Análise da Evasão e do Impacto da Retenção Estudantil no Ensino Superior com Cadeias de Markov Absorventes
Resumo
A evasão e a retenção são problemas recorrentes em cursos de graduação, que podem trazer prejuízos às universidades. A análise de sobrevivência permite buscar soluções para resolver esses problemas com antecedência, através da verificação da influência de eventos, como a evasão, conclusão e vínculo estudantil, de acordo com o tempo e a probabilidade de ocorrência. Este trabalho tem como objetivo analisar a evasão e o impacto da retenção no ensino superior, através de um modelo de Cadeia de Markov absorvente para realizar a análise de sobrevivência dos estudantes ao longo de cursos de graduação. Neste trabalho, foram analisados cursos de graduação das áreas de agrárias, computação e saúde de uma universidade pública brasileira, onde foi identificada a diferença no comportamento da evasão entre os cursos. As análises realizadas também mostraram como o semestre em que o estudante ficou retido influencia na evasão e conclusão.
Palavras-chave:
Cadeia de Markov, Análise de Sobrevivência, Evasão, Retenção, Ensino Superior
Referências
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.
Publicado
31/07/2022
Como Citar
SANTOS, Juliana F. dos; SOUSA, José Diogo A. de; MELLO, Rafael Ferreira; CRISTINO, Cláudio T.; ALVES, Gabriel.
Análise da Evasão e do Impacto da Retenção Estudantil no Ensino Superior com Cadeias de Markov Absorventes. In: WORKSHOP EM DESEMPENHO DE SISTEMAS COMPUTACIONAIS E DE COMUNICAÇÃO (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.
