Supervised Learning in the Context of Educational Data Mining to Avoid University Students Dropout

Santos, Kelly J. de O.; Menezes, Angelo G.; Carvalho, Andre B. de; Montesco, Carlos Alberto Estombelo

doi:10.1109/icalt.2019.00068

Cited by 11 publications

(10 citation statements)

References 3 publications

Supporting

Mentioning

Contrasting

Unclassified

Order By: Relevance

“…Diversos trabalhos visam entender e combater o problema da evasão através de algoritmos de Aprendizado de Máquina: (DA SILVA et al, 2019), (DEL BONIFRO et al, 2020) (NIETO et al, 2019, (Santos, Menezes, de Carvalho, & Montesco, 2019). Entre os trabalhos mais recentes, no contexto do Brasil, (DA SILVA et al, 2019) e (TEODORO e KAPPEL, 2020) buscam compreender a evasão considerando todos os cursos disponíveis na base do INEP.…”

Section: Trabalhos Relacionadosunclassified

“…Entre os trabalhos mais recentes, no contexto do Brasil, (DA SILVA et al, 2019) e (TEODORO e KAPPEL, 2020) buscam compreender a evasão considerando todos os cursos disponíveis na base do INEP. Já outros estudos preferem utilizar a amostra de apenas alguns cursos, como é o caso de (Santos, Menezes, de Carvalho, & Montesco, 2019). Porém, o que é comum nesses trabalhos é que não utilizam os modelos preditivos criados junto com um sistema web para revelar aos estudantes de universidades públicas brasileiras as informações relevantes para o sucesso de sua formação.…”

Section: Trabalhos Relacionadosunclassified

“…Para isso, são utilizados apenas dados que estão disponíveis no censo do INEP. Certos atributos como notas e a quantidade de disciplinas em que o aluno está inscrito podem ser importantes para a previsão de evasão, como é exposto em (Santos, Menezes, de Carvalho, & Montesco, 2019), (DEL BONIFRO et al, 2020) e (NIETO et al, 2019, mas estas informações só podem ser obtidas uma vez que o aluno já está com a graduação em curso. Além disso, se considerarmos os estudos analisados que utilizam dados acadêmicos coletados ao longo do curso, como notas e progressão, eles atingem uma acurácia média de 80,37%, enquanto o estudo que não utiliza esses dados registra 79,54%, um valor relativamente próximo.…”

Section: Trabalhos Relacionadosunclassified

See 2 more Smart Citations

GraduAI – Sistema com Aprendizagem de Máquina para Avaliação de Risco de Evasão

Teodoro,

Ferreira,

Kappel

2023

Anais Estendidos Do XII Congresso Brasileiro De Informática Na Educação (CBIE 2023)

View full text Add to dashboard Cite

A evasão nas instituições de ensino superior brasileiras tem se tornado uma preocupação crescente. Este trabalho possui como objetivo identificar padrões de evasão e sucesso acadêmico utilizando técnicas de aprendizado de máquina em dados públicos de educação. Os resultados alcançaram uma taxa de acerto nas previsões de aproximadamente 80%. Com posse desse modelo preditivo, foi desenvolvida uma API que fornece informações sobre as chances de sucesso e evasão dos estudantes, considerando características relevantes como idade, atividades extracurriculares e apoio social. Essa abordagem visa auxiliar os estudantes no planejamento de suas carreiras acadêmicas de forma mais eficiente, reduzindo a probabilidade de evasão.

show abstract

Section: Trabalhos Relacionadosunclassified

See 1 more Smart Citation

GraduAI – Sistema com Aprendizagem de Máquina para Avaliação de Risco de Evasão

Teodoro,

Ferreira,

Kappel

2023

Anais Estendidos Do XII Congresso Brasileiro De Informática Na Educação (CBIE 2023)

View full text Add to dashboard Cite

show abstract

“…O problema de previsão computacional da evasão no ensino superior foi abordado pelo trabalho de (Santos, Menezes, Carvalho, & Montesco, 2019), em que o desempenho de diferentes técnicas de aprendizado de máquina foi comparado. Os dados utilizados foram extraídos da base da Universidade Federal de Sergipe, englobando apenas três cursos, todos da área de Computação.…”

Section: Trabalhos Relacionadosunclassified

Aplicação de Técnicas de Aprendizado de Máquina para Predição de Risco de Evasão Escolar em Instituições Públicas de Ensino Superior no Brasil

Teodoro

Kappel

2020

RBIE

View full text Add to dashboard Cite

As instituições públicas de ensino superior do Brasil enfrentam taxas de evasão anual preocupantes. Torna-se de extrema importância, então, o reconhecimento do perfil de alunos com maior probabilidade de evadir, levando em consideração características dos estudantes e das universidades em que eles se encontram matriculados, para que planos de medidas públicas sejam construídos de maneira a reduzir estas taxas. Nesse contexto, o presente trabalho tem como objetivo a identificação dos padrões característicos de alunos com maior tendência a abandonar o ensino público superior, assim como a identificação dos atributos mais determinantes nestes padrões. Para isso, foram aplicadas cinco técnicas de aprendizado de máquina nos dados de educação superior do INEP (Instituto Nacional de Estudos e Pesquisas Educacionais Anísio Teixeira): Naive Bayes, K-Nearest Neighbors, Árvores de Decisão, Random Forest e Redes Neurais. Dentre elas, o melhor resultado foi obtido pela técnica Random Forest, que alcançou uma taxa de acerto de aproximadamente 80% das previsões de evasão. O modelo construído indicou que algumas das características mais determinantes na evasão de um aluno são a idade, a participação em atividades extracurriculares e a carga horária total do curso. A principal contribuição do presente trabalho vem na forma da identificação das variáveis mais importantes para a previsão de evasão. Espera-se que os resultados aqui apresentados possibilitem o desenvolvimento de estratégias de redução de evasão focadas no suporte a estudantes que se encontram nos padrões característicos identificados.

show abstract

“…Institusi perlu melakukan prediksi prilaku terhadap mahasiswa dalam mencegah kegagalan akademik secara dini untuk mencegah student loses. Database institusi perguruan tinggi menyimpan data akademik, administrasi biodata yang terkait dengan mahasiswa dan Data tersebut apabila digali dengan tepat maka dapat diketahui pola atau knowledge untuk mengambil keputusan [3]. Serangkaian proses mendapatkan knowledge atau pola dari data base disebut dengan data mining (Witten, Ian 2016).…”

unclassified

Analisis Kinerja dalam Mendeteksi Student Loses Berdasarkan Nilai Gain dengan Splite Feature Reduction Model pada Algoritma C4,5

Yusup¹,

Panjaitan²,

Yunis³

2020

Com, Engine, Sys, Sci

View full text Add to dashboard Cite

Abstrak— Perguruan tinggi diharapkan mampu menghasilkan sumber daya manusia yang berpengetahuan juga kreatif. faktor penilaian perguruan tinggi adalah persentase kemampuan mahasiswa dalam menyelesaikan studi. Saat ini, masalah student loses dan faktor-faktor yang mempengaruhinya telah menjadi topik yang menarik untuk diteliti. Institusi perlu mendeteksi kinerja mahasiswa yang berstatus "student loses" sehingga dapat diidentifikasi. Dengan metode klasifikasi algoritma C4.5 dalam mengambil keputusan yang dianggap memiliki kinerja yang baik, tetapi algoritma C4.5 memiliki beberapa kelemahan terhadap data yang tidak seimbang, yaitu dataset yang berbeda dua kelas yang berbeda antara kelas mayoritas dan kelas minoritas, berpengaruh pada algoritma C4.5, yang menghasilkan nilai hasil akurasi kurang optimal pada algoritma C4,5 untuk mengurangi pengaruh ketidakseimbangan kelas pada klasifikasi C4.5, maka perlu dilakukan pendekatan metode Split Feature Reduction Model hal ini dilakukan untuk memberi bobot pada setiap fitur yang direkomendasikan, sehingga ditemukan fitur yang merupakan klasifikasi yang kuat, berdasarkan perangkingan pada setiap fitur agar dapat direkomendasikan pada klasifikasi C4.5 dalam proses klasifikasi Hasil menunjukkan bahwa, kinerja akurasi klasifikasi C4.5 pada dataset mahasiswa dengan pendekatan SFRM sebelum proses Pengujian, 10 fold cross-validation, menunjukkan tingkat akurasi klasifikasi yang lebih baik yaitu akurasi 98% dalam penanganan ketidakseimbangan kelas.

show abstract

Supervised Learning in the Context of Educational Data Mining to Avoid University Students Dropout

Cited by 11 publications

References 3 publications

GraduAI – Sistema com Aprendizagem de Máquina para Avaliação de Risco de Evasão

GraduAI – Sistema com Aprendizagem de Máquina para Avaliação de Risco de Evasão

Aplicação de Técnicas de Aprendizado de Máquina para Predição de Risco de Evasão Escolar em Instituições Públicas de Ensino Superior no Brasil

Analisis Kinerja dalam Mendeteksi Student Loses Berdasarkan Nilai Gain dengan Splite Feature Reduction Model pada Algoritma C4,5

Contact Info

Product

Resources

About