Predição de estudantes com risco de evasão em cursos técnicos a distância

• Emanuel Marques Queiroga Universidade Federal de Pelotas (UFPel)
• Cristian Cechinel Universidade Federal de Pelotas (UFPel) / Universidade Federal de Santa Catarina (UFSC)
• Ricardo Matsumura de Araújo Universidade Federal de Pelotas (UFPel)

DOI: https://doi.org/10.5753/cbie.sbie.2017.1547

Resumo

O presente trabalho apresenta uma abordagem para a detecção de alunos em risco de evasão em cursos técnicos a distância que utiliza apenas a contagem de interações dos estudantes dentro do AVA, além de atributos derivados dessas contagens. A premissa inicial é de que essa estratégia permite uma maior generalização em diferentes plataformas e AVA, uma vez que não utiliza diferenciações entre os tipos de interações, nem informações de outra ordem encontradas fora do AVA (dados demográficos, exames, questionários, etc). Os modelos de predição foram testados e treinados com dados de 4 diferentes cursos técnicos EAD em dois cenários diferentes: 1) treino e teste com dados de um mesmo curso, e 2) treino com dados de 3 cursos e teste com dados do curso restante. Os resultados apontam a possibilidade de predição de estudantes em risco de evasão já nas primeiras semanas dos cursos com taxas de desempenho próximas a 75% na maioria dos cenários, e chegando a 95% nos melhores casos.

Palavras-chave: Evasão, Educação a Distância, Predição, AVA, Interações

Referências

Baker, R., Isotani, S., and Carvalho, A. (2011). Mineração de Dados Educacionais: Oportunidades para o Brasil. Revista Brasileira de Informática na Educação, 19(02):03.

Burgos, C., Campanario, M. L., de la Peña, D., Lara, J. A., Lizcano, D., and Martínez, M. A. (2017). Data mining for modeling students’ performance: A tutoring action plan to prevent academic dropout. Computers & Electrical Engineering, 0:1–16.

Detoni, D., Cechinel, C., and Matsumura Araújo, R. (2015). Modelagem e predição de reprovação de acadêmicos de cursos de educação a distância a partir da contagem de interações. Revista Brasileira de Informática na Educação, 23(3).

Halawa, S., Greene, D., and Mitchell, J. (2014). Dropout Prediction in MOOCs using Learner Activity Features. European MOOC Summit, EMOOCs, 37(March):1–10.

Jayaprakash, S. M., Moody, E. W., Lauria, E. J. M., Regan, J. R., and Baron, J. D. (2014). Early Alert of Academically At-Risk Students: An Open Source Analytics Initiative. Journal of Learning Analytics, 1(1):6–47.

Lykourentzou, I., Giannoukos, I., Nikolopoulos, V., Mpardis, G., and Loumos, V. (2009). Dropout prediction in e-learning courses through the combination of machine learning techniques. Computers & Education, 53(3):950–965.

Manhães, L. M. B., Cruz, S. d., Costa, R. J. M., Zavaleta, J., and Zimbrão, G. (2011). Previsão de estudantes com risco de evasão utilizando técnicas de mineração de dados. Anais do XXII SBIE-XVII WIE, Aracaju.

Queiroga, E., Cechinel, C., Araújo, R., and da Costa Bretanha, G. (2016). Generating models to predict at-risk students in technical e-learning courses. In Learning Objects and Technology (LACLO), Latin American Conference on, pages 1–8. IEEE.

Romero and Ventura (2013). Data mining in education. Wiley Interdisciplinary Reviews: Data Mining and Knowledge Discovery, 3(1):12–27.