Modelo de Predicción de Abandono Escolar basado en Datos de Autoevaluación de Cursos de Grado
DOI:
https://doi.org/10.5753/rbie.2024.3542Keywords:
Deserción escolar, Minería de datos educativos, Modelo predictivo, autoevaluaciónAbstract
La deserción escolar es un desafío diario para las instituciones educativas, y en el caso específico de la educación superior, las altas tasas conllevan pérdidas financieras y escasez de profesionales en el mercado. El objetivo de esta investigación fue desarrollar y evaluar un modelo predictivo para identificar a los estudiantes propensos a la deserción, utilizando datos de un modelo de autoevaluación semestral de los cursos de grado en Universidad Federal de Paraíba (UFPB). Mediante la minería de datos educativos y la metodología CRISP-EDM, el estudio analizó la relación entre la deserción escolar y la autoevaluación institucional, seguida de un análisis exploratorio y preparación de los datos para la clasificación. Se aplicaron diversas técnicas de modelado, como árboles de decisión, bosques aleatorios y máquinas de vectores de soporte, y los modelos se evaluaron mediante métricas de rendimiento, revelando una precisión del 87,97%, una precisión del 91,72%, una sensibilidad del 91,67% y una medida F del 91,57% en la identificación de estudiantes con alta probabilidad de deserción. Aproximadamente el 59% de los estudiantes activos en UFPB, admitidos a partir de 2017, mostraron una alta probabilidad de abandonar sus cursos en las pruebas del modelo predictivo propuesto. Esta información puede respaldar las decisiones institucionales y la implementación de políticas y acciones eficaces contra la deserción, con el objetivo de mejorar los resultados académicos. El estudio contribuye al avance en la predicción de la deserción escolar, proporcionando conocimientos valiosos para la toma de decisiones y estrategias preventivas en UFPB y otras instituciones de educación superior.
Descargas
Citas
Alban, M., & Mauricio, D. (2019). Predicting university dropout through data mining: A Systematic Literature. Indian Journal of Science and Technology, 12(4), 1-12. [GS Search]
ANDIFES, A., ABRUEM, A., & SESu/MEC, S. (1996). Diplomação, retenção e evasão nos cursos de graduação em instituições de ensino superior públicas: resumo do relatório apresentado a ANDIFES, ABRUEM e SESu/MEC pela Comissão Especial. Avaliação: Revista Da Avaliação Da Educação Superior, 1(2). Recuperado de [Link]. [GS Search]
Baggi, C. A. D. S., & Lopes, D. A. (2011). Evasão e avaliação institucional no ensino superior: uma discussão bibliográfica. Avaliação: Revista da Avaliação da Educação Superior (Campinas), 16(02), 355-374. [GS Search]
Baker, R., Isotani, S., & Carvalho, A. (2011). Mineração de dados educacionais: Oportunidades para o brasil. Revista Brasileira de informática na educação, 19(02), 03. [GS Search]
Batista, G. E., Prati, R. C., & Monard, M. (2004). A study of the behavior of several methods for balancing machine learning training data. ACM SIGKDD explorations newsletter, 6(1), 20-29. DOI: https://doi.org/10.1145/1007730.1007735. [GS Search]
Bolón-Canedo, V., Sánchez-Maroño, N., & Alonso-Betanzos, A. (2013). A review of feature selection methods on synthetic data. Knowledge and information systems, 34, 483-519. DOI: https://doi.org/10.1007/s10115-012-0487-8. [GS Search]
Costa, F. J., Dias, J. J. L. Avaliação da formação superior pelo discente: proposta de um instrumento. Avaliação: Revista da Avaliação da Educação Superior (Campinas), v. 25, n. 2, p. 275–296, maio 2020. DOI: https://doi.org/10.1590/S1414-4077/S1414-40772020000200003. [GS Search]
dos Santos, V. H. B., Saraiva, D. V., & de Oliveira, C. T. (2021). Uma análise de trabalhos de mineração de dados educacionais no contexto da evasão escolar. In Anais do XXXII Simpósio Brasileiro de Informática na Educação (pp. 1196-1210). SBC. DOI: https://doi.org/10.5753/sbie.2021.218167. [GS Search]
Gamba, E., & Righetti, S. (2022). Em crise, universidades federais participam de mais da metade da produção científica. Folha de São Paulo. Recuperado de [Link]
Géron, A. (2019). Mãos à Obra: Aprendizado de Máquina com Scikit-Learn & TensorFlow. Alta Books. [GS Search]
Hastie, T., Tibshirani, R., Friedman, J. H., & Friedman, J. H. (2009). The elements of statistical learning: data mining, inference, and prediction (Vol. 2, pp. 1-758). New York: springer. [GS Search]
Joshi, A. V. (2020). Machine Learning and Artificial Intelligence. Springer. [GS Search]
Lottering, R., Hans, R., & Lall, M. (2020). A model for the identification of students at risk of dropout at a university of technology. In 2020 International Conference on Artificial Intelligence, Big Data, Computing and Data Communication Systems (icABCD) (pp. 1-8). IEEE. DOI: https://doi.org/10.1109/icABCD49160.2020.9183874. [GS Search]
Louppe, G. (2014). Understanding random forests: From theory to practice. arXiv preprint arXiv:1407.7502. DOI: https://doi.org/10.48550/arXiv.1407.7502. [GS Search]
Lousrhania, L. (2021). Universidades públicas lideram ranking brasileiro de patentes. Rádio Agência Nacional. Recuperado de [Link]
Manrique, R., Nunes, B. P., Marino, O., Casanova, M. A., & Nurmikko-Fuller, T. (2019). An analysis of student representation, representative features and classification algorithms to predict degree dropout. In Proceedings of the 9th International Conference on Learning Analytics & Knowledge (pp. 401-410). DOI: https://doi.org/10.1145/3303772.3303800. [GS Search]
Mapa do Ensino Superior no Brasil – 13ª Edição. Instituto Semesp, 2023. Recuperado de [Link]
Pereira, R. T., & Zambrano, J. C. (2017). Application of decision trees for detection of student dropout profiles. In 2017 16th IEEE international conference on machine learning and applications (ICMLA) (pp. 528-531). IEEE. DOI: https://doi.org/10.1109/ICMLA.2017.0-107. [GS Search]
Prestes, E. M. D. T., & Fialho, M. G. D. (2018). Evasão na educação superior e gestão institucional: o caso da Universidade Federal da Paraíba. Ensaio: Avaliação e Políticas Públicas em Educação, 26, 869-889. DOI: https://doi.org/10.1590/S0104-40362018002601104. [GS Search]
Rafiq, M. A., Rabbi, A. M., & Ahammad, R. (2021, June). A data science approach to Predict the University Students at risk of semester dropout: Bangladeshi University Perspective. In 2021 5th International Conference on Trends in Electronics and Informatics (ICOEI) (pp. 1350-1354). IEEE. DOI: https://doi.org/10.1109/ICOEI51242.2021.9453067. [GS Search]
Ramos, J. L. C., Rodrigues, R. L., Silva, J. C. S., & de Oliveira, P. L. S. (2020, November). CRISP-EDM: uma proposta de adaptação do Modelo CRISP-DM para mineração de dados educacionais. In Anais do XXXI Simpósio Brasileiro de Informática na Educação (pp. 1092-1101). SBC. DOI: https://doi.org/10.5753/cbie.sbie.2020.1092. [GS Search]
Saccaro, A., França, M. T. A., & Jacinto, P. D. A. (2019). Fatores Associados à Evasão no Ensino Superior Brasileiro: um estudo de análise de sobrevivência para os cursos das áreas de Ciência, Matemática e Computação e de Engenharia, Produção e Construção em instituições públicas e privadas. Estudos Econômicos (São Paulo), 49, 337-373. DOI: https://doi.org/10.1590/0101-41614925amp. [GS Search]
Santos, C. H. D., de Lima Martins, S., & Plastino, A. (2021). É Possível Prever Evasão com Base Apenas no Desempenho Acadêmico?. In Anais do XXXII Simpósio Brasileiro de Informática na Educação (pp. 792-802). SBC. DOI: https://doi.org/10.5753/sbie.2021.218105. [GS Search]
Saraiva, D., Pereira, S., Gallindo, E., Braga, R., & Oliveira, C. (2019, July). Uma proposta para prediçao de risco de evasao de estudantes em um curso técnico em informática. In Anais do XXVII Workshop sobre Educaçao em Computaçao (pp. 319-333). SBC. DOI: https://doi.org/10.5753/wei.2019.6639. [GS Search]
Sukhbaatar, O., Ogata, K., & Usagawa, T. (2018). Mining educational data to predict academic dropouts: a case study in blended learning course. In TENCON 2018-2018 IEEE region 10 conference (pp. 2205-2208). IEEE. DOI: https://doi.org/10.1109/TENCON.2018.8650138. [GS Search]
Verikas, A., Gelzinis, A., & Bacauskiene, M. (2011). Mining data with random forests: A survey and results of new tests. Pattern recognition, 44(2), 330-349. DOI: https://doi.org/10.1016/j.patcog.2010.08.011. [GS Search]
Archivos adicionales
Published
Cómo citar
Issue
Section
Licencia
Derechos de autor 2024 Ronei dos Santos Oliveira, Francisco Petronio Alencar de Medeiros
Esta obra está bajo una licencia internacional Creative Commons Atribución-NoComercial-SinDerivadas 4.0.
