Seleção de Atributos para Classificadores de Evasão Escolar com Dados da Plataforma Nilo Peçanha
Resumo
A evasão escolar é um problema que tem afetado estudantes, comunidades e instituições educacionais em todo o mundo. Para combatê-la, ações preventivas podem ser realizadas visando a permanência desses alunos. Para isso, é necessário identificar os alunos com potencial risco de evasão o mais cedo possível. Este trabalho apresenta os resultados de um estudo para aplicação de um algoritmo preditivo capaz de identificar alunos com potencial de evasão escolar utilizando um conjunto de dados disponível na Plataforma Nilo Peçanha para cursos técnicos e superiores. O algoritmo Random Forest foi utilizado para seleção e predição de características, apresentando resultados satisfatórios para prever a evasão escolar.
Palavras-chave:
Seleção de Atributos, Mineração de Dados Educacionais, Evasão
Referências
Baker, R.; Isotani, S.; Carvalho, A. Mineração de dados educacionais: Oportunidades para o Brasil. Revista Brasileira de Informática na Educação, v. 19, n. 02, p. 03, 2011.
Brito, D. M. De et al. Identificação de estudantes do primeiro semestre com risco de evasão através de técnicas de Data Mining. Nuevas Ideas en Informática Educativa TISE. v. 11, p. 459-463, 2015.
Castro, Leandro N. de, Ferrari, Daniel G. Introdução à Mineração de Dados: conceitos básicos, algoritmos e aplicações. 1a edição. São Paulo: Saraiva, 2016.
de Andrade, T. L., de Almeida, C. M. M., Barbosa, J. L. V., & Rigo, S. J. Metodologias Ativas integradas a um Sistema de Recomendação e Mineração de Dados Educacionais para a mitigação de evasão em EaD. In Anais do XXXII Simpósio Brasileiro de Informática na Educação (pp. 824-835). SBC, 2021.
Fayyad, Usama; Piatetsky-Shapiro, Gregory e Smyth, Padhraic. From data mining to knowledge discovery in databases. AI magazine 17, no. 3, 37-54. 1996.
Moscoso-Zea, O., & Luján-Mora, S. Datawarehouse design for educational data mining. In 2016 15th International Conference on Information Technology Based Higher Education and Training (ITHET) (pp. 1-6). IEEE, 2016.
Géron, Aurélien. Mãos à Obra Aprendizado de Máquina com Scikit-Learn & TensorFlow: Conceitos, Ferramentas e Técnicas Para a Construção de Sistemas Inteligentes. Rio de Janeiro. Alta Books, 2019.
Grus, Joel. Data Science do zero. Traduzido por Welington Nascimento. - Rio de Janeiro: Alta Books, 2016.
INEP, Sinopse Estatística da Educação Superior. INEP - Instituto Nacional de Estudo e Pesquisa Educacional Anísio Teixeira. Disponível em [link]. Acesso em: 22 nov. 2020.
Kaur, P.; Singh, M.; Josan, G. S. Classification and Prediction Based Data Mining Algorithms to Predict Slow Learners in Education Sector. Procedia Computer Science, v. 57, p. 500–508, 2015. ISSN 18770509. Disponível em: [link]. Acesso em: 17 nov. 2021.
Liu, Huan; Motoda, Hiroshi. Computational Methods of Feature Selection. Chapmam & HALL/CRC. 2007.
Manhães, L. M. B.; Cruz, S. M. S.; Zimbrao, G. Wave: an architecture for predicting dropout in undergraduate courses using EDM .In: Proceedings of the 29th annual acm symposium on applied computing. v. 1, p. 243-247, 2014.
Oliveira, Terezinha; VIANA, Ana Paula dos Santos; BOVETO, Lais; SARACHE, Mariana Vieira. Escola, Conhecimento e Formação de Pessoas: Considerações Históricas. 2013. Políticas Educativas, Porto Alegre, v. 6, n. 2, p. 145-160.
Pal, A., & Pal, S. (2013). Data Mining Techniques in EDM for Predicting the Performance of Students. International Journal of Computer and Information Technology, 2(6), 1110–1116.
Rigo, F; Cazella, S. Identificando o perfil de evasão de alunos de graduação através da mineração de dados educacionais: um estudo de caso de uma universidade comunitária, VI Congresso Brasileiro de Informática na Educação, Nov. 2017.
Rodrigues, R. L., De Medeiros, F. P., & Gomes, A. S. Modelo de Regressão Linear aplicado à previsão de desempenho de estudantes em ambiente de aprendizagem. In Brazilian Symposium on Computers in Education (Simpósio Brasileiro de Informática na Educação-SBIE) (Vol. 24, No. 1, p. 607), 2013.
Romero, C., & Ventura, S. Educational data mining and learning analytics: An updated survey. Wiley Interdisciplinary Reviews: Data Mining and Knowledge Discovery, 10(3), e1355, 2020.
Siebra, Clauirton Albuquerque. Santos, Ramon N. Lino, Natasha C. Q. A Self-Adjusting Approach for Temporal Dropout Prediction of E-Learning Students. 2020. International Journal of Distance Education Technologies. v. 18, Issue 2.
Silva, E. M. C, Um Modelo Descritivo para Auxiliar o Acompanhamento da Evasão Escolar nos Cursos Técnicos e Superiores no Instituto Federal do Rio Grande do Norte – Campus São Gonçalo do Amarante. Natal/RN: Universidade Federal do Rio Grande do Norte, 2019.
Brito, D. M. De et al. Identificação de estudantes do primeiro semestre com risco de evasão através de técnicas de Data Mining. Nuevas Ideas en Informática Educativa TISE. v. 11, p. 459-463, 2015.
Castro, Leandro N. de, Ferrari, Daniel G. Introdução à Mineração de Dados: conceitos básicos, algoritmos e aplicações. 1a edição. São Paulo: Saraiva, 2016.
de Andrade, T. L., de Almeida, C. M. M., Barbosa, J. L. V., & Rigo, S. J. Metodologias Ativas integradas a um Sistema de Recomendação e Mineração de Dados Educacionais para a mitigação de evasão em EaD. In Anais do XXXII Simpósio Brasileiro de Informática na Educação (pp. 824-835). SBC, 2021.
Fayyad, Usama; Piatetsky-Shapiro, Gregory e Smyth, Padhraic. From data mining to knowledge discovery in databases. AI magazine 17, no. 3, 37-54. 1996.
Moscoso-Zea, O., & Luján-Mora, S. Datawarehouse design for educational data mining. In 2016 15th International Conference on Information Technology Based Higher Education and Training (ITHET) (pp. 1-6). IEEE, 2016.
Géron, Aurélien. Mãos à Obra Aprendizado de Máquina com Scikit-Learn & TensorFlow: Conceitos, Ferramentas e Técnicas Para a Construção de Sistemas Inteligentes. Rio de Janeiro. Alta Books, 2019.
Grus, Joel. Data Science do zero. Traduzido por Welington Nascimento. - Rio de Janeiro: Alta Books, 2016.
INEP, Sinopse Estatística da Educação Superior. INEP - Instituto Nacional de Estudo e Pesquisa Educacional Anísio Teixeira. Disponível em [link]. Acesso em: 22 nov. 2020.
Kaur, P.; Singh, M.; Josan, G. S. Classification and Prediction Based Data Mining Algorithms to Predict Slow Learners in Education Sector. Procedia Computer Science, v. 57, p. 500–508, 2015. ISSN 18770509. Disponível em: [link]. Acesso em: 17 nov. 2021.
Liu, Huan; Motoda, Hiroshi. Computational Methods of Feature Selection. Chapmam & HALL/CRC. 2007.
Manhães, L. M. B.; Cruz, S. M. S.; Zimbrao, G. Wave: an architecture for predicting dropout in undergraduate courses using EDM .In: Proceedings of the 29th annual acm symposium on applied computing. v. 1, p. 243-247, 2014.
Oliveira, Terezinha; VIANA, Ana Paula dos Santos; BOVETO, Lais; SARACHE, Mariana Vieira. Escola, Conhecimento e Formação de Pessoas: Considerações Históricas. 2013. Políticas Educativas, Porto Alegre, v. 6, n. 2, p. 145-160.
Pal, A., & Pal, S. (2013). Data Mining Techniques in EDM for Predicting the Performance of Students. International Journal of Computer and Information Technology, 2(6), 1110–1116.
Rigo, F; Cazella, S. Identificando o perfil de evasão de alunos de graduação através da mineração de dados educacionais: um estudo de caso de uma universidade comunitária, VI Congresso Brasileiro de Informática na Educação, Nov. 2017.
Rodrigues, R. L., De Medeiros, F. P., & Gomes, A. S. Modelo de Regressão Linear aplicado à previsão de desempenho de estudantes em ambiente de aprendizagem. In Brazilian Symposium on Computers in Education (Simpósio Brasileiro de Informática na Educação-SBIE) (Vol. 24, No. 1, p. 607), 2013.
Romero, C., & Ventura, S. Educational data mining and learning analytics: An updated survey. Wiley Interdisciplinary Reviews: Data Mining and Knowledge Discovery, 10(3), e1355, 2020.
Siebra, Clauirton Albuquerque. Santos, Ramon N. Lino, Natasha C. Q. A Self-Adjusting Approach for Temporal Dropout Prediction of E-Learning Students. 2020. International Journal of Distance Education Technologies. v. 18, Issue 2.
Silva, E. M. C, Um Modelo Descritivo para Auxiliar o Acompanhamento da Evasão Escolar nos Cursos Técnicos e Superiores no Instituto Federal do Rio Grande do Norte – Campus São Gonçalo do Amarante. Natal/RN: Universidade Federal do Rio Grande do Norte, 2019.
Publicado
16/11/2022
Como Citar
OLIVEIRA, Isleimar S.; MEDEIROS, Francisco Petrônio A.; ANDRADE, Fabio G..
Seleção de Atributos para Classificadores de Evasão Escolar com Dados da Plataforma Nilo Peçanha. In: WORKSHOP DE APLICAÇÕES PRÁTICAS DE LEARNING ANALYTICS EM INSTITUIÇÕES DE ENSINO NO BRASIL (WAPLA), 1. , 2022, Manaus.
Anais [...].
Porto Alegre: Sociedade Brasileira de Computação,
2022
.
p. 30-39.
DOI: https://doi.org/10.5753/wapla.2022.226769.
