Mineração de Dados para Identificação de Alunos com Alto Risco de Evasão: Um Estudo de Caso
DOI:
https://doi.org/10.11606/issn.2525-376X.v1i1p17-23Palavras-chave:
Predição de Evasão Universitária, Mineração de Dados em Educação.Resumo
A evasão estudantil no ensino superior é uma questão crítica nas universidades brasileiras. Existem diversos fatores potenciais relacionados a esse fenômeno, sendo alguns deles mitigáveis pelas instituições por meio de aperfeiçoamentos nos cursos e políticas de apoio aos alunos. Neste trabalho, apresentamos uma metodologia baseada em mineração de dados para o acompanhamento e identificação precoce dos estudantes com grande potencial de desistência ou desligamento compulsório. Nossa abordagem utiliza exclusivamente o histórico de desempenho nas disciplinas do primeiro ano do curso, dispensando fontes externas de dados mais escassas ou de difícil obtenção. Tais instrumentos podem balizar a tomada de ações individuais direcionadas a alunos em risco, bem como o planejamento de ações futuras. Apresentamos um estudo de caso conduzido sobre o histórico escolar de alunos do Bacharelado em Sistemas de Informação da USP, com índices de acerto superiores a 90%.Referências
AMBIEL, Rodolfo A. M. “Construção da Escala de Motivos para Evasão do Ensino Superior”. Aval. Psicol., Itatiba, vol. 14, n. 1, abr. 2015, pp. 41-52.
BARKER, Lecia; HOVEY, C. L.; THOMPSON, L. D. “Results of a Large-Scale, Multi-institutional Study of Undergraduate Retention in Computing”. Frontiers in Education Conference (FIE), IEEE, 2014, pp. 1-8.
DIGIAMPIETRI, Luciano Antonio; PERES, S.M.; NAKANO, F.; ROMAN, N.T.; WAGNER, P.K.; SILVA, B.B.; TEODORO, B.; SILVA-JUNIOR, D.F.P.; PEREIRA, G.V.A.; BORGES, G.O.; PEREIRA, G.R.; SANTOS, M.V.; BAKLISKY, M.; BARROS, V.A. “Complementando o Aprendizado em Programação: Revisitando Experiências no Curso de Sistemas de Informação da USP”. iSys: Revista Brasileira de Sistemas de Informação, vol. 6, 2013, pp. 5-29.
DIGIAMPIETRI, Luciano Antonio; LAURETTO, M.S.; NAKANO, F. “Análise do Histórico Escolar dos Estudantes Visando à Adaptação Curricular e do Pro-cesso de Ensino e Avaliação”. In: 1º CONGRESSO DE GRADUAÇÃO DA UNIVERSIDADE DE SÃO PAULO, 2015. Resumos. São Paulo: Universidade de São Paulo, 2015, pp. 265-266.
DIGIAMPIETRI, Luciano Antonio; LAURETTO, M.S.; NAKANO, F. “Aperfeiçoamento da Estrutura Curricular de um Bacharelado em Sistemas de Informação: Metodologia e Resultados sobre a Análise de Pré-requisitos”. Submetido. 2016.
HALL, Mark; FRANK, E.; HOLMES, G.; PFAHRINGER, B.; REUTEMANN, P.; WITTEN, I H. “The WEKA Data Mining Software: An Upda-te”. SIGKDD Explorations, vol. 11, n. 1, 2009.
HIPÓLITO, O. “O Gargalo do Ensino Superior Bra-sileiro: Depoimento”. [27 abr. 2011]. Carta Capital. Entrevista concedida a Fernando Vives.
LAN-ON, Natthakan & BOONGOEN, Tossapon. “Using Cluster Ensemble to Improve Classification of Student Dropout in Thai University”. In: Proceedings of the 7th International Conference on and Advanced Intelligent Systems (ISIS), 2014, pp. 452-4 5 7.
LATIF, Sumaia Abdel. EACH em Números. São Paulo: EACH-USP, 2013. Disponível em: <http://each.uspnet.usp.br/site/download/each-numeros-gradua-cao-2012.pdf>. Acesso em 29 mar. 2016.
LAURETTO, Marcelo de Souza; DIGIAMPIE-TRI, L. A.; NAKANO, F. “Pesquisa com For-mandos e Egressos do Bacharelado em Sistemas de Informação da EACH-USP: Resultados Prelimi-nares”. In: 1º CONGRESSO DE GRADUAÇÃO DA UNIVERSIDADE DE SÃO PAULO, 2015. Resumos. São Paulo: Universidade de São Paulo, 2015, pp. 243-244.
MANHÃES, Laci Mary Barbosa; CRUZ, S.M.S.; ZIMBRÃO, G. “WAVE: An Architecture for Pre-dicting Dropout in Undergraduate Courses Using EDM”. 29th ANNUAL ACM SYMPOSIUM ON APPLIED COMPUTING (SAC ‘14). Nova York: ACM, 2014. pp. 243-247.
MEIER, Yannick; XU, J.; ATAN, O.; SHCAAR, M. van der. “Predicting Grades”. IEEE Trans on Signal Processing. Hoes Lane, Piscataway, NJ, vol. 64, n. 4, 2016, pp. 959-972.
SALAZAR URIBE, Juan Carlos; LOPERA GO-MEZ, C. M.; JARAMILLO ELORZA, M. C. “Identification of Factors that Affect the Loss of Student Status Using a Logit Survival Model for Discrete Data”. Dyna rev.fac.nac.minas, Medellín, vol. 79, n. 171, fev. 2012.
SILVA, Hadautho Roberto Barros da & ADEODA-TO, P. J. L. “A Data Mining Approach for Pre-venting Undergraduate Students Retention”. In: THE 2012 INTERNATIONAL JOINT CONFE-RENCE ON NEURAL NETWORKS (IJCNN), 2012, pp. 1-8.
SILVA FILHO, Roberto Leal Lobo; MOTEJUNAS, R.; HIPOLITO, O.; LOBO, M.B.C.M. “A Eva-são no Ensino Superior Brasileiro”. Cadernos de Pes-quisa, São Paulo, vol. 37, n. 132, set./dez. 2007, pp. 641-659.
UNIVERSIDADE DE SÃO PAULO. Anuário Estatís-tico USP. São Paulo: VREA/USP, 2014. Disponível em: <https://uspdigital.usp.br/anuario/br/acervo/Anu-arioUSP_2014.pdf>. Acessado em 28 mar. 2016.
WITTEN, Ian H.; FRANK, E. HALL, M.A. Data Mining. Practical Machine Learning Tools and Tech-niques. 3. ed. Burlington, Massachusetts: Morgan Kaufmann, 2011.
Downloads
Publicado
Como Citar
Edição
Seção
Licença
O(s) autor(es) mantém(êm) os direitos sobre o artigo ou relato. Todavia, a publicação deste em Grad+ implica, de modo automático, a cessão integral e exclusiva dos direitos autorais tão somente para a primeira edição de tal texto, sem pagamento por parte do periódico;
• Depois da primeira publicação de seu artigo ou relato na revista, o(s) autor(es) tem(êm) autorização para efetuar contratos adicionais, independentes do periódico, com vistas à divulgação do trabalho em questão por outros meios. Para tanto, deve(m) fazer a citação completa do texto de modo a incluir o nome da publicação original;
• Não só se autoriza, como se estimula, o(s) autor(es) de um artigo já publicado a distribuir(em) seu trabalho online (pelos mais variados canais), sempre com as devidas citações da primeira edição.
