Predição da evasão estudantil: uma análise comparativa de diferentes representações de treino na aprendizagem de modelos genéricos

• Miriam Pizzatto Colpo UFPel / IFFar http://orcid.org/0000-0002-6477-3227
• Tiago Thompsen Primo UFPel https://orcid.org/0000-0003-3870-097X
• Marilton Sanchotene de Aguiar UFPel https://orcid.org/0000-0002-5247-6022

DOI: https://doi.org/10.5753/sbie.2021.218517

Resumo

Neste trabalho são avaliadas diferentes formas de representar o comportamento de evasão no desenvolvimento de modelos genéricos, destinados a prever o risco de abandono, em diferentes semestres e cursos, de alunos de graduação da modalidade presencial. A partir de um cuidadoso pré-processamento e da criação de distintas representações de dados de treino, foram construídos diferentes modelos de aprendizado de máquina, a fim de avaliar qual representação melhor contribui para o desempenho das predições. Como resultado, verificou-se que exemplificar o comportamento dos alunos em todos os semestres cursados, de forma acumulada e progressiva, beneficiou a aprendizagem do modelo preditivo, provendo uma acurácia de 80.1%.

Palavras-chave: evasão estudantil, mineração de dados educacionais, modelos preditivos

Referências

Baranyi, M., Nagy, M., and Molontay, R. (2020). Interpretable deep learning for university dropout prediction. In Proceedings of the 21st Annual Conference on Information Technology Education, SIGITE'20, page 13–19, New York, NY, USA. Association for Computing Machinery.

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.

Böttcher, A., Thurner, V., Häfner, T., and Hertle, J. (2021). A data science-based approach for identifying counseling needs in first-year students. In 2021 IEEE Global Engineering Education Conference (EDUCON), pages 420–429.

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, pages 1102–1111, Porto Alegre, RS, Brasil. SBC.

Costa, A. G., Queiroga, E., Primo, T. T., Mattos, J. C. B., and Cechinel, C. (2020). Prediction analysis of student dropout in a computer science course using educational data mining. In 2020 XV Conferencia Latinoamericana de Tecnologias de Aprendizaje (LACLO), pages 1–6.

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

Kang, K. and Wang, S. (2018). Analyze and predict student dropout from online programs. In Proceedings of the 2nd International Conference on Compute and Data Analysis, ICCDA 2018, page 6–12, New York, NY, USA. Association for Computing Machinery.

Lee, S. and Chung, J. (2019). The machine learning-based dropout early warning system for improving the performance of dropout prediction. Applied Sciences (Switzerland), 9(15).

Lemaître, G., Nogueira, F., and Aridas, C. K. (2017). Imbalanced-learn: A python toolbox to tackle the curse of imbalanced datasets in machine learning. Journal of Machine Learning Research, 18(17):1–5.

McKinney, W. (2010). Data Structures for Statistical Computing in Python. In Stéfan van der Walt and Jarrod Millman, editors, Proceedings of the 9th Python in Science Conference, pages 56 – 61.

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.

Nagy, M. and Molontay, R. (2018). Predicting dropout in higher education based on secondary school performance. In 2018 IEEE 22nd International Conference on Intelligent Engineering Systems (INES), pages 389–394.

Ortigosa, A., Carro, R. M., Bravo-Agapito, J., Lizcano, D., Alcolea, J. J., and Blanco, O. (2019). From lab to production: Lessons learnt and real-life challenges of an early student-dropout prevention system. IEEE Transactions on Learning Technologies, 12(2):264–277.

Pedregosa, F., Varoquaux, G., Gramfort, A., Michel, V., Thirion, B., Grisel, O., Blondel, M., Prettenhofer, P., Weiss, R., Dubourg, V., Vanderplas, J., Passos, A., Cournapeau, D., Brucher, M., Perrot, M., and Duchesnay, E. (2011). Scikit-learn: Machine learning in Python. Journal of Machine Learning Research, 12:2825–2830.

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.

Santos, J. R. and Zaboroski, E. (2020). Ensino remoto e pandemia de COVID-19: Desafios e oportunidades de alunos e professores. Interacções, 16(55):41–57.

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.

Solis, M., Moreira, T., Gonzalez, R., Fernandez, T., and Hernandez, M. (2018). Perspectives to predict dropout in university students with machine learning. In 2018 IEEE International Work Conference on Bioinspired Intelligence (IWOBI), pages 1–6.

Yu, R., Lee, H., and Kizilcec, R. F. (2021). Should college dropout prediction models include protected attributes? In Proceedings of the Eighth ACM Conference on Learning @ Scale, L@S ’21, page 91–100, New York, NY, USA. Association for Computing Machinery.