Classificação de estudantes com potencial à evasão: aplicando mineração de dados no contexto de cursos técnicos subsequentes do IFPB

Janderson Ferreira Dutra

ORCID iD Instituto Federal de Educação, Ciência e Tecnologia da Paraíba (IFPB) Brasil

João Paulo Lopes de Souza

ORCID iD Instituto Federal de Educação, Ciência e Tecnologia da Paraíba (IFPB) Brasil

Damires Yluska de Souza Fernandes

Instituto Federal de Educação, Ciência e Tecnologia da Paraíba (IFPB) Brasil

Resumo

A mineração de dados educacionais tem sido uma ferramenta muito utilizada para identificar a possibilidade de evasão de estudantes e suas possíveis causas, buscando auxiliar instituições de ensino no acompanhamento, gerenciamento e solução a esse desafio. Este artigo apresenta uma abordagem que aplica mineração de dados educacionais para predizer estudantes de cursos subsequentes do IFPB com potencial de evasão. Para isso, foram coletados dados a partir do sistema acadêmico do IFPB, no contexto do Campus Cajazeiras. Os dados passaram por etapas de preparação, e um conjunto de dados específico foi gerado para o propósito da abordagem proposta. Com a assistência de um especialista de domínio, a abordagem provê a geração de modelos de aprendizado de máquina que classificam a possibilidade de evasão de estudantes, a partir de cinco métodos supervisionados. A avaliação dos métodos de classificação utilizados demonstra que todos os algoritmos apresentaram resultados próximos, a partir do levantamento das métricas obtido. Adicionalmente, o trabalho mostra que a quantidade de períodos cursados é o fator principal para o estudante evadir. O estudo mostra também que a distância geométrica de onde o estudante reside até o campus em questão não é fator relevante para a evasão.

Palavras-chave


aprendizado de máquina supervisionado; evasão de estudantes; mineração de dados educacionais


Texto completo:

Referências


BAKER, R.; ISOTANI, S.; CARVALHO, A. Mineração de dados educacionais: oportunidades para o Brasil. Revista Brasileira de Informática na Educação, v. 19, n. 2, p. 3-13, ago. 2011. DOI: http://dx.doi.org/10.5753/rbie.2011.19.02.03.

BARRETO, D. L.; MATOS, M. R.; HORA, H. R. M.; VASCONCELOS, A. P. V. Evasão no ensino superior: investigação das causas via mineração de dados. Educação Profissional e Tecnológica em Revista, v. 3, n. 2, p. 3-21, 2019. DOI: https://doi.org/10.36524/profept.v3i2.432.

BÓBÓ, M.; CAMPOS, F.; STROELE, V.; DAVID, J.; BRAGA, R. Identificação do perfil emocional do aluno através de análise de sentimento: combatendo a evasão escolar. In: SIMPÓSIO BRASILEIRO DE INFORMÁTICA NA EDUCAÇÃO (SBIE 2019), 30., 2019, Brasília. Anais [...]. Brasília: Sociedade Brasileira de Computação, 2019. p. 1431-1440. DOI: http://dx.doi.org/10.5753/cbie.sbie.2019.1431.

BRANCO, U. V. C. Ensino superior público e privado na Paraíba nos últimos 15 anos: reflexões sobre o acesso, a permanência e a conclusão. Avaliação: Revista da Avaliação da Educação Superior, Campinas, v. 25, n. 1, p. 52-72, 2020. DOI: http://dx.doi.org/10.1590/s1414-40772020000100004.

BRASIL. Ministério da Educação. Plataforma Nilo Peçanha: Guia de referência metodológica – PNP 2020. 2020. Brasília, DF: Evobiz, 2018. Disponível em: http://dadosabertos.mec.gov.br/images/conteudo/pnp/2020/grm_pnp_2020.pdf. Acesso em: 21 jun. 2022.

BRASIL. Ministério da Educação. Secretaria de Educação Superior. Associação Nacional dos Dirigentes das Instituições Federais de Ensino Superior. Associação Brasileira dos Reitores das Universidades Estaduais e Municipais. Comissão Especial de Estudos sobre a Evasão nas Universidades Públicas Brasileiras. Diplomação, retenção e evasão nos cursos de graduação em instituições de Ensino Superior públicas. Brasília, 1996. Disponível em: https://www.andifes.org.br/wp-content/files_flutter/Diplomacao_Retencao_Evasao_Graduacao_em_IES_Publicas-1996.pdf. Acesso em: 21 jun. 2022.

CASTRO, C. L.; BRAGA, A. P. Aprendizado supervisionado com conjuntos de dados desbalanceados. Sociedade Brasileira de Automática: Controle & Automação, Campinas, v. 22, n. 5, p. 441-466, out. 2011. DOI: https://doi.org/10.1590/S0103-17592011000500002.

CHAPMAN, P.; CLINTON, J.; KERBER, R.; KHABAZA, T.; REINARTZ, T.; SHEARER, C.; WIRTH, R. CRISP-DM 1.0: step-by-step data mining guide. Chicago: SPSS Inc., 2000. Disponível em: http://www.statoo.com/CRISP-DM.pdf. Acesso em: 21 jun. 2022.

CORDEIRO, R. G.; MUSSA, M. S.; HORA, H. R. M. Comportamento de estudantes evadidos de cursos técnicos: um estudo utilizando técnicas de mineração de dados. Educação Profissional e Tecnológica em Revista, v. 3, n. 1, p. 87-107, 2019. DOI: https://doi.org/10.36524/profept.v3i1.379.

COSTA, E.; BAKER, R. S. J.; AMORIM, L.; MAGALHÃES, J.; MARINHO, T. Mineração de dados educacionais: conceitos, técnicas, ferramentas e aplicações. Jornada de Atualização em Informática na Educação (JAIE 2012), v. 2, p. 1-29, 2012. Disponível em: http://ojs.sector3.com.br/index.php/pie/article/view/2341/0. Acesso em: 21 jun. 2022.

FREITAS, C. N. C.; GOUVEIA, R. M. M.; SOARES, R. G. F. Métodos de machine learning aplicados no cenário da educação a distância brasileira. In: INTERNATIONAL SYMPOSIUM ON COMPUTERS IN EDUCATION (SIEE 2020), 22., 2020, On-line. Proceedings […]. 2020. Disponível em: http://ceur-ws.org/Vol-2733/paper20.pdf. Acesso em: 21 jun. 2022.

FRIEDMAN, J. H. Greedy function approximation: A gradient boosting machine. Annals of Statistics, v. 29, n. 5, p. 1189-1232, Oct. 2001. DOI: https://dx.doi.org/10.1214/aos/1013203451.

GOLDSCHMIDT, R.; PASSOS, E.; BEZERRA, E. Data mining: conceitos, técnicas, algoritmos, orientações e aplicações. 2. ed. Rio de Janeiro: Elsevier, 2015.

GOTTARDO, E.; KAESTNER, C. A. A.; NORONHA, R. V. Estimativa de desempenho acadêmico de estudantes: análise da aplicação de técnicas de mineração de dados em cursos a distância. Revista Brasileira de Informática na Educação, v. 22, n. 1, p. 45-55, abr. 2014. DOI: http://dx.doi.org/10.5753/rbie.2014.22.01.45.

GUERRA, L. C. B.; FERRAZ, R. M. C.; MEDEIROS, J. P. Evasão na educação superior de um Instituto Federal do Nordeste brasileiro. Revista Eletrônica de Educação (REVEDUC), v. 13, n. 2, p. 533-553, 2019. DOI: https://dx.doi.org/10.14244/198271992529.

IBM CORPORATION. IBM SPSS Modeler CRISP-DM Guide. 2017. Disponível em: https://www.ibm.com/docs/en/spss-modeler/18.1.1?topic=spss-modeler-crisp-dm-guide. Acesso em: 21 jun. 2022.

MACHADO, C. J. R.; LIMA, B. R. B.; MACIEL, A. M. A.; RODRIGUES, R. L. An investigation of students behavior in discussion forums using Educational Data Mining. In: INTERNATIONAL CONFERENCE ON SOFTWARE ENGINEERING & KNOWLEDGE ENGINEERING (SEKE 2018), 30., 2018, Redwood City. Proceedings […]. Redwood City: KSI Research, 2018. DOI: http://dx.doi.org/10.18293/SEKE2016-143.

MATOS, P.; LOMBARDI, L. O.; CIFERRI, R. R.; PARDO, T. A. S.; CIFERRI, C. D. A.; VIEIRA, M. T. P. Relatório técnico “métricas de avaliação”. Projeto “um ambiente para análise de dados da doença anemia falciforme”. São Carlos: USP; UFSCar; Unimep, 2009. Disponível em: https://sites.icmc.usp.br/taspardo/techreportufscar2009a-matosetal.pdf. Acesso em: 22 jun. 2022.

MEDEIROS, L. B. G.; PADILHA, T. P. P.; Mineração de dados para detectar evasão escolar utilizando algoritmos de classificação. In: CONGRESSO INTERNACIONAL DE EDUCAÇÃO E TECNOLOGIAS; ENCONTRO DE PESQUISADORES EM EDUCAÇÃO A DISTÂNCIA, 4., 2018, São Carlos. Anais CIET:EnPED:2018 – Educação e Tecnologias: Gestão e política. São Carlos: UFSCar, 2018. Disponível em: https://cietenped.ufscar.br/submissao/index.php/2018/article/view/623. Acesso em: 10 out. 2020.

PEREIRA, M. C. Evasão escolar: causas e desafios. Revista Científica Multidisciplinar Núcleo do Conhecimento, ano 4, ed. 2, v. 1, p. 36-51, fev. 2019. Disponível em: https://www.nucleodoconhecimento.com.br/educacao/evasao-escolar. Acesso em: 21 jun. 2022.

QUEIROGA, E. M. Geração de modelos de predição para estudantes em risco de evasão em cursos técnicos a distância utilizando técnicas de mineração de dados. 2017. Dissertação (Mestrado em Ciência da Computação) – Centro de Desenvolvimento Tecnológico, Universidade Federal de Pelotas, Pelotas, 2017. Disponível em: http://repositorio.ufpel.edu.br:8080/handle/prefix/3843. Acesso em: 21 jun. 2022.

RAMOS, J. L. C.; RODRIGUES, R. L.; SILVA, J. C. S.; OLIVEIRA, P. L. S. CRISP-EDM: uma proposta de adaptação do Modelo CRISP-DM para mineração de dados educacionais. In: SIMPÓSIO BRASILEIRO DE INFORMÁTICA NA EDUCAÇÃO, 31., 2020, Online. Anais [...]. Porto Alegre: Sociedade Brasileira de Computação, 2020. p. 1092-1101. DOI: https://doi.org/10.5753/cbie.sbie.2020.1092.

RIGO, S.; CAMBRUZZI, W.; BARBOSA, J. L. V.; CAZELLA, S. C. Aplicações de mineração de dados educacionais e learning analytics com foco na evasão escolar: oportunidades e desafios. Revista Brasileira de Informática na Educação, v. 22, n. 1, p. 132-146, abr. 2014. DOI: https://dx.doi.org/10.5753/RBIE.2014.22.01.132.

ROMERO, C.; ROMERO, J. R.; VENTURA, S. A survey on pre-processing educational data. In: PEÑA-AYALA, A. (ed). Educational data mining: applications and trends. Cham, Switzerland: Springer, 2014. p. 29-44. DOI: https://doi.org/10.1007/978-3-319-02738-8_2.

SANTOS, F. D.; BERCHT, M.; WIVES, L. Classificação de alunos desanimados em um AVEA: uma proposta a partir da mineração de dados educacionais. In: SIMPÓSIO BRASILEIRO DE INFORMÁTICA NA EDUCAÇÃO (SBIE 2015), 4., 2015, Maceió. Anais [...]. Maceió: SBC, 2015. p. 1052-1061. DOI: http://dx.doi.org/10.5753/cbie.sbie.2015.1052.

SILVA, J.; DIAS, P.; SILVA, M. C. Fatores de influência no processo de evasão escolar em três cursos técnicos do Instituto Federal de Educação, Ciência e Tecnologia de Brasília. Revista da UIIPS: Unidade de Investigação do Instituto Politécnico de Santarém, v. 5, n. 3, p. 6-21, 2017. DOI: https://doi.org/10.25746/ruiips.v5.i3.14522.

SILVA, L. A.; PERES, S. M.; BOSCARIOLI, C. Introdução à mineração de dados: com aplicação em R. Rio de Janeiro: Grupo Gen, 2016.


DOI: http://dx.doi.org/10.18265/1517-0306a2021id5488

O arquivo PDF selecionado deve ser carregado no navegador caso tenha instalado um plugin de leitura de arquivos PDF (por exemplo, uma versão atual do Adobe Acrobat Reader).

Como alternativa, pode-se baixar o arquivo PDF para o computador, de onde poderá abrí-lo com o leitor PDF de sua preferência. Para baixar o PDF, clique no link abaixo.

Caso deseje mais informações sobre como imprimir, salvar e trabalhar com PDFs, a Highwire Press oferece uma página de Perguntas Frequentes sobre PDFs bastante útil.

Download do PDF
Imprimir artigo
Exibir metadados
Como citar este documento

Visitas a este artigo: 1641

Total de downloads do artigo: 1258