Análise de dados pré-universidade para predizer a evasão de alunos ingressantes em uma instituição de ensino superior

  • Adair Perdomo Falcão Unioeste
  • Rosangela Villwock Unioeste
  • Simone Aparecida Miloca Unioeste

Resumo


Este estudo apresenta um modelo de classificação de dados pré-universidade para prever a evasão de estudantes ingressantes nos cursos de graduação de uma Instituição Federal de Ensino Superior. O desenvolvimento de políticas e ações eficazes para reduzir o abandono é um desafio constante enfrentado pelos gestores universitários. A identificação precoce desses alunos possibilita o planejamento e a implementação de ações preventivas mais eficazes. Para este estudo foi utilizado um conjunto de dados contendo informações de 1.086 alunos matriculados em 6 cursos distintos de 2014 a 2018. O modelo obtido apresentou uma taxa de verdadeiro positivo de 87%, demonstrando uma capacidade promissora na identificação prévia de alunos propensos a evadir.

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, page Vol 15 No 3 (2019): Learning Aanalytics: For a dialogue between teaching pratices and educational research.

Alban, M. and Mauricio, D. (2019). Predicting university dropout trough data mining: A systematic literature. Indian Journal of Science and Technology, 12(4):1–12.

Barosso, M. F. and Falcão, E. B. M. (2004). Evasão universitária: o caso do instituto de física da ufrj. IX Encontro Nacional de Pesquisa em Ensino de Física, 9:1–14.

Bramer, M. (2016). Principles of Data Mining. Undergraduate Topics in Computer Science. Springer, London, 3 edition.

Cabral, A. P. and Tavares, J. (2005). Leitura/compreensão, escrita e sucesso acadêmico: um estudo de diagnóstico em quatro universidades portuguesas. Psicologia Escolar e Educacional, 9(2):203–213.

Colpo, M., Primo, T., Pernas, A., and 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, pages 1102–1111, Porto Alegre, RS, Brasil. SBC.

Costa, E., Baker, R., Amorim, L., Magalhães, J., and Marinho, T. (2013). Mineração de dados educacionais: Conceitos, técnicas, ferramentas e aplicações. Jornada de Atualização em Informática na Educação, 1(1):1–29.

da S. Freitas, F. A., Vasconcelos, F. F. X., Peixoto, S. A., Hassan, M. M., Dewan, M. A. A., de Victor Hugo C. de Albuquerque, and Filho, P. P. R. (2020). Iot system for school dropout prediction using machine learning techniques based on socioeconomic data. Electronics (Switzerland), 9(10):1–14. cited By 5.

da Silva Soares, I. (2009). Ufrj – escola politécnica – vestibular 1993-2009 – revisão histórica – vagas, evasão e retenção. COBENGE 2009 – XXXVII Congresso Brasileiro de Educação em Engenharia, Recife, PE,.

Davok, D. F. and Bernard, R. P. (2016). Avaliação dos índices de evasão nos cursos de graduação da universidade do estado de santa catarina UDESC. Avaliação: Revista da Avaliação da Educação Superior (Campinas), 21(2):503–522.

de Albuquerque Motta, P. R. (2016). Estudo exploratório do uso de classificadores para a predição de desempenho e abandono em universidade. Master’s thesis, Programa de Pós-graduação Mestrado em Ciência da Computação (INF) da Universidade Federal de Goiás, Goiânia, GO.

Fayyad, U., Piatetsky-Shapiro, G., and Smyth, P. (1996). From data mining to knowledge discovery in databases. AI Magazine, 17(3):37–54.

Goldschmidt, R., Passos, E., and Bezerra, E. (2015). Data Mining. GEN LTC.

Han, J. and Kamber, M. (2012). Data mining: concepts and techniques. Kaufmann, San Francisco [u.a.].

Manhães, L. M. B. (2015). Predição do desempenho acadêmico utilizando mineração de dados educacionais. Master’s thesis, Programa de Pós-graduação em Engenharia de Sistemas e Computação, COPPE, Universidade Federal do Rio de Janeiro, Rio de Janeiro, BR.

Oliveira, J. G. J. (2015). Identificação de padrões para a análise da evasão em cursos de graduação usando mineração de dados educacionais. Master’s thesis, Pós-Graduação em Computação Aplicada da Universidade Tecnológica Federal do Paraná, Curitiba, PR.

Oliveira, J. G. J., Noronha, R. V., and Kaestner, C. A. A. (2015). Análise da correlação da evasão de cursos de graduação com o empréstimo de livros em biblioteca. Anais dos Workshops do Congresso Brasileiro de Informática na Educação, 3(1):601.

Passos, F. J. V., Braathen, P. C., Guerreiro, M., Arruda, M. A., and Bohnenberger, J. C. (2001a). Programa de tutoria: uma experiência. XXIX Congresso Brasileiro de Ensino de Engenharia.

Passos, F. J. V., Guerreiro, M., Braathen, P. C., and Arruda, M. A. (2001b). Programa de tutoria: uma esperança. XXIX Congresso Brasileiro de Ensino de Engenharia.

Quinlan, J. R. (1993). C4.5: programs for machine learning. Morgan Kaufmann Publishers Inc., San Francisco, CA, USA.

Santos, V., Saraiva, D., and Oliveira, C. (2021). Uma análise de trabalhos de mineração de dados educacionais no contexto da evasão escolar. In Anais do XXXII Simpósio Brasileiro de Informática na Educação, pages 1196–1210, Porto Alegre, RS, Brasil. SBC.

Severino, A. J. (2014). Metodologia do trabalho científico. Cortez Editora, São Paulo, Brasil, 1 edition.

Silva Filho, R. L. L., Motejunas, P. R., Hipólito, O., and de Carvalho Melo Lobo, M. B. (2007). A evasão no ensino superior brasileiro. Cadernos de Pesquisa, 37(132):641– 659.

Simão, A. M. V., abd Sandra Fernandes, A. F., and Figueira, C. (2008). Tutoria no ensino superior: concepções e práticas. Sísifo: Revista de Ciências da Educação, 7:75–88.
Publicado
06/11/2023
FALCÃO, Adair Perdomo; VILLWOCK, Rosangela; MILOCA, Simone Aparecida. Análise de dados pré-universidade para predizer a evasão de alunos ingressantes em uma instituição de ensino superior. In: SIMPÓSIO BRASILEIRO DE INFORMÁTICA NA EDUCAÇÃO (SBIE), 34. , 2023, Passo Fundo/RS. Anais [...]. Porto Alegre: Sociedade Brasileira de Computação, 2023 . p. 1293-1304. DOI: https://doi.org/10.5753/sbie.2023.234668.