Mineração de Padrões Sequenciais de Sentimentos: Um Estudo de Caso na Prevenção de Evasão da Educação Superior
Resumo
Em um cenário de altos índices de evasão na Educação Superior brasileira, o presente trabalho investiga a validade da hipótese de que utilizar informações sobre possíveis sentimentos presentes nas interações entre aluno e instituição de ensino superior (IES) pode contribuir para melhorar a detecção antecipada de evasão escolar baseada na mineração de padrões sequenciais. Para tanto, adaptou o método proposto em SS-DetChurn de forma a aplicá-lo sobre dados históricos de uma IES. Os experimentos realizados com esses dados produziram resultados quantitativos que apontaram para a validade da hipótese investigada e resultados qualitativos que levaram a um conjunto de ações a ser incorporado no programa de combate à evasão da referida IES.
Palavras-chave:
Mineração de Padrões Sequenciais, Sentimentos, Evasão, Educação Superior
Referências
Agrawal, R. et al. (1993). Mining association rules between sets of items in large databases. SIGMOD Rec., 22(2):207–216.
Antonucci, D. (2018). 4 motivos para investir em um CRM especializado no ensino superior. Revista do Ensino Superior.
Bezerra, C. et al. (2016). Evasão Escolar: Aplicando Mineração de Dados para Identificar Variáveis Relevantes. CBIE.
Bocchini, B. (2018). Pesquisa sobre Evasão no Ensino Superior. Agência Brasil.
Chiang, D. A. et al. (2003). Goal-oriented sequential pattern for network banking churn analysis. volume 25, pages 293–302. ESWA.
Colpani, R. (2018). Mineração de Dados Educacionais: um Estudo da Evasão no Ensino Médio com Base nos Indicadores do Censo Escolar. volume 21. Informática na Educação: teoria prática.
Cordeiro, R. (2017). Identificação do Comportamento dos Estudantes Evadidos de Cursos Técnicos Utilizando Técnicas de Mineração de Dados. IFECTF-Dissert. Mestrado.
Coussement, K. and Poel, D. V. d. (2009). Improving customer attrition prediction by integrating emotions from client/company interaction emails and evaluating multiple classifiers. volume 36, pages 6127–6134. ESWA.
Faceli, K. et al. (2015). Inteligência Artificial. Uma Abordagem de Aprendizado de Máquina. LTC.
García, D. L. et al. (2017). Intelligent data analysis approaches to churn as a business problem: a survey. volume 51, pages 719–774. KAIS.
Gonçalvez, T. C. et al. (2018). Técnicas de mineração de dados: um estudo de caso da evasão no ensino superior do IFMA. volume 10, pages 11–20. RBCA.
Hadden, J. et al. (2007). Computer assisted customer churn management: State-of-the-art and future trends. volume 34, pages 2902–2917. Computers and Operations Research.
Junior, J. G. O. et al. (2017). Método de Seleção de Atributos Aplicados na Previsão da Evasão de Cursos de Graduação. volume 13. Revista de Informática Aplicada.
Manhães, L. et al. (2012). Identificação dos Fatores que Influenciam a Evasão em Cursos de Graduação Através de Sistemas Baseados em Mineração de Dados. SBSI.
Medeiros, L. and Padilha, T. (2018). Mineração de Dados para Detectar Evasão Escolar utilizando Algoritmos de Classificação: Um Estudo de Caso. CIET.
Mikolov, T. et al. (2013). Linguistic regularities in continuous space word representations. pages 746—-751. HLT-NAACL.
Pimentel, T. P. et al. (2019). Predição de churn baseada em detecção de padrões sequenciais e análise de sentimentos sobre as interações de clientes no CRM. IME-Dissert. Mestrado.
Pimentel, T. P. and Goldschmidt, R. R. (2019). Sequential Sentiment Pattern Mining to Predict Churn in CRM Systems: A Case Study with Telecom Data. volume 15, pages 1–8. SBSI’19 Proceedings of the XV Brazilian Symposium on Information Systems.
Ramos, J. et al. (2018). Um estudo comparativo de classificadores na previsão da evasão de alunos em EAD. VIII CBIE.
Verbeke, W. et al. (2012). New insights into churn prediction in the telecommunication sector: A profit driven data mining approach. volume 218, pages 211–229. EJOR.
Wang, J. (2004). BIDE: Efficient mining of frequent closed sequences. pages 79––90. IEEE Press.
Wu, D. (2009). Supplier selection: A hybrid model using DEA, decision tree and neural network. volume 36, pages 9105–9112. ESWA.
Zhang, X. et al. (2012). Predicting customer churn through interpersonal influence. volume 28, pages 94–104. Knowledge-Based Systems.
Antonucci, D. (2018). 4 motivos para investir em um CRM especializado no ensino superior. Revista do Ensino Superior.
Bezerra, C. et al. (2016). Evasão Escolar: Aplicando Mineração de Dados para Identificar Variáveis Relevantes. CBIE.
Bocchini, B. (2018). Pesquisa sobre Evasão no Ensino Superior. Agência Brasil.
Chiang, D. A. et al. (2003). Goal-oriented sequential pattern for network banking churn analysis. volume 25, pages 293–302. ESWA.
Colpani, R. (2018). Mineração de Dados Educacionais: um Estudo da Evasão no Ensino Médio com Base nos Indicadores do Censo Escolar. volume 21. Informática na Educação: teoria prática.
Cordeiro, R. (2017). Identificação do Comportamento dos Estudantes Evadidos de Cursos Técnicos Utilizando Técnicas de Mineração de Dados. IFECTF-Dissert. Mestrado.
Coussement, K. and Poel, D. V. d. (2009). Improving customer attrition prediction by integrating emotions from client/company interaction emails and evaluating multiple classifiers. volume 36, pages 6127–6134. ESWA.
Faceli, K. et al. (2015). Inteligência Artificial. Uma Abordagem de Aprendizado de Máquina. LTC.
García, D. L. et al. (2017). Intelligent data analysis approaches to churn as a business problem: a survey. volume 51, pages 719–774. KAIS.
Gonçalvez, T. C. et al. (2018). Técnicas de mineração de dados: um estudo de caso da evasão no ensino superior do IFMA. volume 10, pages 11–20. RBCA.
Hadden, J. et al. (2007). Computer assisted customer churn management: State-of-the-art and future trends. volume 34, pages 2902–2917. Computers and Operations Research.
Junior, J. G. O. et al. (2017). Método de Seleção de Atributos Aplicados na Previsão da Evasão de Cursos de Graduação. volume 13. Revista de Informática Aplicada.
Manhães, L. et al. (2012). Identificação dos Fatores que Influenciam a Evasão em Cursos de Graduação Através de Sistemas Baseados em Mineração de Dados. SBSI.
Medeiros, L. and Padilha, T. (2018). Mineração de Dados para Detectar Evasão Escolar utilizando Algoritmos de Classificação: Um Estudo de Caso. CIET.
Mikolov, T. et al. (2013). Linguistic regularities in continuous space word representations. pages 746—-751. HLT-NAACL.
Pimentel, T. P. et al. (2019). Predição de churn baseada em detecção de padrões sequenciais e análise de sentimentos sobre as interações de clientes no CRM. IME-Dissert. Mestrado.
Pimentel, T. P. and Goldschmidt, R. R. (2019). Sequential Sentiment Pattern Mining to Predict Churn in CRM Systems: A Case Study with Telecom Data. volume 15, pages 1–8. SBSI’19 Proceedings of the XV Brazilian Symposium on Information Systems.
Ramos, J. et al. (2018). Um estudo comparativo de classificadores na previsão da evasão de alunos em EAD. VIII CBIE.
Verbeke, W. et al. (2012). New insights into churn prediction in the telecommunication sector: A profit driven data mining approach. volume 218, pages 211–229. EJOR.
Wang, J. (2004). BIDE: Efficient mining of frequent closed sequences. pages 79––90. IEEE Press.
Wu, D. (2009). Supplier selection: A hybrid model using DEA, decision tree and neural network. volume 36, pages 9105–9112. ESWA.
Zhang, X. et al. (2012). Predicting customer churn through interpersonal influence. volume 28, pages 94–104. Knowledge-Based Systems.
Publicado
11/11/2019
Como Citar
PIMENTEL, Thiago; PASSOS, Claudio; FERNANDES, Isabel; GOLDSCHMIDT, Ronaldo.
Mineração de Padrões Sequenciais de Sentimentos: Um Estudo de Caso na Prevenção de Evasão da Educação Superior. In: SIMPÓSIO BRASILEIRO DE INFORMÁTICA NA EDUCAÇÃO (SBIE), 30. , 2019, Brasília/DF.
Anais [...].
Porto Alegre: Sociedade Brasileira de Computação,
2019
.
p. 1411-1420.
DOI: https://doi.org/10.5753/cbie.sbie.2019.1411.
