An analysis of the classification algorithms based on the dropout of students from technical courses integrated to high school of the Ceres Campus of the IF Goiano

• Ana Luiza G. de Souza IF Goiano
• Adriano H. Braga IF Goiano

DOI: https://doi.org/10.5753/sbie.2021.218518

Abstract

This work analyze the data mining algorithms that best fit the conditions and data of the integrated technical courses to the high school of the Ceres Campus of IF Goiano. Using the KDD methodology, it was possible to work with a sample of 1,478 enrollments. The Weka tool, compare the following algorithms: J48, Naive Bayes, Logistic, Multilayer Perceptron, IBk, and LibSVM. Among them, LibSVM proved to be the best predictor, achieving the best result for three of the five metrics considered in the study.

Keywords: IF Goiano, Technical Courses, Dropout, Data Mining

References

Bezerra, C., Scholz, R., Adeodato, P., Lucas, T. e Ataide, I. (2016). Evasão Escolar: Aplicando Mineração de Dados para Identificar Variáveis Relevantes. In Anais do Simpósio Brasileiro de Informática na Educação (CBIE 2016), p. 1096.

Bezerra, J. H. da S. (2019). Análise da Evasão Escolar do Instituto Federal de Rondônia – Campus Ji-Paraná – Utilizando Técnicas de Mineração de Dados. Instituto Politécnico do Porto.

Bitencourt, P. B. de e Ferrero, C. (2019). Predição de Risco de Evasão de Alunos Usando Métodos de Aprendizado de Máquina em Cursos Técnicos. In Anais dos Workshops do VIII Congresso Brasileiro de Informática na Educação (CBIE 2019), p. 149.

Brasil (2020). Evasão Escolar ou Abandono Escolar. Disponível em: [link]. Acesso em: 17 set. 2020.

Brito Junior, I., Rabelo, H., Naschold, A. M. C., Ferreira, A. M., Burlamaqui, A., Rabelo, D. S. d. S., e Valentim, R. (2019). Uso de Mineração de Dados Educacionais para a classificação e identificação de perfis de Evasão de graduandos em Sistemas de Informação. In Anais dos Workshops do VIII Congresso Brasileiro de Informática na Educação (CBIE 2019), p. 159.

Chawla, N. V., Bowyer, K. W., Hall, L. O. e Kegelmeyer, W. P. (2002). SMOTE: Synthetic Minority Over-sampling Technique. Journal of Artificial Intelligence Research, v. 16, p. 321–357.

Colpo, M. P., Primo, T. T., Pernas, A. M. e 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 (SBIE 2020), p. 1102–1111.

Couto, D. da C. do e Santana, Á. L. de (2017). Mineração de dados educacionais aplicada à identificação de variáveis associadas à evasão e retenção. Congresso sobre Tecnologias na Educação, p. 333–344.

Fernandes, M. R. da S. (2013). O processo de verticalização da educação profissional e tecnológica e suas implicações na qualidade do trabalho dos docentes do Câmpus São Vicente do Sul do Instituto Federal Farroupilha. Dissertação, Universidade Federal Rural do Rio de Janeiro.

Frawley, W. J., Piatetsky-Shapiro, G. e Matheus, C. J. (1993). Knowledge Discovery in Databases: An Overview. AI Magazine, v. 13, n. 3, p. 57–70

Hall, M., Frank, E., Holmes, G., Pfahringer, B., Reutemann, P., e Witten, I. H. (2009). The WEKA data mining software. ACM SIGKDD Explorations Newsletter, v. 11, n. 1, p. 10–18.

INEP (2020). Taxas de Rendimento. Disponível em: [link]. Acesso em: 1 jul. 2021.

Maria, W., Damiani, J. L. e Pereira, M. (2016). Rede Bayesiana para previsão de Evasão Escolar. In Anais dos Workshops do V Congresso Brasileiro de Informática na Educação (CBIE 2016), p. 920.

Marquez-Vera, C., Morales, C. R. e Soto, S. V. (2013). Predicting School Failure and Dropout by Using Data Mining Techniques. IEEE Revista Iberoamericana de Tecnologias del Aprendizaje, v. 8, n. 1, p. 7–14.

Otranto, C. R. (2013). A reforma da educação profissional e seus reflexos na educação superior. Revista Temas em Educação, v. 22, n. 2, p. 122–135.

PNP (2020). Plataforma Nilo Peçanha 2020. Disponível em: http://plataformanilopecanha.mec.gov.br/2020.html. Acesso em: 1 jul. 2021.

Ramos, J. L. C., Silva, J., Prado, L., Gomes, A. e Rodrigues, R. (2018). Um estudo comparativo de classificadores na previsão da evasão de alunos em EAD. In Anais do XXIX Simpósio Brasileiro de Informática na Educação (SBIE 2018), p. 1463.

Rumberger, R. e Lim, S. A. (2008). Why Students Drop Out of School: A Review of 25 Years of Research. California Dropout Research Project, Policy Brief 15, University of California.

Silva, J. L. D. da e Nunes, I. D. (2015). Mineração de Dados Educacionais como apoio para a classificação de alunos do Ensino Médio. In Anais do XXVI Simpósio Brasileiro de Informática na Educação (SBIE 2015), p. 1112 – 1121.

Silva Filho, R. B. e Araújo, R. M. de L. (2017). Evasão e abandono escolar na educação básica no Brasil: fatores, causas e possíveis consequências. Educação Por Escrito, v. 8, n. 1, p. 35.

Soares, L. C. C. P., Ronzani, R. A., Carvalho, R. L. De e Silva, A. T. R. da (2020). Aplicação de técnicas de aprendizado de máquina em um contexto acadêmico com foco na identificação dos alunos evadidos e não evadidos. Revista Humanidades e Inovação, v. 7, n. 8, p. 224–235.

Tasnim, N., Paul, M. K. e Sattar, A. H. M. S. (2019). Identification of Drop Out Students Using Educational Data Mining. In International Conference on Electrical, Computer and Communication Engineering (ECCE), p.1-5

Vidor, A., Rezende, C., Pacheco, E. e Caldas, L. (2011). Institutos federais: Lei no 11.892 de 29/12/2008 – Comentários e reflexões. In: Pacheco, E. [Org.], Institutos Federais: Uma Revolução Na Educação Profissional e Tecnológica, p. 47–113. Editora Moderna, Brasília.