MESTRADO EM SISTEMAS APLICADOS A ENGENHARIA E A GESTÃO

PROPOSTA DE UM MÉTODO DE PREDIÇÃO DA EVASÃO ESTUDANTIL NO ENSINO SUPERIOR BASEADO EM UM FRAMEWORK ESCOLAR UTILIZANDO MINERAÇÃO DE DADOS

por Átila Carvalho Júnior publicado 08/03/2023 15h10, última modificação 12/09/2023 12h49

Orientadora: Aline Pires Vieira de Vasconcelos

Coorientador: Jonnathan dos Santos Carvalho

A evasão no ensino superior é conceituada como a saída do aluno do curso de graduação de maneira definitiva ou temporária, independentemente do motivo ou causa, sem que tenha sido diplomado. O fenômeno do abandono escolar produz uma série de problemas para o sistema de educação, bem como para o governo, sendo o desperdício de recursos financeiros, sociais e humanos um dos exemplos mais graves. Portanto, a redução da taxa de evasão de alunos é um dos grandes desafios enfrentados pelas instituições públicas de ensino do Brasil na atualidade, fato que prejudica a gestão escolar e torna urgente a busca pela solução desse problema. Nesse contexto, a identificação de padrões e perfis de alunos com maior risco de evasão revela-se essencial para o desenvolvimento de um plano de mitigação voltado à redução da probabilidade de abandono do curso pelo estudante. A detecção precoce de estudantes propensos a abandonar seus cursos é crucial para o sucesso de qualquer estratégia de sucesso escolar. Uma das alternativas é utilizar técnicas de mineração de dados para criar um sistema de alerta que identifique com antecedência estudantes com risco elevado de abandono. Isto posto, o objetivo deste trabalho é desenvolver um método baseado em um framework escolar que torne mais simples a consulta acerca da possibilidade de um estudante evadir, a partir da utilização de um algoritmo de mineração de dados que pode ser aplicado numa plataforma Web para se tornar mais eficiente. Para tanto, é utilizada a base de dados acadêmicos de uma instituição federal de ensino com o intuito de executar as etapas de mineração para gerar um modelo de previsão de evasão. Por fim, os resultados são analisados pelos gestores escolares para realizar a tomada de decisão em relação à permanência e êxito. Como resultados, um experimento foi feito, unificando duas bases como estudo de caso para avaliar o desempenho do modelo de classificação. Diferentes algoritmos de classificação foram testados e os modelos gerados com os algoritmos Logistic Regression e Multilayer Perceptron apresentaram melhor desempenho preditivo com base nas medidas de acurácia e F1-score.
Palavras-chave: Evasão Escolar. Mineração de Dados. Modelo Preditivo.

Dropout in higher education is conceptualized as the student leaving the undergraduate course permanently or temporarily, regardless of the reason or cause, without having been graduated. The phenomenon of school dropout produces a series of problems for the education system, as well as for the government, being the waste of financial, social and human resources one of the most serious examples. Therefore, reducing the dropout rate of students is one of the great challenges faced by public educational institutions in Brazil today, a fact that impairs school management and makes it urgent to seek a solution to this problem. In this context, the identification of patterns and profiles of students with greater risk of dropout proves to be essential for the development of a mitigation plan aimed at reducing the probability of student dropping out of the course. Early detection of students likely to drop out of their courses is crucial to the success of any school success strategy. One of the alternatives is to use data mining techniques to create an early warning system that identifies students at high risk of dropping out. That said, the objective of this work is to develop a method based on a school framework that makes it simpler to consult about the possibility of a student dropping out, using a data mining algorithm that can be applied on a Web platform to make it more efficient. For this, the academic database of a federal educational institution is used in order to perform the mining steps to generate a dropout prediction model. Finally, the results are analyzed by school administrators to make a decision regarding permanence and success. As a result, an experiment was carried out, unifying two bases as a case study to evaluate the performance of the classification model. Different classification algorithms were tested and the models generated with the Logistic Regression and Multilayer Perceptron algorithms showed better predictive performance based on accuracy measures and F1- score.
Keywords: School Dropout. Machine Learning. Predictive Model.

PDF document Átila Carvalho Júnior.pdf — Documento PDF, 1.34 MB
Conteúdo

Atualmente não existem itens nessa pasta.