Early detection of evasion in undergraduate courses in Computer Science: a preliminary study

• Leandro Carvalho UFAM
• Ana Santos UFAM
• Fabíola Nakamura UFAM
• Elaine Oliveira UFAM

DOI: https://doi.org/10.5753/wei.2019.6632

Abstract

This initial work aimed to identify attributes of students, detectable in the first two weeks of the undergraduate program, that present a strong correlation with parameters identified in literature as associated with risk of evasion. This is an exploratory research, quantitative approach, characterized as evaluation research, delimited to three undergraduate programs in the area of Computing, with incoming students from 2012 to 2018, at Federal University of Amazonas (UFAM). It was observed that the following attributes are significantly associated to a good GPA in the first term: participation of welcome activities for freshmen, affirmative policy, modality of High School, previous knowledge in programming, and choice of the program as first option.

References

Azevedo, L. A., Santos, Y. S. (2015) Mineração de dados aplicada ao estudo da evasão e desempenho dos alunos do bacharelado em Ciência da Computação. Trabalho de Conclusão de Curso. Universidade de Brasília.

Dancey, C. P. e Reidy, J. (2017). Statistics without maths for psychology, 7th. Pearson Education.

Günther, H. (2003). Como elaborar um questionário. Série: Planejamento de pesquisa nas ciências sociais, (01).

Hoed, R. M. (2016). Análise da evasão em cursos superiores: o caso da evasão em cursos superiores da área de Computação. Dissertação de mestrado. Brasília, DF: Universidade de Brasília.

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 Brazilian Symposium on Computers in Education (Simpósio Brasileiro de Informática na Educação-SBIE) (Vol. 1, No. 1).

Matos, R. S., Souza, I. M., Silva, F. M., Beck, G. G. L. (2019). Gestão do Planejamento e Acompanhamento de Atividades Docentes de uma Universidade Federal. Revista GUAL. Florianópolis, v. 12, n. 1, pp.118-137.

Morães, M. J. F., & Pombeiro, O. J. (2016). Evasão nos cursos de graduação em Computação de Curitiba. Anais do EVINCI-UniBrasil, 1(4), 2088-2103.

Rigo, S. J., Cazella, S. C., & Cambruzzi, W. (2012). Minerando Dados Educacionais com foco na evasão escolar: oportunidades, desafios e necessidades. In Anais do Workshop de Desafios da Computação Aplicada à Educação (pp. 168-177).

Silva, F. L. (2001) Reflexões sobre o conceito e a função da universidade pública. Estudos Avançados, vol.15, n.42, pp.295-304.

Sutton, C. D. (2005) Classification and regression trees, bagging, and boosting. In Rao, C. R. (Org.). Handbook of Statistics , vol. 24. Amsterdã: Elsevier, p. 303-329.

Witten, I. H., Frank, E., Hall, M. A., Pal, C. J. (2011). Data Mining: Practical machine learning tools and techniques , 4th ed. Morgan Kaufmann.