Avaliação de Classificadores para Predição de Evasão no Ensino Superior Utilizando Janela Semestral
Resumo
O alto índice de evasão nas Instituições Federais de Ensino Superior (IFES) é um fenômeno que, cada vez mais, vêm preocupando docentes e gestores educacionais. Neste sentido, estratégias como Mineração de Dados Educacionais vêm sendo usadas para mitigar esse problema. Uma proposta para classificação de alunos Evadidos e Graduados é apresentada nesse trabalho, gerando modelos treinados para cada janela semestral. Os experimentos foram realizados com dados dos cursos de Computação e Sistemas de Informação da Universidade Federal do Piauí (UFPI). Os resultados do processo de Mineração são promissores com acurácias de 85% e 96%.
Palavras-chave:
Classificadores, Predição de Evasão, Ensino Superior, Janela Semestral
Referências
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, pages 161–182 Pages.
Araujo, F. H. D. d. (2014). Descoberta de conhecimento em base de dados para o aprendizado da regulação médica/odontológica em operadora de plano de saúde. Master’s thesis, Pos-Graduação em Ciência da Computação, Universidade Federal do Piauí.
Bitencourt, P. B. d. and 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), page 149. Brazilian Computer Society (Sociedade Brasileira de Computação - SBC).
BRASIL (2020). Instituto nacional de estudos e pesquisas educacionais anísio teixeira. Site do INEP.
Fayyad, U., Piatetsky-Shapiro, G., and Smyth, P. (1996). From data mining to knowledge discovery in databases. AI Magazine, 17(3):37.
Filho, F., Vinuto, T., and Leal, B. (2020). Análise de classificadores para predição de evasão dos campi de uma instituição de ensino federal. In Anais do XXXI Simpósio Brasileiro de Informática na Educação, pages 1132–1141, Porto Alegre, RS, Brasil. SBC.
Fonseca, S. O. d., Namen, A. A., Moura Neto, F. D., Silva, A. D. R., Ortigão, M. I. R., and Rohrer, U. A. B. V. (2019). Mineração de dados orientada pelo domínio educacional: uma prova de conceito. Estudos em Avaliação Educacional, 30(74):420.
Friedman, M. (1937). The use of ranks to avoid the assumption of normality implicit in the analysis of variance. Journal of the American Statistical Association, 32(200):675–701.
GOMES, A. K. (2002). Classificadores simbólicos utilizando medidas de avaliação e de interessabilidade. Master’s thesis, Pos-Graduação em Ciência da Computação e Matemática Computacional, Universidade de São Paulo.
Hoed, R. M. (2016). Análise de evasão em cursos superiores: o caso da evasão em cursos superiores da area de computação. Master’s thesis, Pós-Graduação em Computação Aplicada, Universidade de Brasília.
Landis, J. R. and Koch, G. G. (1977). The measurement of observer agreement for categorical data. Biometrics, 33(1):159–174.
Manhães, L. M. B. (2020). Predição do desempenho acadêmico de alunos da graduação utilizando mineração de dados. Simpósio de Pesquisa Operacional e Logística da Marinha - Publicação Online, 3(1):2050 – 2064.
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.
Rajab, M. and Wang, D. (2020). Practical challenges and recommendations of filter methods for feature selection. Journal of Information & Knowledge Management, 19(01):2040019.
Romero, C. and Ventura, S. (2013). Data mining in education. WIREs Data Mining and Knowledge Discovery, 3(1):12–27.
Santos, C. H. D. C., Martins, S. d. L., and Plastino, A. (2021). É possível prever evasão com base apenas no desempenho acadêmico? In Anais do XXXII Simpósio Brasileiro de Informática na Educação (SBIE 2021), page 792–802, Brasil. Sociedade Brasileira de Computação - SBC.
SANTOS, K. J. d. O. S. (2020). Education data mining para apoio a gestão estratégica da identificação de perfis evasivos e atenuação da evasão escolar no ensino superior. Master’s thesis, Programa de Pos-Graduação em Ciência da Computação, Universidade Federal de Sergipe.
Torres Marques, L., Félix De Castro, A., Torres Marques, B., Carvalho Pereira Silva, J., and Gabriel Gadelha Queiroz, P. (2019). Mineração de dados auxiliando na descoberta das causas da evasão escolar: Um mapeamento sistemático da literatura. RENOTE, 17(3):194–203.
Yakub, S., Arowolo, M., Abdulsalam, S., and M.D., S. (2016). A feature selection based on one way anova for microarray data classification. pages 30–35.
Araujo, F. H. D. d. (2014). Descoberta de conhecimento em base de dados para o aprendizado da regulação médica/odontológica em operadora de plano de saúde. Master’s thesis, Pos-Graduação em Ciência da Computação, Universidade Federal do Piauí.
Bitencourt, P. B. d. and 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), page 149. Brazilian Computer Society (Sociedade Brasileira de Computação - SBC).
BRASIL (2020). Instituto nacional de estudos e pesquisas educacionais anísio teixeira. Site do INEP.
Fayyad, U., Piatetsky-Shapiro, G., and Smyth, P. (1996). From data mining to knowledge discovery in databases. AI Magazine, 17(3):37.
Filho, F., Vinuto, T., and Leal, B. (2020). Análise de classificadores para predição de evasão dos campi de uma instituição de ensino federal. In Anais do XXXI Simpósio Brasileiro de Informática na Educação, pages 1132–1141, Porto Alegre, RS, Brasil. SBC.
Fonseca, S. O. d., Namen, A. A., Moura Neto, F. D., Silva, A. D. R., Ortigão, M. I. R., and Rohrer, U. A. B. V. (2019). Mineração de dados orientada pelo domínio educacional: uma prova de conceito. Estudos em Avaliação Educacional, 30(74):420.
Friedman, M. (1937). The use of ranks to avoid the assumption of normality implicit in the analysis of variance. Journal of the American Statistical Association, 32(200):675–701.
GOMES, A. K. (2002). Classificadores simbólicos utilizando medidas de avaliação e de interessabilidade. Master’s thesis, Pos-Graduação em Ciência da Computação e Matemática Computacional, Universidade de São Paulo.
Hoed, R. M. (2016). Análise de evasão em cursos superiores: o caso da evasão em cursos superiores da area de computação. Master’s thesis, Pós-Graduação em Computação Aplicada, Universidade de Brasília.
Landis, J. R. and Koch, G. G. (1977). The measurement of observer agreement for categorical data. Biometrics, 33(1):159–174.
Manhães, L. M. B. (2020). Predição do desempenho acadêmico de alunos da graduação utilizando mineração de dados. Simpósio de Pesquisa Operacional e Logística da Marinha - Publicação Online, 3(1):2050 – 2064.
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.
Rajab, M. and Wang, D. (2020). Practical challenges and recommendations of filter methods for feature selection. Journal of Information & Knowledge Management, 19(01):2040019.
Romero, C. and Ventura, S. (2013). Data mining in education. WIREs Data Mining and Knowledge Discovery, 3(1):12–27.
Santos, C. H. D. C., Martins, S. d. L., and Plastino, A. (2021). É possível prever evasão com base apenas no desempenho acadêmico? In Anais do XXXII Simpósio Brasileiro de Informática na Educação (SBIE 2021), page 792–802, Brasil. Sociedade Brasileira de Computação - SBC.
SANTOS, K. J. d. O. S. (2020). Education data mining para apoio a gestão estratégica da identificação de perfis evasivos e atenuação da evasão escolar no ensino superior. Master’s thesis, Programa de Pos-Graduação em Ciência da Computação, Universidade Federal de Sergipe.
Torres Marques, L., Félix De Castro, A., Torres Marques, B., Carvalho Pereira Silva, J., and Gabriel Gadelha Queiroz, P. (2019). Mineração de dados auxiliando na descoberta das causas da evasão escolar: Um mapeamento sistemático da literatura. RENOTE, 17(3):194–203.
Yakub, S., Arowolo, M., Abdulsalam, S., and M.D., S. (2016). A feature selection based on one way anova for microarray data classification. pages 30–35.
Publicado
16/11/2022
Como Citar
VIANA, Filipe Soares; SANTANA, André Macêdo; RABÊLO, Ricardo de Andrade Lira.
Avaliação de Classificadores para Predição de Evasão no Ensino Superior Utilizando Janela Semestral. In: SIMPÓSIO BRASILEIRO DE INFORMÁTICA NA EDUCAÇÃO (SBIE), 33. , 2022, Manaus.
Anais [...].
Porto Alegre: Sociedade Brasileira de Computação,
2022
.
p. 908-919.
DOI: https://doi.org/10.5753/sbie.2022.224764.
