Técnicas de Mineração de Dados e Aprendizado de Máquina aplicados à Evasão Estudantil: um mapeamento sistemático da literatura
DOI:
https://doi.org/10.5753/rbie.2024.3296Palavras-chave:
Mapeamento sistemático da literatura, Evasão estudantil, Mineração de dados, Aprendizado de máquinaResumo
Este trabalho apresenta um Mapeamento Sistemático da Literatura sobre a evasão estudantil, a partir do qual buscou-se responder à seguinte questão de pesquisa: quais ferramentas, técnicas de aprendizado de máquina, fatores indutores, bases de dados abertas e métricas de avaliação de algoritmos têm sido utilizados para identificar as causas da evasão estudantil? O protocolo do mapeamento foi elaborado com base nas diretrizes apresentadas por Petersen (2008) e Kitchenham (2004). Portanto, ele consistiu na definição de questões de pesquisa, critérios de seleção, definição de strings de busca, definição das fontes de busca, entre outros elementos. Entre os resultados ressalta-se que a ferramenta R foi a mais utilizada, a classificação obteve destaque entre as técnicas de aprendizagem de máquina e os principais trabalhos da área se concentraram em estudar fatores relacionados às características individuais do aluno. Adicionalmente, foram encontradas 15 bases bases de dados abertas. Por fim, às métricas de avaliação de algoritmos que se destacaram são: Recall, Accuracy e Precision. Os resultados deste mapeamento fornecem uma visão abrangente do estado da arte da pesquisa em evasão estudantil, incluindo as ferramentas e técnicas mais populares e os fatores indutores mais investigados. Pesquisadores podem utilizar os resultados deste trabalho para direcionar esforços de pesquisa para a criação de modelos utilizando os três tipos de fatores indutores e disponibilização de bases abertas.
Downloads
Referências
Barros, T. M., Silva, I., & Guedes, L. A. (2019). Determination of Dropout Student Profile Based on Correspondence Analysis Technique. IEEE Latin America Transactions, 17(09), 1517–1523. https://doi.org/10.1109/TLA.2019.8931146. [GS Search]
Bonaccorso, G. (2017). Machine learning algorithms. Packt Publishing Ltd. [GS Search]
Costa, E., Baker, R. S., Amorim, L., Magalhães, J., & Marinho, T. (2013). Mineração de dados
educacionais: conceitos, técnicas, ferramentas e aplicações. Jornada de Atualização em Informática na Educação, 1(1), 1–29. [GS Search]
de Campos, A., Galafassi, C., Bastiani, E., Paz, F. J., Campos, R. L., Wives, L. K., Cazella, S. C., Reategui, E. B., & Barone, D. A. C. (2020). Mineração de Dados Educacionais e Learning Analytics no contexto educacional brasileiro: um mapeamento sistemático. Informática na educação: teoria & prática, 23(3 Set/Dez). https://doi.org/https://doi.org/10.22456/1982-1654.102618 [GS Search]
Deepika, K., & Sathvanaravana, N. (2018). Analyze and predicting the student academic performance using data mining tools. 2018 Second International Conference on Intelligent Computing and Control Systems (ICICCS), 76–81. https://doi.org/10.1109/ICCONS.2018.8663197. [GS Search]
Dombrovskaia, L., José, P., & Rodrıguez, P. (2020). Prediction of student’s retention in first year of engineering program at a technological chilean university. 2020 39th International Conference of the Chilean Computer Science Society (SCCC), 1–4. https://doi.org/10.1109/SCCC51225.2020.9281195. [GS Search]
Elhorst, J. P. (2014). Matlab software for spatial panels. International Regional Science Review, 37(3), 389–405. https://doi.org/10.1177/0160017612452429. [GS Search]
Faria, S. M. S. M. L. d. (2014). Educational data mining e learning analytics na melhoria do ensino online (tese de dout.) [GS Search].
Freitas, F. A. d. S., Vasconcelos, F. F., Peixoto, S. A., Hassan, M. M., Dewan, M., Albuquerque, V. H. C. d., et al. (2020). IoT System for School Dropout Prediction Using Machine Learning Techniques Based on Socioeconomic Data . Electronics, 9(10), 1613. https://doi.org/10.3390/electronics9101613. [GS Search]
Fuzeto, R., & Braga, R. (2016). Um mapeamento sistemático em progresso sobre internet das coisas e educação à distância. Anais dos Workshops do Congresso Brasileiro de Informática na Educação, 5(1), 1334. https://doi.org/10.5753/cbie.wcbie.2016.1334. [GS Search]
German, D. M., Adams, B., & Hassan, A. E. (2013). The evolution of the R software ecosystem. 2013 17th European Conference on Software Maintenance and Reengineering, 243–252. https://doi.org/10.1109/CSMR.2013.33. [GS Search]
Grandini, M., Bagli, E., & Visani, G. (2020). Metrics for multi-class classification: an overview. arXiv preprint arXiv:2008.05756. https://doi.org/10.48550/arXiv.2008.05756. [GS Search]
Ignacio, L. F. F. (2021). Aprendizado de máquina: da teoria à aplicação. [GS Search]
Kitchenham, B. (2004). Procedures for performing systematic reviews. Keele, UK, Keele University, 33(2004), 1–26. [GS Search]
Lima, J., Alves, P., Pereira, M., & Almeida, S. (2018). Using academic analytics to predict dropout risk in engineering courses. 17th European Conference on e-Learning ECEL 2018, 316–321. [GS Search]
Lobo, M. B. d. C. M. (2012). Panorama da evasão no ensino superior brasileiro: aspectos gerais das causas e soluções. [GS Search].
Marques, L. T. (2020). Mateo: uma abordagem de descoberta de conhecimento para desvendar as causas da evasão escolar . [GS Search]
Marques, L. T., De Castro, A. F., Marques, B. T., Silva, J. C. P., & Queiroz, P. G. G. (2019). Mineração de dados auxiliando na descoberta das causas da evasão escolar: Um Mapeamento Sistemático da Literatura. Revista Novas Tecnologias na Educação, 17(3), 194–203. https://doi.org/10.22456/1679-1916.99470. [GS Search]
MEC, M. d. E. (2019). Censo da Educação Superior. [Link]
Muschelli, J. (2020). ROC and AUC with a binary predictor: a potentially misleading metric. Journal of classification, 37(3), 696–708. https://doi.org/10.1007/s00357-019-09345-1. [GS Search]
Nagy, M., & Molontay, R. (2018). Predicting dropout in higher education based on secondary school performance. 2018 IEEE 22nd international conference on intelligent engineering systems (INES), 000389–000394. https://doi.org/10.1109/INES.2018.8523888. [GS Search]
Naik, A., & Samant, L. (2016). Correlation review of classification algorithm using data mining tool: WEKA, Rapidminer, Tanagra, Orange and Knime. Procedia Computer Science, 85, 662–668. https://doi.org/10.1016/j.procs.2016.05.251 [GS Search]
Pašic, Ð., & Ku ´ cak, D. (2020). Machine learning model for detecting high school students as ˇcandidates for drop-out from a study program. 2020 43rd International Convention on Information, Communication and Electronic Technology (MIPRO), 1140–1144. https://doi.org/10.23919/MIPRO48935.2020.9245405. [GS Search]
Petersen, K., Feldt, R., Mujtaba, S., & Mattsson, M. (2008). Systematic mapping studies in software engineering. 12th International Conference on Evaluation and Assessment in Software Engineering (EASE) 12, 1–10. https://doi.org/10.14236/ewic/EASE2008. [GS Search]
Pinto, S. C. (2021). Os custos da evasão de discentes das universidades brasileiras na modalidade de ensino presencial: uma perspectiva de custos contábeis e custos econômicos.[GS Search]
Ratra, R., & Gulia, P. (2020). Experimental evaluation of open source data mining tools (WEKA and Orange). Int. J. Eng. Trends Technol, 68(8), 30–35. [GS Search]
Sari, E. Y., Sunyoto, A., et al. (2019). Optimization of Weight Backpropagation with Particle Swarm Optimization for Student Dropout Prediction. 2019 4th International Conference on Information Technology, Information Systems and Electrical Engineering (ICITISEE), 423–428. https://doi.org/10.1109/ICITISEE48480.2019.9004032. [GS Search]
Silva, I., & Moody, G. B. (2014). An open-source toolbox for analysing and processing physionet databases in matlab and octave. Journal of open research software, 2(1). < a href="https://doi.org/10.5334/jors.bi.">https: //doi.org/10.5334/jors.bi. [GS Search]
Sofyan, Y., & Kurniawan, H. (2009). Teknik Analisis Statistik terlengkap dengan Software SPSS. Salemba Infotek, Jakarta. [GS Search]
Sousa, L. R. d., Carvalho, V. O. d., Penteado, B. E., & Affonso, F. J. (2021). A systematic mapping on the use of data mining for the face-to-face school dropout problem. Proceedings. [GS Search]
Stancin, I., & Jovi ˇ c, A. (2019). An overview and comparison of free Python libraries for data ´mining and big data analysis. 2019 42nd International Convention on Information and Communication Technology, Electronics and Microelectronics (MIPRO), 977–982. https://doi.org/10.23919/MIPRO.2019.8757088. [GS Search]
Tinto, V. (1975). Dropout from higher education: A theoretical synthesis of recent research. Review of educational research, 45(1), 89–125. https://doi.org/https://doi.org/10.3102/00346543045001089
Valente, A., Holanda, M., Mariano, A. M., Furuta, R., & Da Silva, D. (2022). Analysis of Academic Databases for Literature Review in the Computer Science Education Field. 2022 IEEE Frontiers in Education Conference (FIE), 1–7. https:// doi.org/10.1109/FIE56618.2022.9962393. [GS Search]
Wen, J., Li, S., Lin, Z., Hu, Y., & Huang, C. (2012). Systematic literature review of machine learning based software development effort estimation models. Information and Software Technology, 54(1), 41–59. https://doi.org/10.1016/j.infsof.2011.09.002. [GS Search]
Arquivos adicionais
Publicado
Como Citar
Edição
Seção
Licença
Copyright (c) 2024 Fernanda Ferreira do Nascimento, Lucas Cesar de Oliveira Dantas, Angélica Félix de Castro, Paulo Gabriel Gadelha Queiroz
Este trabalho está licenciado sob uma licença Creative Commons Attribution-NonCommercial-NoDerivatives 4.0 International License.
