Mineração de Dados Educacionais na Predição do Desempenho Acadêmico: um prognóstico a partir do percurso curricular realizado

Resumo


Este trabalho apresenta a avaliação de modelos preditivos para a identificação de alunos com risco de reprovação em disciplinas específicas. Para tanto, é utilizado como atributo preditor o percurso curricular realizado previamente pelo aluno antes de cursar uma determinada disciplina. O impacto da utilização de técnicas de balanceamento de carga nas métricas de avaliação dos modelos preditivos é investigado. Os resultados destacaram os melhores desempenhos para os algoritmos Random Forest, J48 e IBK, apresentando uma Acurácia de 71% a 81% e Recall de 75% a 93%, refletindo uma significativa melhoria ao se utilizar a técnica de sobreamostragem SMOTE para o balanceamento de carga.

Palavras-chave: Mineração de dados educacionais, trajetória acadêmica, desempenho acadêmico

Referências

Akmeşe, Ö. F., Kör, H., and Erbay, H. (2021). “Use Of Machine Learning Techniques For The Forecast Of Student Achievement In Higher Education”. Information Technologies and Learning Tools, 82(2), https://doi.org/10.33407/itlt.v82i2.4178

Alturki, S., e Alturki, N. (2021). “Using educational data mining to predict students’ academic performance for applying early interventions”. Journal of Information Technology Education: Innovations in Practice, 20. https://doi.org/10.28945/4835

Anoopkumar, M. and Zubair Rahman, A. M. J. Md. (2018). “Bound Model of Clustering and Classification (BMCC) for Proficient Performance Prediction of Didactical Outcomes of Students”. International Journal of Advanced Computer Science and Applications 9(11), http://dx.doi.org/10.14569/IJACSA.2018.091133

Garcia, L. M. L. S., Lara, D. F., e Antunes, F. (2020). “Análise da Retenção no Ensino Superior: um Estudo de Caso em um Curso de Sistemas de Informação”. Revista da Faculdade de Educação 34:15-38. https://doi.org/10.30681/21787476.2020.34.1538.

Garcia, L. M. L. S.; Lara, D. F.; Gomes, R. S.; e Cazella, S. C. (2022). “The Discovery of Knowledge in Educational Databases: A Literature Review with Emphasis on Pre-processing and Postprocessing”. The Turkish Online Journal of Educational Technology (TOJET), v. 21, p. 75-87, 2022.

Manhães, L. M. B., Cruz, S. M. S. (2019) “Predição do Desempenho Acadêmico de Alunos da Graduação Utilizando Mineração de Dados”. In: XIX Simpósio de Pesquisa Operacional e Logística Marinha. Rio de Janeiro-RJ. Novembro de 2019.

Mengash, H. A. (2020).“Using Data Mining Techniques to Predict Student Performance to Support Decision Making in University Admission Systems,” in IEEE Access, vol. 8, pp. 55462-55470, doi: 10.1109/ACCESS.2020.2981905.

Miguéis, V. L., Freitas, Ana., Garcia, Paulo J.V. Silva, André. (2018). “Early segmentation of students according to their academic performance: A predictive modelling approach”. Decision Support Systems, Volume 115, Pages 36-51, ISSN 0167-9236, https://doi.org/10.1016/j.dss.2018.09.001

Pabreja, K. (2017). Comparison of Different Classification Techniques for Educational Data. IJISSS vol.9, no.1: pp.54-67. http://doi.org/10.4018/IJISSS.2017010104

Romero, C., Ventura, S. (2020). Educational data mining and learning analytics: An updated survey. WIRES Data Mining and Knowledge Discovery, 10(3), 3. https://doi.org/10.1002/widm.1355 doi:10.1002/widm.1355.

Souza, V. F., e Cazella, S. C. (2022). “Mineração De Dados Educacionais Com Algoritmos De regressão: Um Estudo Sobre a predição Do Desempenho”. Revista Educar Mais 6 :183-98. https://doi.org/10.15536/reducarmais.6.2022.2691.

Tinto, V. (2017). Through the eyes of students. Journal of College Student Retention: Research, Theory & Practice, 19(3), 254–269.
Publicado
16/11/2022
LOPES DA SILVA GARCIA, Léo Manoel; LARA, Daiany Francisca; GOMES, Raquel Salcedo; CAZELLA, Sílvio César. Mineração de Dados Educacionais na Predição do Desempenho Acadêmico: um prognóstico a partir do percurso curricular realizado. In: SIMPÓSIO BRASILEIRO DE INFORMÁTICA NA EDUCAÇÃO (SBIE), 33. , 2022, Manaus. Anais [...]. Porto Alegre: Sociedade Brasileira de Computação, 2022 . p. 1077-1086. DOI: https://doi.org/10.5753/sbie.2022.225221.