Combinando Técnicas de Mineração de Dados para Melhorar a Detecção de Indicadores de Evasão Universitária
Resumo
A evasão estudantil é um dos maiores problemas enfrentados pelas universidades públicas brasileiras, pois gera perdas financeiras, sociais e acadêmicas. Neste trabalho apresentamos uma metodologia que combina diferentes técnicas de mineração de dados com o objetivo de: (1) criar modelos preditivos para identificar alunos que se encontram em risco de evasão; e (2) estabelecer a relevância dos atributos relacionados ao fenômeno e assim contribuir com a prevenção do mesmo. Avaliamos a metodologia com dados reais de discentes da Universidade Federal de São João del-Rei realizando uma análise global dos dados e uma análise fragmentada para cada Área de Conhecimento. Os modelos preditivos gerados apresentam números alarmantes quanto às possíveis evasões em 2019, sobretudo nas Engenharias, Ciências Agrárias, Ciências Exatas e da Terra e Ciências Sociais Aplicadas. Com relação aos atributos identificados, os indicadores acadêmicos foram os mais relevantes para a compreensão do comportamento evasivo dos alunos, fator que coloca o gestor institucional como a figura principal para combater esse fenômeno.
Palavras-chave:
Evasão Universitária, Mineração de Dados, Modelos Preditivos, Indicadores Acadêmicos
Referências
Amorim, M. J. V., Barone, D., and Mansur, A. U. (2008). Técnicas de aprendizado de máquina aplicadas na previsão de evasão acadêmica. SBIE.
Da Cunha, J. V. A., Nascimento, E. M., and de Oliveira Durso, S. (2016). Razões e influências para a evasão universitária: um estudo com estudantes ingressantes nos cursos de ciências contábeis de instituições públicas federais da região sudeste. Advances in Scientific and Applied Accounting, 9(2), 141–161.
Dekker, G., Pechenizkiy, M., and Vleeshouwers, J. (2009). Predicting students dropout: A case study. In Educational Data Mining 2009.
Kotsiantis, S. B., Pierrakeas, C., and Pintelas, P. E. (2003). Preventing student dropout in distance learning using machine learning techniques. In KES Conference. Springer.
Manhães, L. M. B., Da Cruz, S. M. S., Costa, R. J. M., Zavaleta, J., and Zimbrão, G. (2011). Previsão de estudantes com risco de evasão utilizando técnicas de mineração de dados. In SBIE, volume 1.
Mourão, F., Rocha, L., Araújo, R., Couto, T., Gonçalves, M., and Meira Jr., W. (2008). Understanding temporal aspects in document classification.
Oliveira Júnior, J. G., Noronha, R. V., and Kaestner, C. A. A. (2014). 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.
Sachin, R. B. and Vijay, M. S. (2012). A survey and future vision of data mining in educational field. In Advanced Computing & Communication Technologies (ACCT), 2012 Second International Conference on, pages 96–100. IEEE.
Sandin, I., Andrade, G., Viegas, F., Madeira, D., Rocha, L., Salles, T., and Gonçalves, M. (2012). Aggressive and effective feature selection using genetic programming. In 2012 IEEE Congress on Evolutionary Computation, pages 1–8.
Silva Filho, R. L. L., Motejunas, P. R., Hipólito, O., and Melo Lobo, M. B. d. C. (2007). A evasão no ensino superior brasileiro. In Cadernos de Pesquisa, volume 37, pages 641–659.
Da Cunha, J. V. A., Nascimento, E. M., and de Oliveira Durso, S. (2016). Razões e influências para a evasão universitária: um estudo com estudantes ingressantes nos cursos de ciências contábeis de instituições públicas federais da região sudeste. Advances in Scientific and Applied Accounting, 9(2), 141–161.
Dekker, G., Pechenizkiy, M., and Vleeshouwers, J. (2009). Predicting students dropout: A case study. In Educational Data Mining 2009.
Kotsiantis, S. B., Pierrakeas, C., and Pintelas, P. E. (2003). Preventing student dropout in distance learning using machine learning techniques. In KES Conference. Springer.
Manhães, L. M. B., Da Cruz, S. M. S., Costa, R. J. M., Zavaleta, J., and Zimbrão, G. (2011). Previsão de estudantes com risco de evasão utilizando técnicas de mineração de dados. In SBIE, volume 1.
Mourão, F., Rocha, L., Araújo, R., Couto, T., Gonçalves, M., and Meira Jr., W. (2008). Understanding temporal aspects in document classification.
Oliveira Júnior, J. G., Noronha, R. V., and Kaestner, C. A. A. (2014). 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.
Sachin, R. B. and Vijay, M. S. (2012). A survey and future vision of data mining in educational field. In Advanced Computing & Communication Technologies (ACCT), 2012 Second International Conference on, pages 96–100. IEEE.
Sandin, I., Andrade, G., Viegas, F., Madeira, D., Rocha, L., Salles, T., and Gonçalves, M. (2012). Aggressive and effective feature selection using genetic programming. In 2012 IEEE Congress on Evolutionary Computation, pages 1–8.
Silva Filho, R. L. L., Motejunas, P. R., Hipólito, O., and Melo Lobo, M. B. d. C. (2007). A evasão no ensino superior brasileiro. In Cadernos de Pesquisa, volume 37, pages 641–659.
Publicado
11/11/2019
Como Citar
CARRANO, Davi; TULER, Elisa; INFANTE, Carlos; ROCHA, Leonardo.
Combinando Técnicas de Mineração de Dados para Melhorar a Detecção de Indicadores de Evasão Universitária. In: SIMPÓSIO BRASILEIRO DE INFORMÁTICA NA EDUCAÇÃO (SBIE), 30. , 2019, Brasília/DF.
Anais [...].
Porto Alegre: Sociedade Brasileira de Computação,
2019
.
p. 1321-1330.
DOI: https://doi.org/10.5753/cbie.sbie.2019.1321.
