Aprendizado de Máquina Aplicado à Análise de Evasão em Cursos de Sistemas de Informação

• Patricia Santos UFABC
• Denise Goya UFABC

DOI: https://doi.org/10.5753/sbsi.2020.13145

Resumo

Este estudo tem por objetivo identificar atributos relevantes para a previsão de evasão de alunos em cursos de Sistemas de Informação de instituições brasileiras, comparando várias abordagens de aprendizado de máquina, incluindo Florestas Aleatórias, AdaBoost, Vizinho mais próximo de K, Regressão Logística e Classificador de Votação. Os resultados mostram cobertura (85,6%), acurácia (87,1%) e precisão (92,4%) promissoras usando apenas 14 atributos.

Palavras-chave: Aprendizado de Máquina, Análise de Evasão, Cursos de Sistemas de Informação

Referências

Delen, D. (2010). A comparative analysis of machine learning techniques for student retention management. Decision Support Systems, 49(4):498–506.

Mduma, N., Kalegele, K., and Machuve, D. (2019). A survey of machine learning approaches and techniques for student dropout prediction. Data Science Journal, 8(14):1–10.

Solis, M., Moreira, T., Gonzalez, R., Fernandez, T., and Hernandez, M. (2018). Perspectives to predict dropout in university students with machine learning. In 2018 IEEE International Work Conference on Bioinspired Intelligence (IWOBI), pages 1–6. IEEE.

Tinto, V. and Cullen, J. (1973). Dropout in higher education: A review and theoretical synthesis of recent research.