Análise de Classificadores para Predição de Evasão dos Campi de uma Instituição de Ensino Federal

• 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

Resumo

A evasão escolar é um grave problema em instituições educacionais de todo o mundo. Inúmeros fatores podem desencadear evasões discentes e várias ações vêm sendo tomadas para de mitigar as taxas de evasão. Porém, a maioria dessas ações são reativas. Este trabalho apresenta uma análise da problemática da evasão nos campi mais afetados do Instituto Federal do Ceará. Nesta análise, a evasão discente é definida como um problema de classificação, cujo objetivo é gerar modelos para predizer a evasão discente utilizando classificadores de aprendizagem de máquina. Essa abordagem possibilita que a equipe pedagógica, professores e demais setores da instituição possam tomar decisões preventivas contra a evasão estudantil.

Palavras-chave: predição, aprendizado de máquina, classificação, evasão escolar, instituto federal

Referências

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.