A model for the identification of students at risk of dropout at a university of technology

Lottering, Roderick; Hans, Robert T.; Lall, Manoj

doi:10.1109/icabcd49160.2020.9183874

Cited by 9 publications

(4 citation statements)

References 21 publications

Supporting

Mentioning

Contrasting

Unclassified

Order By: Relevance

“…Como dito na Etapa 1, obteve-se 50 trabalhos selecionados resultantes das buscas realizadas (Tabelas 3 e 4). E40 [Limsathitwong et al 2018] E27 [Jamesmanoharan et al 2014] E41 [Murakami et al 2018] E28 [Yukselturk et al 2014] E42 [Perez et al 2018] E29 [Pradeep et al 2015] E43 [Solis et al 2018] E30 [Marbouti et al 2016] E44 [Alban and Mauricio 2019] E31 [Meedech et al 2016] E45 [Li et al 2019] E32 [Ahuja and Kankane 2017] E46 [Beltran et al 2019] E33 [Pereira and Zambrano 2017] E47 [Lottering et al 2020] E34 [Rocha et al 2017] E48 [Utari et al 2020] E35 [Rodrıguez-Maya et al 2017] E49 [Viloria et al 2020] E36 [Rovira et al 2017] E50 [Yaacob et al 2020 Como mostram as Tabelas 3 e 4, dentre os trabalhos selecionados, 22 são nacionais e 28 internacionais. Pode-se dizer que há um equilíbrio entre as quantidades de trabalhos encontrados para cada cenário.…”

Section: Resultados E Discussõesunclassified

Uma análise de trabalhos de mineração de dados educacionais no contexto da evasão escolar

Santos

Saraiva

Oliveira

2021

Anais Do XXXII Simpósio Brasileiro De Informática Na Educação (SBIE 2021)

View full text Add to dashboard Cite

Este artigo apresenta uma análise de trabalhos de mineração de dados educacionais (Educational Data Mining - EDM) nacionais e internacionais que tratam da temática da evasão escolar. As buscas por trabalhos foram realizadas com o propósito de responder a sete questões de pesquisa sobre ferramentas/bibliotecas, algoritmos e bases de dados considerados nos trabalhos. Dada a grande quantidade de informações analisadas, foi utilizada a ferramenta Tableau para uma melhor compreensão e comparação dos fatores estudados. Os resultados servem como subsídio para otimizar a tomada de decisão de analistas de dados no planejamento e desenvolvimento de projetos de EDM.

show abstract

Section: Resultados E Discussõesunclassified

Uma análise de trabalhos de mineração de dados educacionais no contexto da evasão escolar

Santos

Saraiva

Oliveira

2021

Anais Do XXXII Simpósio Brasileiro De Informática Na Educação (SBIE 2021)

View full text Add to dashboard Cite

show abstract

“…Finalmente, na Seção 5, são realizadas as considerações finais e são fornecidas indicações para trabalhos futuros. Oliveira, R. S., Medeiros, F. P. A. RBIE v.32 -2024 4 2 Trabalhos Relacionados Lottering et al (2020) conduziram uma pesquisa que aplicou técnicas de Mineração de Dados Educacionais (MDE) e Aprendizado de Máquina (AM) para identificar alunos em risco de evasão em uma universidade de tecnologia na África do Sul. Eles utilizaram as notas finais dos alunos, enriquecendo o conjunto de dados com 19 atributos derivados do banco de dados da instituição.…”

Section: Evasão Do Sistemaunclassified

Modelo de Predição de Evasão Escolar com Base em Dados de Autoavaliação de Cursos de Graduação

Oliveira,

Medeiros

2024

RBIE

View full text Add to dashboard Cite

A evasão escolar é um desafio diário para instituições de ensino, no caso específico do ensino superior as altas taxas acarretam perdas financeiras e escassez de profissionais no mercado. Esta pesquisa teve como objetivo desenvolver e avaliar um modelo preditivo para identificar alunos propensos à evasão, utilizando dados de um modelo semestral de autoavaliação dos cursos de graduação da Universidade Federal da Paraíba (UFPB). Utilizando a mineração de dados educacionais e a metodologia CRISP-EDM, o estudo analisou a relação entre evasão escolar e autoavaliação institucional, seguido de análise exploratória e preparação dos dados para classificação. Diversas técnicas de modelagem, como Árvore de Decisão, Floresta Aleatória e Máquinas de Vetores de Suporte, foram aplicadas, sendo os modelos avaliados por métricas de desempenho, revelando uma acurácia de 87,97%, precisão de 91,72%, recall de 91,67% e medida F de 91,57% na identificação de alunos com alta probabilidade de evasão. Cerca de 59% dos alunos ativos da UFPB admitidos a partir de 2017 demonstraram probabilidade de abandonar seus cursos nos testes do modelo preditivo proposto. Essas informações podem embasar decisões institucionais e a implementação de políticas e ações eficazes contra a evasão, visando melhorar os resultados acadêmicos. O estudo contribui para avanços na predição de evasão escolar, fornecendo insights valiosos para decisões e estratégias preventivas na UFPB e outras instituições de ensino superior.

show abstract

“…Não houve destaque específico de variáveis. (Lottering et al, 2020). ER10: Esse trabalho trata da classificação do abandono de alunos em programas universitários, foram utilizados algoritmos baseados em árvore de decisão, Naive Bayes, K-NN, modelos lineares e aprendizado profundo.…”

Section: Estudos Que Utilizaram Métodos Clássicosunclassified

Investigação da Evasão Estudantil por meio da Mineração de Dados e Aprendizagem de Máquina: Um Mapeamento Sistemático

Jesus,

Gusmão

2024

RBIE

View full text Add to dashboard Cite

A evasão dos alunos nas escolas e universidades é um problema recorrente na educação, tanto é danoso para o aluno em termos de aprendizagem, como gera prejuízos financeiros para as instituições, sejam públicas ou privadas. Estudos que utilizam técnicas de mineração de dados (MD) e aprendizado de máquina (AM) para investigar problemas na educação estão em ascensão. A evasão estudantil é um desses problemas. Por meio dessas técnicas, é possível identificar padrões em indivíduos ou grupos que possam vir a abandonar os estudos. Este artigo tem como objetivo mapear sistematicamente artigos no estado da arte sobre a aplicação de DM e ML na classificação de dados em estudos sobre evasão escolar. A busca foi realizada em 5 bases de dados bibliográficas, ACM Digital Library, IEEE Xplore, Scopus, ScienceDirect e Web of Science, e retornou um total de 336 estudos primários. Após a aplicação dos critérios de exclusão e inclusão, restaram 71 estudos relevantes. Após a extração de dados desses estudos, identificou-se que, as experiências com estudantes do ensino superior e na modalidade presencial são as mais recorrentes nesses artigos, o ano que mais se destacou em termos de publicação foi 2020, e os algoritmos mais frequentemente utilizados para construção dos modelos de classificação são algoritmos baseados em árvores de decisão.

show abstract

A model for the identification of students at risk of dropout at a university of technology

Cited by 9 publications

References 21 publications

Uma análise de trabalhos de mineração de dados educacionais no contexto da evasão escolar

Uma análise de trabalhos de mineração de dados educacionais no contexto da evasão escolar

Modelo de Predição de Evasão Escolar com Base em Dados de Autoavaliação de Cursos de Graduação

Investigação da Evasão Estudantil por meio da Mineração de Dados e Aprendizagem de Máquina: Um Mapeamento Sistemático

Contact Info

Product

Resources

About