Análises classificatórias de aprendizado de máquina para identificação de fatores de abandono escolar

• Daniella Martins Vasconcellos Universidade do Estado de Santa Catarina http://orcid.org/0000-0001-9250-8116
• Rafael Ferreira Mello Universidade Federal Rural de Pernambuco https://orcid.org/0000-0003-3548-9670
• Thales Vieira Universidade Federal de Alagoas https://orcid.org/0000-0001-7775-5258
• Elaine H. T. Oliveira CESAR School / Universidade Federal do Amazonas https://orcid.org/0000-0003-2884-9359
• Isabela Gasparini Universidade do Estado de Santa Catarina https://orcid.org/0000-0002-8094-9261

DOI: https://doi.org/10.5753/sbie.2024.242559

Resumo

A coleta de dados educacionais é essencial para a gestão eficiente de recursos e atendimento das necessidades da população, sendo amplamente utilizada por pesquisadores para compreender e melhorar a educação. Nesse contexto, este estudo visa identificar quais os fatores de risco de evasão escolar de maior impacto com base no Instrumento de Avaliação de Risco de Evasão Escolar (IAFREE). Foram realizadas análises estatísticas e classificatórias com aprendizado de máquina para compreender as variáveis com maior significância correlacional, ao final destacando-se as relações do estudante com o ambiente familiar e a distância da casa até a escola.

Palavras-chave: Aprendizado de Máquina Educacional, Evasão, Fatores de risco, Aprendizado de Máquina, Análise Classificatória, Análise Estatística

Referências

Aldowah, H., Al-Samarraie, H., and Fauzy, W. M. (2019). Educational data mining and learning analytics for 21st century higher education: A review and synthesis. Telematics and Informatics, 37:13–49.

BRASIL (1955). Decreto nº 37.106, de 31 de março de 1955. Diário Oficial da União. Disponível em: [link]

BRASIL (2001). Lei nº 10.172, de 9 de janeiro de 2001. Diário Oficial da União. Disponível em: [link]

BRASIL (2005). Lei nº 11.096, de 13 de janeiro de 2005. Diário Oficial da União. Disponível em: [link]

BRASIL (2020). Lei nº 14.113, de 25 de dezembro de 2020. Diário Oficial da União. Disponível em: [link]

Cechinel, C. and da Silva Camargo, S. (2020). Mineração de dados educacionais: avaliação e interpretação de modelos de classificação. In Jaques, P. A., Siqueira, S., Bittencourt, I., and Pimentel, M. (Eds.), Metodologia de Pesquisa Científica em Informática na Educação: Abordagem Quantitativa, volume 2 da Série Metodologia de Pesquisa em Informática na Educação, capítulo 12. Sociedade Brasileira de Computação, Porto Alegre: SBC. Disponível em: [link].

de Vasconcelos, A. N., Freires, L. A., Loureto, G. D. L., Fortes, G., da Costa, J. C. A., Torres, L. F. F., Bittencourt, I. I., Cordeiro, T. D., and Isotani, S. (2023). Advancing school dropout early warning systems: the IAFREE relational model for identifying at-risk students. Frontiers in Psychology, 14:1189283.

Koç, M. (2017). Learning analytics of student participation and achievement in online distance education: A structural equation modeling. Educational Sciences: Theory & Practice.

Moissa, B., Gasparini, I., and Kemczinski, A. (2015). Educational data mining versus learning analytics: estamos reinventando a roda? Um mapeamento sistemático. In Anais do XXVI Simpósio Brasileiro de Informática na Educação (SBIE 2015). Sociedade Brasileira de Computação - SBC.

Santos, M. C. S., Delatorre, L. R., Ceccato, M. d. G. B., and Bonolo, P. d. F. (2019). Programa Bolsa Família e indicadores educacionais em crianças, adolescentes e escolas no Brasil: revisão sistemática. Ciência & Saúde Coletiva, 24(6):2233–2247.

SAP (2022). Sistema de Alerta Preventivo (SAP) de evasão e abandono escolar. Acesso em mai. 2024.

Vargas, H. M. and Zuccareli, C. (2021). A nova face da docência: uma proposta de revisão do censo da educação superior. Estudos em Avaliação Educacional, 32.

Wasserstein, R. L. and Lazar, N. A. (2016). The ASA statement on p-values: Context, process, and purpose. The American Statistician, 70(2):129–133.