Mineração de Dados para Identificação de Alunos com Alto Risco de Evasão: Um Estudo de Caso

Autores

  • Luciano Antonio Digiampietri Universidade de São Paulo. Escola de Artes, Ciências e Humanidades
  • Fabio Nakano Universidade de São Paulo. Escola de Artes, Ciências e Humanidades
  • Marcelo de Souza Lauretto Universidade de São Paulo. Escola de Artes, Ciências e Humanidades

DOI:

https://doi.org/10.11606/issn.2525-376X.v1i1p17-23

Palavras-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%.

Downloads

Os dados de download ainda não estão disponíveis.

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

2016-07-18

Edição

Seção

Artigos

Como Citar

Mineração de Dados para Identificação de Alunos com Alto Risco de Evasão: Um Estudo de Caso. Revista de Graduação USP, [S. l.], v. 1, n. 1, p. 17–23, 2016. DOI: 10.11606/issn.2525-376X.v1i1p17-23. Disponível em: https://revistas.usp.br/gradmais/article/view/117720.. Acesso em: 29 mar. 2024.