Identificación de Patrones en Datos Socioeconómicos de Estudiantes Universitarios: Un Enfoque de Agrupamiento y Reglas de Asociación en la Universidad Federal de Alagoas
DOI:
https://doi.org/10.5753/rbie.2026.6052Keywords:
Asistencia Estudiantil, Aprendizaje Automático, Aprendizaje No Supervisado, Ciencia de Datos, Agrupamiento, Reglas de Asociación, Reducción de la DeserciónAbstract
La asistencia estudiantil desempeña un papel importante en la reducción de la deserción académica, pero su eficacia requiere una mejor comprensión de los perfiles de vulnerabilidad de los estudiantes. Este estudio investiga los patrones socioeconómicos de los estudiantes universitarios de la Universidad Federal de Alagoas (UFAL) utilizando técnicas de aprendizaje no supervisado, con énfasis en agrupamiento y reglas de asociación. El análisis se basó en datos de inscripciones en programas de asistencia estudiantil, incluyendo información sobre ingresos, transporte, nivel educativo de los padres, identificación racial y participación en programas sociales. El agrupamiento se realizó utilizando el algoritmo K-Modes, adecuado para datos predominantemente categóricos, empleando la distancia de Hamming como medida de disimilitud. La definición del número de grupos fue guiada por varias métricas de validación y análisis visuales, como las proyecciones de t-SNE y dendrogramas. Los resultados revelaron grupos distintos, destacándose perfiles relacionados con dificultades de transporte y bajos ingresos familiares. En el análisis de reglas de asociación, el ingreso per cápita, la fuente de ingreso y la participación en programas sociales surgieron como factores centrales, reforzando su relevancia para caracterizar la vulnerabilidad socioeconómica. También se observaron asociaciones entre el nivel educativo de los padres y la identificación racial. Los patrones identificados pueden orientar políticas de asistencia estudiantil más específicas y eficaces, contribuyendo a la promoción de la permanencia académica. Como trabajo futuro, se sugiere ampliar el análisis incluyendo datos académicos y evaluando la evolución de los perfiles estudiantiles a lo largo del tiempo.
Descargas
Citas
Agrawal, R., Imielinski, T., & Swami, A. (1993). Mining association rules between sets of items in large databases. Proceedings of the 1993 ACM SIGMOD international conference on Management of data, 207–216. https://doi.org/10.1145/170035.170072 [GS Search].
Alpaydin, E. (2020). Introduction to machine learning. MIT press. [GS Search].
Bennasar-Veny, M., Yañez, A. M., Pericas, J., Ballester, L., Fernandez-Dominguez, J. C., Tauler, P., & Aguilo, A. (2020). Cluster analysis of health-related lifestyles in university students. International journal of environmental research and public health, 17(5), 1776. https://doi.org/10.3390/ijerph17051776 [GS Search].
Brasil. (1988). Constituição da República Federativa do Brasil de 1988. Recuperado agosto 25, 2024, de [Link]
Brasil. (2010). Decreto Nº 7.234, de 19 de julho de 2010. Diário Oficial [da] República Federativa do Brasil. Recuperado agosto 25, 2024, de [Link]
Cao, F., Liang, J., & Bai, L. (2009). A new initialization method for categorical data clustering. Expert Systems with Applications, 36(7), 10223–10228. https://doi.org/10.1016/j.eswa.2009.01.060 [GS Search].
Costa, S. G. (2009). A permanência na educação superior no Brasil: uma análise das políticas de assistência estudantil. Colóquio Internacional sobre Gestão Universitária na América do Sul, 9, 1–13. [Link] [GS Search].
Cunningham, P., Cord, M., & Delany, S. J. (2008). Supervised learning. Em Machine learning techniques for multimedia: case studies on organization and retrieval (pp. 21–49). Springer. https://doi.org/10.1007/978-3-540-75171-7_2 [GS Search].
de Vos, N. J. (2015–2024). kmodes categorical clustering library. [Link]
Dias, S. M. B., & Costa, S. L. (2015). A permanência no ensino superior e as estratégias institucionais de enfrentamento da evasão. Jornal de políticas educacionais, 9(17/18). https://doi.org/10.5380/jpe.v9i17/18.38650 [GS Search].
Dutra, N. G. R., & Santos, M. F. S. (2017). Assistência estudantil sob múltiplos olhares: a disputa de concepções. Ensaio: avaliação e políticas públicas em educação, 25, 148–181. https://doi.org/10.1590/S0104-40362017000100006 [GS Search].
Ghahramani, Z. (2003). Unsupervised learning. Em Summer school on machine learning (pp. 72–112). Springer. https://doi.org/10.1007/978-3-540-28650-9_5 [GS Search].
Han, J., Kamber, M., & Pei, J. (2012). Data mining: concepts and techniques (3ª ed.). Morgan Kaufmann. [Link] [GS Search].
Huang, Z. (1998). Extensions to the k-means algorithm for clustering large data sets with categorical values. Data mining and knowledge discovery, 2(3), 283–304. https://doi.org/10.1023/A:1009769707641 [GS Search].
Imperatori, T. K. (2017). A trajetória da assistência estudantil na educação superior brasileira. Serviço Social & Sociedade, 285–303. https://doi.org/10.1590/0101-6628.109 [GS Search].
James, G., Witten, D., Hastie, T., Tibshirani, R., & Taylor, J. (2023). An introduction to statistical learning: With applications in Python. Springer Nature. https://doi.org/10.1007/978-3-031-38747-0 [GS Search].
Janiesch, C., Zschech, P., & Heinrich, K. (2021). Machine learning and deep learning. Electronic Markets, 31(3), 685–695. https://doi.org/10.1007/s12525-021-00475-2 [GS Search].
Matz, S. C., Bukow, C. S., Peters, H., Deacons, C., Dinu, A., & Stachl, C. (2023). Using machine learning to predict student retention from socio-demographic characteristics and app-based engagement metrics. Scientific Reports, 13(1), 5705. https://doi.org/10.1038/s41598-023-32484-w [GS Search].
McKinney, W. (2010). Data Structures for Statistical Computing in Python. Em S. van der Walt & J. Millman (Ed.), Proceedings of the 9th Python in Science Conference (pp. 56–61). https://doi.org/10.25080/Majora-92bf1922-00a [GS Search].
Mohamed Nafuri, A. F., Sani, N. S., Zainudin, N. F. A., Rahman, A. H. A., & Aliff, M. (2022). Clustering analysis for classifying student academic performance in higher education. Applied Sciences, 12(19), 9467. https://doi.org/10.3390/app12199467 [GS Search].
Monard, M. C., & Baranauskas, J. A. (2003). Conceitos sobre aprendizado de máquina. Em S. O. Rezende (Ed.), Sistemas inteligentes: Fundamentos e aplicações. Manole. [Link] [GS Search].
Oyewole, G. J., & Thopil, G. A. (2023). Data clustering: application and trends. Artificial Intelligence Review, 56(7), 6439–6475. https://doi.org/10.1007/s10462-022-10325-y [GS Search].
Raschka, S. (2018). MLxtend: Providing machine learning and data science utilities and extensions to Python's scientific computing stack. The Journal of Open Source Software, 3(24). https://doi.org/10.21105/joss.00638 [GS Search].
Russell, S. J., & Norvig, P. (2016). Artificial intelligence: a modern approach. Pearson. [GS Search].
Santos, F. D., Bercht, M., Wives, L., & Cazella, S. (2015). Análise de evidências do estado de ânimo desanimado de alunos de um AVEA: uma proposta a partir da aplicação de regras de associação. Anais dos Workshops do Congresso Brasileiro de Informática na Educação, 4(1), 1054. [Link] [GS Search].
Satopaa, V., Albrecht, J., Irwin, D., & Raghavan, B. (2011). Finding a "kneedle" in a haystack: Detecting knee points in system behavior. 31st International Conference on Distributed Computing Systems Workshops, 166–171. https://doi.org/10.1109/ICDCSW.2011.20 [GS Search].
Silva, L. A., Morino, A. H., & Sato, T. M. C. (2014). Prática de mineração de dados no Exame Nacional do Ensino Médio. Anais dos Workshops do Congresso Brasileiro de Informática na Educação, 3(1), 651. [Link] [GS Search].
Silva, V. A. A., Moreno, L. L. O., Gonçalves, L. B., Soares, S. S. R. F., & Souza Júnior, R. R. (2020). Identificação de Desigualdades Sociais a partir do desempenho dos alunos do Ensino Médio no ENEM 2019 utilizando Mineração de Dados. Anais do XXXI Simpósio Brasileiro de Informática na Educação, 72–81. https://doi.org/10.5753/cbie.sbie.2020.72 [GS Search].
Simon, A., & Cazella, S. (2017). Mineração de Dados Educacionais nos Resultados do ENEM de 2015. Anais dos Workshops do Congresso Brasileiro de Informática na Educação, 6(1), 754. [Link] [GS Search].
Soares, G. C. (2020). SAM: uma abordagem específica de mineração de dados socioeconômicos de alunos do IF Amazonas para apoio ao processo de concessão de assistência estudantil [diss. de mestr., Universidade Federal de Pernambuco]. [Link] [GS Search].
Sun, Y., Li, Z., Li, X., & Zhang, J. (2021). Classifier selection and ensemble model for multi-class imbalance learning in education grants prediction. Applied Artificial Intelligence, 35(4), 290–303. https://doi.org/10.1080/08839514.2021.1877481 [GS Search].
Sutton, R. S., & Barto, A. G. (2018). Reinforcement learning: An introduction. MIT Press. [GS Search].
Tinto, V. (2012). Leaving college: Rethinking the causes and cures of student attrition. University of Chicago Press. [GS Search].
Vasconcelos, N. B. (2010). Programa Nacional de Assistência Estudantil: uma análise da evolução da assistência estudantil ao longo da história da educação superior no Brasil/National Student Assistance Program: an analysis of the evolution of student assistance along the history of. Ensino em Re-vista. [Link] [GS Search].
Villar, A., & Andrade, C. R. V. (2024). Supervised machine learning algorithms for predicting student dropout and academic success: a comparative study. Discover Artificial Intelligence, 4(1), 2. https://doi.org/10.1007/s44163-023-00079-z [GS Search].
Virtanen, P., Gommers, R., Oliphant, T. E., Haberland, M., Reddy, T., Cournapeau, D., Burovski, E., Peterson, P., Weckesser, W., Bright, J., van der Walt, S. J., Brett, M., Wilson, J., Millman, K. J., Mayorov, N., Nelson, A. R. J., Jones, E., Kern, R., Larson, E., ... SciPy 1.0 Contributors. (2020). SciPy 1.0: Fundamental Algorithms for Scientific Computing in Python. Nature Methods, 17, 261–272. https://doi.org/10.1038/s41592-019-0686-2 [GS Search].
Waskom, M. L. (2021). seaborn: statistical data visualization. Journal of Open Source Software, 6(60), 3021. https://doi.org/10.21105/joss.03021 [GS Search].
Zhang, C., & Zhang, S. (2002). Association rule mining: models and algorithms. Springer. https://doi.org/10.1007/3-540-46027-6 [GS Search].
Zhao, Q., & Bhowmick, S. S. (2003). Association rule mining: A survey. Nanyang Technological University, Singapore, 135, 18. [GS Search].
Archivos adicionales
Published
Cómo citar
Issue
Section
Licencia
Derechos de autor 2026 Wellington Batalha dos Santos, Bruno Almeida Pimentel
Esta obra está bajo una licencia internacional Creative Commons Atribución-NoComercial-SinDerivadas 4.0.
