Identificação de Trajetórias de Aprendizagem em um Curso de Graduação e sua relação com a Evasão Escolar

• Êrica Peters do Carmo Universidade do Estado de Santa Catarina
• Isabela Gasparini Universidade do Estado de Santa Catarina https://orcid.org/0000-0002-8094-9261
• Elaine Harada Teixeira de Oliveira Universidade Federal do Amazonas https://orcid.org/0000-0003-2884-9359

DOI: https://doi.org/10.5753/sbie.2022.225737

Resumo

A evasão escolar é um dos principais problemas que afetam o ensino superior. Para que ela não ocorra, o estudante deve cumprir uma série de requisitos apresentados em forma de disciplinas. Assim, o caminho traçado pelos estudantes durante a sua vida acadêmica pode ser representado pela sequência de disciplinas cursadas, denominada trajetória de aprendizagem. Este trabalho apresenta duas abordagens para a modelagem dessas trajetórias em um curso de graduação, e as utiliza para investigar os padrões relacionados à evasão. Os resultados obtidos mostram que as disciplinas do primeiro semestre, com alto índice de reprovação, acabam atuando como barreiras para o avanço dos estudantes no curso, levando-os ao abandono dos estudos.

Referências

Almatrafi, O., Johri, A., Rangwala, H., e Lester, J. (2016). Identifying course trajectories of high achieving engineering students through data analytics. In 2016 ASEE Annual Conference & Exposition, Nova Orleans, Louisiana. ASEE Conferences.

Bastian, M., Heymann, S., e Jacomy, M. (2009). Gephi: An open source software for exploring and manipulating networks.

Bean, J. P. e Metzner, B. S. (1985). A conceptual model of nontraditional undergraduate student attrition. Review of Educational Research, 55(4):485–540.

Clements, D. H. e Sarama, J. (2004). Learning trajectories in mathematics education. Mathematical Thinking and Learning, 6(2):81–89.

de Sousa, L. R., de Carvalho, V. O., Penteado, B. E., e Affonso, F. J. (2021). A systematic mapping on the use of data mining for the face-to-face school dropout problem.

Hall, M., Frank, E., Holmes, G., Pfahringer, B., Reutemann, P., e Witten, I. H. (2009). The weka data mining software: An update. SIGKDD Explorations, 11(1).

Ramos, D., de Oliveira, E. H. T., Monteverde, I., e Oliveira, K. (2015). Trilhas de aprendizagem em ambientes virtuais de ensino-aprendizagem: Uma revisão sistemática da literatura. Brazilian Symposium on Computers in Education (Simposio Brasileiro de Informática na Educação - SBIE), 26(1).

Ramos, D. B., Ramos, I. M. M., do Nascimento, P. B., de Souza Amaral, G., e de Oliveira, E. H. T. (2017). Um modelo para trilhas de aprendizagem em um ambiente virtual de aprendizagem. In Simposio Brasileiro de Informática na Educação, 1407–1416.

Santos Baggi, C. A. D. e Lopes, D. A. (2011). Evasão e avaliação institucional no ensino superior: uma discussão bibliográfica. Avaliação: Revista da Avaliação da Educação Superior (Campinas), 16:355 – 374.

Silva Garcia, L. M. L. d. e Salcedo Gomes, R. (2020). Visualização e análise da trajetória de aprendizagem realizada no currículo no ensino superior. Simpósio Brasileiro de Informática na Educação (SBIE 2020), 1593–1602.

Spady, W. G. (1970). Dropouts from higher education: An interdisciplinary review and synthesis. Interchange, 1:64 – 85.

Srikant, R. e Agrawal, R. (1996). Mining sequential patterns: Generalizations and performance improvements. In Advances in Database Technology — EDBT ’96 1–17. Springer Berlin Heidelberg.

Tinto, V. (1975). Dropout from higher education: A theoretical synthesis of recent research. Review of Educational Research, 45(1):89–125.

Wang, X. (2016). Course-taking patterns of community college students beginning in stem: Using data mining techniques to reveal viable stem transfer pathways. Research in Higher Education, (57):544–569.

Wigdahl, J., Heileman, G., Slim, A., e Abdallah, C. (2014). Curricular efficiency: What role does it play in student success? ASEE Annual Conference and Exposition, Conference Proceedings.