Mineração de Dados Educacionais na Predição do Desempenho Acadêmico: um prognóstico a partir do percurso curricular realizado

Abstract

Este trabalho apresenta a avaliação de modelos preditivos para a identificação de alunos com risco de reprovação em disciplinas específicas. Para tanto, é utilizado como atributo preditor o percurso curricular realizado previamente pelo aluno antes de cursar uma determinada disciplina. O impacto da utilização de técnicas de balanceamento de carga nas métricas de avaliação dos modelos preditivos é investigado. Os resultados destacaram os melhores desempenhos para os algoritmos Random Forest, J48 e IBK, apresentando uma Acurácia de 71% a 81% e Recall de 75% a 93%, refletindo uma significativa melhoria ao se utilizar a técnica de sobreamostragem SMOTE para o balanceamento de carga.

Detecção de desistência de estudantes em disciplinas ofertadas com apoio do ambiente MOODLE: uma abordagem de análise implícita

“…Em Garcia et al [4], os autores criaram um ambiente em que os professores pudessem prever a probabilidade de um aluno ser aprovado ou reprovado no início do semestre e a coleta de dados se deu a partir de informações acadêmicas passadas e pessoais. Dos algoritmos de aprendizado de máquina avaliados, que incluem Naive Bayes (NB), Instance Based Learner (IBK), JRip, J48, RF e MLP, RF teve melhor resultado, com sensibilidade de 93% e uma acurácia de 81,43% para as turmas em busca da graduação em Matemática, e uma sensibilidade de 80,5% e uma acurácia de 74,01% para o conjunto de alunos do curso de Computação.…”

“…Ou seja, a classificação não é útil se considerar todo o desempenho do estudante no semestre, sendo necessário identificar o quanto antes para agir a fim de evitar a desistência. Nesse sentido, apenas os trabalhos XV Computer on the Beach 10 a 13 de abril de 2024, Balneário Camboriú, SC, Brasil de Queiroga et al [15], Burgos et al [3] e Garcia et al [4] consideraram ou indicaram suas classificações levando em consideração essa avaliação da classificação antecipada.…”

Ferramenta para Predição do Desempenho Acadêmico no Ensino Superior

“…É importante destacar que a avaliações dos modelos preditivos que serão utilizados nesta ferramenta já foram realizadas previamente em [GARCIA et al, 2022], onde diferentes classificadores foram avaliados, bem como diferentes configurações dos atributos preditores e técnicas de balanceamento. Deste estudo, resultaram como destaque os algoritmos J48, Random Forest e IBk (nas configurações de 1 e 8 vizinhos) com os melhores resultados para os objetivos propostos.…”

“…Contudo, convém discorrer aqui acerca da concepção dos atributos preditores, visto que esta abordagem utilizando o percurso curricular configura uma importante caracterização desse estudo. Esse percurso pode ser descrito como a interação dos alunos com os componentes curriculares e nos resultados destas interações, e é assim descrito em [GARCIA et al, 2022[GARCIA et al, , p. 1080]:…”

“…Embora, em certa medida, essa seja uma constatação pragmática, este é um fenômeno complexo e dependente de várias condições internas e externas ao processo educacional [CZIBULA et al 2019]. Destarte, pesa aos professores e gestores educacionais a responsabilidade de prescreverem estratégias de ensino que se sobreponham às dificuldades e favoreçam a aprendizagem [GARCIA et al, 2022]. Nesse cenário, dentre um aparato de recursos de gestão e metodologias de ensino à disposição, o uso de tecnologias da informação (TI) tem ganhado destaque não só como infraestrutura, mas também como apoio à tomada de decisão.…”