Failure Analysis in University and Computer Science Contexts With Data Mining

• Daniela de Souza Gomes Universidade Federal de Viçosa http://orcid.org/0000-0003-2620-7002
• Marcos Henrique Fonseca Ribeiro Universidade Federal de Viçosa
• Giovanni Ventorim Comarela Universidade Federal do Espírito Santo
• Gabriel Philippe Pereira Universidade Federal de Viçosa

DOI: https://doi.org/10.5753/wei.2020.11132

Resumo

O alto índice de reprovação é uma questão recorrente e preocupante nas universidades brasileiras. Pretende-se então, com este trabalho identificar padrões relacionados à essas reprovações sobre uma base de históricos acadêmicos utilizando métodos consagrados de mineração de dados.

Palavras-chave: Ciência de Dados, Mineração de Dados Educacionais, Padrões Frequentes, Regras de Associação

Referências

Agrawal, R., Imielinski, T., and Swami, A. (1993). Mining association rules between sets of items in large databases. In Proceedings of the ACM SIGMOD International Conference on Management of Data, pages 207–216, Washington D.C.

Baradwaj, B. K. and Pal, S. (2011). Mining educational data to analyze students performance. International Journal of Advanced Computer Science and Applications, 2(6).

Han, J., Kamber, M., and Pei, J. (2012). Data mining concepts and techniques, third edition. Morgan Kaufmann Publishers, Waltham, Mass.

Raji, M., Duggan, J., DeCotes, B., Huang, J., and Zanden, B. T. V. (2017). Visual progression analysis of student records data. 2017 IEEE Visualization in Data Science (VDS), pages 31–38.

Raschka, S. (2018). Mlxtend: Providing machine learning and data science utilities and extensions to python’s scientific computing stack. The Journal of Open Source Software, 3(24).