Mineração de Dados Educacionais para Predição da Evasão em Cursos de Graduação Presenciais no Ensino Superior
Resumo
A evasão de alunos nos cursos de graduação tem sido uma das questões relevantes para a gestão acadêmica das Instituições de Ensino Superior. Este artigo apresenta uma análise de vários métodos de aprendizagem de máquina para a predição da evasão em cursos de graduação presenciais. Várias estratégias de aprendizagem de máquina são propostas combinadas com técnicas de ciência de dados e uma ferramenta de business intelligence. Os experimentos foram realizados com os dados de 106 cursos de graduação durante três semestres, envolvendo diversas áreas de conhecimento.Referências
Agrusti, F., Bonavolontà, 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.
Aha, D. W., Kibler, D., and Albert, M. K. (1991). Instance-based learning algorithms. Machine learning, 6:37–66.
Alyahyan, E. and Düştegör, D. (2020). Predicting academic success in higher education: literature review and best practices. International Journal of Educational Technology in Higher Education, 17:1–21.
Bishop, C. M. et al. (1995). Neural networks for pattern recognition. Oxford Univ. press.
Breiman, L., Friedman, J., Olshen, R., and Stone, C. Classification and regression trees (cart). 1984. Belmont, CA, USA: Wadsworth International Group.
Carneiro, M. G., Dutra, B. L., Paiva, J. G. S., Gabriel, P. H. R., and Araújo, R. D. (2022). Educational data mining to support identification and prevention of academic retention and dropout: a case study in introductory programming. Revista Brasileira de Informática na Educação, 30:379–395.
Carrano, D., de Albergaria, E. T., Infante, C., and Rocha, L. (2019). Combinando técnicas de mineração de dados para melhorar a detecção de indicadores de evasão universitária. In Brazilian Symposium on Computers in Education (Simpósio Brasileiro de Informática na Educação-SBIE), volume 30, page 1321.
Chapman, P., Clinton, J., Kerber, R., Khabaza, T., Reinartz, T., Shearer, C., Wirth, R., et al. (2000). Crisp-dm 1.0: Step-by-step data mining guide. SPSS inc, 9(13):1–73.
Cohen, W. W. (1995). Repeated incremental pruning to produce error reduction. In Machine Learning Proceedings of the Twelfth International Conference ML95.
Colpo, M., Primo, T., and Aguiar, M. (2021). Predição da evasão estudantil: uma análise comparativa de diferentes representações de treino na aprendizagem de modelos genéricos. In Anais do XXXII Simpósio Brasileiro de Informática na Educação, pages 873–884, Porto Alegre, RS, Brasil. SBC.
Costa, F., dos Santos Silva, A. R., de Brito, D. M., and do Rêgo, T. G. (2015). Predição de sucesso de estudantes cotistas utilizando algoritmos de classificação. In Brazilian Symposium on Computers in Education (Simpósio Brasileiro de Informática na EducaçãoSBIE), volume 26, page 997.
de Jesus, H. O., Rodriguez, L. C., and Costa Junior, A. d. O. (2021). Predição de evasão escolar na licenciatura em computação. Revista Brasileira de Informática na Educação, 29:255–272.
Hall, M. A. (1998). Correlation-based feature subset selection for machine learning. Thesis submitted in partial fulfillment of the requirements of the degree of Doctor of Philosophy at the University of Waikato.
Honorato, G. and Borges, E. (2022). Impactos da pandemia da covid-19 para o ensino superior no brasil e experiências docentes e discentes com o ensino remoto. In Revista Desigualdade Diversidade, volume 22, pages 137–179. PUC-Rio.
Hortêncio Filho, F. W. B., Vinuto, T. S., and Leal, B. C. (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. SBC.
John, G. H. and Langley, P. (2013). Estimating continuous distributions in bayesian classifiers. arXiv preprint arXiv:1302.4964.
Kantorski, G., Flores, E. G., Schmitt, J., Hoffmann, I., and Barbosa, F. (2016). Predição da evasão em cursos de graduação em instituições públicas. In Brazilian Symposium on Computers in Education (SBIE), volume 27, page 906.
Marques, L. T., Marques, B. T., Rocha, R. S., Chaves, L., de Castro, A. F., Queiroz, P. G. G., et al. (2020). Evasão acadêmica e suas causas em cursos de bacharelado em ciência da computação: Um estudo de caso na ufersa. In Anais do xxxi simpósio brasileiro de informática na educação, pages 1042–1051. SBC.
Quinlan, J. R. (1993). Program for machine learning. C4. 5.
Sales, F., Mendes, Y., Dembogurski, B., Semaan, G., Silva, E., and Ferreira, F. (2019). Evasão no ensino básico da rede pública municipal de juiz de fora: uma análise com mineração de dados. In Brazilian Symposium on Computers in Education (SBIE), volume 30, page 1371.
Santos, C. H., Martins, S., and Plastino, A. (2021). É possível prever evasão com base apenas no desempenho acadêmico? In Anais do XXXII Simpósio Brasileiro de Informática na Educação, pages 792–802, Porto Alegre, RS, Brasil. SBC.
Silva, B., Pimentel, E., and Botelho, W. (2022). Predição de desempenho de estudantes: Uma revisão sistemática de literatura. In Anais do XXXIII Simpósio Brasileiro de Informática na Educação, pages 1040–1052, Porto Alegre, RS, Brasil. SBC.
Silva Filho, R. L. L., Motejunas, P. R., Hipólito, O., and Lobo, M. B. d. C. M. (2007). A evasão no ensino superior brasileiro. Cadernos de pesquisa, 37:641–659.
Viana, F. S., Santana, A. M., and Rabêlo, R. d. A. L. (2022). Avaliaçao de classificadores para prediçao de evasao no ensino superior utilizando janela semestral. In Anais do XXXIII Simpósio Brasileiro de Informática na Educação, pages 908–919. SBC.
Êrica Carmo, Gasparini, I., and Oliveira, E. (2022). Identificação de trajetórias de aprendizagem em um curso de graduação e sua relação com a evasão escolar. In Anais do XXXIII Simpósio Brasileiro de Informática na Educação, pages 323–333, Porto Alegre, RS, Brasil. SBC.
Aha, D. W., Kibler, D., and Albert, M. K. (1991). Instance-based learning algorithms. Machine learning, 6:37–66.
Alyahyan, E. and Düştegör, D. (2020). Predicting academic success in higher education: literature review and best practices. International Journal of Educational Technology in Higher Education, 17:1–21.
Bishop, C. M. et al. (1995). Neural networks for pattern recognition. Oxford Univ. press.
Breiman, L., Friedman, J., Olshen, R., and Stone, C. Classification and regression trees (cart). 1984. Belmont, CA, USA: Wadsworth International Group.
Carneiro, M. G., Dutra, B. L., Paiva, J. G. S., Gabriel, P. H. R., and Araújo, R. D. (2022). Educational data mining to support identification and prevention of academic retention and dropout: a case study in introductory programming. Revista Brasileira de Informática na Educação, 30:379–395.
Carrano, D., de Albergaria, E. T., Infante, C., and Rocha, L. (2019). Combinando técnicas de mineração de dados para melhorar a detecção de indicadores de evasão universitária. In Brazilian Symposium on Computers in Education (Simpósio Brasileiro de Informática na Educação-SBIE), volume 30, page 1321.
Chapman, P., Clinton, J., Kerber, R., Khabaza, T., Reinartz, T., Shearer, C., Wirth, R., et al. (2000). Crisp-dm 1.0: Step-by-step data mining guide. SPSS inc, 9(13):1–73.
Cohen, W. W. (1995). Repeated incremental pruning to produce error reduction. In Machine Learning Proceedings of the Twelfth International Conference ML95.
Colpo, M., Primo, T., and Aguiar, M. (2021). Predição da evasão estudantil: uma análise comparativa de diferentes representações de treino na aprendizagem de modelos genéricos. In Anais do XXXII Simpósio Brasileiro de Informática na Educação, pages 873–884, Porto Alegre, RS, Brasil. SBC.
Costa, F., dos Santos Silva, A. R., de Brito, D. M., and do Rêgo, T. G. (2015). Predição de sucesso de estudantes cotistas utilizando algoritmos de classificação. In Brazilian Symposium on Computers in Education (Simpósio Brasileiro de Informática na EducaçãoSBIE), volume 26, page 997.
de Jesus, H. O., Rodriguez, L. C., and Costa Junior, A. d. O. (2021). Predição de evasão escolar na licenciatura em computação. Revista Brasileira de Informática na Educação, 29:255–272.
Hall, M. A. (1998). Correlation-based feature subset selection for machine learning. Thesis submitted in partial fulfillment of the requirements of the degree of Doctor of Philosophy at the University of Waikato.
Honorato, G. and Borges, E. (2022). Impactos da pandemia da covid-19 para o ensino superior no brasil e experiências docentes e discentes com o ensino remoto. In Revista Desigualdade Diversidade, volume 22, pages 137–179. PUC-Rio.
Hortêncio Filho, F. W. B., Vinuto, T. S., and Leal, B. C. (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. SBC.
John, G. H. and Langley, P. (2013). Estimating continuous distributions in bayesian classifiers. arXiv preprint arXiv:1302.4964.
Kantorski, G., Flores, E. G., Schmitt, J., Hoffmann, I., and Barbosa, F. (2016). Predição da evasão em cursos de graduação em instituições públicas. In Brazilian Symposium on Computers in Education (SBIE), volume 27, page 906.
Marques, L. T., Marques, B. T., Rocha, R. S., Chaves, L., de Castro, A. F., Queiroz, P. G. G., et al. (2020). Evasão acadêmica e suas causas em cursos de bacharelado em ciência da computação: Um estudo de caso na ufersa. In Anais do xxxi simpósio brasileiro de informática na educação, pages 1042–1051. SBC.
Quinlan, J. R. (1993). Program for machine learning. C4. 5.
Sales, F., Mendes, Y., Dembogurski, B., Semaan, G., Silva, E., and Ferreira, F. (2019). Evasão no ensino básico da rede pública municipal de juiz de fora: uma análise com mineração de dados. In Brazilian Symposium on Computers in Education (SBIE), volume 30, page 1371.
Santos, C. H., Martins, S., and Plastino, A. (2021). É possível prever evasão com base apenas no desempenho acadêmico? In Anais do XXXII Simpósio Brasileiro de Informática na Educação, pages 792–802, Porto Alegre, RS, Brasil. SBC.
Silva, B., Pimentel, E., and Botelho, W. (2022). Predição de desempenho de estudantes: Uma revisão sistemática de literatura. In Anais do XXXIII Simpósio Brasileiro de Informática na Educação, pages 1040–1052, Porto Alegre, RS, Brasil. SBC.
Silva Filho, R. L. L., Motejunas, P. R., Hipólito, O., and Lobo, M. B. d. C. M. (2007). A evasão no ensino superior brasileiro. Cadernos de pesquisa, 37:641–659.
Viana, F. S., Santana, A. M., and Rabêlo, R. d. A. L. (2022). Avaliaçao de classificadores para prediçao de evasao no ensino superior utilizando janela semestral. In Anais do XXXIII Simpósio Brasileiro de Informática na Educação, pages 908–919. SBC.
Êrica Carmo, Gasparini, I., and Oliveira, E. (2022). Identificação de trajetórias de aprendizagem em um curso de graduação e sua relação com a evasão escolar. In Anais do XXXIII Simpósio Brasileiro de Informática na Educação, pages 323–333, Porto Alegre, RS, Brasil. SBC.
Publicado
06/11/2023
Como Citar
KANTORSKI, Gustavo Zanini; MARTINS, Ricardo Zimmermann; BALEJO, Arthur; FRICK, Marcio.
Mineração de Dados Educacionais para Predição da Evasão em Cursos de Graduação Presenciais no Ensino Superior. In: SIMPÓSIO BRASILEIRO DE INFORMÁTICA NA EDUCAÇÃO (SBIE), 34. , 2023, Passo Fundo/RS.
Anais [...].
Porto Alegre: Sociedade Brasileira de Computação,
2023
.
p. 1133-1142.
DOI: https://doi.org/10.5753/sbie.2023.233746.
