Modelos de regressão aplicados na previsão da evasão escolar do ensino básico: uma revisão sistemática da literatura
Resumo
O sistema educacional enfrenta diversos desafios, entre eles destaca-se a evasão escolar, geralmente causada pela desigualdade social. Técnicas de Machine Learning (ML) auxiliam a prever a relação entre o estudante evadido e as características que influenciaram a sua evasão. Esse artigo apresenta uma Revisão Sistemática da Literatura com o objetivo de identificar quais técnicas de ML, especialmente modelos de regressão, auxiliam na detecção de fatores que influenciam a evasão escolar de estudantes do ensino básico. Os resultados apresentam baixo uso de modelos de regressão, mas um alto uso de outros modelos de ML, destacando-se a árvore de decisão. Além disso, identificou-se 14 fatores responsáveis pela evasão, evidenciando a baixa renda do estudante.
Palavras-chave:
Evasão Escolar, Regressão, Machine Learning, Ensino Básico, Revisão Sistemática da Literatura
Referências
Adelman, M., Haimovich, F., Ham, A., and Vazquez, E. (2018). Predicting school dropoutwith administrative data.
Alpaydin, E. (2020). Introduction to machine learning. MIT press.
Calixto, K., Segundo, C., and de Gusmão, R. P. (2017). Mineração de dados aplicada à educação: um estudo comparativo acerca das características que influenciam a evasão escolar. In Brazilian Symposium on Computers in Education (Simpósio Brasileiro de Informática na Educação-SBIE), volume 28, page 1447.
Colpo, M. P., Primo, T. T., Pernas, A. M., and Cechinel, C. (2020). Mineração de dados educacionais na previsão de evasão: uma rsl sob a perspectiva do congresso brasileiro de informática na educação. In Anais do XXXI Simpósio Brasileiro de Informática na Educação, páginas 1102–1111. SBC.
do Desenvolvimento Humano, P. R. (2019). Além do rendimento, além das médias, além do presente: Desigualdades no desenvolvimento humano no século xxi. Programa das Nações Unidas para o Desenvolvimento.
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 bases de dados do inep. RENOTE, 16(1).
Dyba, T., Dingsoyr, T., and Hanssen, G. K. (2007). Applying systematic reviews to diverse study types: An experience report. InFirst international symposium on empirical software engineering and measurement (ESEM 2007), pages 225–234. IEEE.
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.
Kitchenham, B. and Charters, S. (2007). Guidelines for performing systematic literature reviews in software engineering.
Lima, J. V., Junior, M. d. M. A., Moya, A., Almeida, R., Anjos, P., Lencastre, M., Fagundes, R. A. d. A. F., and Alencar, F. (2019). As metodologias ativas e o ensino em engenharia de software: uma revisão sistemática da literatura. In Anais do Workshop De Informática na Escola, volume 25, pages 1014–1023.
Lopes Filho, J. A. B. and Silveira, I. F. (2021). Detecção precoce de estudantes em risco de evasão usando dados administrativos e aprendizagem de máquina. Revista Ibérica De Sistemas e Tecnologias de Informação, (E40):480–495.
Marques, L. T., De Castro, A. F., 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. RENOTE, 17(3):194–203.
OECD (2015). Programme for international student assment (pisa) results from pisa.
SEDU, G. D. E. D. E. et al. (2018). Diretrizes para a prevenção do abandono e da evasão escolares no ensino fundamental anos finais e no ensino médio. SEDU - Secretaria de Educação.
UNICEF et al. (2020). Unicef e ações de educação em tempos de pandemia. Brasília: UNICEF.
Alpaydin, E. (2020). Introduction to machine learning. MIT press.
Calixto, K., Segundo, C., and de Gusmão, R. P. (2017). Mineração de dados aplicada à educação: um estudo comparativo acerca das características que influenciam a evasão escolar. In Brazilian Symposium on Computers in Education (Simpósio Brasileiro de Informática na Educação-SBIE), volume 28, page 1447.
Colpo, M. P., Primo, T. T., Pernas, A. M., and Cechinel, C. (2020). Mineração de dados educacionais na previsão de evasão: uma rsl sob a perspectiva do congresso brasileiro de informática na educação. In Anais do XXXI Simpósio Brasileiro de Informática na Educação, páginas 1102–1111. SBC.
do Desenvolvimento Humano, P. R. (2019). Além do rendimento, além das médias, além do presente: Desigualdades no desenvolvimento humano no século xxi. Programa das Nações Unidas para o Desenvolvimento.
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 bases de dados do inep. RENOTE, 16(1).
Dyba, T., Dingsoyr, T., and Hanssen, G. K. (2007). Applying systematic reviews to diverse study types: An experience report. InFirst international symposium on empirical software engineering and measurement (ESEM 2007), pages 225–234. IEEE.
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.
Kitchenham, B. and Charters, S. (2007). Guidelines for performing systematic literature reviews in software engineering.
Lima, J. V., Junior, M. d. M. A., Moya, A., Almeida, R., Anjos, P., Lencastre, M., Fagundes, R. A. d. A. F., and Alencar, F. (2019). As metodologias ativas e o ensino em engenharia de software: uma revisão sistemática da literatura. In Anais do Workshop De Informática na Escola, volume 25, pages 1014–1023.
Lopes Filho, J. A. B. and Silveira, I. F. (2021). Detecção precoce de estudantes em risco de evasão usando dados administrativos e aprendizagem de máquina. Revista Ibérica De Sistemas e Tecnologias de Informação, (E40):480–495.
Marques, L. T., De Castro, A. F., 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. RENOTE, 17(3):194–203.
OECD (2015). Programme for international student assment (pisa) results from pisa.
SEDU, G. D. E. D. E. et al. (2018). Diretrizes para a prevenção do abandono e da evasão escolares no ensino fundamental anos finais e no ensino médio. SEDU - Secretaria de Educação.
UNICEF et al. (2020). Unicef e ações de educação em tempos de pandemia. Brasília: UNICEF.
Publicado
22/11/2021
Como Citar
MORAIS, Flávio L. de; MELO, Ana; MOUTINHO, Mirele; FAGUNDES, Roberta.
Modelos de regressão aplicados na previsão da evasão escolar do ensino básico: uma revisão sistemática da literatura. In: SIMPÓSIO BRASILEIRO DE INFORMÁTICA NA EDUCAÇÃO (SBIE), 32. , 2021, Online.
Anais [...].
Porto Alegre: Sociedade Brasileira de Computação,
2021
.
p. 168-178.
DOI: https://doi.org/10.5753/sbie.2021.218504.
