A probabilistic analysis of student retention in a Federal University: A Case Study of a Computer Science Program

• Marcelo S. Santos Universidade Federal da Bahia (UFBA)
• Daniela B. Claro Universidade Federal da Bahia (UFBA)
• Veronica Maria Cadena Lima Universidade Federal da Bahia (UFBA)

DOI: https://doi.org/10.5753/cbie.sbie.2015.1245

Resumo

Due to the increase in inflows mainly because of REUNI procedures and low completion rates observed at a Federal University, it is necessary to identify which courses may cause the students to remain in their programs longer than expected or even leaving the university before their conclusion. In this work, we suggest that the combinations of courses in a semester may not be appropriate thus causing a student retention. We present a case study on analyzing retention rules in a Computer Science program at the Federal University of Bahia. We have estimated the retention probability and our results could help universities to better understand their programs and students.

Referências

Anderson, J. R., Michalski, R. S., Carbonell, J. G., and Mitchell, T. M. (1986). Machine learning: An artificial intelligence approach, volume 2. Morgan Kaufmann.

Baker, R., Isotani, S., and Carvalho, A. (2011). Mineraçao de dados educacionais: Oportunidades para o brasil. Revista Brasileira de Informática na Educação, 19(02):03.

Barros, R. P. and Mendonça, R. (1998). Consequências da repetência sobre o desempenho educacional. Projeto de Educação Básica para o Nordeste, Série Estudos(7).

Campello, A. d. V. C. and Lins, L. N. (2008). Metodologia de análise e tratamento da evasão e retenção em cursos de graduação de instituições federais de ensino superior. XXVIII Encontro Nacional de Engenharia De Produção, RJ, 13p.

Filho, N. d., Mesquita, F., Marinho, M., Lopes, A. A., Lins, E., and Ribeiro, N. e. a. (2010). Memorial da universidade. Technical report, Universidade Federal da Bahia.

Manhães, L. M. B., da Cruz, S. M. S., Macário Costa, R. J., Zavaleta, J., and Zimbrão, G. (2011). Previsão de estudantes com risco de evasão utilizando técnicas de mineração de dados. In Anais do Simpósio Brasileiro de Informática na Educação, volume 1.

Nandeshwar, A., Menzies, T., and Nelson, A. (2011). Learning patterns of university student retention. Expert Systems with Applications, 38(12):14984–14996.

Nielsen, T. D. and Jensen, F. V. (2009). Bayesian networks and decision graphs. Springer Science & Business Media.

Pearl, J. (2014). Probabilistic reasoning in intelligent systems: networks of plausible inference. Morgan Kaufmann.

REUNI (2012). Reestruturação e expansão das universidades brasileiras.

Romero, C. and Ventura, S. (2010). Educational data mining: a review of the state of the art. Systems, Man, and Cybernetics, 40(6):601–618.

Russell, S., Norvig, P., and Intelligence, A. (1995). A modern approach. Artificial Intelligence. Prentice-Hall, Egnlewood Cliffs, 25.

Santos, M. S., de Santana, L. C., Pereira, Q. L., Silva, M., Claro, D. B., Lima, V. M., Vieira, V., Ribeiro, S., Telles, A. R., and Lopes, D. (2014). Mining retention rules from student transcripts: A case study of the programs at a federal university. In Anais do Simpósio Brasileiro de Informática na Educação, volume 25, pages 762–771.

Silva, C. V., Santos, M. S., Claro, D. B., Silva, V., Silva, M., Ribeiro, S., Telles, A. R., and Lopes, D. (2013). Mining retention rules from student transcripts: A case study of the information systems programme at a federal university. In Anais do Simpósio Brasileiro de Informática na Educação, volume 24.

Zhang, Y., Oussena, S., Clark, T., and Kim, H. (2010). Use data mining to improve student retention in higher education - a case study. In ICEIS (1), pages 190–197.