Plataforma de Aprendizado de Máquina para Detecção e Monitoramento de Alunos com Risco de Evasão

• Carlos Antonio R. Beltrán Universidade Federal do Rio Grande do Norte (UFRN)
• João C. Xavier-Júnior Universidade Federal do Rio Grande do Norte (UFRN)
• Cephas A. da S. Barreto Universidade Federal do Rio Grande do Norte (UFRN)
• Carlos A. de O. Neto Universidade Federal do Rio Grande do Norte (UFRN)

DOI: https://doi.org/10.5753/cbie.sbie.2019.1591

Resumo

Técnicas de Aprendizado de Máquina (AM - Machine Learning em inglês) têm sido aplicadas aos mais variados problemas do mundo real, principalmente devido ao grande potencial e diversidade das mesmas. Baseado nessa realidade, este trabalho propõe o desenvolvimento de uma plataforma de Aprendizado de Máquina para detecção e monitoramento de alunos do ensino superior em risco de evasão. Como a evasão no ensino superior é um problema global caracterizado pelo abandono do curso, foram utilizados os dados de alunos da Universidade Católica Los Angeles de Chimbote (ULADECH) localizada no Peru para validar nossa proposta.

Palavras-chave: Aprendizado de Máquina, Ensino Superior, Evasão, Monitoramento, Detecção

Referências

Baggi, C.A.D.S. and Lopes, D.A. (2011). Evasão e avaliação institucional no ensino superior: uma discussão bibliográfica. Avaliação: Revista da Avaliação da Educação Superior (Campinas), 16:355–374.

Breiman, L. (1996). Bagging predictors. Machine Learning, 24(2):123–140.

Costa Gonçalves, T., Silva, J., and Andres Carmona Cortes, O. (2018). Técnicas de mineração de dados: Um estudo de caso da evasão no ensino superior do instituto federal do Maranhão. Revista Brasileira de Farmacia, 10.

Digiampietri, L., Nakano, F., and Lauretto, M. (2016). Mineração de dados para identificação de alunos com alto risco de evasão: Um estudo de caso. Grad+Revista de Graduação da USP, 1:17–23.

Faceli, K., Lorena, A.C., Gama, J., and de Carvalho, A.C. (2011). Inteligência Artificial: uma Abordagem de Aprendizado de Máquina. LTC-Livros técnicos e científicos Editora Ltda.

Figueiredo, N.G.d.S. and Salles, D.M.R. (2017). Educação Profissional e evasão escolar em contexto: motivos e reflexões. Ensaio: Avaliação e Políticas Públicas em Educação, 25:356–392.

Halkidi, M., Batistakis, Y., and Vazirgiannis, M. (2002). Clustering validity checking methods: part ii. SIGMOD Rec., 31(3):19–27.

Johann, C.C. (2012). Evasão escolar no instituto federal sul-rio-grandense: um estudo de caso no campus Passo Fundo. Master’s thesis, Universidade de Passo Fundo, Passo Fundo-RS.

Lanes, M. and Alcântara, C. (2018). Predição de alunos com risco de evasão: estudo de caso usando mineração de dados. In Brazilian Symposium on Computers in Education (Simpósio Brasileiro de Informática na Educação - SBIE), volume 29, page 1921.

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 Brazilian symposium on computers in education (simpósio brasileiro de informática na educação - SBIE), volume 1.

Paz, F. and Cazella, S. (2017). Identificando o perfil de evasão de alunos de graduação através de mineração de dados educacionais: um estudo de caso de uma universidade comunitária. In Anais dos Workshops do Congresso Brasileiro de Informática na Educação, volume 6, page 624.

Plasencia, R. (2011). Desercion universitaria preocupa al mundo. [link].

Schapire, R.E. (1999). A brief introduction to boosting. In Proceedings of the 16th International Joint Conference on Artificial Intelligence-Volume 2, IJCAI’99, pages 1401–1406, San Francisco, CA, USA. Morgan Kaufmann Publishers Inc.

Tudela, H.V. (2014). Una aproximación teórica al abandono estudiantil universitario. Revista Digital de Investigación en Docencia Universitaria (RIDU), 8(1):4.

Witten, I.H., Frank, E., Hall, M.A., and Pal, C.J. (2016). Data Mining: Practical Machine Learning Tools and Techniques. Morgan Kaufmann, 4th edition edition.