Predicting Student Dropout on the Information Systems Undergraduate Program of UNIRIO Using Decision Trees

• Henrique S. Rodrigues UNIRIO
• Laura O. Moraes UNIRIO
• Eduardo da Silveira Santiago UNIRIO
• João Pedro Porto Campos UNIRIO
• Elmo Sanches Guimarães Júnior UNIRIO
• Gabriel Monteiro de Castro Xará Wanderley UNIRIO
• Ana Cristina Bicharra Garcia UNIRIO
• Carlos Eduardo Ribeiro de Mello UNIRIO
• Reinaldo Viana Alvares UNIRIO
• Rodrigo Pereira dos Santos UNIRIO

DOI: https://doi.org/10.5753/wei.2024.2429

Resumo

Este estudo aplicou técnicas de mineração de dados e o algoritmo de árvore de decisão para analisar e prever as taxas de evasão no curso de Sistemas de Informação na UNIRIO de 2000/1 a 2023/1. Os resultados mostram uma taxa de evasão de 49,36%, principalmente na primeira metade do curso, sendo o desempenho acadêmico um fator-chave.

Referências

Baker, R., Isotani, S., and Carvalho, A. (2011). Mineraçao de dados educacionais: Oportunidades para o brasil. Revista Brasileira de informática na educação, 19(02):03.

Bardagi, M. and Hutz, C. S. (2005). Evasão universitária e serviços de apoio ao estudante: uma breve revisão da literatura brasileira. Psicologia Revista, 14(2):279–301.

Brasil (2012). Art.14 da portaria mec nº 18/2012. Diário Oficial da República Federativa do Brasil.

Brasil (2018). Lei nº 13.709, de 14 de agosto de 2018. Diário Oficial da República Federativa do Brasil.

Fürnkranz, J. (2010). Decision Tree, pages 263–267. Springer US, Boston, MA.

Jiménez-Macias, A., Moreno-Marcos, P. M., Muñoz-Merino, P. J., Ortiz-Rojas, M., and Kloos, C. D. (2023). Analyzing feature importance for a predictive undergraduate student dropout model. Computer Science and Information Systems, 20(1):175–194.

Kehm, B. M., Larsen, M. R., and Sommersel, H. B. (2019). Student dropout from universities in Europe: A review of empirical literature. Hungarian Educational Research Journal, 9(2):147 – 164. Place: Budapest, Hungary Publisher: Akadémiai Kiadó.

Moseley, L. G. and Mead, D. M. (2008). Predicting who will drop out of nursing courses: A machine learning exercise. Nurse Education Today, 28(4):469–475.

Prestes, E. M. d. T. and 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.

Rodrigues., H., Santiago., E., Wanderley., G., Moraes., L., Eduardo Mello., C., Alvares., R., and Santos., R. (2024). Artificial intelligence algorithms to predict college students’ dropout: A systematic mapping study. In Proceedings of the 16th International Conference on Agents and Artificial Intelligence - Volume 3: ICAART, pages 344–351. INSTICC, SciTePress.

Saccaro, A., França, M. T. A., and 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.

Santos, G., Belloze, K., Tarrataca, L., Haddad, D., Bordignon, A., and Brandao, D. (2020). Evolvedtree: Analyzing student dropout in universities. In 2020 International Conference on Systems, Signals and Image Processing (IWSSIP), pages 173–178.

Schoeffel, P., Ramos, V. F. C., and Wazlawick, R. S. (2020). A method to predict at-risk students in introductory computing courses based on motivation. In Anais do 9º Concurso Alexandre Direne de Teses de Doutorado - Congresso Brasileiro de Informática na Educação (CBIE), pages 41–41, Porto Alegre. Sociedade Brasileira de Computação.

Silva, J. and Roman, N. (2021). Predicting dropout in higher education: a systematic review. In Anais do XXXII Simpósio Brasileiro de Informática na Educação, pages 1107–1117, Porto Alegre, RS, Brasil. SBC.

Tete, M. F., Sousa, M. d. M., de Santana, T. S., and Silva, S. F. (2022). Predictive models for higher education dropout: A systematic literature review. Education Policy Analysis Archives, 30:(149).