Predição de Evasão por meio de um Instrumento Sistemático de Avaliação Institucional
Resumo
Esta pesquisa investigou a viabilidade da predição de evasão na Universidade Federal da Paraíba (UFPB) por meio de um instrumento de avaliação institucional aplicado juntos aos discentes de forma compulsória. Algoritmos de classificação foram aplicados e avaliados por métricas de desempenho, revelando uma acurácia de 87,97%, precisão de 91,72%, recall de 91,67% e medida F de 91,57% na identificação de alunos propensos a evadir. Cerca de 59% dos alunos ativos da Universidade admitidos a partir de 2017 demonstram probabilidade de abandonar seus cursos nos testes do modelo preditivo, aproximando-se dos valores consolidados de evasão da Universidade entre 2010 e 2018, que alcançaram de 51 a 60%.
Referências
Alban, M., & Mauricio, D. (2019). Predicting university dropout through data mining: A Systematic Literature. Indian Journal of Science and Technology, 12(4), 1-12.
ANDIFES, A., ABRUEM, A., & SESu/MEC, S. (1996). Diplomação, retenção e evasão nos cursos de graduação em instituições de ensino superior públicas: resumo do relatório apresentado a ANDIFES, ABRUEM e SESu/MEC pela Comissão Especial. Avaliação: Revista Da Avaliação Da Educação Superior, 1(2). Recuperado de [link].
Baggi, C. A. D. S., & Lopes, D. A. (2011). Evasão e avaliação institucional no ensino superior: uma discussão bibliográfica. Avaliação: Revista da Avaliação da Educação Superior (Campinas), 16(02), 355-374.
Baker, R., Isotani, S., & Carvalho, A. (2011). Mineração de dados educacionais: Oportunidades para o brasil. Revista Brasileira de Informática na Educação, 19(02), 03.
Batista, G. E., Prati, R. C., & Monard, M. (2004). A study of the behavior of several methods for balancing machine learning training data. ACM SIGKDD explorations newsletter, 6(1), 20-29. DOI: https://doi.org/10.1145/1007730.1007735.
Bolón-Canedo, V., Sánchez-Maroño, N., & Alonso-Betanzos, A. (2013). A review of feature selection methods on synthetic data. Knowledge and information systems, 34, 483-519. DOI: https://doi.org/10.1007/s10115-012-0487-8.
dos Santos, V. H. B., Saraiva, D. V., & de Oliveira, C. T. (2021). Uma análise de trabalhos de mineração de dados educacionais no contexto da evasão escolar. In Anais do XXXII Simpósio Brasileiro de Informática na Educação (pp. 1196-1210). SBC. DOI: https://doi.org/10.5753/sbie.2021.218167.
Gamba, E., & Righetti, S. (2022). Em crise, universidades federais participam de mais da metade da produção científica. Folha de São Paulo. Recuperado de [link].
Géron, A. (2019). Mãos à Obra: Aprendizado de Máquina com Scikit-Learn & TensorFlow. Alta Books.
Hastie, T., Tibshirani, R., Friedman, J. H., & Friedman, J. H. (2009). The elements of statistical learning: data mining, inference, and prediction (Vol. 2, pp. 1-758). New York: springer.
Joshi, A. V. (2020). Machine Learning and Artificial Intelligence. Springer.
Lottering, R., Hans, R., & Lall, M. (2020). A model for the identification of students at risk of dropout at a university of technology. In 2020 International Conference on Artificial Intelligence, Big Data, Computing and Data Communication Systems (icABCD) (pp. 1-8). IEEE. DOI: https://doi.org/10.1109/icABCD49160.2020.9183874.
Louppe, G. (2014). Understanding random forests: From theory to practice. arXiv preprint arXiv:1407.7502. DOI: https://doi.org/10.48550/arXiv.1407.7502.
Manrique, R., Nunes, B. P., Marino, O., Casanova, M. A., & Nurmikko-Fuller, T. (2019). An analysis of student representation, representative features and classification algorithms to predict degree dropout. In Proceedings of the 9th International Conference on Learning Analytics & Knowledge (pp. 401-410). DOI: https://doi.org/10.1145/3303772.3303800. [GS Search]
Mapa do Ensino Superior no Brasil – 11ª Edição. (2021). Instituto Semesp. Recuperado de [link].
Oliveira, I. S., Medeiros, F. P. A., & Andrade, F. G. (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). SBC. DOI: https://doi.org/10.5753/wapla.2022.226769
Pereira, R. T., & Zambrano, J. C. (2017). Application of decision trees for detection of student dropout profiles. In 2017 16th IEEE international conference on machine learning and applications (ICMLA) (pp. 528-531). IEEE. DOI: https://doi.org/10.1109/ICMLA.2017.0-107.
Prestes, E. M. D. T., & Fialho, M. G. D. (2018). Evasão na educação superior e gestão institucional: o caso da Universidade Federal da Paraíba. Ensaio: Avaliação e Políticas Públicas em Educação, 26, 869-889. DOI: https://doi.org/10.1590/S0104-40362018002601104.
Rafiq, M. A., Rabbi, A. M., & Ahammad, R. (2021, June). A data science approach to Predict the University Students at risk of semester dropout: Bangladeshi University Perspective. In 2021 5th International Conference on Trends in Electronics and Informatics (ICOEI) (pp. 1350-1354). IEEE. DOI: https://doi.org/10.1109/ICOEI51242.2021.9453067.
Ramos, J. L. C., Rodrigues, R. L., Silva, J. C. S., & de Oliveira, P. L. S. (2020, November). CRISP-EDM: uma proposta de adaptação do Modelo CRISP-DM para mineração de dados educacionais. In Anais do XXXI Simpósio Brasileiro de Informática na Educação (pp. 1092-1101). SBC. DOI: https://doi.org/10.5753/cbie.sbie.2020.1092.
Rodrigues, R. L., Medeiros, F. P., & Gomes, A. S. (2013). 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) (Vol. 24, No. 1, p. 607).
Saccaro, A., França, M. T. A., & Jacinto, P. D. A. (2019). Fatores Associados à Evasão no Ensino Superior Brasileiro: um estudo de análise de sobrevivência para os cursos das áreas de Ciência, Matemática e Computação e de Engenharia, Produção e Construção em instituições públicas e privadas. Estudos Econômicos (São Paulo), 49, 337-373. DOI: https://doi.org/10.1590/0101-41614925amp.
Santos, C. H. D., de Lima Martins, S., & Plastino, A. (2021). É Possível Prever Evasão com Base Apenas no Desempenho Acadêmico? In Anais do XXXII Simpósio Brasileiro de Informática na Educação (pp. 792-802). SBC. DOI: https://doi.org/10.5753/sbie.2021.218105.
Saraiva, D., Pereira, S., Gallindo, E., Braga, R., & Oliveira, C. (2019, July). Uma proposta para prediçao de risco de evasao de estudantes em um curso técnico em informática. In Anais do XXVII Workshop sobre Educação em Computação (pp. 319-333). SBC. DOI: https://doi.org/10.5753/wei.2019.6639.
Sukhbaatar, O., Ogata, K., & Usagawa, T. (2018). Mining educational data to predict academic dropouts: a case study in blended learning course. In TENCON 2018-2018 IEEE region 10 conference (pp. 2205-2208). IEEE. DOI: https://doi.org/10.1109/TENCON.2018.8650138.
Verikas, A., Gelzinis, A., & Bacauskiene, M. (2011). Mining data with random forests: A survey and results of new tests. Pattern recognition, 44(2), 330-349. DOI: https://doi.org/10.1016/j.patcog.2010.08.011.
ANDIFES, A., ABRUEM, A., & SESu/MEC, S. (1996). Diplomação, retenção e evasão nos cursos de graduação em instituições de ensino superior públicas: resumo do relatório apresentado a ANDIFES, ABRUEM e SESu/MEC pela Comissão Especial. Avaliação: Revista Da Avaliação Da Educação Superior, 1(2). Recuperado de [link].
Baggi, C. A. D. S., & Lopes, D. A. (2011). Evasão e avaliação institucional no ensino superior: uma discussão bibliográfica. Avaliação: Revista da Avaliação da Educação Superior (Campinas), 16(02), 355-374.
Baker, R., Isotani, S., & Carvalho, A. (2011). Mineração de dados educacionais: Oportunidades para o brasil. Revista Brasileira de Informática na Educação, 19(02), 03.
Batista, G. E., Prati, R. C., & Monard, M. (2004). A study of the behavior of several methods for balancing machine learning training data. ACM SIGKDD explorations newsletter, 6(1), 20-29. DOI: https://doi.org/10.1145/1007730.1007735.
Bolón-Canedo, V., Sánchez-Maroño, N., & Alonso-Betanzos, A. (2013). A review of feature selection methods on synthetic data. Knowledge and information systems, 34, 483-519. DOI: https://doi.org/10.1007/s10115-012-0487-8.
dos Santos, V. H. B., Saraiva, D. V., & de Oliveira, C. T. (2021). Uma análise de trabalhos de mineração de dados educacionais no contexto da evasão escolar. In Anais do XXXII Simpósio Brasileiro de Informática na Educação (pp. 1196-1210). SBC. DOI: https://doi.org/10.5753/sbie.2021.218167.
Gamba, E., & Righetti, S. (2022). Em crise, universidades federais participam de mais da metade da produção científica. Folha de São Paulo. Recuperado de [link].
Géron, A. (2019). Mãos à Obra: Aprendizado de Máquina com Scikit-Learn & TensorFlow. Alta Books.
Hastie, T., Tibshirani, R., Friedman, J. H., & Friedman, J. H. (2009). The elements of statistical learning: data mining, inference, and prediction (Vol. 2, pp. 1-758). New York: springer.
Joshi, A. V. (2020). Machine Learning and Artificial Intelligence. Springer.
Lottering, R., Hans, R., & Lall, M. (2020). A model for the identification of students at risk of dropout at a university of technology. In 2020 International Conference on Artificial Intelligence, Big Data, Computing and Data Communication Systems (icABCD) (pp. 1-8). IEEE. DOI: https://doi.org/10.1109/icABCD49160.2020.9183874.
Louppe, G. (2014). Understanding random forests: From theory to practice. arXiv preprint arXiv:1407.7502. DOI: https://doi.org/10.48550/arXiv.1407.7502.
Manrique, R., Nunes, B. P., Marino, O., Casanova, M. A., & Nurmikko-Fuller, T. (2019). An analysis of student representation, representative features and classification algorithms to predict degree dropout. In Proceedings of the 9th International Conference on Learning Analytics & Knowledge (pp. 401-410). DOI: https://doi.org/10.1145/3303772.3303800. [GS Search]
Mapa do Ensino Superior no Brasil – 11ª Edição. (2021). Instituto Semesp. Recuperado de [link].
Oliveira, I. S., Medeiros, F. P. A., & Andrade, F. G. (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). SBC. DOI: https://doi.org/10.5753/wapla.2022.226769
Pereira, R. T., & Zambrano, J. C. (2017). Application of decision trees for detection of student dropout profiles. In 2017 16th IEEE international conference on machine learning and applications (ICMLA) (pp. 528-531). IEEE. DOI: https://doi.org/10.1109/ICMLA.2017.0-107.
Prestes, E. M. D. T., & Fialho, M. G. D. (2018). Evasão na educação superior e gestão institucional: o caso da Universidade Federal da Paraíba. Ensaio: Avaliação e Políticas Públicas em Educação, 26, 869-889. DOI: https://doi.org/10.1590/S0104-40362018002601104.
Rafiq, M. A., Rabbi, A. M., & Ahammad, R. (2021, June). A data science approach to Predict the University Students at risk of semester dropout: Bangladeshi University Perspective. In 2021 5th International Conference on Trends in Electronics and Informatics (ICOEI) (pp. 1350-1354). IEEE. DOI: https://doi.org/10.1109/ICOEI51242.2021.9453067.
Ramos, J. L. C., Rodrigues, R. L., Silva, J. C. S., & de Oliveira, P. L. S. (2020, November). CRISP-EDM: uma proposta de adaptação do Modelo CRISP-DM para mineração de dados educacionais. In Anais do XXXI Simpósio Brasileiro de Informática na Educação (pp. 1092-1101). SBC. DOI: https://doi.org/10.5753/cbie.sbie.2020.1092.
Rodrigues, R. L., Medeiros, F. P., & Gomes, A. S. (2013). 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) (Vol. 24, No. 1, p. 607).
Saccaro, A., França, M. T. A., & Jacinto, P. D. A. (2019). Fatores Associados à Evasão no Ensino Superior Brasileiro: um estudo de análise de sobrevivência para os cursos das áreas de Ciência, Matemática e Computação e de Engenharia, Produção e Construção em instituições públicas e privadas. Estudos Econômicos (São Paulo), 49, 337-373. DOI: https://doi.org/10.1590/0101-41614925amp.
Santos, C. H. D., de Lima Martins, S., & Plastino, A. (2021). É Possível Prever Evasão com Base Apenas no Desempenho Acadêmico? In Anais do XXXII Simpósio Brasileiro de Informática na Educação (pp. 792-802). SBC. DOI: https://doi.org/10.5753/sbie.2021.218105.
Saraiva, D., Pereira, S., Gallindo, E., Braga, R., & Oliveira, C. (2019, July). Uma proposta para prediçao de risco de evasao de estudantes em um curso técnico em informática. In Anais do XXVII Workshop sobre Educação em Computação (pp. 319-333). SBC. DOI: https://doi.org/10.5753/wei.2019.6639.
Sukhbaatar, O., Ogata, K., & Usagawa, T. (2018). Mining educational data to predict academic dropouts: a case study in blended learning course. In TENCON 2018-2018 IEEE region 10 conference (pp. 2205-2208). IEEE. DOI: https://doi.org/10.1109/TENCON.2018.8650138.
Verikas, A., Gelzinis, A., & Bacauskiene, M. (2011). Mining data with random forests: A survey and results of new tests. Pattern recognition, 44(2), 330-349. DOI: https://doi.org/10.1016/j.patcog.2010.08.011.
Publicado
06/11/2023
Como Citar
OLIVEIRA, Ronei dos Santos; MEDEIROS, Francisco Petrônio Alencar de; ALVES, Kamila.
Predição de Evasão por meio de um Instrumento Sistemático de Avaliação Institucional. 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. 118-127.
DOI: https://doi.org/10.5753/wapla.2023.236179.
