruce, P. and Bruce, A. (2019). Estatística Prática Para Cientistas de Dados - 50 Conceitos Essenciais. Alta Books.


Chung, J. Y. and Lee, S. (2019). Dropout early warning systems for high school studentsusing machine learning. Children and Youth Services Review, 96:346–353.


Géron, A. (2019). Hands-On Machine Learning with Scikit-Learn, Keras, and Tensor-Flow: Concepts, Tools, and Techniques to Build Intelligent Systems. O’Reilly Media, Inc., 2nd edition.


IFCE (2017). Plano estratégico para permanência e êxitos dos estudantes do IFCE. Disponível em: https://gestaoproen.ifce.edu.br/attachments/download/3052/. Acesso em 23 de jun. de 2020. Pró-reitoria do IFCE (2017). IFCE em números. Disponível em: http://ifceemnumeros.ifce.edu.br/. Acesso em 25 de jun. de 2020.


Queiroga, E., Cechinel, C., and Araújo, R. (2017). Predição de estudantes com risco de evasão em cursos técnicos a distância. Simpósio Brasileiro de Informática na Educação (CBIE), pages 1547–1556.


Rätsch, G. (2004). A brief introduction into machine learning. Friedrich Miescher Laboratory of the Max Planck Society.


Rigo, S. J., Cambruzzi, W., Barbosa, J. L. V., and Cazella, S. C. (2014). Aplicações de mineração de dados educacionais e learning analytics com foco na evasão escolar: oportunidades e desafios. Revista Brasileira de Informática na Educação (RBIE), 22(1):132–146.


Sansone, D. (2019). Beyond early warning indicators: High school dropout and machine learning. Oxford Bulletin of Economics and Statistics, 81(2):456–485.


Saraiva, D., Pereira, S., Gallindo, E., Braga, R., and Oliveira, C. (2019). Uma proposta para predição de risco de evasão de estudantes em um curso técnico em informática. In Anais do XXVII Workshop sobre Educação em Computação, pages 319–333. SBC.


Sebastiani, F. (2002). Machine learning in automated text categorization. ACM computing surveys (CSUR), 34(1):1–47.


Silva Filho, R. B. and Araújo, R. M. L. (2017). Evasão e abandono escolar na educação básica no Brasil: fatores, causas e possíveis consequências. Educação por Escrito, 8(1):35–48.


Silveira, G. and Bullock, B. (2017). Machine Learning: Introdução à classificação. Casa do Código.


Tan, M. and Shao, P. (2015). Prediction of student dropout in e-learning program through the use of machine learning method. International Journal of Emerging Technologies in Learning, 10(1):11–17.