Analysis of Dropout and the Impact of Student Retention in Higher Education with Absorbing Markov Chains
Abstract
Dropout and retention are recurring problems in undergraduate courses, which can harm universities. Survival analysis allows finding solutions to solve these problems in advance, by verifying the influence of events, such as dropout, graduation and student bond, according to the time and probability of occurrence. This work aims to analyze dropout and the impact of retention in higher education, through an absorbing Markov Chain model to perform the survival analysis of students throughout undergraduate courses. In this work, undergraduate courses in the areas of agriculture, computing and health at a Brazilian public university were analyzed, where the difference in the behavior of dropout between the courses was identified. The analyzes also showed how the semester in which the student was retained influences the dropout and graduation.
Keywords:
Markov Chain, Survival Analysis, Dropout, Retention, Higher Education
References
Alawadhi, S. and Konsowa, M. (2010). Markov chain analysis and student academic progress: An empirical comparative study. Journal of Modern Applied Statistical Methods, 9(2):26.
Araújo, D. F. d. (2019). Análise e avaliação da trajetória de estudantes de graduação baseadas em modelagem por cadeias de Markov. PhD thesis, Programa de Pós-Graduação em Biometria e Estatística Aplicada. Departamento de Estatística e Informática.
Beltran, C. A. R., Xavier-Júnior, J. C., Barreto, C. A., and Neto, C. O. (2019). Plataforma de aprendizado de maquina para detecção e monitoramento de alunos com risco de evasão. In Brazilian Symposium on Computers in Education (Simpósio Brasileiro de Informática na Educação-SBIE), volume 30, page 1591.
Boumi, S. and Vela, A. E. (2020). Improving graduation rate estimates using regularly updating multi-level absorbing markov chains. Education Sciences, 10(12):377.
Brezavscek, A., Bach, M. P., and Baggia, A. (2017). Markov analysis of students’ performance and academic progress in higher education. Organizacija, 50(2):83–95.
Campos, J. D. d. S. (2016). Fatores explicativos para a evasão no ensino superior através da análise de sobrevivência: o caso da ufpe. Master’s thesis, Universidade Federal de Pernambuco.
Carrano, D., De Albergaria, E. T., Infante, C., and Rocha, L. (2019). Combinando técnicas de mineração de dados para melhorar a detecção de indicadores de evasão universitária. In Brazilian Symposium on Computers in Education (Simpósio Brasileiro de Informática na Educação-SBIE), volume 30, page 1321.
Carvalho, V., Queiroz, E., Mendonça, J., Callou, G., and Andrade, E. (2021). Avaliação de desempenho de modelos deep learning para deteção de intrusão em dispositvos iot. In Anais do XX Workshop em Desempenho de Sistemas Computacionais e de Comunicação, pages 1–12, Porto Alegre, RS, Brasil. SBC.
Costa, F. J. d., Bispo, M. d. S., and Pereira, R. d. C. d. F. (2018). Dropout and retention of undergraduate students in management: a study at a brazilian federal university. RAUSP Management Journal, 53(1):74–85.
Da Silva, A. M. and Santos, B. C. S. (2017). Eficácia de políticas de acesso ao ensino superior privado na contenção da evasão. Avaliação: Revista da Avaliação da Educação Superior, 22(3):741–757.
De Almeida Teodoro, L. and Kappel, M. A. A. (2020). Aplicação de técnicas de aprendizado de máquina para predição de risco de evasão escolar em instituições públicas de ensino superior no brasil. Revista Brasileira de Informática na Educação, 28:838–863.
De Brito, B. C. P., De Mello, R. F. L., and Alves, G. (2020). Identificação de atributos relevantes na evasão no ensino superior público brasileiro. In Anais do XXXI Simpósio Brasileiro de Informática na Educação, pages 1032–1041. SBC.
Kleinbaum, D. G. and Mitchel, K. (2010). Survival analysis, volume 3. Springer.
Manhães, L. M. B., Da Cruz, S. M. S., Costa, R. J. M., Zavaleta, J., and Zimbrão, G. (2012). 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), volume 1.
Rigo, S. J., Cambruzzi, W., Barbosa, J. L., and Cazella, S. C. (2014). Aplicações de mineração de dados educacionais e learning analytics com foco na evasão escolar: oportunidades e desafios. Revista Brasileira de Informática na Educação, 22:132.
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(2):337–373.
Santos, B., Silva, F. A., and Soares, A. (2021). Redes de sensores iot em edifícios inteligentes: uma avaliação de desempenho usando modelos de filas. In Anais do XX Workshop em Desempenho de Sistemas Computacionais e de Comunicação, pages 25– 36, Porto Alegre, RS, Brasil. SBC.
Sheskin, T. J. (2016). Markov chains and decision processes for engineers and managers. CRC press.
Xavier, M. and Meneses, J. (2020). A literature review on the definitions of dropout in online higher education. In EDEN Conference Proceedings, pages 73–80.
Araújo, D. F. d. (2019). Análise e avaliação da trajetória de estudantes de graduação baseadas em modelagem por cadeias de Markov. PhD thesis, Programa de Pós-Graduação em Biometria e Estatística Aplicada. Departamento de Estatística e Informática.
Beltran, C. A. R., Xavier-Júnior, J. C., Barreto, C. A., and Neto, C. O. (2019). Plataforma de aprendizado de maquina para detecção e monitoramento de alunos com risco de evasão. In Brazilian Symposium on Computers in Education (Simpósio Brasileiro de Informática na Educação-SBIE), volume 30, page 1591.
Boumi, S. and Vela, A. E. (2020). Improving graduation rate estimates using regularly updating multi-level absorbing markov chains. Education Sciences, 10(12):377.
Brezavscek, A., Bach, M. P., and Baggia, A. (2017). Markov analysis of students’ performance and academic progress in higher education. Organizacija, 50(2):83–95.
Campos, J. D. d. S. (2016). Fatores explicativos para a evasão no ensino superior através da análise de sobrevivência: o caso da ufpe. Master’s thesis, Universidade Federal de Pernambuco.
Carrano, D., De Albergaria, E. T., Infante, C., and Rocha, L. (2019). Combinando técnicas de mineração de dados para melhorar a detecção de indicadores de evasão universitária. In Brazilian Symposium on Computers in Education (Simpósio Brasileiro de Informática na Educação-SBIE), volume 30, page 1321.
Carvalho, V., Queiroz, E., Mendonça, J., Callou, G., and Andrade, E. (2021). Avaliação de desempenho de modelos deep learning para deteção de intrusão em dispositvos iot. In Anais do XX Workshop em Desempenho de Sistemas Computacionais e de Comunicação, pages 1–12, Porto Alegre, RS, Brasil. SBC.
Costa, F. J. d., Bispo, M. d. S., and Pereira, R. d. C. d. F. (2018). Dropout and retention of undergraduate students in management: a study at a brazilian federal university. RAUSP Management Journal, 53(1):74–85.
Da Silva, A. M. and Santos, B. C. S. (2017). Eficácia de políticas de acesso ao ensino superior privado na contenção da evasão. Avaliação: Revista da Avaliação da Educação Superior, 22(3):741–757.
De Almeida Teodoro, L. and Kappel, M. A. A. (2020). Aplicação de técnicas de aprendizado de máquina para predição de risco de evasão escolar em instituições públicas de ensino superior no brasil. Revista Brasileira de Informática na Educação, 28:838–863.
De Brito, B. C. P., De Mello, R. F. L., and Alves, G. (2020). Identificação de atributos relevantes na evasão no ensino superior público brasileiro. In Anais do XXXI Simpósio Brasileiro de Informática na Educação, pages 1032–1041. SBC.
Kleinbaum, D. G. and Mitchel, K. (2010). Survival analysis, volume 3. Springer.
Manhães, L. M. B., Da Cruz, S. M. S., Costa, R. J. M., Zavaleta, J., and Zimbrão, G. (2012). 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), volume 1.
Rigo, S. J., Cambruzzi, W., Barbosa, J. L., and Cazella, S. C. (2014). Aplicações de mineração de dados educacionais e learning analytics com foco na evasão escolar: oportunidades e desafios. Revista Brasileira de Informática na Educação, 22:132.
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(2):337–373.
Santos, B., Silva, F. A., and Soares, A. (2021). Redes de sensores iot em edifícios inteligentes: uma avaliação de desempenho usando modelos de filas. In Anais do XX Workshop em Desempenho de Sistemas Computacionais e de Comunicação, pages 25– 36, Porto Alegre, RS, Brasil. SBC.
Sheskin, T. J. (2016). Markov chains and decision processes for engineers and managers. CRC press.
Xavier, M. and Meneses, J. (2020). A literature review on the definitions of dropout in online higher education. In EDEN Conference Proceedings, pages 73–80.
Published
2022-07-31
How to Cite
SANTOS, Juliana F. dos; SOUSA, José Diogo A. de; MELLO, Rafael Ferreira; CRISTINO, Cláudio T.; ALVES, Gabriel.
Analysis of Dropout and the Impact of Student Retention in Higher Education with Absorbing Markov Chains. In: WORKSHOP ON PERFORMANCE OF COMPUTER AND COMMUNICATION SYSTEMS (WPERFORMANCE), 21. , 2022, Niterói.
Anais [...].
Porto Alegre: Sociedade Brasileira de Computação,
2022
.
p. 49-59.
ISSN 2595-6167.
DOI: https://doi.org/10.5753/wperformance.2022.223211.
