A proposal to predict risk of student evasion in a technical course in computer science
Abstract
The high rate of dropout in technology courses is a challenge faced by a large number of educational institutions. Therefore, identifying the risk of student dropout is relevant once actions can be taken to encourage permanence and success. In this context, this paper presents a proposal for predicting dropouts at educational institutions considering academic and socioeconomic information of students. In particular, one of the proposal steps involves the application of Machine Learning algorithms. A case study is presented making use of a 8-years dataset of a Computer Technician course at IFCE. The results demonstrate the effectiveness of the proposal, reaching an accuracy about 97.97% to predict students situation.
References
BRASIL (1988). Constituição da República Federativa do Brasil. Constituição (1988), Senado Federal.
BRASIL (1996). Lei n o 9.394, de 1996, que estabelece as diretrizes e bases da educação nacional, e legislação correlata. BRASIL. Lei de Diretrizes e Bases da Educação Nacional.
BRASIL (2014). Documento orientador para a superação da evasão e retenção na Rede Federal de Educação Profissional, Cientı́fica e Tecnológica. BRASIL. Ministério da Educação.
Correia, E. d. S., da Silva, V. A., and TAVARES, A. C. D. M. (2016). Avaliação da apren- dizagem: Do castigo ao diagnóstico pelo professor. Interfaces Cientı́ficas-Educação, 5(1):21–28.
De Castro, L. N. and Ferrari, D. G. (2016). Introdução à mineração de dados: conceitos básicos, algoritmos e aplicações. Saraiva, São Paulo, 1 edition.
Depresbiteris, L. (1998). Avaliação da aprendizagem do ponto de vista técnico-cientı́fico e filosófico-polı́tico. São Paulo: FDE, pages 161–172.
Devasia, T., Vinushree, T. P., and Hegde, V. (2016). Prediction of students performance using educational data mining. In International Conference on Data Mining and Ad- vanced Computing (SAPIENCE), pages 91–95.
Dharmawan, T., Ginardi, H., and Munif, A. (2018). Dropout detection using non- academic data. In 4th International Conference on Science and Technology (ICST), pages 1–4.
Duda, H. and Hart, P. (2001). Stork, Pattern Classification. John Wiley & Sons.
Faceli, K., Lorena, A. C., Gama, J., and de Carvalho, A. C. P. L. F. (2011). Inteligência Artificial - Uma Abordagem de Aprendizado de Máquina. LTC, Rio de Janeiro.
Gonçalves, T., Silva, J., and Cortes, O. (2018). Técnicas de mineração de dados: um estudo de caso da evasão no ensino superior do instituto federal do maranhão. Revista Brasileira de Computação Aplicada, 10(3):11–20.
Hegde, V. and Prageeth, P. P. (2018). Higher education student dropout prediction and analysis through educational data mining. In 2nd International Conference on Inven- tive Systems and Control (ICISC), pages 694–699.
IFCE (2017). Plano estratégico para permanência e êxito dos estudantes do IFCE. IFCE. Instituto Federal de Educação, Ciência e Tecnologia do Ceará. Pró-reitoria de Ensino - PROEN, Fortaleza.
IFCE (2018). IFCE em Números. http://ifceemnumeros.ifce.edu.br/. [Último Acesso em: 01-Mar-2019].
INEP (2017). Indicadores de Fluxo Escolar da Educação Básica. INEP. Instituto Nacio- nal de Estudos e Pesquisas Educacionais Anı́sio Teixeira, Brası́lia-DF.
Lanes, M. d. A. and Alcântara, C. d. S. (2018). Predição de alunos com risco de evasão: estudo de caso usando mineração de dados. In XXIX Simpósio Brasileiro de In- formática na Educação (SBIE).
Lei, C. and Li, K. F. (2015). Academic performance predictors. In IEEE 29th Interna- tional Conference on Advanced Information Networking and Applications Workshops, pages 577–581.
Maria, W., Damiani, J. L., and Pereira, M. (2016). Rede bayesiana para previsão de evasão escolar. In V Congresso Brasileiro de Informática na Educação (CBIE), pages 920 – 929.
Marwaha, A. and Ahuja, S. (2017). A review on identifying influencing factors and data mining techniques best suited for analyzing students’ performance. In International Conference on Big Data Analytics and Computational Intelligence (ICBDAC), pages 373–378.
Mitchell, T. (1997). Machine learning. McGraw Hill, 1 edition.
Paz, F. J. and Cazella, S. C. (2017). Identificando o perfil de evasão de alunos de graduação através da mineração de dados educacionais: um estudo de caso de uma universidade comunitária. In Anais dos Workshops do VI Congresso Brasileiro de In- formática na Educação (CBIE 2017).
Pedregosa, F., Varoquaux, G., Gramfort, A., Michel, V., Thirion, B., Grisel, O., Blondel, M., Prettenhofer, P., Weiss, R., Dubourg, V., Vanderplas, J., Passos, A., Cournapeau, D., Brucher, M., Perrot, M., and Duchesnay, E. (2011).
Scikit-learn: Machine learning in Python. Journal of Machine Learning Research, 12:2825–2830.
Perez, B., Castellanos, C., and Correal, D. (2018). Applying data mining techniques to predict student dropout: A case study. In IEEE 1st Colombian Conference on Applica- tions in Computational Intelligence (ColCACI), pages 1–6.
PNUD (2015). Relatório do Desenvolvimento Humano de 2015. PNUD. Programa das Nações Unidas para o Desenvolvimento.
Quinlan, J. R. (1993). C4.5: Programs for Machine Learning. Morgan Kaufmann Pu- blishers Inc., San Francisco, CA, USA.
Silva, L. A., Peres, S. M., and Boscarioli, C. (2016). Introdução à mineração de dados: com aplicações em R. Elsevier, Rio de Janeiro, 1 edition.
Solis, M., Moreira, T., Gonzalez, R., Fernandez, T., and Hernandez, M. (2018). Pers- pectives to predict dropout in university students with machine learning. In IEEE International Work Conference on Bioinspired Intelligence (IWOBI), pages 1–6.
Tekin, A. (2014). Early prediction of students’ grade point averages at graduation: A data mining approach. Eurasian Journal of Educational Research, 14:207–226.
Veiga, L. d., Drehmer, C. L., Urnau, J. R., Silva, T. d., Lizote, S. A., and Terres, J. C. (2012). O QUE É UMA UNIVERSIDADE COMUNITÁRIA? um estudo sobre o grau de conhecimento dos estudantes de uma instituição de ensino superior. In XII Colóquio Internacional sobre Gestão Universitária nas Américas, pages 1–15.
Witten, I. and Frank, E. (2005). Data Mining: Practical machine learning tools and techniques. Morgan Kaufmann Pub.
Wu, X., Kumar, V., Quinlan, J. R., Ghosh, J., Yang, Q., Motoda, H., McLachlan, G. J., Ng, A., Liu, B., Philip, S. Y., et al. (2008). Top 10 algorithms in data mining. Knowledge and information systems, 14(1):1–37.
Yukselturk, E., Ozekes, S., and Türel, Y. K. (2014). Predicting dropout student: An application of data mining methods in an online education program. European Journal of Open, Distance and E-Learning, 17(1):118–133.
Zhang, L. and Li, K. F. (2018). Education analytics: Challenges and approaches. In 32nd International Conference on Advanced Information Networking and Applications Workshops (WAINA), pages 193–198.
BRASIL (1996). Lei n o 9.394, de 1996, que estabelece as diretrizes e bases da educação nacional, e legislação correlata. BRASIL. Lei de Diretrizes e Bases da Educação Nacional.
BRASIL (2014). Documento orientador para a superação da evasão e retenção na Rede Federal de Educação Profissional, Cientı́fica e Tecnológica. BRASIL. Ministério da Educação.
Correia, E. d. S., da Silva, V. A., and TAVARES, A. C. D. M. (2016). Avaliação da apren- dizagem: Do castigo ao diagnóstico pelo professor. Interfaces Cientı́ficas-Educação, 5(1):21–28.
De Castro, L. N. and Ferrari, D. G. (2016). Introdução à mineração de dados: conceitos básicos, algoritmos e aplicações. Saraiva, São Paulo, 1 edition.
Depresbiteris, L. (1998). Avaliação da aprendizagem do ponto de vista técnico-cientı́fico e filosófico-polı́tico. São Paulo: FDE, pages 161–172.
Devasia, T., Vinushree, T. P., and Hegde, V. (2016). Prediction of students performance using educational data mining. In International Conference on Data Mining and Ad- vanced Computing (SAPIENCE), pages 91–95.
Dharmawan, T., Ginardi, H., and Munif, A. (2018). Dropout detection using non- academic data. In 4th International Conference on Science and Technology (ICST), pages 1–4.
Duda, H. and Hart, P. (2001). Stork, Pattern Classification. John Wiley & Sons.
Faceli, K., Lorena, A. C., Gama, J., and de Carvalho, A. C. P. L. F. (2011). Inteligência Artificial - Uma Abordagem de Aprendizado de Máquina. LTC, Rio de Janeiro.
Gonçalves, T., Silva, J., and Cortes, O. (2018). Técnicas de mineração de dados: um estudo de caso da evasão no ensino superior do instituto federal do maranhão. Revista Brasileira de Computação Aplicada, 10(3):11–20.
Hegde, V. and Prageeth, P. P. (2018). Higher education student dropout prediction and analysis through educational data mining. In 2nd International Conference on Inven- tive Systems and Control (ICISC), pages 694–699.
IFCE (2017). Plano estratégico para permanência e êxito dos estudantes do IFCE. IFCE. Instituto Federal de Educação, Ciência e Tecnologia do Ceará. Pró-reitoria de Ensino - PROEN, Fortaleza.
IFCE (2018). IFCE em Números. http://ifceemnumeros.ifce.edu.br/. [Último Acesso em: 01-Mar-2019].
INEP (2017). Indicadores de Fluxo Escolar da Educação Básica. INEP. Instituto Nacio- nal de Estudos e Pesquisas Educacionais Anı́sio Teixeira, Brası́lia-DF.
Lanes, M. d. A. and Alcântara, C. d. S. (2018). Predição de alunos com risco de evasão: estudo de caso usando mineração de dados. In XXIX Simpósio Brasileiro de In- formática na Educação (SBIE).
Lei, C. and Li, K. F. (2015). Academic performance predictors. In IEEE 29th Interna- tional Conference on Advanced Information Networking and Applications Workshops, pages 577–581.
Maria, W., Damiani, J. L., and Pereira, M. (2016). Rede bayesiana para previsão de evasão escolar. In V Congresso Brasileiro de Informática na Educação (CBIE), pages 920 – 929.
Marwaha, A. and Ahuja, S. (2017). A review on identifying influencing factors and data mining techniques best suited for analyzing students’ performance. In International Conference on Big Data Analytics and Computational Intelligence (ICBDAC), pages 373–378.
Mitchell, T. (1997). Machine learning. McGraw Hill, 1 edition.
Paz, F. J. and Cazella, S. C. (2017). Identificando o perfil de evasão de alunos de graduação através da mineração de dados educacionais: um estudo de caso de uma universidade comunitária. In Anais dos Workshops do VI Congresso Brasileiro de In- formática na Educação (CBIE 2017).
Pedregosa, F., Varoquaux, G., Gramfort, A., Michel, V., Thirion, B., Grisel, O., Blondel, M., Prettenhofer, P., Weiss, R., Dubourg, V., Vanderplas, J., Passos, A., Cournapeau, D., Brucher, M., Perrot, M., and Duchesnay, E. (2011).
Scikit-learn: Machine learning in Python. Journal of Machine Learning Research, 12:2825–2830.
Perez, B., Castellanos, C., and Correal, D. (2018). Applying data mining techniques to predict student dropout: A case study. In IEEE 1st Colombian Conference on Applica- tions in Computational Intelligence (ColCACI), pages 1–6.
PNUD (2015). Relatório do Desenvolvimento Humano de 2015. PNUD. Programa das Nações Unidas para o Desenvolvimento.
Quinlan, J. R. (1993). C4.5: Programs for Machine Learning. Morgan Kaufmann Pu- blishers Inc., San Francisco, CA, USA.
Silva, L. A., Peres, S. M., and Boscarioli, C. (2016). Introdução à mineração de dados: com aplicações em R. Elsevier, Rio de Janeiro, 1 edition.
Solis, M., Moreira, T., Gonzalez, R., Fernandez, T., and Hernandez, M. (2018). Pers- pectives to predict dropout in university students with machine learning. In IEEE International Work Conference on Bioinspired Intelligence (IWOBI), pages 1–6.
Tekin, A. (2014). Early prediction of students’ grade point averages at graduation: A data mining approach. Eurasian Journal of Educational Research, 14:207–226.
Veiga, L. d., Drehmer, C. L., Urnau, J. R., Silva, T. d., Lizote, S. A., and Terres, J. C. (2012). O QUE É UMA UNIVERSIDADE COMUNITÁRIA? um estudo sobre o grau de conhecimento dos estudantes de uma instituição de ensino superior. In XII Colóquio Internacional sobre Gestão Universitária nas Américas, pages 1–15.
Witten, I. and Frank, E. (2005). Data Mining: Practical machine learning tools and techniques. Morgan Kaufmann Pub.
Wu, X., Kumar, V., Quinlan, J. R., Ghosh, J., Yang, Q., Motoda, H., McLachlan, G. J., Ng, A., Liu, B., Philip, S. Y., et al. (2008). Top 10 algorithms in data mining. Knowledge and information systems, 14(1):1–37.
Yukselturk, E., Ozekes, S., and Türel, Y. K. (2014). Predicting dropout student: An application of data mining methods in an online education program. European Journal of Open, Distance and E-Learning, 17(1):118–133.
Zhang, L. and Li, K. F. (2018). Education analytics: Challenges and approaches. In 32nd International Conference on Advanced Information Networking and Applications Workshops (WAINA), pages 193–198.
Published
2019-07-12
How to Cite
SARAIVA, Daniel; PEREIRA, Silas; GALLINDO, Erica; BRAGA, Reinaldo; OLIVEIRA, Carina.
A proposal to predict risk of student evasion in a technical course in computer science. In: WORKSHOP ON COMPUTING EDUCATION (WEI), 27. , 2019, Belém.
Anais [...].
Porto Alegre: Sociedade Brasileira de Computação,
2019
.
p. 319-333.
ISSN 2595-6175.
DOI: https://doi.org/10.5753/wei.2019.6639.
