Um estudo comparativo de classificadores na previsão da evasão de alunos em EAD
Resumo
O uso de algoritmos de mineração de dados e de aprendizagem de máquina em contextos educacionais tem evoluído em razão da grande disponibilidade de dados geradas principalmente em ambientes virtuais de aprendizagem. Este estudo faz uma análise comparativa de cinco classificadores na tarefa de predição de alunos com risco de evasão em cursos de graduação por EAD. Os resultados apontaram uma pequena vantagem para o uso da Regressão Logística nos dados analisados, com taxas de sucesso acima de 90% no modelo preditivo.
Palavras-chave:
mineração de dados, aprendizagem de máquina, evasão escolar, educação a distância
Referências
ABED. Censo EAD.BR: Relatório Analítico da Aprendizagem a Distância no Brasil - 2016. Associação Brasileira de Educação a Distância. 2017.
DOS SANTOS, R. et al. Uma Abordagem Genérica de Identificação Precoce de Estudantes com Risco de Evasão em um AVA utilizando Técnicas de Mineração de Dados. XIX Congresso Internacional de Informática Educativa. Fortaleza - CE, 2014.
FAWCETT, T. An introduction to ROC analysis. Pattern Recognition Letters, v. 27, n. 8, p. 861-874, 2006. ISSN 0167-8655.
FAYYAD, U.; PIATETSKY-SHAPIRO, G.; SMYTH, P. From data mining to knowledge discovery in databases. AI Magazine, v. 17, n. 3, p. 37, 1996. ISSN 0738-4602.
HAN, J.; KAMBER, M.; PEI, J. Data Mining: Concepts and Techniques. Elsevier, 2011. ISBN 0123814804.
HUANG, X. et al. Understanding transactional distance in web-based learning environments: An empirical study. British Journal of Educational Technology, 2015. ISSN 1467-8535.
IBM. IBM SPSS Modeler 16 User's Guide. p. 50. 2013.
LANTZ, B. Machine Learning with R. Packt Publishing Ltd, 2013. ISBN 1782162151.
MAIMON, O.; ROKACH, L. Data Mining and Knowledge Discovery Handbook. 2nd ed. Springer, 2010. ISBN 978-0-387-09822-7. Disponível em: [link].
MARBOUTI, F.; DIEFES-DUX, H. A.; MADHAVAN, K. Models for early prediction of at-risk students in a course using standards-based grading. Computers & Education, v. 103, p. 1-15, 2016.
MOORE, M. G. The theory of transactional distance. In: MOORE, M. G. (Ed.). Handbook of Distance Education. New York: Routledge, 2013. cap. 5, p. 66-85.
MOORE, M. G. Theory of transactional distance. In: MOORE, M. G. (Ed.). Theoretical Principles of Distance Education. New York: Routledge, 1993. p. 2-29.
PAZ, F.; CAZELLA, S. Identificando o perfil de evasão de alunos de graduação através da Mineração de Dados Educacionais: um estudo de caso de uma Universidade Comunitária. In: Anais dos Workshops do Congresso Brasileiro de Informática na Educação. 2017. p. 624.
PEÑA-AYALA, A. Educational data mining: A survey and a data mining-based analysis of recent works. Expert Systems with Applications, v. 41, n. 4, Part 1, p. 1432-1462, 2014a. ISSN 0957-4174. Disponível em: [link].
QUEIROGA, E.; CECHINEL, C.; ARAÚJO, R. Predição de estudantes com risco de evasão em cursos técnicos a distância. In: Simpósio Brasileiro de Informática na Educação - SBIE. 2017. p. 1547.
RAMOS, J. L. C.; SILVA, J.; RODRIGUES, R.; GOMES, A. S.; DE SOUZA, F. D. F. Mapeamento de dados de um LMS para medida de construtos da distância transacional. In: Simpósio Brasileiro de Informática na Educação - SBIE. 2016. p. 1056.
RIGO, S. J. et al. Aplicações de Mineração de Dados Educacionais e Learning Analytics com foco na evasão escolar: oportunidades e desafios. Revista Brasileira de Informática na Educação, v. 22, n. 01, p. 132, 2014.
SILVA, L. A.; PERES, S. M.; BOSCARIOLI, C. Introdução à Mineração de Dados - Com Aplicações em R. 1. Rio de Janeiro: Elsevier, 2016.
TAN, P.-N.; STEINBACH, M.; KUMAR, V. Introdução ao data mining: Mineração de Dados. Ciência Moderna, 2009. ISBN 8573937610.
WITTEN, I. H.; FRANK, E.; HALL, M. A. Data Mining: Practical Machine Learning Tools and Techniques. Morgan Kaufmann, 2011. ISBN 008047702X.
DOS SANTOS, R. et al. Uma Abordagem Genérica de Identificação Precoce de Estudantes com Risco de Evasão em um AVA utilizando Técnicas de Mineração de Dados. XIX Congresso Internacional de Informática Educativa. Fortaleza - CE, 2014.
FAWCETT, T. An introduction to ROC analysis. Pattern Recognition Letters, v. 27, n. 8, p. 861-874, 2006. ISSN 0167-8655.
FAYYAD, U.; PIATETSKY-SHAPIRO, G.; SMYTH, P. From data mining to knowledge discovery in databases. AI Magazine, v. 17, n. 3, p. 37, 1996. ISSN 0738-4602.
HAN, J.; KAMBER, M.; PEI, J. Data Mining: Concepts and Techniques. Elsevier, 2011. ISBN 0123814804.
HUANG, X. et al. Understanding transactional distance in web-based learning environments: An empirical study. British Journal of Educational Technology, 2015. ISSN 1467-8535.
IBM. IBM SPSS Modeler 16 User's Guide. p. 50. 2013.
LANTZ, B. Machine Learning with R. Packt Publishing Ltd, 2013. ISBN 1782162151.
MAIMON, O.; ROKACH, L. Data Mining and Knowledge Discovery Handbook. 2nd ed. Springer, 2010. ISBN 978-0-387-09822-7. Disponível em: [link].
MARBOUTI, F.; DIEFES-DUX, H. A.; MADHAVAN, K. Models for early prediction of at-risk students in a course using standards-based grading. Computers & Education, v. 103, p. 1-15, 2016.
MOORE, M. G. The theory of transactional distance. In: MOORE, M. G. (Ed.). Handbook of Distance Education. New York: Routledge, 2013. cap. 5, p. 66-85.
MOORE, M. G. Theory of transactional distance. In: MOORE, M. G. (Ed.). Theoretical Principles of Distance Education. New York: Routledge, 1993. p. 2-29.
PAZ, F.; CAZELLA, S. Identificando o perfil de evasão de alunos de graduação através da Mineração de Dados Educacionais: um estudo de caso de uma Universidade Comunitária. In: Anais dos Workshops do Congresso Brasileiro de Informática na Educação. 2017. p. 624.
PEÑA-AYALA, A. Educational data mining: A survey and a data mining-based analysis of recent works. Expert Systems with Applications, v. 41, n. 4, Part 1, p. 1432-1462, 2014a. ISSN 0957-4174. Disponível em: [link].
QUEIROGA, E.; CECHINEL, C.; ARAÚJO, R. Predição de estudantes com risco de evasão em cursos técnicos a distância. In: Simpósio Brasileiro de Informática na Educação - SBIE. 2017. p. 1547.
RAMOS, J. L. C.; SILVA, J.; RODRIGUES, R.; GOMES, A. S.; DE SOUZA, F. D. F. Mapeamento de dados de um LMS para medida de construtos da distância transacional. In: Simpósio Brasileiro de Informática na Educação - SBIE. 2016. p. 1056.
RIGO, S. J. et al. Aplicações de Mineração de Dados Educacionais e Learning Analytics com foco na evasão escolar: oportunidades e desafios. Revista Brasileira de Informática na Educação, v. 22, n. 01, p. 132, 2014.
SILVA, L. A.; PERES, S. M.; BOSCARIOLI, C. Introdução à Mineração de Dados - Com Aplicações em R. 1. Rio de Janeiro: Elsevier, 2016.
TAN, P.-N.; STEINBACH, M.; KUMAR, V. Introdução ao data mining: Mineração de Dados. Ciência Moderna, 2009. ISBN 8573937610.
WITTEN, I. H.; FRANK, E.; HALL, M. A. Data Mining: Practical Machine Learning Tools and Techniques. Morgan Kaufmann, 2011. ISBN 008047702X.
Publicado
29/10/2018
Como Citar
RAMOS, Jorge L. C.; SILVA, João C. Sedraz; PRADO, Leonardo C.; GOMES, Alex S.; RODRIGUES, Rodrigo L..
Um estudo comparativo de classificadores na previsão da evasão de alunos em EAD. In: SIMPÓSIO BRASILEIRO DE INFORMÁTICA NA EDUCAÇÃO (SBIE), 29. , 2018, Fortaleza/CE.
Anais [...].
Porto Alegre: Sociedade Brasileira de Computação,
2018
.
p. 1463-1472.
DOI: https://doi.org/10.5753/cbie.sbie.2018.1463.
