Previsão da Evasão Escolar através da Análise de Dados e Aprendizagem de Máquina: Um estudo de caso

  • Dyego Barbosa IFPE
  • Luciano Cabral IFPE / CESAR
  • Filipe Dwan UFRR / CESAR
  • Elyda Feitas UPE / CESAR
  • Rafael Ferreira Mello UFRPE / CESAR

Resumo

A evasão escolar é um problema global, e o uso de métodos automatizados para prever e acompanhar alunos em risco pode ser eficaz. Este estudo analisa a previsão da evasão de alunos do Instituto Federal de Pernambuco - Campus Jaboatão dos Guararapes por meio de algoritmos de aprendizado de máquina, utilizando dados acadêmicos. O XG Boost apresentou melhor desempenho, superando outros algoritmos e alcançando métricas superiores nos experimentos.

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.

Brasil. (2019). O Ministério da Educação divulga dados da educação profissional. Ministério da Educação. Disponível: https://encurtador.com.br/gjCIS Acesso em: 17 junho 2023.

Breiman, L. (2001). Random Forests. Machine Learning, 45(1), 5-32.

Brito, B., Mello, R., & Alves, G. (2020). Identificação de Atributos Relevantes na Evasão no Ensino Superior Público Brasileiro. In Anais do XXXI Simpósio Brasileiro de Informática na Educação, (pp. 1032-1041). Porto Alegre: SBC. doi:10.5753/cbie.sbie.2020.1032

Chen, T., & Guestrin, C. (2016). XGBoost: A Scalable Tree Boosting System. arXiv preprint arXiv:1603.02754. Disponível: https://arxiv.org/abs/1603.02754 Acesso em: 17 junho 2023.

Colpo, M., Primo, T., & Aguiar, M. (2021). Predição da evasão estudantil: uma análise comparativa de diferentes representações de treino na aprendizagem de modelos genéricos. In Anais do XXXII Simpósio Brasileiro de Informática na Educação, (pp. 873-884). Porto Alegre: SBC. doi:10.5753/sbie.2021.218517

Costa, E. F. da. (2018). “Descortinando a evasão escolar: o caso do Instituto Federal de Pernambuco Campus Vitória de Santo Antão”. 91 f. Dissertação (Mestrado em Políticas Públicas) Universidade Federal de Pernambuco, Recife, 2018. Disponível: https://repositorio.ufpe.br/handle/123456789/32323 Acesso em: 10 maio 2023.

Fayyad, Usama; Piatetsky-Shapiro, Gregorye Smyth, Padhraic. From data mining toknowledgediscovery in databases.AI magazine17, no. 3,37-54. 1996.

Lemos, Í. V. do R. (2021). Prevendo a evasão escolar em uma instituição de ensino técnico utilizando mineração de dados educacionais. 43 f. Trabalho de Conclusão de Curso (Bacharelado em Ciência da Computação) – Departamento de Computação, Universidade Federal Rural de Pernambuco, Recife, 2021.

Oliveira, I., Medeiros, F., & Andrade, F. (2022). Seleção de Atributos para Classificadores de Evasão Escolar com Dados da Plataforma Nilo Peçanha. In Anais do I Workshop de Aplicações Práticas de Learning Analytics em Instituições de Ensino no Brasil, (pp. 30-39). Porto Alegre: SBC. doi:10.5753/wapla.2022.226769

Silva, E. M. C. (2019). Um modelo descritivo para auxiliar no acompanhamento da evasão escolar nos cursos técnicos e superiores no Instituto Federal do Rio Grande do Norte - Campus do São Gonçalo do Amarante. 165f. Dissertação (Mestrado Profissional em Inovação em Tecnologias Educacionais) Instituto Metrópole Digital, Universidade Federal do Rio Grande do Norte, Natal, 2019.

Souza, A. L. G. de; Braga, A. H. (2021). Uma análise dos algoritmos de classificação com base na evasão dos estudantes dos cursos técnicos integrados ao Ensino Médio do Campus Ceres do IF Goiano. In: Simpósio Brasileiro De Informática Na Educação, 32. Online. Anais [...]. Porto Alegre: Sociedade Brasileira de Computação. p. 1276-1285.
Publicado
2023-11-06
Como Citar
BARBOSA, Dyego et al. Previsão da Evasão Escolar através da Análise de Dados e Aprendizagem de Máquina: Um estudo de caso. Anais do Workshop de Aplicações Práticas de Learning Analytics em Instituições de Ensino no Brasil (WAPLA), [S.l.], p. 42-50, nov. 2023. ISSN 0000-0000. Disponível em: <https://sol.sbc.org.br/index.php/wapla/article/view/26127>. Acesso em: 18 maio 2024. doi: https://doi.org/10.5753/wapla.2023.236137.