Predição de Alunos com Risco de Evasão: estudo de caso usando mineração de dados
Resumo
Um dos desafios das instituições de ensino é reduzir os altos índices de evasão em seus cursos superiores. Uma solução bastante utilizada para atingir esse objetivo é o uso de mineração de dados educacionais, a fim de identificar padrões que auxiliem os gestores na tomada de decisão. Neste trabalho, apresentamos um estudo que visa identificar estudantes que apresentam risco de evasão a partir do seu primeiro ano no curso de graduação. Os experimentos foram realizados com informações extraídas do sistema acadêmico da FURG. Os resultados obtidos mostram que os potenciais alunos evasores podem ser identificados com acurácia de 90,7% usando o algoritmo J48.
Palavras-chave:
mineração de dados educacionais, evasão acadêmica, previsão de evasão, J48, ensino superior
Referências
Baker, R., Isotani, S., and Carvalho, A. (2011). Mineração de dados educacionais: Oportunidades para o Brasil. Brazilian Journal of Computers in Education, 19(02):11.
Brito, D. M., Lemos, M. O., Pascoal, T. A., do Rêgo, T. G., and Araújo, J. G. G. d. O. (2015). Identificação de estudantes do primeiro semestre com risco de evasão através de técnicas de data mining. Nuevas Ideas en Informática Educativa TISE, pages 459-463.
Digiampietri, L. A., Nakano, F., and de Souza Lauretto, M. (2016). Mineração de dados para identificação de alunos com alto risco de evasão: Um estudo de caso. Revista de Graduação USP, 1(1):17-23.
Hall, M., Frank, E., Holmes, G., Pfahringer, B., Reutemann, P., and Witten, I. H. (2009). The Weka data mining software: an update. ACM SIGKDD Explorations Newsletter, 11(1):10-18.
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.
Oliveira, J. J. G., Noronha, R. V., and Kaestner, C. A. A. (2017). Método de seleção de atributos aplicados na previsão da evasão de cursos de graduação. Revista de Informática Aplicada, 13(2).
Quinlan, J. R. (1993). C4.5: Programs for Machine Learning. Morgan Kaufmann Publishers Inc., San Francisco, USA.
Tan, P.-N., Steinbach, M., and Kumar, V. (2005). Introduction to Data Mining. Addison-Wesley.
Brito, D. M., Lemos, M. O., Pascoal, T. A., do Rêgo, T. G., and Araújo, J. G. G. d. O. (2015). Identificação de estudantes do primeiro semestre com risco de evasão através de técnicas de data mining. Nuevas Ideas en Informática Educativa TISE, pages 459-463.
Digiampietri, L. A., Nakano, F., and de Souza Lauretto, M. (2016). Mineração de dados para identificação de alunos com alto risco de evasão: Um estudo de caso. Revista de Graduação USP, 1(1):17-23.
Hall, M., Frank, E., Holmes, G., Pfahringer, B., Reutemann, P., and Witten, I. H. (2009). The Weka data mining software: an update. ACM SIGKDD Explorations Newsletter, 11(1):10-18.
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.
Oliveira, J. J. G., Noronha, R. V., and Kaestner, C. A. A. (2017). Método de seleção de atributos aplicados na previsão da evasão de cursos de graduação. Revista de Informática Aplicada, 13(2).
Quinlan, J. R. (1993). C4.5: Programs for Machine Learning. Morgan Kaufmann Publishers Inc., San Francisco, USA.
Tan, P.-N., Steinbach, M., and Kumar, V. (2005). Introduction to Data Mining. Addison-Wesley.
Publicado
29/10/2018
Como Citar
LANES, Mariele de Almeia; ALCÂNTARA, Cleber de Souza.
Predição de Alunos com Risco de Evasão: estudo de caso usando mineração de dados. In: SIMPÓSIO BRASILEIRO DE INFORMÁTICA NA EDUCAÇÃO (SBIE), 29. , 2018, Fortaleza/CE.
Anais [...].
Porto Alegre: Sociedade Brasileira de Computação,
2018
.
p. 1921-1925.
DOI: https://doi.org/10.5753/cbie.sbie.2018.1921.
