MINERAÇÃO DE DADOS NO COMBATE À EVASÃO ESCOLAR EM INSTITUIÇÕES DE ENSINO SUPERIOR BRASILEIRAS

Autores

DOI:

https://doi.org/10.31510/infa.v17i2.885

Palavras-chave:

Data mining, Evasão escolar, Ciência de dados

Resumo

Instituições brasileiras de ensino superior, públicas ou privadas, tem buscado nos últimos anos meios de frear o aumento da evasão escolar. Neste sentido, a mineração de dados tem se mostrado uma ferramenta eficiente para extração de conhecimento de grandes bases de dados, permitindo dessa maneira coordenar ações administrativas e pedagógicas no combate à evasão escolar. Este trabalho apresenta uma revisão de trabalhos primários sobre o uso de mineração de dados no combate à evasão escolar no ensino superior brasileiro. São destacadas as técnicas de mineração, variáveis mais relevantes, acurácia, metodologia, e quais bases de dados são utilizadas na extração de conhecimento. Ao final, são apresentadas direções para trabalhos futuros que podem orientar novas pesquisas sobre o tema.

Downloads

Não há dados estatísticos.

Referências

Amo, S. Técnicas de Mineração de dados, Universidade Federal de Uberlândia, 2003, disponível em https://bit.ly/2ScEQAh.

Ali, M. Role of Data Mining in Education Sector. International Journal of Computer Science and Mobile Computing Vol.2 Issue. 4, April- 2013, pg. 374-383

Baggi, C.; LOPES, D. Evasão e avaliação institucional no ensino superior: uma discussão bibliográfica. Avaliação – Campinas, julho, v. 16, n. 2, p. 355-374, 2011.

Barreto, D. et al Evasão no ensino superior: Investigação das causas via mineração de dados, Educação Profissional e Tecnológica, Vol.3, No.2, dezembro 2019, disponível em https://bit.ly/2SflVol.

Fayyad, U, et al. From Data Mining to Knowledge Discovery in Databases, AI Magazine, Vol.17, No.3, março 1996, disponível em https://bit.ly/3kVXCrO.

Funchal, J. et al. Um Modelo Preditivo para Estudo da Evasão na Graduação Utilizando Mineração de dados, Revista de Tecnologia, Vol.9, No.3, dezembro 2016, disponível em https://bit.ly/34h7oy2.

Filho, R. et al. A evasão no ensino superior brasileiro. Cadernos de Pesquisa. Instituto Lobo para o Desenvolvimento da Educação, da Ciência e da Tecnologia. v. 37, n. 132, p. 641-659, set./dezembro 2007, disponível em https://bit.ly/2SbyH7g.

Gisi, M. A Educação Superior no Brasil e o caráter de desigualdade do acesso e da permanência. Diálogo Educacional, Curitiba, v. 6, n. 17, p. 97-112, 2006.

Gonçalves, O; Beltrame, W. Mineração de dados e Evasão estudantil: Analisando o curso de nível superior do IFES, XII Congreso de Administração, Sociedade e Inovação, dezembro 2019, disponível em https://bit.ly/30kwM4W.

Gottardo, E.; et al. Estimativa de desempenho acadêmico de estudantes: análise da aplicação de técnicas de mineração de dados em cursos à distância. Revista Brasileira de Informática na Educação, v. 22, n. 1, p. 45-55, 2014.

Han, J; Kamber, M; Pei. J. Data Mining: Concepts and Techniques, Third Edition. University of Illinois at Urbana-Champaign, 2011.

Hand, D; Mannila, H.; Smyth, P. Principles of Data Mining. Massachusetts Institute of Technology, 2001.

Júnior, J. et al. Método de Seleção de Atributos Aplicados na Previsão da Evasão de Cursos de Graduação, Revista de informática aplicada, Vol.13, No.2, fevereiro 2017, disponível em https://bit.ly/30iRVfG.

Junior, R. et al. Descoberta de Conhecimento para Identificação de Fatores que Influenciam o Desempenho Discente, Informática na Educação: teoria & prática, Vol.22, No.3, dezembro 2019, disponível em https://bit.ly/36hEMYg.

Lima, M; Fagundes, R. Education Data Mining: A Study of the Factors That Cause School Dropout in Higher Education Institutions in Brazil, Revista Novas Tecnologias na Educação, Vol.18, No.1, julho 2020, disponível em https://bit.ly/3jjbHz9.

Lanes, M; Alcântara, C. Predição de Alunos com Risco de Evasão: estudo de usando mineração de dados, VII Congresso Brasileiro de Informática na Educação, outubro 2018, disponível em https://bit.ly/3kZ9s4D.

Lobo, E. A evasão no ensino superior brasileiro: novos dados. Blog Estadão, São Paulo, 2017. Disponível em: https://bit.ly/30n7bs3. Acesso em: 24 ago. 2020.

Lobo, R.L. et al. Evasão no ensino superior: causas e remédios - Jun. 2009. Disponível em: https://www.scielo.br/pdf/cp/v37n132/a0737132.pdf. Acesso em: 24 ago. 2020.

Mannila, H. Methods and Problems in Data Mining, In Proc. 7th International Conference on Database Theory (ICDT 97), Delphi, Greece, 1997, disponível em https://bit.ly/34aPD3v.

Manhães, L. M. B. et al. Identificação dos Fatores que Influenciam a Evasão em Cursos de Graduação Através de Sistemas Baseados em Mineração de Dados: Uma Abordagem Quantitativa. In: Anais do VIII Simpósio Brasileiro de Sistemas de Informação (SBSI 2012), São Paulo, 2012

Martins, M. et al. Previsão do Abandono Académico numa instituição de ensino superior com recursos a data mining, Revista Ibérica de Sistemas e Tecnologias de Informação, Vol.28, No.4, abril 2020, disponível em https://bit.ly/3iisnWa.

Pimentel, T. et al Mineração de Padrões Sequenciais de Sentimentos: Um Estudo de Caso na Prevenção de Evasão da Educação Superior, VIII Congresso Brasileiro de informática na educação, nov. 2019, disponível em https://bit.ly/3kZ6RaS.

Polydoro, S. O trancamento de matrícula na trajetória acadêmica do universitário: condições de saída e de retorno a instituição. 2000. 175f. Tese (doutorado) - Universidade Estadual de Campinas, Faculdade de Educação, Campinas, SP. Disponível em https://bit.ly/2S9TYhU.

Paz, F; Cazella, S. Identificando o perfil de evasão de alunos de graduação através da mineração de dados educacionais: um estudo de caso de uma universidade comunitária, VI Congresso Brasileiro de informática na educação, Nov. 2017, disponível em https://bit.ly/3cKyv8x.

Rigo, S. et al. Aplicações de Mineração de Dados Educacionais e Learning Analytics com foco na evasão escolar: oportunidades e desafios. Revista Brasileira de Informática na Educação, v. 22, n. 1, 2014.

Russel, S; Norvig, P. Artificial intelligence: A modern approach. Prentice Hall, New Jerey 2002.

Silva, E; Cruz, J. Mineração de Dados Educacionais: Uso de Redes Neurais Artificiais na Predição do Perfil Acadêmico do Aluno IFAL campus Maragogi, XIX Escola Regional de Computação Bahia, Alagoas e Sergipe, abril 2019, disponível em https://bit.ly/30ltvlO.

Silva, C. et al Avaliação dos níveis de expectativa e motivação de estudantes de graduação do ensino presencial através da Mineração de dados, Informática na Educação: teoria & prática, Vol.22, No.3, dezembro 2018, disponível em https://bit.ly/3l4m5vp.

Silva, R. et al. A evasão no ensino superior brasileiro. Cadernos de Pesquisa. Instituto Lobo para o Desenvolvimento da Educação, Ciência e da Tecnologiav. 37, n. 132, p. 641-659, set./dez. 2007.

Silva, G. Análise de evasão no ensino superior: uma proposta de diagnóstico de seus determinantes. Revista da Avaliação da Educação Superior (Campinas), v. 18, n. 2, p. 311-333, Jul 2013.

Soares, L. et al. Aplicação de Técnicas de Aprendizado de Máquina em um Contexto Acadêmico com Foco na Identificação dos Alunos Evadidos e não Evadidos, VII Congresso Brasileiro de Inf. na Educação, nov. 2020, disponível em: https://bit.ly/2G3j2Vt.

Tontini, G.; Walter, S. Pode-se identificar a propensão e reduzir a evasão de alunos? Ações estratégicas e resultados táticos para instituições de ensino superior. Revista da Avaliação da Educação Superior (Campinas), v. 19, n. 1, p. 89-110, mar 2014.

Wirth, R.; Hipp, Jochen. CRISP-DM: Towards a standard process model for data mining. Proceedings of the 4th International Conference on the Practical Applications of Knowledge Discovery and Data Mining. 2000.

WITTEN, Ian, et al. Data Mining: Pratical Machine Learning Tools and Techniques with java implementations, San Francisco: Morgan Kaufmann Publisher, 2000.

Ziviani, A. et al. Ciência de dados: desafio para a ciência, indústria e governo. Revista Eletrônica de Jornalismo Científico, setembro 2015, disponível em https://bit.ly/34dnHvR.

Downloads

Publicado

18/12/2020

Como Citar

MARTINS, R. R.; BERTUCI, M. H. .; PENIANI, L. P. . MINERAÇÃO DE DADOS NO COMBATE À EVASÃO ESCOLAR EM INSTITUIÇÕES DE ENSINO SUPERIOR BRASILEIRAS. Revista Interface Tecnológica, [S. l.], v. 17, n. 2, p. 103-115, 2020. DOI: 10.31510/infa.v17i2.885. Disponível em: https://revista.fatectq.edu.br/index.php/interfacetecnologica/article/view/885. Acesso em: 1 ago. 2021.

Edição

Seção

Tecnologia em Informática