Perfil das Bases de Dados Nacionais na Área de Mineração de Dados Educacionais
Resumo
A Mineração de Dados Educacionais (MDE) tem se consolidado como uma abordagem eficaz para investigar desafios no contexto educacional. A evasão escolar, por sua vez, é um fenômeno recorrente que afeta diversas instituições de ensino e tem sido amplamente estudada com o apoio de técnicas de MDE e Machine Learning. A qualidade das análises realizadas depende, em grande parte, da escolha de bases de dados adequadas — que sejam abrangentes, acessíveis, ricas em atributos relevantes e com volume suficiente. Neste contexto, este trabalho propõe mapear e caracterizar as fontes de dados utilizadas em estudos de MDE voltados à evasão escolar. São considerados aspectos como o tamanho das bases, quantidade de atributos, disponibilidade (pública ou privada) e os tipos de dados analisados.Referências
Baker, R., Isotani, S., and Carvalho, A. (2011). Mineração de dados educacionais: Oportunidades para o Brasil. Revista Brasileira de informática na educação, 19(02):03.
Barbosa, D., Cabral, L., Dwan, F., Feitas, E., and Mello, R. (2023). Previsão da evasão escolar através da análise de dados e aprendizagem de máquina: Um estudo de caso. In Anais do II Workshop de Aplicações Práticas de Learning Analytics em Instituições de Ensino no Brasil, pages 42–50, Porto Alegre, RS, Brasil. SBC.
Batista, J. and Fagundes, M. (2023). Revisão sistemática sobre mineração de dados educacionais com foco em desempenho acadêmico. Revista Brasileira de Informática na Educação, 29(1):45–62.
Brito, B., Mello, R., and Alves, G. (2020). Identificação de atributos relevantes na evasão no ensino superior público brasileiro. In Anais do XXXI Simpósio Brasileiro de Informática na Educação, pages 1032–1041, Porto Alegre, RS, Brasil. SBC.
Brizola, J. and Fatin, N. (2017). Revisão da lietratura e revisão sistemática da literatura. Revista de Educação do Vale do Arinos - RELVA, 3(2).
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.
Carvalho, C., Mattos, J., and Aguiar, M. (2023). Avaliação da interpretabilidade de modelos por meio da clusterização de explicações no contexto da predição de evasão no ensino superior. In Anais do XXXIV Simpósio Brasileiro de Informática na Educação, pages 1191–1201, Porto Alegre, RS, Brasil. SBC.
Colpo, A., Rodrigues, L., and Teixeira, B. (2024). Revisão sistemática sobre a aplicação da MDE na predição de evasão escolar. Journal of Educational Data Mining, 16(1):15–34.
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.
Correia, R., Mendonça, H., Silva, C., and Toledo, D. (2024). Análise dos principais fatores que influenciam a evasão no ensino superior utilizando técnicas de mineração de dados educacionais. In Anais do XXXII Workshop sobre Educação em Computação, pages 830–841, Porto Alegre, RS, Brasil. SBC.
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.
De Lima, L. M. and Krohling, R. A. (2021). Discovering an aid policy to minimize student evasion using offline reinforcement learning. In 2021 International Joint Conference on Neural Networks (IJCNN), pages 1–8.
Dias, J. C., Da Silva, T. L., Juliatto, M. A., Da Paixão, A. N., and Prata, D. N. (2023). School dropout in the federal network education of brazil: is it an inherent individual attribute or it lies on setting conditions? In 2023 International Symposium on Computers in Education (SIIE), pages 1–10.
Falcão, A., Villwock, R., and Miloca, S. (2023). Análise de dados pré-universidade para predizer a evasão de alunos ingressantes em uma instituição de ensino superior. In Anais do XXXIV Simpósio Brasileiro de Informática na Educação, pages 1293–1304, Porto Alegre, RS, Brasil. SBC.
Filho, F., Vinuto, T., and Leal, B. (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, Porto Alegre, RS, Brasil. SBC.
Fonseca Silveira, R., Holanda, M., Ramos, G. N., Victorino, M., and Da Silva, D. (2022). Analysis of student performance and social-economic data in introductory computer science courses at the university of Brasília. In 2022 IEEE Frontiers in Education Conference (FIE), pages 1–8.
INEP (2020). PolÍtica e plano de dados abertos do INEP. Acesso em: 06-06-2025.
INEP (2025a). Censo da educação superior. Disponível em: [link]. Acessado: 03-06-2025.
INEP (2025b). Censo escolar. Disponível em: [link]. Acessado: 03-06-2025.
Kantorski, G., Martins, R., Balejo, A., and Frick, M. (2023a). Mineração de dados educacionais para predição da evasão em cursos de graduação presenciais no ensino superior. In Anais do XXXIV Simpósio Brasileiro de Informática na Educação, pages 1133–1142, Porto Alegre, RS, Brasil. SBC.
Kantorski, G., Martins, R., Balejo, A., and Frick, M. (2023b). Mineração de dados educacionais para predição da evasão em cursos de graduação presenciais no ensino superior. In Anais do XXXIV Simpósio Brasileiro de Informática na Educação, pages 1133–1142, Porto Alegre, RS, Brasil. SBC.
Krüger, J. G. C., de Souza Britto, A., and Barddal, J. P. (2023). An explainable machine learning approach for student dropout prediction. Expert Systems with Applications, 233:120933.
Leite, D., Filho, E., de Oliveira, J. F. L., Carneiro, R. E., and Maciel, A. (2021). Early detection of students at risk of failure from a small dataset. In 2021 International Conference on Advanced Learning Technologies (ICALT), pages 42–46.
Magalhães dos Santos, J. K., da Rocha, H. O., Rodrigues Okamura, E. M., Araujo Dias, V. A., Pessoa de Melo, L. H., Oliveira Viana, G. B., Rodrigues, V. C., and da Silva, D. A. (2023). A review of ia use in education analysis. In 2023 Workshop on Communication Networks and Power Systems (WCNPS), pages 1–7.
Marques, J., Carvalho, A., and Silva, R. (2024). Modelo preditivo aplicado à evasão no IFPI utilizando MDE. Revista Brasileira de Tecnologia Educacional, 11(1):88–105.
Marques, L., Marques, B., Rocha, R., e Silva, L., de Castro, A., and Queiroz, P. G. (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, Porto Alegre, RS, Brasil. SBC.
Martins, C., Lacerda, F., Carmo, I., Silva, E., Alves, T., and Campos, R. (2023). Análise exploratória sobre evasão tardia da graduação de uma universidade pública. In Anais do VIII Congresso sobre Tecnologias na Educação, pages 31–40, Porto Alegre, RS, Brasil. SBC.
Mathews de, N. S. L., Fachini Gomes, J. B., Holanda, M., Koike, C. C., and Leao Costa, M. T. (2023). Study on computer science undergraduate students dropout at the university of Brasilia. In 2023 IEEE Frontiers in Education Conference (FIE), pages 1–7.
MEC (2025). Plataforma nilo peçanha. [link]. Acesso em: 06-06-2025.
Nascimento, F. F. d., Dantas, L. C. d. O., Castro, A. F. d., and Queiroz, P. G. G. (2024). Técnicas de mineração de dados e aprendizado de máquina aplicados à evasão estudantil: um mapeamento sistemático da literatura. Revista Brasileira de Informática na Educação, 32:270–294.
Oliveira, J. L., Paula Ambrósio, A., Silva, U., Brancher, J., and Franco, J. J. (2020). Undergraduate students’ effectiveness in an institution with high dropout index. In 2020 IEEE Frontiers in Education Conference (FIE), pages 1–7.
Oliveira, R., Medeiros, F., and Alves, K. (2023). Predição de evasão por meio de um instrumento sistemático de avaliação institucional. In Anais do II Workshop de Aplicações Práticas de Learning Analytics em Instituições de Ensino no Brasil, pages 118–127, Porto Alegre, RS, Brasil. SBC.
Oliveira, R. d. S. and Medeiros, F. P. A. d. (2024). Modelo de predição de evasão escolar com base em dados de autoavaliação de cursos de graduação. Revista Brasileira de Informática na Educação, 32:1–21.
Rabelo, A. M. and Zárate, L. E. (2024). A model for predicting dropout of higher education students. Data Science and Management, 8(1):72–85.
Rodrigues, H., Moraes, L., Santiago, E., Campos, J., Júnior, E. G., Wanderley, G., Garcia, A., Mello, C., Alvares, R., and Santos, R. (2024). Predicting student dropout on the information systems undergraduate program of UNIRIO using decision trees. In Anais do XXXII Workshop sobre Educação em Computação, pages 588–598, Porto Alegre, RS, Brasil. SBC.
Santos, C. H., Martins, S., and Plastino, A. (2021a). 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.
Santos, G., Souza, A., Mantovani, R., Cruz, R., Cordeiro, T., and Souza, F. (2024). An exploratory analysis on gender-related dropout students in distance learning higher education using machine learning. In Proceedings of the 20th Brazilian Symposium on Information Systems, SBSI ’24, New York, NY, USA. Association for Computing Machinery.
Santos, J., Sousa, J. D., Mello, R., Cristino, C., and Alves, G. (2021b). Um modelo para análise do impacto da retenção e evasão no ensino superior utilizando cadeias de markov absorventes. In Anais do XXXII Simpósio Brasileiro de Informática na Educação, pages 813–823, Porto Alegre, RS, Brasil. SBC.
Santos, L. C. B., Schafer, A. G., Oliveira, E. S. d., Costa, V. G. d. J. S. D., Lima, M., and Souza, J. D. d. (2025). Mineração de dados educacionais com python: descobertas e aplicações para a melhoria da qualidade de ensino. Cuadernos de Educación y Desarrollo, 17(5):e8380.
Santos, V., Saraiva, D., and Oliveira, C. (2021c). 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.
Saraiva, D., Pereira, S., Braga, R., and Oliveira, C. (2021). Análise de agrupamentos para caracterização de indicadores de evasão. In Anais do XXIX Workshop sobre Educação em Computação, pages 238–247, Porto Alegre, RS, Brasil. SBC.
Silva, P. T. d. F. e. and Sampaio, L. M. B. (2022). Políticas de permanência estudantil na educação superior: reflexões de uma revisão da literatura para o contexto brasileiro. Revista de Administração Pública, 56(5):603–631.
Sousa, R., Fachini-Gomes, J., Holanda, M., and Leão, M. (2024). Um estudo da evasão no curso de licenciatura em computação da universidade de Brasília. In Anais do XXXII Workshop sobre Educação em Computação, pages 715–725, Porto Alegre, RS, Brasil. SBC.
Souza, A. L. and Braga, A. (2021). Uma análise dos algoritmos de classificação com base na evasão dos estudantes dos cursos técnicos integrados ao ensino médio do campus ceres do IF Goiano. In Anais do XXXII Simpósio Brasileiro de Informática na Educação, pages 1276–1285, Porto Alegre, RS, Brasil. SBC.
Souza, J., Komati, K., and Andrade, J. (2022). Análise de sobrevivência: um estudo de caso em um curso de sistemas de informação. In Anais do XXX Workshop sobre Educação em Computação, pages 392–403, Porto Alegre, RS, Brasil. SBC.
Teodoro, L., Ferreira, A., and Kappel, M. (2023). GraduAI – sistema com aprendizagem de máquina para avaliação de risco de evasão. In Anais Estendidos do XII Congresso Brasileiro de Informática na Educação, pages 84–95, Porto Alegre, RS, Brasil. SBC.
Teodoro, L. d. A. and Kappel, M. A. A. (2020). Aplicação de técnicas de aprendizado de máquina para predição de risco de evasão escolar em instituições públicas de ensino superior no Brasil. Revista Brasileira de Informática na Educação, 28:838–863.
Viana, F., Santana, A., and Rabêlo, R. (2022). Avaliação de classificadores para predição de evasão no ensino superior utilizando janela semestral. In Anais do XXXIII Simpósio Brasileiro de Informática na Educação, pages 908–919, Porto Alegre, RS, Brasil. SBC.
Villar, A. and de Andrade, C. R. V. (2024). Supervised machine learning algorithms for predicting student dropout and academic success: a comparative study. Discover Artificial Intelligence, 4(1):2.
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.
Barbosa, D., Cabral, L., Dwan, F., Feitas, E., and Mello, R. (2023). Previsão da evasão escolar através da análise de dados e aprendizagem de máquina: Um estudo de caso. In Anais do II Workshop de Aplicações Práticas de Learning Analytics em Instituições de Ensino no Brasil, pages 42–50, Porto Alegre, RS, Brasil. SBC.
Batista, J. and Fagundes, M. (2023). Revisão sistemática sobre mineração de dados educacionais com foco em desempenho acadêmico. Revista Brasileira de Informática na Educação, 29(1):45–62.
Brito, B., Mello, R., and Alves, G. (2020). Identificação de atributos relevantes na evasão no ensino superior público brasileiro. In Anais do XXXI Simpósio Brasileiro de Informática na Educação, pages 1032–1041, Porto Alegre, RS, Brasil. SBC.
Brizola, J. and Fatin, N. (2017). Revisão da lietratura e revisão sistemática da literatura. Revista de Educação do Vale do Arinos - RELVA, 3(2).
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.
Carvalho, C., Mattos, J., and Aguiar, M. (2023). Avaliação da interpretabilidade de modelos por meio da clusterização de explicações no contexto da predição de evasão no ensino superior. In Anais do XXXIV Simpósio Brasileiro de Informática na Educação, pages 1191–1201, Porto Alegre, RS, Brasil. SBC.
Colpo, A., Rodrigues, L., and Teixeira, B. (2024). Revisão sistemática sobre a aplicação da MDE na predição de evasão escolar. Journal of Educational Data Mining, 16(1):15–34.
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.
Correia, R., Mendonça, H., Silva, C., and Toledo, D. (2024). Análise dos principais fatores que influenciam a evasão no ensino superior utilizando técnicas de mineração de dados educacionais. In Anais do XXXII Workshop sobre Educação em Computação, pages 830–841, Porto Alegre, RS, Brasil. SBC.
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.
De Lima, L. M. and Krohling, R. A. (2021). Discovering an aid policy to minimize student evasion using offline reinforcement learning. In 2021 International Joint Conference on Neural Networks (IJCNN), pages 1–8.
Dias, J. C., Da Silva, T. L., Juliatto, M. A., Da Paixão, A. N., and Prata, D. N. (2023). School dropout in the federal network education of brazil: is it an inherent individual attribute or it lies on setting conditions? In 2023 International Symposium on Computers in Education (SIIE), pages 1–10.
Falcão, A., Villwock, R., and Miloca, S. (2023). Análise de dados pré-universidade para predizer a evasão de alunos ingressantes em uma instituição de ensino superior. In Anais do XXXIV Simpósio Brasileiro de Informática na Educação, pages 1293–1304, Porto Alegre, RS, Brasil. SBC.
Filho, F., Vinuto, T., and Leal, B. (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, Porto Alegre, RS, Brasil. SBC.
Fonseca Silveira, R., Holanda, M., Ramos, G. N., Victorino, M., and Da Silva, D. (2022). Analysis of student performance and social-economic data in introductory computer science courses at the university of Brasília. In 2022 IEEE Frontiers in Education Conference (FIE), pages 1–8.
INEP (2020). PolÍtica e plano de dados abertos do INEP. Acesso em: 06-06-2025.
INEP (2025a). Censo da educação superior. Disponível em: [link]. Acessado: 03-06-2025.
INEP (2025b). Censo escolar. Disponível em: [link]. Acessado: 03-06-2025.
Kantorski, G., Martins, R., Balejo, A., and Frick, M. (2023a). Mineração de dados educacionais para predição da evasão em cursos de graduação presenciais no ensino superior. In Anais do XXXIV Simpósio Brasileiro de Informática na Educação, pages 1133–1142, Porto Alegre, RS, Brasil. SBC.
Kantorski, G., Martins, R., Balejo, A., and Frick, M. (2023b). Mineração de dados educacionais para predição da evasão em cursos de graduação presenciais no ensino superior. In Anais do XXXIV Simpósio Brasileiro de Informática na Educação, pages 1133–1142, Porto Alegre, RS, Brasil. SBC.
Krüger, J. G. C., de Souza Britto, A., and Barddal, J. P. (2023). An explainable machine learning approach for student dropout prediction. Expert Systems with Applications, 233:120933.
Leite, D., Filho, E., de Oliveira, J. F. L., Carneiro, R. E., and Maciel, A. (2021). Early detection of students at risk of failure from a small dataset. In 2021 International Conference on Advanced Learning Technologies (ICALT), pages 42–46.
Magalhães dos Santos, J. K., da Rocha, H. O., Rodrigues Okamura, E. M., Araujo Dias, V. A., Pessoa de Melo, L. H., Oliveira Viana, G. B., Rodrigues, V. C., and da Silva, D. A. (2023). A review of ia use in education analysis. In 2023 Workshop on Communication Networks and Power Systems (WCNPS), pages 1–7.
Marques, J., Carvalho, A., and Silva, R. (2024). Modelo preditivo aplicado à evasão no IFPI utilizando MDE. Revista Brasileira de Tecnologia Educacional, 11(1):88–105.
Marques, L., Marques, B., Rocha, R., e Silva, L., de Castro, A., and Queiroz, P. G. (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, Porto Alegre, RS, Brasil. SBC.
Martins, C., Lacerda, F., Carmo, I., Silva, E., Alves, T., and Campos, R. (2023). Análise exploratória sobre evasão tardia da graduação de uma universidade pública. In Anais do VIII Congresso sobre Tecnologias na Educação, pages 31–40, Porto Alegre, RS, Brasil. SBC.
Mathews de, N. S. L., Fachini Gomes, J. B., Holanda, M., Koike, C. C., and Leao Costa, M. T. (2023). Study on computer science undergraduate students dropout at the university of Brasilia. In 2023 IEEE Frontiers in Education Conference (FIE), pages 1–7.
MEC (2025). Plataforma nilo peçanha. [link]. Acesso em: 06-06-2025.
Nascimento, F. F. d., Dantas, L. C. d. O., Castro, A. F. d., and Queiroz, P. G. G. (2024). Técnicas de mineração de dados e aprendizado de máquina aplicados à evasão estudantil: um mapeamento sistemático da literatura. Revista Brasileira de Informática na Educação, 32:270–294.
Oliveira, J. L., Paula Ambrósio, A., Silva, U., Brancher, J., and Franco, J. J. (2020). Undergraduate students’ effectiveness in an institution with high dropout index. In 2020 IEEE Frontiers in Education Conference (FIE), pages 1–7.
Oliveira, R., Medeiros, F., and Alves, K. (2023). Predição de evasão por meio de um instrumento sistemático de avaliação institucional. In Anais do II Workshop de Aplicações Práticas de Learning Analytics em Instituições de Ensino no Brasil, pages 118–127, Porto Alegre, RS, Brasil. SBC.
Oliveira, R. d. S. and Medeiros, F. P. A. d. (2024). Modelo de predição de evasão escolar com base em dados de autoavaliação de cursos de graduação. Revista Brasileira de Informática na Educação, 32:1–21.
Rabelo, A. M. and Zárate, L. E. (2024). A model for predicting dropout of higher education students. Data Science and Management, 8(1):72–85.
Rodrigues, H., Moraes, L., Santiago, E., Campos, J., Júnior, E. G., Wanderley, G., Garcia, A., Mello, C., Alvares, R., and Santos, R. (2024). Predicting student dropout on the information systems undergraduate program of UNIRIO using decision trees. In Anais do XXXII Workshop sobre Educação em Computação, pages 588–598, Porto Alegre, RS, Brasil. SBC.
Santos, C. H., Martins, S., and Plastino, A. (2021a). 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.
Santos, G., Souza, A., Mantovani, R., Cruz, R., Cordeiro, T., and Souza, F. (2024). An exploratory analysis on gender-related dropout students in distance learning higher education using machine learning. In Proceedings of the 20th Brazilian Symposium on Information Systems, SBSI ’24, New York, NY, USA. Association for Computing Machinery.
Santos, J., Sousa, J. D., Mello, R., Cristino, C., and Alves, G. (2021b). Um modelo para análise do impacto da retenção e evasão no ensino superior utilizando cadeias de markov absorventes. In Anais do XXXII Simpósio Brasileiro de Informática na Educação, pages 813–823, Porto Alegre, RS, Brasil. SBC.
Santos, L. C. B., Schafer, A. G., Oliveira, E. S. d., Costa, V. G. d. J. S. D., Lima, M., and Souza, J. D. d. (2025). Mineração de dados educacionais com python: descobertas e aplicações para a melhoria da qualidade de ensino. Cuadernos de Educación y Desarrollo, 17(5):e8380.
Santos, V., Saraiva, D., and Oliveira, C. (2021c). 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.
Saraiva, D., Pereira, S., Braga, R., and Oliveira, C. (2021). Análise de agrupamentos para caracterização de indicadores de evasão. In Anais do XXIX Workshop sobre Educação em Computação, pages 238–247, Porto Alegre, RS, Brasil. SBC.
Silva, P. T. d. F. e. and Sampaio, L. M. B. (2022). Políticas de permanência estudantil na educação superior: reflexões de uma revisão da literatura para o contexto brasileiro. Revista de Administração Pública, 56(5):603–631.
Sousa, R., Fachini-Gomes, J., Holanda, M., and Leão, M. (2024). Um estudo da evasão no curso de licenciatura em computação da universidade de Brasília. In Anais do XXXII Workshop sobre Educação em Computação, pages 715–725, Porto Alegre, RS, Brasil. SBC.
Souza, A. L. and Braga, A. (2021). Uma análise dos algoritmos de classificação com base na evasão dos estudantes dos cursos técnicos integrados ao ensino médio do campus ceres do IF Goiano. In Anais do XXXII Simpósio Brasileiro de Informática na Educação, pages 1276–1285, Porto Alegre, RS, Brasil. SBC.
Souza, J., Komati, K., and Andrade, J. (2022). Análise de sobrevivência: um estudo de caso em um curso de sistemas de informação. In Anais do XXX Workshop sobre Educação em Computação, pages 392–403, Porto Alegre, RS, Brasil. SBC.
Teodoro, L., Ferreira, A., and Kappel, M. (2023). GraduAI – sistema com aprendizagem de máquina para avaliação de risco de evasão. In Anais Estendidos do XII Congresso Brasileiro de Informática na Educação, pages 84–95, Porto Alegre, RS, Brasil. SBC.
Teodoro, L. d. A. and Kappel, M. A. A. (2020). Aplicação de técnicas de aprendizado de máquina para predição de risco de evasão escolar em instituições públicas de ensino superior no Brasil. Revista Brasileira de Informática na Educação, 28:838–863.
Viana, F., Santana, A., and Rabêlo, R. (2022). Avaliação de classificadores para predição de evasão no ensino superior utilizando janela semestral. In Anais do XXXIII Simpósio Brasileiro de Informática na Educação, pages 908–919, Porto Alegre, RS, Brasil. SBC.
Villar, A. and de Andrade, C. R. V. (2024). Supervised machine learning algorithms for predicting student dropout and academic success: a comparative study. Discover Artificial Intelligence, 4(1):2.
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
24/11/2025
Como Citar
GOMES, Lara; LINHARES, João; BASTOS, Neila; SILVEIRA, Raquel; OLIVEIRA, Carina.
Perfil das Bases de Dados Nacionais na Área de Mineração de Dados Educacionais. In: SIMPÓSIO BRASILEIRO DE INFORMÁTICA NA EDUCAÇÃO (SBIE), 36. , 2025, Curitiba/PR.
Anais [...].
Porto Alegre: Sociedade Brasileira de Computação,
2025
.
p. 453-468.
DOI: https://doi.org/10.5753/sbie.2025.12450.
