Mining Retention Rules from Student Transcripts: A Case Study of the programs at a Federal University
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 leave 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 all programs at a Federal University. With the results obtained by mining academic transcripts, we discuss how changes can be made in the flowcharts to decrease the student retention rates.
Palavras-chave:
Data Mining, Academic Transcript, Retention Rules, Federal University
Referências
Agrawal, R., Imielinski, T., and Swami, A. (1993). Mining association rules between sets of items in large databases. In ACM SIGMOD Record, volume 22, pages 207–216.
Agrawal, R., Srikant, R., et al. (1994). Fast algorithms for mining association rules. In Proc. 20th Int. Conf. Very Large Data Bases, VLDB, volume 1215, pages 487–499.
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).
Brin, S., Motwani, R., Ullman, J. D., and Tsur, S. (1997). Dynamic itemset counting and implication rules for market basket data. In ACM SIGMOD Record, volume 26.
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.
Koh, Y. S. and Rountree, N. (2009). Rare Association Rule Mining and Knowledge Discovery: Technologies for Infrequent and Critical Event Detection. Information Science Reference - Imprint of: IGI Publishing, Hershey, PA.
Manhães, L. M. B., da Cruz, S. M. S., Macário Costa, R. J., Zavaleta, J. e 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, v. 22, n. 1, pp. 150-159.
Nandeshwar, A., Menzies, T., and Nelson, A. (2011). Learning patterns of university student retention. Expert Systems with Applications, 38(12):14984–14996.
REUNI (2012). Reestruturação e expansão das universidades brasileiras.
Rigo, S. J., Cazella, S. C., and Cambruzzi, W. (2012). Minerando dados educacionais com foco na evasão escolar: oportunidades, desafios e necessidades. In Anais do Workshop de Desafios da Computação Aplicada à Educação, pages 168-177.
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.
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.
Tan, P.-N., Steinbach, M., and Kumar, V. (2009). Introdução a Mineração de Dados. Ciência Moderna.
Webb, G. I. (2000). Efficient search for association rules. In Proceedings of the sixth ACM SIGKDD international conference on Knowledge discovery and data mining.
Yu, C. H., DiGangi, S., Jannasch-Pennell, A., and Kaprolet, C. (2010). A data mining approach for identifying predictors of student retention from sophomore to junior year. Journal of Data Science, 8(2010):307–325.
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.
Agrawal, R., Srikant, R., et al. (1994). Fast algorithms for mining association rules. In Proc. 20th Int. Conf. Very Large Data Bases, VLDB, volume 1215, pages 487–499.
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).
Brin, S., Motwani, R., Ullman, J. D., and Tsur, S. (1997). Dynamic itemset counting and implication rules for market basket data. In ACM SIGMOD Record, volume 26.
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.
Koh, Y. S. and Rountree, N. (2009). Rare Association Rule Mining and Knowledge Discovery: Technologies for Infrequent and Critical Event Detection. Information Science Reference - Imprint of: IGI Publishing, Hershey, PA.
Manhães, L. M. B., da Cruz, S. M. S., Macário Costa, R. J., Zavaleta, J. e 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, v. 22, n. 1, pp. 150-159.
Nandeshwar, A., Menzies, T., and Nelson, A. (2011). Learning patterns of university student retention. Expert Systems with Applications, 38(12):14984–14996.
REUNI (2012). Reestruturação e expansão das universidades brasileiras.
Rigo, S. J., Cazella, S. C., and Cambruzzi, W. (2012). Minerando dados educacionais com foco na evasão escolar: oportunidades, desafios e necessidades. In Anais do Workshop de Desafios da Computação Aplicada à Educação, pages 168-177.
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.
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.
Tan, P.-N., Steinbach, M., and Kumar, V. (2009). Introdução a Mineração de Dados. Ciência Moderna.
Webb, G. I. (2000). Efficient search for association rules. In Proceedings of the sixth ACM SIGKDD international conference on Knowledge discovery and data mining.
Yu, C. H., DiGangi, S., Jannasch-Pennell, A., and Kaprolet, C. (2010). A data mining approach for identifying predictors of student retention from sophomore to junior year. Journal of Data Science, 8(2010):307–325.
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.
Publicado
03/11/2014
Como Citar
SANTOS, Marcelo S. et al.
Mining Retention Rules from Student Transcripts: A Case Study of the programs at a Federal University. In: SIMPÓSIO BRASILEIRO DE INFORMÁTICA NA EDUCAÇÃO (SBIE), 25. , 2014, Dourados/MS.
Anais [...].
Porto Alegre: Sociedade Brasileira de Computação,
2014
.
p. 762-771.
DOI: https://doi.org/10.5753/cbie.sbie.2014.762.
