Predição de desempenho de alunos do primeiro período baseado nas notas de ingresso utilizando métodos de aprendizagem de máquina
Resumo
A evasão de estudantes universitários apresenta uma estatística preocupante enfrentada pelas universidades. O problema da reprovação dos estudantes em períodos iniciais é muitas vezes considerado como um fator influenciador da evasão. Este trabalho propõe a utilização de técnicas de Mineração de Dados para tentar predizer o desempenho dos alunos no primeiro período do curso de Ciência da Computação da UFPB, através das suas notas de ingresso no vestibular. Os resultados mostraram que é possível inferir o desempenho dos estudantes com uma acurácia superior a 70%, sendo esta informação útil para a realização de ações para evitar a evasão, aprimorando o sistema de ensino.
Palavras-chave:
Mineração de Dados, Desempenho Acadêmico, Evasão de Estudantes, Ciência da Computação
Referências
Baker, R., Isotani, S. e Carvalho, A. (2011) “Mineração de Dados Educacionais: Oportunidades para o Brasil”. Revista Brasileira de Informática na Educação, v. 19, n. 02, pp. 3-13.
Baradwaj, B. K. e Pal, S. (2011) “Mining educational data to analyze students’ performance”. International Journal of Advance Computer Science and Applications , v. 2, n. 6, pp. 63-69.
Barbosa, G. O. e Hermínio, B. N. (1995) “Raciocínio lógico formal e aprendizagem em cálculo diferencial e integral: o caso da Universidade Federal do Ceará ”. Tema e Debates, n. 6, pp. 60-70.
Barroso, M. F. e Falcão, E. B. (2004) “Evasão universitária: o caso do Instituto de Física da UFRJ”. IX Encontro Nacional de Pesquisa em Ensino de Física.
Bouckaert, R. R., Frank, E., Hall, M. A., Holmes, G., Pfahringer, B., Reutemann, P. e Witten, I. H. (2010) “WEKA---Experiences with a Java Open-Source Project”. The Journal of Machine Learning Research, v. 11, pp. 2533-2541.
de França, R. S. e do Amaral, H. J. C. (2013) “Mineração de Dados na Identificação de Grupos de Estudantes com Dificuldade de Aprendizagem no Ensino da Programação”. RENOTE, v. 11, n. 1.
Dekker, G. W., Pechenizky, M. e Vleeshouwers, J. W. (2009) “Predicting Students Drop Out: A Case Study”. International Working Group on Educational Data Mining.
Fayyad, U., Piatetsky-Shapiro, G. e Smyth, P. (1996) “From data mining to knowledge discovery in databases”. Al magazine, v. 17, n. 3, pp. 37-54.
Fernandes Filho, O. P. (2001) “O desenvolvimento cognitivo e a reprovação no curso de engenharia”. In XXIX Congresso Brasileiro de Ensino da Engenharia.
Gottardo, E., Kaestner, C. e Noronha, R. V. (2012) “Previsão de Desempenho de Estudantes em Cursos EAD Utilizando Mineração de Dados: uma Estratégia Baseada em Séries Temporais”. In Anais do Simpósio Brasileiro de Informática na Educação, v. 23, n. 1.
Hall, M., Frank, E, Holmes, G, Pfahringer, B., Reutemann, P. e Witten, I. H. (2009) “The WEKA data mining software: an update.” ACM SIGKDD explorations newsletter, v. 11, n. 1, pp. 10-19.
Kampff, A. J. C., Reategui, E. B. e de Lima, J. V. (2008) “Mineração de dados educacionais para a construção de alertas em ambientes virtuais de aprendizagem como apoio à prática docente”. RENOTE , v. 6, n. 1.
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.
Reis, V. W., Cunha, P. J. e Spritzer, I. M. (2012) “Evasão no ensino superior de engenharia no Brasil: um estudo de caso no CEFET/RJ”. Belém: Cobenge. Disponível em: [link]. Acesso em: 15 jun. 2014.
Romero, C., Ventura, S., Espejo, P. G. e Hervás, C (2008) “Data Mining Algorithms to Classify Students”. In EDM, pp. 8-17.
Romero, C. e Ventura, S. (2010) “Educational data mining: a review of the state of art”. Systems, Man, and Cybernetics, Part C: Applications and Reviews, IEEE Transactions on, v. 40, n. 6, pp. 601-618.
Sales, P. A. O., Abbad, G. e Rodrigues, J. L. (2011) “Variáveis Preditivas de Evasão e Persistência em Treinamentos a Distância”. XXV Encontro da ANPAD.
Seidman, A. (2005). “College student retention: Formula for student success”. Greenwood Publishing Group.
Silva Filho, R. L. L., Montejunas, P. R., Hipólito, O. e Lobo, M. B. C. M. (2007) “A evasão no ensino superior brasileiro”. Cadernos de Pesquisa, v. 37, n. 132, pp. 641-659.
Soares, F. S. (2011) “Levantamento e Análise de Dados Sobre a Evasão no Curso de Licenciatura em Computação do Campus VII da Universidade Estadual da Paraíba – UEPB”. Trabalho de Conclusão de Curso.
Talavera, L. e Gaudioso, E. (2004) “Mining student data to characterize similar behavior groups in unstructured collaboration spaces”. In Workshop on artificial intelligence in CSCL, 16th European conference on artificial intelligence, pp. 17-23.
Veenstra, C. P. (2009) “A strategy for improving freshman college retention”. Jornal for Quality and Participation, v. 31, n. 4, pp. 19-23.
Baradwaj, B. K. e Pal, S. (2011) “Mining educational data to analyze students’ performance”. International Journal of Advance Computer Science and Applications , v. 2, n. 6, pp. 63-69.
Barbosa, G. O. e Hermínio, B. N. (1995) “Raciocínio lógico formal e aprendizagem em cálculo diferencial e integral: o caso da Universidade Federal do Ceará ”. Tema e Debates, n. 6, pp. 60-70.
Barroso, M. F. e Falcão, E. B. (2004) “Evasão universitária: o caso do Instituto de Física da UFRJ”. IX Encontro Nacional de Pesquisa em Ensino de Física.
Bouckaert, R. R., Frank, E., Hall, M. A., Holmes, G., Pfahringer, B., Reutemann, P. e Witten, I. H. (2010) “WEKA---Experiences with a Java Open-Source Project”. The Journal of Machine Learning Research, v. 11, pp. 2533-2541.
de França, R. S. e do Amaral, H. J. C. (2013) “Mineração de Dados na Identificação de Grupos de Estudantes com Dificuldade de Aprendizagem no Ensino da Programação”. RENOTE, v. 11, n. 1.
Dekker, G. W., Pechenizky, M. e Vleeshouwers, J. W. (2009) “Predicting Students Drop Out: A Case Study”. International Working Group on Educational Data Mining.
Fayyad, U., Piatetsky-Shapiro, G. e Smyth, P. (1996) “From data mining to knowledge discovery in databases”. Al magazine, v. 17, n. 3, pp. 37-54.
Fernandes Filho, O. P. (2001) “O desenvolvimento cognitivo e a reprovação no curso de engenharia”. In XXIX Congresso Brasileiro de Ensino da Engenharia.
Gottardo, E., Kaestner, C. e Noronha, R. V. (2012) “Previsão de Desempenho de Estudantes em Cursos EAD Utilizando Mineração de Dados: uma Estratégia Baseada em Séries Temporais”. In Anais do Simpósio Brasileiro de Informática na Educação, v. 23, n. 1.
Hall, M., Frank, E, Holmes, G, Pfahringer, B., Reutemann, P. e Witten, I. H. (2009) “The WEKA data mining software: an update.” ACM SIGKDD explorations newsletter, v. 11, n. 1, pp. 10-19.
Kampff, A. J. C., Reategui, E. B. e de Lima, J. V. (2008) “Mineração de dados educacionais para a construção de alertas em ambientes virtuais de aprendizagem como apoio à prática docente”. RENOTE , v. 6, n. 1.
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.
Reis, V. W., Cunha, P. J. e Spritzer, I. M. (2012) “Evasão no ensino superior de engenharia no Brasil: um estudo de caso no CEFET/RJ”. Belém: Cobenge. Disponível em: [link]. Acesso em: 15 jun. 2014.
Romero, C., Ventura, S., Espejo, P. G. e Hervás, C (2008) “Data Mining Algorithms to Classify Students”. In EDM, pp. 8-17.
Romero, C. e Ventura, S. (2010) “Educational data mining: a review of the state of art”. Systems, Man, and Cybernetics, Part C: Applications and Reviews, IEEE Transactions on, v. 40, n. 6, pp. 601-618.
Sales, P. A. O., Abbad, G. e Rodrigues, J. L. (2011) “Variáveis Preditivas de Evasão e Persistência em Treinamentos a Distância”. XXV Encontro da ANPAD.
Seidman, A. (2005). “College student retention: Formula for student success”. Greenwood Publishing Group.
Silva Filho, R. L. L., Montejunas, P. R., Hipólito, O. e Lobo, M. B. C. M. (2007) “A evasão no ensino superior brasileiro”. Cadernos de Pesquisa, v. 37, n. 132, pp. 641-659.
Soares, F. S. (2011) “Levantamento e Análise de Dados Sobre a Evasão no Curso de Licenciatura em Computação do Campus VII da Universidade Estadual da Paraíba – UEPB”. Trabalho de Conclusão de Curso.
Talavera, L. e Gaudioso, E. (2004) “Mining student data to characterize similar behavior groups in unstructured collaboration spaces”. In Workshop on artificial intelligence in CSCL, 16th European conference on artificial intelligence, pp. 17-23.
Veenstra, C. P. (2009) “A strategy for improving freshman college retention”. Jornal for Quality and Participation, v. 31, n. 4, pp. 19-23.
Publicado
03/11/2014
Como Citar
DE BRITO, Daniel Miranda; ALMEIDA JÚNIOR, Iron Araújo de; QUEIROGA, Eduardo Vieira; DO RÊGO, Thaís Gaudencio.
Predição de desempenho de alunos do primeiro período baseado nas notas de ingresso utilizando métodos de aprendizagem de máquina. In: SIMPÓSIO BRASILEIRO DE INFORMÁTICA NA EDUCAÇÃO (SBIE), 25. , 2014, Dourados/MS.
Anais [...].
Porto Alegre: Sociedade Brasileira de Computação,
2014
.
p. 882-890.
DOI: https://doi.org/10.5753/cbie.sbie.2014.882.
