Predição da Evasão em Cursos de Graduação em Instituições Públicas
Resumo
Este artigo aborda a evasão existente na graduação de uma Instituição pública de ensino superior. O objetivo é a previsão da evasão em cursos de graduação presenciais com a finalidade de visualizar perspectivas que permitam uma ação efetiva de intervenção, mitigando o processo da evasão. A pesquisa desenvolvida utiliza vários métodos de aprendizagem de máquina para a previsão. A intuição é gerar uma lista de prováveis alunos que não realizarão matrícula no período posterior ao que estão cursando. Os resultados demonstram que a abordagem proposta é factível e eficiente. Os experimentos alcançaram uma acurácia de 98% na previsão, e mais de 70% de sucesso na previsão de alunos que abandonaram o curso.
Palavras-chave:
Evasão, Previsão, Aprendizagem de Máquina, Instituições Públicas
Referências
Abu-Oda, G.S. and El-Halees, A.M. (2015). Data mining in high education: University student dropout case study. International Journal of Data Mining & Knowledge Management Process, 5(1):15.
Adeodato, P.J., Santos Filho, M.M., and Rodrigues, R.L. (2014). Predição de desempenho de escolas privadas usando o enem como indicador de qualidade escolar. In Anais do SBIE, volume 25, page 891.
Amaral, J.B.d. (2013). Evasão discente no ensino superior: estudo de caso no instituto federal de educação, ciência e tecnologia do ceará (campus sobral).
Amaya Torrado, Y.K., Barrientos Avendaño, E., Heredia Vizcaíno, D.J., et al. (2014). Modelo predictivo de deserción estudiantil utilizando técnicas de minería de datos.
Amorim, M.J., Barone, D., and Mansur, A.U. (2008). Técnicas de aprendizado de máquina aplicadas na previsão de evasão acadêmica. XIX SBIE, pages 12–14.
Chapman, P., Clinton, J., Kerber, R., Khabaza, T., Reinartz, T., Shearer, C., and Wirth, R. (2000). Crisp-dm1.0 step-by-step data mining guide.
Costa, F., dos Santos Silva, A.R., de Brito, D.M., and do Rêgo, T.G. (2015). Predição de sucesso de estudantes cotistas utilizando algoritmos de classificação. In Anais do SBIE, volume 26, page 997.
de Brito, D.M., de Almeida Júnior, I.A., Queiroga, E.V., and do Rêgo, T.G. (2014). Predição de desempenho de alunos do primeiro período baseado nas notas de ingresso utilizando métodos de aprendizagem de máquina. In SBIE, volume 25, page 882.
Detoni, D., Araujo, R.M., and Cechinel, C. (2014). Predição de reprovação de alunos de educação a distância utilizando contagem de interações. In SBIE, volume 25, page 896.
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, 11(1):10–18.
Jadrić, M., Garaˇca, Ž., and ˇCukuši´c, M. (2010). Student dropout analysis with application of data mining methods. Management: Journal of Contemporary Management Issues, 15(1):31–46.
Manhães, L.M.B., Cruz, S.d., Costa, R.J.M., Zavaleta, J., and Zimbrão, G. (2011). Previsao de estudantes com risco de evasão utilizando técnicas de mineração de dados. Anais do XXII SBIE-XVII WIE, Aracaju.
Palácio, P.d.P. (2012). Políticas de acesso e permanência do estudante da Universidade Federal do Ceará (UFC). 2012. 123f. PhD thesis, Dissertação (Mestrado em Políticas Públicas e Gestão da Educação Superior)-Universidade Federal do Ceará, Fortaleza.
Reino, L.R.A.C., Hernández-Domínguez, A., Júnior, O.d.G.F., Carvalho, V., Barros, P.A.M., and Braga, M. (2015). Análise das causas da evasão na educação a distância em uma instituição federal de ensino superior. In Anais do SBIE, volume 26, page 91.
Rodrigues, F., Brackmann, C., and Barone, D.A. (2015). Estudo da evasão no curso de ciência da computação da ufrgs. RBIE, 23(01):97.
Silva, F., da Silva, J., Silva, R., and Fonseca, L.C. (2015). Um modelo preditivo para diagnóstico de evasão baseado nas interações de alunos em fóruns de discussão. In Anais do SBIE, volume 26, page 1187.
Silva Filho, R.L.L., Motejunas, P.R., Hipólito, O., and Lobo, M. (2007). A evasão no ensino superior brasileiro. Cadernos de Pesquisa, 37(132):641–659.
Sobrinho, J.D. (2008). Avaliação educativa: produção de sentidos com valor de formação. Revista da Avaliação do Ensino Superior, Campinas, 13(1):193–207.
Adeodato, P.J., Santos Filho, M.M., and Rodrigues, R.L. (2014). Predição de desempenho de escolas privadas usando o enem como indicador de qualidade escolar. In Anais do SBIE, volume 25, page 891.
Amaral, J.B.d. (2013). Evasão discente no ensino superior: estudo de caso no instituto federal de educação, ciência e tecnologia do ceará (campus sobral).
Amaya Torrado, Y.K., Barrientos Avendaño, E., Heredia Vizcaíno, D.J., et al. (2014). Modelo predictivo de deserción estudiantil utilizando técnicas de minería de datos.
Amorim, M.J., Barone, D., and Mansur, A.U. (2008). Técnicas de aprendizado de máquina aplicadas na previsão de evasão acadêmica. XIX SBIE, pages 12–14.
Chapman, P., Clinton, J., Kerber, R., Khabaza, T., Reinartz, T., Shearer, C., and Wirth, R. (2000). Crisp-dm1.0 step-by-step data mining guide.
Costa, F., dos Santos Silva, A.R., de Brito, D.M., and do Rêgo, T.G. (2015). Predição de sucesso de estudantes cotistas utilizando algoritmos de classificação. In Anais do SBIE, volume 26, page 997.
de Brito, D.M., de Almeida Júnior, I.A., Queiroga, E.V., and do Rêgo, T.G. (2014). Predição de desempenho de alunos do primeiro período baseado nas notas de ingresso utilizando métodos de aprendizagem de máquina. In SBIE, volume 25, page 882.
Detoni, D., Araujo, R.M., and Cechinel, C. (2014). Predição de reprovação de alunos de educação a distância utilizando contagem de interações. In SBIE, volume 25, page 896.
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, 11(1):10–18.
Jadrić, M., Garaˇca, Ž., and ˇCukuši´c, M. (2010). Student dropout analysis with application of data mining methods. Management: Journal of Contemporary Management Issues, 15(1):31–46.
Manhães, L.M.B., Cruz, S.d., Costa, R.J.M., Zavaleta, J., and Zimbrão, G. (2011). Previsao de estudantes com risco de evasão utilizando técnicas de mineração de dados. Anais do XXII SBIE-XVII WIE, Aracaju.
Palácio, P.d.P. (2012). Políticas de acesso e permanência do estudante da Universidade Federal do Ceará (UFC). 2012. 123f. PhD thesis, Dissertação (Mestrado em Políticas Públicas e Gestão da Educação Superior)-Universidade Federal do Ceará, Fortaleza.
Reino, L.R.A.C., Hernández-Domínguez, A., Júnior, O.d.G.F., Carvalho, V., Barros, P.A.M., and Braga, M. (2015). Análise das causas da evasão na educação a distância em uma instituição federal de ensino superior. In Anais do SBIE, volume 26, page 91.
Rodrigues, F., Brackmann, C., and Barone, D.A. (2015). Estudo da evasão no curso de ciência da computação da ufrgs. RBIE, 23(01):97.
Silva, F., da Silva, J., Silva, R., and Fonseca, L.C. (2015). Um modelo preditivo para diagnóstico de evasão baseado nas interações de alunos em fóruns de discussão. In Anais do SBIE, volume 26, page 1187.
Silva Filho, R.L.L., Motejunas, P.R., Hipólito, O., and Lobo, M. (2007). A evasão no ensino superior brasileiro. Cadernos de Pesquisa, 37(132):641–659.
Sobrinho, J.D. (2008). Avaliação educativa: produção de sentidos com valor de formação. Revista da Avaliação do Ensino Superior, Campinas, 13(1):193–207.
Publicado
24/10/2016
Como Citar
KANTORSKI, Gustavo Zanini; FLORES, Evandro Gomes; HOFFMANN, Ivan Londero; SCHMITT, Jáder Adiel; BARBOSA, Fernando Pires.
Predição da Evasão em Cursos de Graduação em Instituições Públicas. In: SIMPÓSIO BRASILEIRO DE INFORMÁTICA NA EDUCAÇÃO (SBIE), 27. , 2016, Uberlândia/MG.
Anais [...].
Porto Alegre: Sociedade Brasileira de Computação,
2016
.
p. 906-915.
DOI: https://doi.org/10.5753/cbie.sbie.2016.906.
