Aspectos relevantes dos modelos preditivos de inteligência artificial no combate à evasão escolar em cursos de graduação: uma revisão sistemática
Resumo
O estudo aborda os aspectos relevantes da aplicação da Inteligência Artificial (IA) no combate à evasão escolar no ensino superior, um fenômeno desafiador, constante e persistente. A pesquisa investiga a aplicação da Inteligência Artificial como ferramenta na prevenção à evasão escolar nos cursos superiores com o objetivo de elucidar os aspectos relevantes, eficácia e contribuição da IA para a redução da evasão escolar. A metodologia adotada é a revisão sistemática da literatura, incluindo a coleta e análise de estudos relevantes acerca do uso da IA como modelo preditivo na evasão escolar.
Palavras-chave:
Inteligência Artificial, Educação, Evasão Escolar, Modelo Preditivo
Referências
Bitencourt, W. A., Silva, D. M., & Do Carmo Xavier, G. (2022). May artificial intelligence support actions against school dropout? Ensaio, 30(116), 669–694. DOI: 10.1590/S0104-403620220003002854
Caetano, M. M. (2019). O uso de inteligência artificial para detecção de evasão escolar em instituições de ensino: Um estudo de caso em uma instituição de ensino superior.Trabalho de conclusão de curso, Instituto Ensinar Brasil, Faculdade Doctum de Caratinga.
Canete-Sifuentes, L., et al. (2023). Comparing automated machine learning against an off-the-shelf pattern-based classifier in a class imbalance problem: Predicting university dropout. IEEE Access, 11, 139147–139156. [link]
Costa, J. de J., et al. (2019). Mining direct acyclic graphs to find frequent substructures — An experimental analysis on educational data. Information Sciences, 482, 266–278. DOI: 10.1016/j.ins.2019.01.032
Fernández-García, A. J., et al. (2020). Creating a recommender system to support higher education students in the subject enrollment decision. IEEE Access, 8, 189069–189088. [link]
Fernandez-Garcia, A. J., et al. (2021). A real-life machine learning experience for predicting university dropout at different stages using academic data. IEEE Access, 9, 133076–133090. [link]
Gonzalez-Nucamendi, A., et al. (2023). Predictive analytics study to determine undergraduate students at risk of dropout. Frontiers in Education, 8. DOI: 10.3389/feduc.2023.1244686
Niyogisubizo, J., et al. (2022). Predicting student’s dropout in university classes using two-layer ensemble machine learning approach: A novel stacked generalization. Computers and Education: Artificial Intelligence, 3. DOI: 10.1016/j.caeai.2022.100066
Oliveira Júnior, J. O. (2022). A SBED e a Declaração de Lima de 2022: Garantia de atenção a crianças e adolescentes com dor e às suas famílias. Brazilian Journal of Pain, 5(3). DOI: 10.5935/2595-0118.20220050-pt
Phan, M., De Caigny, A., & Coussement, K. (2023). A decision support framework to incorporate textual data for early student dropout prediction in higher education. Decision Support Systems, 168. DOI: 10.1016/j.dss.2023.113940
Rodrigues, L. M., Moraes, E. A. P., & Santos, R. C. P. (2021). Análise preditiva para identificação de alunos suscetíveis à evasão escolar. Brazilian Journal of Development, 7(7), 71631-71643. DOI: 10.34117/bjdv7n7-371
Santos Junior, J. da S., & Real, G. C. M. (2017). O acesso à educação superior na Universidade Federal da Grande Dourados: Trajetória de estudantes ingressantes entre 2006-2009. Revista Brasileira de Política e Administração da Educação, 33(2), 467. DOI: 10.21573/vol33n22017.71081
Sihare, S. R. (2024). Student dropout analysis in higher education and retention by artificial intelligence and machine learning. SN Computer Science, 5(2). [link]
Skittou, M., Merrouchi, M., & Gadi, T. (2023). Development of an early warning system to support educational planning process by identifying at-risk students. IEEE Access. DOI: 10.1109/access.2023.3348091
Uliyan, D., et al. (2021). Deep learning model to predict students retention using BLSTM and CRF. IEEE Access, 9, 135550–135558. [link]
Veloso, T. C. M. A., & De Almeida, E. P. (2002). Evasão nos cursos de graduação da Universidade Federal de Mato Grosso, campus universitário de Cuiabá–Um processo de exclusão. Série-Estudos, Periódico do Programa de Pós-Graduação em Educação da UCDB. [link]
Villarreal-Torres, H., et al. (2024). Modelo de clasificación para la deserción estudiantil en las universidades públicas del Perú. Revista de Ciencias Sociales, 30(1). DOI: 10.31876/rcs.v30i1.41667
Caetano, M. M. (2019). O uso de inteligência artificial para detecção de evasão escolar em instituições de ensino: Um estudo de caso em uma instituição de ensino superior.Trabalho de conclusão de curso, Instituto Ensinar Brasil, Faculdade Doctum de Caratinga.
Canete-Sifuentes, L., et al. (2023). Comparing automated machine learning against an off-the-shelf pattern-based classifier in a class imbalance problem: Predicting university dropout. IEEE Access, 11, 139147–139156. [link]
Costa, J. de J., et al. (2019). Mining direct acyclic graphs to find frequent substructures — An experimental analysis on educational data. Information Sciences, 482, 266–278. DOI: 10.1016/j.ins.2019.01.032
Fernández-García, A. J., et al. (2020). Creating a recommender system to support higher education students in the subject enrollment decision. IEEE Access, 8, 189069–189088. [link]
Fernandez-Garcia, A. J., et al. (2021). A real-life machine learning experience for predicting university dropout at different stages using academic data. IEEE Access, 9, 133076–133090. [link]
Gonzalez-Nucamendi, A., et al. (2023). Predictive analytics study to determine undergraduate students at risk of dropout. Frontiers in Education, 8. DOI: 10.3389/feduc.2023.1244686
Niyogisubizo, J., et al. (2022). Predicting student’s dropout in university classes using two-layer ensemble machine learning approach: A novel stacked generalization. Computers and Education: Artificial Intelligence, 3. DOI: 10.1016/j.caeai.2022.100066
Oliveira Júnior, J. O. (2022). A SBED e a Declaração de Lima de 2022: Garantia de atenção a crianças e adolescentes com dor e às suas famílias. Brazilian Journal of Pain, 5(3). DOI: 10.5935/2595-0118.20220050-pt
Phan, M., De Caigny, A., & Coussement, K. (2023). A decision support framework to incorporate textual data for early student dropout prediction in higher education. Decision Support Systems, 168. DOI: 10.1016/j.dss.2023.113940
Rodrigues, L. M., Moraes, E. A. P., & Santos, R. C. P. (2021). Análise preditiva para identificação de alunos suscetíveis à evasão escolar. Brazilian Journal of Development, 7(7), 71631-71643. DOI: 10.34117/bjdv7n7-371
Santos Junior, J. da S., & Real, G. C. M. (2017). O acesso à educação superior na Universidade Federal da Grande Dourados: Trajetória de estudantes ingressantes entre 2006-2009. Revista Brasileira de Política e Administração da Educação, 33(2), 467. DOI: 10.21573/vol33n22017.71081
Sihare, S. R. (2024). Student dropout analysis in higher education and retention by artificial intelligence and machine learning. SN Computer Science, 5(2). [link]
Skittou, M., Merrouchi, M., & Gadi, T. (2023). Development of an early warning system to support educational planning process by identifying at-risk students. IEEE Access. DOI: 10.1109/access.2023.3348091
Uliyan, D., et al. (2021). Deep learning model to predict students retention using BLSTM and CRF. IEEE Access, 9, 135550–135558. [link]
Veloso, T. C. M. A., & De Almeida, E. P. (2002). Evasão nos cursos de graduação da Universidade Federal de Mato Grosso, campus universitário de Cuiabá–Um processo de exclusão. Série-Estudos, Periódico do Programa de Pós-Graduação em Educação da UCDB. [link]
Villarreal-Torres, H., et al. (2024). Modelo de clasificación para la deserción estudiantil en las universidades públicas del Perú. Revista de Ciencias Sociales, 30(1). DOI: 10.31876/rcs.v30i1.41667
Publicado
04/11/2024
Como Citar
ALVES, Aline F.; INÁCIO, Clarice B. Venâncio; POZZEBON, Eliane; SILVA, Juarez Bento da.
Aspectos relevantes dos modelos preditivos de inteligência artificial no combate à evasão escolar em cursos de graduação: uma revisão sistemática. In: SIMPÓSIO BRASILEIRO DE INFORMÁTICA NA EDUCAÇÃO (SBIE), 35. , 2024, Rio de Janeiro/RJ.
Anais [...].
Porto Alegre: Sociedade Brasileira de Computação,
2024
.
p. 1503-1514.
DOI: https://doi.org/10.5753/sbie.2024.241899.
