Predecir el riesgo de abandono universitario utilizando el aprendizaje automático: Características y dinámica del abandono en las carreras de Ingeniería de la UFRJ-Macaé
DOI:
https://doi.org/10.5753/rbie.2025.5196Keywords:
Evasión, Universidad, Ingeniería, Rendimiento académico, Aprendizaje automáticoAbstract
El fenómeno de la deserción universitaria ha sido ampliamente investigado debido a las pérdidas de recursos financieros y laborales, por lo que comprender su dinámica es importante para identificar soluciones y estrategias preventivas. Este estudio utiliza técnicas de ciencia de datos y aprendizaje automático para predecir el riesgo de deserción universitaria y analizar las características y dinámicas de la deserción en carreras de Ingeniería de la Universidad Federal de Río de Janeiro en la ciudad de Macaé, Brasil. Utilizando la metodología CRISP-DM se entrenaron los modelos de Regresión Logística, Árbol de Decisión y Aumento de gradiente extremo (XGBoost), siendo optimizados mediante optimización bayesiana. Según los resultados de los modelos, se observó que el rendimiento académico de los estudiantes en su primer período es suficiente para identificar, con un AUC de 0,80, a los estudiantes que abandonaron el conjunto de pruebas. En el análisis exploratorio de los datos, también se reveló que más estudiantes desertaron de los que se graduaron, ocurriendo el 75% de los abandonos en los primeros tres semestres. Además, se observó una fuerte correlación entre el bajo rendimiento académico y el riesgo de abandono, particularmente en las materias de Cálculo y Física. Este trabajo destaca cómo se pueden explorar los datos de una universidad para identificar patrones y tendencias en el comportamiento de los estudiantes y cómo el aprendizaje automático se puede utilizar como herramienta estadística para extraer información valiosa de grandes volúmenes de datos, ayudando a mejorar la calidad y la accesibilidad de la educación en la educación superior.
Descargas
Citas
Alharbi, M. (2020). The Economic Effect of Coronavirus (COVID-19) on Higher Education in Jordan: An Analytical Survey. International Journal of Economics and Business Administration, 8, 521–532. Disponível em: [link].
Aulck, L., Nambi, D., Velagapudi, N., Blumenstock, J., & West, J. (2019). Mining University Registrar Records to Predict First-Year Undergraduate Attrition. International Educational Data Mining Society. [GS Search]
Banachewicz, K., & Massaron, L. (2022). The Kaggle book: Data analysis and machine learning for competitive data science (First edition). Packt Publishing. [GS Search]
Bergstra, J., & Bengio, Y. (2012). Random Search for Hyper-Parameter Optimization. Journal of Machine Learning Research, 13(10), 281–305. [GS Search]
Bielschowsky, C. E., & Amaral, N. C. (2022). O custo do aluno das 2.537 instituições de educação superior brasileiras: cai um mito? Educação & Sociedade, 43 https://doi.org/10.1590/ES.243866 [GS Search]
Carvalhaes, F., Senkevics, A., & Costa Ribeiro, C. (2022). A interseção entre renda, raça e desempenho acadêmico no acesso ao ensino superior brasileiro. Social Science Research Network. [GS Search]
Chapman, P. (2000). CRISP-DM 1.0: Step-by-step data mining guide. Disponível em: [link]
Christo, M. M. S., Resende, L. M. M. d., & Kuhn, T. d. C. G. (2018). Por que os alunos de engenharia desistem de seus cursos – um estudo de caso. Nuances: Estudos sobre Educação, 29. https://doi.org/10.32930/nuances.v29i1.4391 [GS Search]
Coimbra, C. L., Silva, L. B. e., & Costa, N. C. D. (2021). A evasão na educação superior: definições e trajetórias. Educação e Pesquisa, 47, e228764. https://doi.org/10.1590/S1678-4634202147228764 [GS Search]
Crawford, J., Butler-Henderson, K., Rudolph, J., Malkawi, B., Glowatz, M., Burton, R., Magni, P. A., & Lam, S. (2020). COVID-19: 20 countries’ higher education intra-period digital pedagogy responses. Journal of Applied Learning and Teaching, 3(1), 09-28. https://doi.org/10.37074/jalt.2020.3.1.7 [GS Search]
da Silva, I. C. (2023). Mapeamento das experiências dos discentes dos cursos de Engenharia para redução da evasão: Um estudo de caso em uma Universidade Federal no interior do Rio de Janeiro [Trabalho de Conclusão de Curso da Universidade Federal do Rio de Janeiro].
Diaz-Pace, J. A., Cian Berrios, R., Tommasel, A., & Vazquez, H. C. (2022). A Metrics-based Approach for Assessing Architecture-Implementation Mappings. Anais Do XXV Congresso Ibero-Americano Em Engenharia de Software (CIbSE 2022), 16–30. https://doi.org/10.5753/cibse.2022.20960 [GS Search]
Ebner, M., Schön, S., Braun, C., Ebner, M., Grigoriadis, Y., Haas, M., Leitner, P., & Taraghi, B. (2020). COVID-19 Epidemic as E-Learning Boost? Chronological Development and Effects at an Austrian University against the Background of the Concept of “E-Learning Readiness”. Future Internet, 12(6), 94. https://doi.org/10.3390/fi12060094 [GS Search]
Esposito, C., Landrum, G. A., Schneider, N., Stiefl, N., & Riniker, S. (2021). GHOST: Adjusting the Decision Threshold to Handle Imbalanced Data in Machine Learning. Journal of Chemical Information and Modeling, 61(6), 2623–2640. https://doi.org/10.1021/acs.jcim.1c00160 [GS Search]
Godoy, E. V., & Almeida, E. d. (2017). A evasão nos cursos de Engenharia e a sua relação com a Matemática: uma análise a partir do COBENGE. Educação Matemática Debate, 1(3), 339–361. https://doi.org/10.24116/emd25266136v1n32017a05 [GS Search]
Gomes, L. B. (2021). Elaboração de modelo de previsão da evasão universitária na Universidade Federal Fluminense através de métodos de aprendizado de máquina. Disponível em: [link]
Hastie, T., Tibshirani, R., & Friedman, J. (2009). The Elements of Statistical Learning: Data Mining, Inference, and Prediction (2ª ed.). Springer. [GS Search]
Hernández-de-Menéndez, M., Morales-Menendez, R., Escobar, C. A., & Ramírez Mendoza, R. A. (2022). Learning analytics: state of the art. International Journal on Interactive Design and Manufacturing (IJIDeM), 16(3), 1209–1230. https://doi.org/10.1007/s12008-022-00930-0 [GS Search]
Izbicki, R., & dos Santos, T. M. (2020). Aprendizado de máquina: uma abordagem estatística. [GS Search]
Jesus, J. A. d., & Gusmão, R. P. d. (2024). Investigação da Evasão Estudantil por meio da Mineração de Dados e Aprendizagem de Máquina: Um Mapeamento Sistemático. Revista Brasileira de Informática na Educação, 32, 807–841. https://doi.org/10.5753/rbie.2024.3466 [GS Search]
Klitzke, M., & Carvalhaes, F. (2023). Fatores associados à evasão de curso na UFRJ: Uma análise de sobrevivência. Educação em Revista, 39. https://doi.org/10.1590/0102-469837576 [GS Search]
Kuhn, M., & Johnson, K. (2013). Applied Predictive Modeling. Springer. [GS Search]
Le, T., Vo, M. T., Vo, B., Lee, M. Y., & Baik, S. W. (2019). A Hybrid Approach Using Over-sampling Technique and Cost-Sensitive Learning for Bankruptcy Prediction. Complexity, 2019, 1–12. https://doi.org/10.1155/2019/8460934 [GS Search]
Lobo, M. B. C. d. M. (2012). Panorama da evasão no ensino superior brasileiro: Aspectos gerais das causas e soluções. Associação Brasileira de Mantenedoras do Ensino Superior, 23. [GS Search]
Manhães, L. M. B., da Cruz, S. M. S., Costa, R. J. M., Zavaleta, J., & Zimbrão, G. (2012). Previsão de Estudantes com Risco de Evasão Utilizando Técnicas de Mineração de Dados. Brazilian Symposium on Computers in Education (Simpósio Brasileiro de Informática na Educação - SBIE), 1. [GS Search]
Mienye, I. D., & Sun, Y. (2022). A Survey of Ensemble Learning: Concepts, Algorithms, Applications, and Prospects. IEEE Access, 10, 99129–99149. https://doi.org/10.1109/ACCESS.2022.3207287 [GS Search]
Murphy, M. P. A. (2020). COVID-19 and emergency eLearning: Consequences of the securitization of higher education for post-pandemic pedagogy. Contemporary Security Policy, 41(3), 492–505. https://doi.org/10.1080/13523260.2020.1761749 [GS Search]
Nagy, M., & Molontay, R. (2018). Predicting Dropout in Higher Education Based on Secondary School Performance. 2018 IEEE 22nd International Conference on Intelligent Engineering Systems (INES), 389–394. https://doi.org/10.1109/INES.2018.8523888 [GS Search]
de Oliveira, C. F., Sobral, S. R., Ferreira, M. J., & Moreira, F. (2021). How Does Learning Analytics Contribute to Prevent Students’ Dropout in Higher Education: A Systematic Literature Review. Big Data and Cognitive Computing, 5(4), 64. https://doi.org/10.3390/bdcc5040064 [GS Search]
Oliveira, R. d. S., & Medeiros, F. P. A. d. (2024). Modelo de Predição de Evasão Escolar com Base em Dados de Autoavaliação de Cursos de Graduação. Revista Brasileira de Informática na Educação, 32, 1–21. https://doi.org/10.5753/rbie.2024.3542 [GS Search]
Oliveira Júnior, J. G. d. (2015, dezembro 8). Identificação de padrões para a análise da evasão em cursos de graduação usando mineração de dados educacionais. Dissertação de Mestrado - Universidade Tecnológica Federal do Paraná. [GS Search]
Raju, V. N. G., Lakshmi, K. P., Jain, V. M., Kalidindi, A., & Padma, V. (2020). Study the Influence of Normalization/ Transformation process on the Accuracy of Supervised Classification. 2020 Third International Conference on Smart Systems and Inventive Technology (ICSSIT), 729–735. https://doi.org/10.1109/ICSSIT48917.2020.9214160 [GS Search]
Regehr, C., & Goel, V. (2020). Managing COVID-19 in a Large Urban Research-Intensive University. Journal of Loss and Trauma, 25, 1–17. https://doi.org/10.1080/15325024.2020.1771846 [GS Search]
Semesp. (2022). Mapa do Ensino Superior. Semesp. Disponível em: [link]
Shekhar, S., Bansode, A., & Salim, A. (2021). A Comparative study of Hyper-Parameter Optimization Tools. 2021 IEEE Asia-Pacific Conference on Computer Science and Data Engineering (CSDE), 1–6. https://doi.org/10.1109/CSDE53843.2021.9718485 [GS Search]
Silva, H. R. B., & Adeodato, P. J. L. (2012). A data mining approach for preventing undergraduate students’ retention. The 2012 International Joint Conference on Neural Networks (IJCNN), 1–8. https://doi.org/10.1109/IJCNN.2012.6252437 [GS Search]
Solis, M., Moreira, T., Gonzalez, R., Fernandez, T., & Hernandez, M. (2018). Perspectives to Predict Dropout in University Students with Machine Learning. 2018 IEEE International Work Conference on Bioinspired Intelligence (IWOBI), 1–6. https://doi.org/10.1109/IWOBI.2018.8464191 [GS Search]
Teodoro, L. d. A., & Kappel, M. A. A. (2020). Aplicação de Técnicas de Aprendizado de Máquina Para Predição de Risco de Evasão Escolar em Instituições Públicas de Ensino Superior no Brasil. Revista Brasileira de Informática na Educação, 28, 838–863. https://doi.org/10.5753/rbie.2020.28.0.838 [GS Search]
Zhihao, P., Fenglong, Y., & Xucheng, L. (2019). Comparison of the Different Sampling Techniques for Imbalanced Classification Problems in Machine Learning. 2019 11th International Conference on Measuring Technology and Mechatronics Automation (ICMTMA), 431–434. https://doi.org/10.1109/ICMTMA.2019.00101 [GS Search]
Archivos adicionales
Published
Cómo citar
Issue
Section
Licencia
Derechos de autor 2025 Pedro Andrietta Chagas, Janaína Sant'Anna Gomide, Laura Emmanuella Alves dos Santos Santana
Esta obra está bajo una licencia internacional Creative Commons Atribución-NoComercial-SinDerivadas 4.0.
