Detecção de desistência de estudantes em disciplinas ofertadas com apoio do ambiente Moodle: uma discussão sobre resultados alcançados
Resumo
A evasão escolar é um problema que acarreta consequências sociais, econômicas e pessoais significativas para os alunos. No contexto do ensino superior, a desistência de disciplinas durante a graduação pode ser uma das causas que levam à evasão. Neste trabalho, apresentamos o desenvolvimento de indicadores com base na presença dos alunos e na realização de atividades avaliativas, extraídos do ambiente de aprendizagem Moodle. Como resultado principal deste estudo, são apresentados indicadores capazes de identificar a desistência dos alunos com uma sensibilidade de 87%, utilizando 25% do tempo total da disciplina. Além disso, são discutidos trabalhos semelhantes, as métricas utilizadas para avaliar os resultados e os resultados alcançados.Referências
Amaral, F. (2016). Introdução à ciência de dados: mineração de dados e big data. Alta Books Editora.
Burgos, C., Campanario, M. L., la Peña, D., Lara, J. A., Lizcano, D., e Martínez, M. A. (2018). Data mining for modeling students’ performance: a tutoring action plan to prevent academic dropout. Computers & Electrical Engineering, 66:541–556.
da Silva Garcia, L. M. L., Lara, D. F., Gomes, R. S., e Cazella, S. C. (2022). Mineração de dados educacionais na predição do desempenho acadêmico: um prognóstico a partir do percurso curricular realizado. In Anais [...], Manaus. XXXIII Simpósio Brasileiro de Informática na Educação.
Filatro, A. C. (2020). Data Science na Educação: Presencial, a Distância e Corporativa: Presencial, a Distância e Corporativa. Saraiva Educação SA.
Gottardo, E., Kaestner, C. A. A., e Noronha, R. V. (2014). Estimativa de desempenho acadêmico de estudantes: análise da aplicação de técnicas de mineração de dados em cursos a distância. Revista Brasileira de Informática na Educação, 22(1):45–56.
Manhães, L. M. B., Cruz, S. M. S., Costa, R. J. M., Zavaleta, J., e Zimbrão, G. (2011). Previsão de estudantes com risco de evasão utilizando técnicas de mineração de dados. In: XXII Simpósio Brasileiro de Informática na Educação.
Martins, L. C. B., Carvalho, R. N., Carvalho, R. S., Victorino, M. C., e Holanda, M. (2017). Early prediction of college attrition using data mining. In 2017 16th IEEE International Conference on Machine Learning and Applications (ICMLA), pages 1075–1078. IEEE.
Ministério da Educação (1996). Diplomação, retenção e evasão nos cursos de graduação em instituições de ensino superior públicas. BRASIL. Ministério da Educação, Brasília.
Morais, A. M. (2018). Abordagem avaliativa multidimensional para previsão da evasão do discente em cursos online. Tese (doutorado em ciência da computação), Centro de Engenharia Elétrica e Informática, Universidade Federal de Campina Grande.
Nagai, N. P. e Cardoso, A. L. J. (2017). A evasão universitária: uma análise além dos números. Revista Estudo & Debate, 24(1):193–215.
Pinto, S. C. (2021). Os custos da evasão de discentes das universidades brasileiras na modalidade de ensino presencial: uma perspectiva de custos contábeis e custos econômicos. Dissertação (mestrado em ciências contábeis), Unidade Acadêmica de Pesquisa e Pós-Graduação, Universidade do Vale do Rio dos Sinos.
Queiroga, E. M., Lopes, J. L., Araujo, R. M., e Cechinel, C. (2018). Modelo de predição da evasão de estudantes em cursos técnicos a distância a partir da contagem de interações. Revista Thema, 15(2):425–438.
Viana, F. S., Santana, A. M., e de Andrade Lira Rabêlo, R. (2022). Avaliação de classificadores para predição de evasão no ensino superior utilizando janela semestral. In Anais [...], Manaus. XXXIII Simpósio Brasileiro de Informática na Educação.
Burgos, C., Campanario, M. L., la Peña, D., Lara, J. A., Lizcano, D., e Martínez, M. A. (2018). Data mining for modeling students’ performance: a tutoring action plan to prevent academic dropout. Computers & Electrical Engineering, 66:541–556.
da Silva Garcia, L. M. L., Lara, D. F., Gomes, R. S., e Cazella, S. C. (2022). Mineração de dados educacionais na predição do desempenho acadêmico: um prognóstico a partir do percurso curricular realizado. In Anais [...], Manaus. XXXIII Simpósio Brasileiro de Informática na Educação.
Filatro, A. C. (2020). Data Science na Educação: Presencial, a Distância e Corporativa: Presencial, a Distância e Corporativa. Saraiva Educação SA.
Gottardo, E., Kaestner, C. A. A., e Noronha, R. V. (2014). Estimativa de desempenho acadêmico de estudantes: análise da aplicação de técnicas de mineração de dados em cursos a distância. Revista Brasileira de Informática na Educação, 22(1):45–56.
Manhães, L. M. B., Cruz, S. M. S., Costa, R. J. M., Zavaleta, J., e Zimbrão, G. (2011). Previsão de estudantes com risco de evasão utilizando técnicas de mineração de dados. In: XXII Simpósio Brasileiro de Informática na Educação.
Martins, L. C. B., Carvalho, R. N., Carvalho, R. S., Victorino, M. C., e Holanda, M. (2017). Early prediction of college attrition using data mining. In 2017 16th IEEE International Conference on Machine Learning and Applications (ICMLA), pages 1075–1078. IEEE.
Ministério da Educação (1996). Diplomação, retenção e evasão nos cursos de graduação em instituições de ensino superior públicas. BRASIL. Ministério da Educação, Brasília.
Morais, A. M. (2018). Abordagem avaliativa multidimensional para previsão da evasão do discente em cursos online. Tese (doutorado em ciência da computação), Centro de Engenharia Elétrica e Informática, Universidade Federal de Campina Grande.
Nagai, N. P. e Cardoso, A. L. J. (2017). A evasão universitária: uma análise além dos números. Revista Estudo & Debate, 24(1):193–215.
Pinto, S. C. (2021). Os custos da evasão de discentes das universidades brasileiras na modalidade de ensino presencial: uma perspectiva de custos contábeis e custos econômicos. Dissertação (mestrado em ciências contábeis), Unidade Acadêmica de Pesquisa e Pós-Graduação, Universidade do Vale do Rio dos Sinos.
Queiroga, E. M., Lopes, J. L., Araujo, R. M., e Cechinel, C. (2018). Modelo de predição da evasão de estudantes em cursos técnicos a distância a partir da contagem de interações. Revista Thema, 15(2):425–438.
Viana, F. S., Santana, A. M., e de Andrade Lira Rabêlo, R. (2022). Avaliação de classificadores para predição de evasão no ensino superior utilizando janela semestral. In Anais [...], Manaus. XXXIII Simpósio Brasileiro de Informática na Educação.
Publicado
06/11/2023
Como Citar
SOUZA, Bernardo Dalfovo de; MOREIRA, Benjamin Grando; WANG, Carolina Bittencourt.
Detecção de desistência de estudantes em disciplinas ofertadas com apoio do ambiente Moodle: uma discussão sobre resultados alcançados. In: WORKSHOP DE APLICAÇÕES PRÁTICAS DE LEARNING ANALYTICS EM INSTITUIÇÕES DE ENSINO NO BRASIL (WAPLA), 2. , 2023, Passo Fundo/RS.
Anais [...].
Porto Alegre: Sociedade Brasileira de Computação,
2023
.
p. 99-107.
DOI: https://doi.org/10.5753/wapla.2023.236174.
