Resumo-Com o objetivo de divulgar o potencial e a aptidão de Data Mining Educacional (EDM), como um instrumento de análise e de investigação, no apoio à gestão de instituições dedicadas ao ensino, apresenta-se, no presente artigo, uma sucinta descrição de alguns dos estudos mais relevantes da área. A análise efetuada permite evidenciar as inovações que o EDM tem vindo a promover, bem como as tendências de investigação atuais e futuras. Palavras Chave-data mining educacional, data mining, eficiência institucional.

The use of general descriptive names, registered names, trademarks, service marks, etc. in this publication does not imply, even in the absence of a specific statement, that such names are exempt from the relevant protective laws and regulations and therefore free for general use.

Resumo-No presente artigo apresenta-se uma metodologia desenvolvida com base no algoritmo random forest, para prever precocemente e de forma rigorosa o desempenho académico de graduação dos estudantes de uma instituição de ensino superior politécnico. A abordagem seguida permitiu isolar 11 variáveis explicativas, a partir de um conjunto inicial de cerca de meia centena, que garantem uma boa capacidade preditiva do modelo (R 2 =0.79). Estas variáveis revelam aspetos fundamentais para a definição de estratégias de gestão centradas na promoção do sucesso académico.

School dropout in higher education is an academic, economic, political and social problem, which has a great impact and is difficult to resolve. In order to mitigate this problem, this paper proposes a predictive model of classification, based on artificial neural networks, which allows the prediction, at the end of the first school year, of the propensity that the computer engineering students of a polytechnic institute in the interior of the country have for dropout. A differentiating aspect of this study is that it considers the classifications obtained in the course units of the first academic year as potential predictors of dropout. A new approach in the process of selecting the factors that foreshadow the dropout allowed isolating 12 explanatory variables, which guaranteed a good predictive capacity of the model (AUC=78.5%). These variables reveal fundamental aspects for the adoption of management strategies that may be more assertive in the combat to academic dropout.