Uma análise de trabalhos de mineração de dados educacionais no contexto da evasão escolar
Resumo
Este artigo apresenta uma análise de trabalhos de mineração de dados educacionais (Educational Data Mining - EDM) nacionais e internacionais que tratam da temática da evasão escolar. As buscas por trabalhos foram realizadas com o propósito de responder a sete questões de pesquisa sobre ferramentas/bibliotecas, algoritmos e bases de dados considerados nos trabalhos. Dada a grande quantidade de informações analisadas, foi utilizada a ferramenta Tableau para uma melhor compreensão e comparação dos fatores estudados. Os resultados servem como subsídio para otimizar a tomada de decisão de analistas de dados no planejamento e desenvolvimento de projetos de EDM.
Palavras-chave:
Análise, Evasão Escolar, Mineração de Dados Educacionais
Referências
Adil, M., Tahir, F., and Maqsood, S. (2018). Predictive analysis for student retention by using neuro-fuzzy algorithm. In Computer Science and Electronic Engineering (CEEC), pages 41–45.
Agrusti, F., Bonavolonta, G., and Mezzini, M. (2019). University dropout prediction through educational data mining techniques: A systematic review. Journal of E-Learning and Knowledge Society, 15(3):161–182.
Ahuja, R. and Kankane, Y. (2017). Predicting the probability of student’s degree completion by using different data mining techniques. In International Conference on Image Information Processing (ICIIP), pages 1–4.
Alban, M. and Mauricio, D. (2019). Predicting university dropout through data mining: A systematic literature. Indian Journal of Science and Technology, 12(4):1–12.
Amorim, M., Barone, D., and Mansur, A. (2008). Técnicas de aprendizado de máquina aplicadas na previsão de evasão acadêmica. Simpósio Brasileiro de Informática na Educação (SBIE), 1(1):666–674.
Barros, R. P., De Santana Junior, O. V., De Medeiros Silva, I. R., Dos Santos, L. F., and Neto, V. R. C. (2020). Predição do rendimento dos alunos em lógica de programação com base no desempenho das disciplinas do primeiro período do curso de ciências e tecnologia utilizando técnicas de mineração de dados. Brazilian Journal of Development, 6(1):2523–2534.
Beltran, C., Xavier-Junior, J., Barreto, C., and Neto, C. O. (2019). Plataforma de aprendizado de máquina para detecção e monitoramento de alunos com risco de evasão. Simpósio Brasileiro de Informática na Educação (SBIE), 30(1):1591.
Bitencourt, P. and Ferrero, C. (2019). Predição de risco de evasão de alunos usando métodos de aprendizado de máquina em cursos técnicos. Anais dos Workshops do Congresso Brasileiro de Informática na Educação, 8(1):149.
Brito, D. M., Lemos, M. O., Pascoal, T. A., do Rego, T. G., and Araújo, J. G. G. d. O. (2015). Identificação de estudantes do primeiro semestre com risco de evasão através de técnicas de data mining. Nuevas Ideas en Informática Educativa TISE, pages 459– 463.
Costa, S. S. D., Cazella, S., and Rigo, S. J. (2014). Minerando dados sobre o desempenho de alunos de cursos de educacao permanente em modalidade EAD: Um estudo de caso sobre evasão escolar na una-sus. Revista Novas Tecnologias na Educação (RENOTE), 12(2).
Dekker, G. W., Pechenizkiy, M., and Vleeshouwers, J. M. (2009). Predicting students drop out: A case study. International Working Group on Educational Data Mining.
Dharmawan, T., Ginardi, H., and Munif, A. (2018). Dropout detection using nonacademic data. In International Conference on Science and Technology (ICST), pages 1–4.
Filho, F. H., Siqueira, D., and Leal, B. (2020). Predição de evasão utilizando técnicas de classificação: Um estudo de caso do instituto federal do ceara. In Anais da VIII Escola Regional de Computação do Ceara, Maranhão e Piauí, pages 141–148, Porto Alegre, RS, Brasil. SBC.
Gonçalves, O. L. and Beltrame, W. A. R. (2019). Mineração de dados e evasão estudantil: Analisando o curso de nível superior do IFES em Guarapari. In Anais do XII Congresso de Administração Sociedade e Inovação (CASI).
Gonçalves, T. C., da Silva, J. C., and Cortes, O. A. C. (2018). Técnicas de mineração de dados: um estudo de caso da evasão no ensino superior do instituto federal do maranhão. Revista Brasileira de Computação Aplicada, 10(3):11–20
Hegde, V. and Prageeth, P. P. (2018). Higher education student dropout prediction and analysis through educational data mining. In International Conference on Inventive Systems and Control (ICISC), pages 694–699.
Jamesmanoharan, J., Ganesh, S. H., Felciah, M. L. P., and Shafreenbanu, A. K. (2014). Discovering students’ academic performance based on gpa using k-means clustering algorithm. In World Congress on Computing and Communication Technologies, pages 200–202.
Junior, I. B., Rabelo, H., Naschold, A., e Aquiles Burlamaqui, A. F., Rabelo, D., and Valentim, R. (2019). Uso de mineração de dados educacionais para a classificação e identificação de perfis de evasão de graduandos em sistemas de informação. Anais dos Workshops do Congresso Brasileiro de Informatica na Educacao, 8(1):159.
Kantorski, G., Flores, E., Schmitt, J., Hoffmann, I., and Barbosa, F. (2016). Predição da evasão em cursos de graduação em instituições públicas. Simpósio Brasileiro de Informática na Educação (SBIE), 27(1):906.
Lanes, M. and Alcântara, C. (2018). Predição de alunos com risco de evasão: estudo de caso usando mineração de dados. Simpósio Brasileiro de Informatica na Educacao (SBIE), 29(1):1921.
Li, Y., Gou, J., and Fan, Z. (2019). Educational data mining for students’ performance based on fuzzy c-means clustering. The Journal of Engineering, 2019(11):8245–8250.
Limsathitwong, K., Tiwatthanont, K., and Yatsungnoen, T. (2018). Dropout prediction system to reduce discontinue study rate of information technology students. In International Conference on Business and Industrial Research (ICBIR), pages 110–114.
Lottering, R., Hans, R., and Lall, M. (2020). A model for the identification of students at risk of dropout at a university of technology. In International Conference on Artificial Intelligence, Big Data, Computing and Data Communication Systems (icABCD), pages 1–8.
Manhães, L., da Cruz, S., Costa, R. M., Zavaleta, J., and Zimbrão, G. (2012). Previsão de estudantes com risco de evasão utilizando técnicas de mineração de dados. Simpósio Brasileiro de Informática na Educacao (SBIE),1(1).
Marbouti, F., Diefes-Dux, H. A., and Madhavan, K. (2016). Models for early prediction of at-risk students in a course using standards-based grading. Computers & Education, 103:1–15.
Maria, W., Damiani, J., and Pereira, M. (2016). Rede bayesiana para previsão de evasão escolar. Anais dos Workshops do Congresso Brasileiro de Informática na Educação, 5(1):920.
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.
Marquez-Vera, C., Morales, C. R., and Soto, S. V. (2013). Predicting school failure and dropout by using data mining techniques. IEEE Revista Iberoamericana de Tecnologias del Aprendizaje, 8(1):7–14.
Meedech, P., Iam-On, N., and Boongoen, T. (2016). Prediction of student dropout using personal profile and data mining approach. In Intelligent and Evolutionary Systems, pages 143–155. Springer
Murakami, K., Takamatsu, K., Kozaki, Y., Kishida, A., Bannaka, K., Noda, I., Asahi, J., Takao, K., Mitsunari, K., Nakamura, T., and Nakata, Y. (2018). Predicting the probability of student dropout through emir using data from current and graduate students. In International Congress on Advanced Applied Informatics (IIAI-AAI), pages 478–481.
Oyelade, O. J., Oladipupo, O. O., and Obagbuwa, I. C. (2010). Application of k means clustering algorithm for prediction of students academic performance. CoRR, abs/1002.2425.
Pal, S. (2012). Mining educational data to reduce dropout rates of engineering students. International Journal of Information Engineering and Electronic Business, 4(2):1.
Paz, F. and Cazella, S. (2017). Identificando o perfil de evasão de alunos de graduação através da mineração de dados educacionais: um estudo de caso de uma universidade comunitária. In Anais dos Workshops do Congresso Brasileiro de Informática na Educação, volume 6, page 624.
Pereira, A., Carvalho, L., and Souto, E. (2019). Predição de evasão de estudantes non-majors em disciplina de introdução a programação. Anais dos Workshops do Congresso Brasileiro de Informática na Educação, 8(1):178.
Pereira, R. T. and Zambrano, J. C. (2017). Application of decision trees for detection of student dropout profiles. In IEEE International Conference on Machine Learning and Applications (ICMLA), pages 528–531.
Perez, B., Castellanos, C., and Correal, D. (2018). Applying data mining techniques to predict student dropout: A case study. In IEEE Colombian Conference on Applications in Computational Intelligence (ColCACI), pages 1–6.
Pradeep, A., Das, S., and Kizhekkethottam, J. J. (2015). Students dropout factor prediction using edm techniques. In International Conference on Soft-Computing and Networks Security (ICSNS), pages 1–7.
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 (SBIE), 28(1):1547.
Ramos, J., Silva, J., Prado, L., Gomes, A., and Rodrigues, R. (2018). Um estudo comparativo de classificadores na previsão da evasão de alunos em ead. Simpósio Brasileiro de Informática na Educação (SBIE), 29(1):1463.
Rocha, C. F., Zelaya, Y. F., Sanchez, D. M., and Pérez, F. A. F. (2017). Prediction of university desertion through hybridization of classification algorithms. In SIMBig, pages 215–222.
Rodrıguez-Maya, N. E., Lara-Alvarez, C., May-Tzuc, O., and Suárez-Carranza, B. A. (2017). Modeling students’ dropout in mexican universities. Research in Computing Science, 139:163–175.
Rovira, S., Puertas, E., and Igual, L. (2017). Data-driven system to predict academic grades and dropout. PLoS one, 12(2).
Santana, M. A., de Barros Costa, E., dos Santos Neto, B. F., Silva, I. C. L., and Rego, J. B. (2015). A predictive model for identifying students with dropout profiles in online courses. In EDM.
Santos, G., dos Santos, F., Rocha, A., and da Silva, T. (2020). Utilização de aprendizagem de máquina para a identificação de dependência em aparelhos celulares com foco em casos que possam causar reprovação e evasão. In Anais da VIII Escola Regional de Computação do Ceara, Maranhão e Piauí, pages 228–235, Porto Alegre, RS, Brasil. SBC.
Silva, F., Silva, J., Silva, R., and Fonseca, L. (2015). Um modelo preditivo para diagnóstico de evasão baseado nas interações de alunos em fóruns de discussão. Simpósio Brasileiro de Informática na Educação (SBIE), 26(1):1187.
Silva, L. A., Peres, S. M., and Boscarioli, C. (2016). Introdução a mineração de dados: com aplicações em R. Elsevier, Rio de Janeiro, 1 edition.
Soares, L. C. C. P., Ronzani, R. A., de Carvalho, R. L., and da Silva, A. T. R. (2020). Aplicação de técnicas de aprendizado de máquina em um contexto acadêmico com foco na identificação dos alunos evadidos e não evadidos. Humanidades & Inovação, 7(8):223–235.
Solis, M., Moreira, T., Gonzalez, R., Fernandez, T., and Hernandez, M. (2018). Perspectives to predict dropout in university students with machine learning. In IEEE International Work Conference on Bioinspired Intelligence (IWOBI), pages 1–6.
Utari, M., Warsito, B., and Kusumaningrum, R. (2020). Implementation of data mining for drop-out prediction using random forest method. In International Conference on Information and Communication Technology (ICoICT), pages 1–5.
Viloria, A., Guliany, J. G., Núñez, W. N., Palma, H. H., and Núñez, L. N. (2020). Data mining applied in school dropout prediction. In Journal of Physics: Conference Series, volume 1432. IOP Publishing.
Yaacob, W. W., Sobri, N. M., Nasir, S. M., Norshahidi, N., and Husin, W. W. (2020). Predicting student drop-out in higher institution using data mining techniques. In Journal of Physics: Conference Series, volume 1496. IOP Publishing.
Yukselturk, E., Ozekes, S., and Turel, Y. K. (2014). Predicting dropout student: An application of data mining methods in an online education program. European Journal of Open, Distance and e-learning, 17(1):118–133.
Zhang, L. and Li, K. F. (2018). Education analytics: Challenges and approaches. In International Conference on Advanced Information Networking and Applications Workshops (WAINA), pages 193–198.
Agrusti, F., Bonavolonta, G., and Mezzini, M. (2019). University dropout prediction through educational data mining techniques: A systematic review. Journal of E-Learning and Knowledge Society, 15(3):161–182.
Ahuja, R. and Kankane, Y. (2017). Predicting the probability of student’s degree completion by using different data mining techniques. In International Conference on Image Information Processing (ICIIP), pages 1–4.
Alban, M. and Mauricio, D. (2019). Predicting university dropout through data mining: A systematic literature. Indian Journal of Science and Technology, 12(4):1–12.
Amorim, M., Barone, D., and Mansur, A. (2008). Técnicas de aprendizado de máquina aplicadas na previsão de evasão acadêmica. Simpósio Brasileiro de Informática na Educação (SBIE), 1(1):666–674.
Barros, R. P., De Santana Junior, O. V., De Medeiros Silva, I. R., Dos Santos, L. F., and Neto, V. R. C. (2020). Predição do rendimento dos alunos em lógica de programação com base no desempenho das disciplinas do primeiro período do curso de ciências e tecnologia utilizando técnicas de mineração de dados. Brazilian Journal of Development, 6(1):2523–2534.
Beltran, C., Xavier-Junior, J., Barreto, C., and Neto, C. O. (2019). Plataforma de aprendizado de máquina para detecção e monitoramento de alunos com risco de evasão. Simpósio Brasileiro de Informática na Educação (SBIE), 30(1):1591.
Bitencourt, P. and Ferrero, C. (2019). Predição de risco de evasão de alunos usando métodos de aprendizado de máquina em cursos técnicos. Anais dos Workshops do Congresso Brasileiro de Informática na Educação, 8(1):149.
Brito, D. M., Lemos, M. O., Pascoal, T. A., do Rego, T. G., and Araújo, J. G. G. d. O. (2015). Identificação de estudantes do primeiro semestre com risco de evasão através de técnicas de data mining. Nuevas Ideas en Informática Educativa TISE, pages 459– 463.
Costa, S. S. D., Cazella, S., and Rigo, S. J. (2014). Minerando dados sobre o desempenho de alunos de cursos de educacao permanente em modalidade EAD: Um estudo de caso sobre evasão escolar na una-sus. Revista Novas Tecnologias na Educação (RENOTE), 12(2).
Dekker, G. W., Pechenizkiy, M., and Vleeshouwers, J. M. (2009). Predicting students drop out: A case study. International Working Group on Educational Data Mining.
Dharmawan, T., Ginardi, H., and Munif, A. (2018). Dropout detection using nonacademic data. In International Conference on Science and Technology (ICST), pages 1–4.
Filho, F. H., Siqueira, D., and Leal, B. (2020). Predição de evasão utilizando técnicas de classificação: Um estudo de caso do instituto federal do ceara. In Anais da VIII Escola Regional de Computação do Ceara, Maranhão e Piauí, pages 141–148, Porto Alegre, RS, Brasil. SBC.
Gonçalves, O. L. and Beltrame, W. A. R. (2019). Mineração de dados e evasão estudantil: Analisando o curso de nível superior do IFES em Guarapari. In Anais do XII Congresso de Administração Sociedade e Inovação (CASI).
Gonçalves, T. C., da Silva, J. C., and Cortes, O. A. C. (2018). Técnicas de mineração de dados: um estudo de caso da evasão no ensino superior do instituto federal do maranhão. Revista Brasileira de Computação Aplicada, 10(3):11–20
Hegde, V. and Prageeth, P. P. (2018). Higher education student dropout prediction and analysis through educational data mining. In International Conference on Inventive Systems and Control (ICISC), pages 694–699.
Jamesmanoharan, J., Ganesh, S. H., Felciah, M. L. P., and Shafreenbanu, A. K. (2014). Discovering students’ academic performance based on gpa using k-means clustering algorithm. In World Congress on Computing and Communication Technologies, pages 200–202.
Junior, I. B., Rabelo, H., Naschold, A., e Aquiles Burlamaqui, A. F., Rabelo, D., and Valentim, R. (2019). Uso de mineração de dados educacionais para a classificação e identificação de perfis de evasão de graduandos em sistemas de informação. Anais dos Workshops do Congresso Brasileiro de Informatica na Educacao, 8(1):159.
Kantorski, G., Flores, E., Schmitt, J., Hoffmann, I., and Barbosa, F. (2016). Predição da evasão em cursos de graduação em instituições públicas. Simpósio Brasileiro de Informática na Educação (SBIE), 27(1):906.
Lanes, M. and Alcântara, C. (2018). Predição de alunos com risco de evasão: estudo de caso usando mineração de dados. Simpósio Brasileiro de Informatica na Educacao (SBIE), 29(1):1921.
Li, Y., Gou, J., and Fan, Z. (2019). Educational data mining for students’ performance based on fuzzy c-means clustering. The Journal of Engineering, 2019(11):8245–8250.
Limsathitwong, K., Tiwatthanont, K., and Yatsungnoen, T. (2018). Dropout prediction system to reduce discontinue study rate of information technology students. In International Conference on Business and Industrial Research (ICBIR), pages 110–114.
Lottering, R., Hans, R., and Lall, M. (2020). A model for the identification of students at risk of dropout at a university of technology. In International Conference on Artificial Intelligence, Big Data, Computing and Data Communication Systems (icABCD), pages 1–8.
Manhães, L., da Cruz, S., Costa, R. M., Zavaleta, J., and Zimbrão, G. (2012). Previsão de estudantes com risco de evasão utilizando técnicas de mineração de dados. Simpósio Brasileiro de Informática na Educacao (SBIE),1(1).
Marbouti, F., Diefes-Dux, H. A., and Madhavan, K. (2016). Models for early prediction of at-risk students in a course using standards-based grading. Computers & Education, 103:1–15.
Maria, W., Damiani, J., and Pereira, M. (2016). Rede bayesiana para previsão de evasão escolar. Anais dos Workshops do Congresso Brasileiro de Informática na Educação, 5(1):920.
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.
Marquez-Vera, C., Morales, C. R., and Soto, S. V. (2013). Predicting school failure and dropout by using data mining techniques. IEEE Revista Iberoamericana de Tecnologias del Aprendizaje, 8(1):7–14.
Meedech, P., Iam-On, N., and Boongoen, T. (2016). Prediction of student dropout using personal profile and data mining approach. In Intelligent and Evolutionary Systems, pages 143–155. Springer
Murakami, K., Takamatsu, K., Kozaki, Y., Kishida, A., Bannaka, K., Noda, I., Asahi, J., Takao, K., Mitsunari, K., Nakamura, T., and Nakata, Y. (2018). Predicting the probability of student dropout through emir using data from current and graduate students. In International Congress on Advanced Applied Informatics (IIAI-AAI), pages 478–481.
Oyelade, O. J., Oladipupo, O. O., and Obagbuwa, I. C. (2010). Application of k means clustering algorithm for prediction of students academic performance. CoRR, abs/1002.2425.
Pal, S. (2012). Mining educational data to reduce dropout rates of engineering students. International Journal of Information Engineering and Electronic Business, 4(2):1.
Paz, F. and Cazella, S. (2017). Identificando o perfil de evasão de alunos de graduação através da mineração de dados educacionais: um estudo de caso de uma universidade comunitária. In Anais dos Workshops do Congresso Brasileiro de Informática na Educação, volume 6, page 624.
Pereira, A., Carvalho, L., and Souto, E. (2019). Predição de evasão de estudantes non-majors em disciplina de introdução a programação. Anais dos Workshops do Congresso Brasileiro de Informática na Educação, 8(1):178.
Pereira, R. T. and Zambrano, J. C. (2017). Application of decision trees for detection of student dropout profiles. In IEEE International Conference on Machine Learning and Applications (ICMLA), pages 528–531.
Perez, B., Castellanos, C., and Correal, D. (2018). Applying data mining techniques to predict student dropout: A case study. In IEEE Colombian Conference on Applications in Computational Intelligence (ColCACI), pages 1–6.
Pradeep, A., Das, S., and Kizhekkethottam, J. J. (2015). Students dropout factor prediction using edm techniques. In International Conference on Soft-Computing and Networks Security (ICSNS), pages 1–7.
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 (SBIE), 28(1):1547.
Ramos, J., Silva, J., Prado, L., Gomes, A., and Rodrigues, R. (2018). Um estudo comparativo de classificadores na previsão da evasão de alunos em ead. Simpósio Brasileiro de Informática na Educação (SBIE), 29(1):1463.
Rocha, C. F., Zelaya, Y. F., Sanchez, D. M., and Pérez, F. A. F. (2017). Prediction of university desertion through hybridization of classification algorithms. In SIMBig, pages 215–222.
Rodrıguez-Maya, N. E., Lara-Alvarez, C., May-Tzuc, O., and Suárez-Carranza, B. A. (2017). Modeling students’ dropout in mexican universities. Research in Computing Science, 139:163–175.
Rovira, S., Puertas, E., and Igual, L. (2017). Data-driven system to predict academic grades and dropout. PLoS one, 12(2).
Santana, M. A., de Barros Costa, E., dos Santos Neto, B. F., Silva, I. C. L., and Rego, J. B. (2015). A predictive model for identifying students with dropout profiles in online courses. In EDM.
Santos, G., dos Santos, F., Rocha, A., and da Silva, T. (2020). Utilização de aprendizagem de máquina para a identificação de dependência em aparelhos celulares com foco em casos que possam causar reprovação e evasão. In Anais da VIII Escola Regional de Computação do Ceara, Maranhão e Piauí, pages 228–235, Porto Alegre, RS, Brasil. SBC.
Silva, F., Silva, J., Silva, R., and Fonseca, L. (2015). Um modelo preditivo para diagnóstico de evasão baseado nas interações de alunos em fóruns de discussão. Simpósio Brasileiro de Informática na Educação (SBIE), 26(1):1187.
Silva, L. A., Peres, S. M., and Boscarioli, C. (2016). Introdução a mineração de dados: com aplicações em R. Elsevier, Rio de Janeiro, 1 edition.
Soares, L. C. C. P., Ronzani, R. A., de Carvalho, R. L., and da Silva, A. T. R. (2020). Aplicação de técnicas de aprendizado de máquina em um contexto acadêmico com foco na identificação dos alunos evadidos e não evadidos. Humanidades & Inovação, 7(8):223–235.
Solis, M., Moreira, T., Gonzalez, R., Fernandez, T., and Hernandez, M. (2018). Perspectives to predict dropout in university students with machine learning. In IEEE International Work Conference on Bioinspired Intelligence (IWOBI), pages 1–6.
Utari, M., Warsito, B., and Kusumaningrum, R. (2020). Implementation of data mining for drop-out prediction using random forest method. In International Conference on Information and Communication Technology (ICoICT), pages 1–5.
Viloria, A., Guliany, J. G., Núñez, W. N., Palma, H. H., and Núñez, L. N. (2020). Data mining applied in school dropout prediction. In Journal of Physics: Conference Series, volume 1432. IOP Publishing.
Yaacob, W. W., Sobri, N. M., Nasir, S. M., Norshahidi, N., and Husin, W. W. (2020). Predicting student drop-out in higher institution using data mining techniques. In Journal of Physics: Conference Series, volume 1496. IOP Publishing.
Yukselturk, E., Ozekes, S., and Turel, Y. K. (2014). Predicting dropout student: An application of data mining methods in an online education program. European Journal of Open, Distance and e-learning, 17(1):118–133.
Zhang, L. and Li, K. F. (2018). Education analytics: Challenges and approaches. In International Conference on Advanced Information Networking and Applications Workshops (WAINA), pages 193–198.
Publicado
22/11/2021
Como Citar
SANTOS, Vitor Hugo Barbosa dos; SARAIVA, Daniel Victor; OLIVEIRA, Carina Teixeira de.
Uma análise de trabalhos de mineração de dados educacionais no contexto da evasão escolar. In: SIMPÓSIO BRASILEIRO DE INFORMÁTICA NA EDUCAÇÃO (SBIE), 32. , 2021, Online.
Anais [...].
Porto Alegre: Sociedade Brasileira de Computação,
2021
.
p. 1196-1210.
DOI: https://doi.org/10.5753/sbie.2021.218167.
