Análise preditiva para identificação de alunos suscetíveis à evasão escolar / Análise preditiva para identificação de alunos suscetíveis à evasão escolar

Leonardo Martins Rodrigues, Emerson Augusto Priamo Moraes, Ricardo Costa Pinto e Santos

Abstract


A evasão de estudantes é um fenômeno complexo que aflige as universidades do mundo contemporâneo. As metas sociais e econômicas possivelmente não serão atingidas, observando o baixo aproveitamento dos recursos empregados na educação. A proposta desse estudo é o desenvolvimento de uma ferramenta computacional de identificação dos alunos com maior chance de evasão escolar, através do cruzamento de múltiplas        bases de dados de domínio público, utilizando Ciência de Dados e aprendizado de máquina. Será        desenvolvido um processo de classificação supervisionada a partir de um treinamento de uma Rede Neural que desenvolverá a habilidade de identificar o padrão de um aluno desistente na base de dados acadêmica da escola. A Rede Neural Artificial obteve 85,2% de eficácia na identificação de alunos com alta chance de desistirem do curso.

 


Keywords


Redes Neurais, Evasão Escolar, Inteligência Artificial ,Sistemas Acadêmicos ,Ciência de Dados, Redes Neurais, Evasão Escolar, Inteligência Artificial, Sistemas Acadêmicos, Ciência de Dados.

References


SILVA, E. C. R., PEREIRA, T. F. Evasão escolar no ensino superior: uma revisão sistemática da literatura. Brazilian Journal ou Development, 2021, ISSN: 2525-8751, DOI: 10.34117

ADACHI, Ana. Evasão e evadidos nos cursos de graduação da UFMG. Dissertação de Mestrado, UFMG, 2009.

BAKER, R., ISOTANI, S., CARVALHO, A. Mineração de Dados Educacionais: Oportunidades para o Brasil. Revista Brasileira de Informática na Educação, 2011.

BARDAGI, M. P. Evasão e comportamento vocacional de universitários: estudos sobre o desenvolvimento de carreira na graduação. Programas de Pós-graduação da CAPES. 2007

.

BÔAS, G. K. V. Currículo, Iniciação Científica e Evasão de Estudantes de Ciências Sociais. Revista Tempo Social. São Paulo. 2003.

BRAGA, M. M.; PINTO, C. O. B. M.; CARDEAL, Z.L. Perfil socioeconômico, repetência e evasão no curso de Química da UFMG. Química Nova. São Paulo. 1997.

CLEVERT, Djork-Arné; UNTERTHINER, Thomas; HOCHREITER, Sepp. Fast and Accurate Deep Network Learning by Exponential Linear Units (ELUs). Institute of Bioinformatics, Austria, Linz, 2015.

COUTINHO, Emanuel et al. Uma Análise da Evasão em Cursos de Graduação Apoiado por Métricas e Visualização de Dados. Universidade Federal do Ceará, 2018.

DELEN, Dursun. A comparative analysis of machine learning techniques for student retention management. Decision Support Systems. 2010.

DJULOVIC, Admir; LI, Dan. Towards Freshman Retention Prediction: A Comparative Study. International Journal of Information and Education Technology, 2013.

DUNCAN, Arne; CATOR, Karen. Expanding Evidence Approaches for Learning in a Digital World. Washington, 2013. Disponível em: https://tech.ed.gov/wp-content/uploads/2014/11/Expanding-Evidence.pdf. Acesso em abril de 2021.

FAUSETT, Laurene V. Fundamentals of Neural Networks - Architectures, Algorithms, and Applications. Prentice Hall International Editions. USA, New Jersey, 1994.

GAIOSO, N.P. de L. O fenômeno da evasão escolar na educação superior no Brasil. Dissertação (Mestrado em Educação) – Programa de Pós-Graduação em Educação da Universidade Católica de Brasília, Brasília, 2005.

HAN, J.; PEI, J.; KAMBER, M. Data mining: concepts and techniques. Elsevier,2011.

HAYKIN, S. Neural Networks - A Comprehensive Foundation. Macmillan College Publishing Company, USA, NY - New York, 1994.

KINGMA, Diederik; BA, Jimmy. Adam: A Method for Stochastic Optimization. International Conference for Learning Representations, San Diego, 2015.

LEVENFUS, R. S.; NUNES, M. L. T. Principais Temas Abordados por Jovens Centrados na Escolha Profissional. Porto Alegre: Artmed, 2002.

LYKOURENTZOU, Ioanna et al. Dropout prediction in e-learning courses through the combination of machine learning techniques. Computer & Education, 2009.

MEC/INEP. Resumo Técnico: Censo da Educação Superior 2007. Brasília-DF. 2009. Disponível em : Acesso em: 7 jun 2021.

MEC/SESU. Comissão Especial de Estudos sobre a Evasão nas Universidades Públicas Brasileiras. Brasília: ANDIFES/ABRUEM/SESU/MEC. 1997.

MORAN, J. M. A educação que desejamos. Campinas: Papirus, 2007.

PENIN, S. T. S. USP e a Ampliação do Acesso à Universidade Pública. Belo Horizonte: UFMG, 2004.

REZENDE, S. Mineração de Dados. XXV Congresso da Sociedade Brasileira de Computação, Minicurso, Universidade do Vale do Rio dos Sinos. São Leopoldo, 2005.

ROMERO, C. et al. Handbook of Educational Data Mining, CRC Press, 2010.

VELOSO, T. C. M. A.; ALMEIDA, E. P. Evasão nos Cursos de Graduação da Universidade Federal de Mato Grosso, campus universitário de Cuiabá: Um Processo de Exclusão. 2000.

VITELLI, Ricardo; FRITSCH, Rosangela; ROCHA, Cleonice. A Evasão em Disciplinas de Cursos de Graduação: fatores intervenientes. Revista Internacional da Educação Superior, Brasil, 2019.

ZHANG, Ying et al. Using data mining to improve student retention in HE: A case study. International conference on Enterprise Information Systems, Portugal, 2010.




DOI: https://doi.org/10.34117/bjdv7n7-371

Refbacks

  • There are currently no refbacks.