Predicting Dropout of Incoming Students at IFCE Campus Tianguá Using Supervised Machine Learning Techniques
DOI:
https://doi.org/10.5753/reic.2026.7215Keywords:
dropout, machine learning, predictive analysis, academic retention, higher educationAbstract
Student dropout in Brazilian public higher education undermines academic retention and institutional management, generating social and economic implications. This context requires multidisciplinary strategies to promote student persistence and optimize academic management. This study applies machine learning methods to educational data analysis to predict incoming students at the Federal Institute of Ceará (IFCE), Tianguá campus, at potential risk of dropout. Academic and sociodemographic records from students were used, covering the period from 2010.2 to 2025.2. These data were subjected to preparation and refinement processes. Supervised classification techniques were tested in different configurations, considering data imbalance and hyperparameter adjustments to improve algorithm performance. The results reveal the viability of predictive models in identifying school dropout patterns, aiding the implementation of preventive measures, which contributes to more effective policies against dropout in the educational environment.
Downloads
References
Amorim, C. C., Branco, U. V. C., and Dias Júnior, J. J. L. (2025). Evasão e retenção no ensino superior: ampliando a compreensão teórico-metodológica. Revista da FAEEBA – Educação e Contemporaneidade, 34(79). DOI: 10.21879/faeeba2358-0194.2025.v34.n79.p77-96.
Arantes, A. R., Rodrigues, L. B., Kagimura, R., Cardoso, B. G. d. S., and Junqueira, M. P. (2021). Evasão e retenção no ensino superior: abordagem baseada em taxas quantitativas. Revista Contemporânea de Educação, 16(36):4–21. DOI: 10.20500/rce.v16i36.42914.
Araújo, G. B. (2025). Análise e discussão da predição de um caso de evasão universitária: Uma abordagem baseada em data mining e machine learning. Master’s thesis, Universidade Federal do Ceará, Fortaleza. Disponível em: [link]. Acesso em: 20 dez. 2025.
Baggi, C. A. d. S. and Lopes, D. A. (2011). Evasão e avaliação institucional no ensino superior: uma discussão bibliográfica. Avaliação: Revista da Avaliação da Educação Superior, 16(2). DOI: 10.1590/S1414-40772011000200007.
Bastos, N., Gomes, L., Silveira, R., and Oliveira, C. (2025). Mapeamento sistemático da mineração de dados educacionais no combate à evasão escolar no brasil. In Anais do IX Congresso sobre Tecnologias na Educação, pages 177–187, Porto Alegre, RS, Brasil. SBC. DOI: 10.5753/ctrle.2025.12545.
Breiman, L. (2001). Random forests. Machine Learning, 45(1):5–32. DOI: 10.1023/A:1010933404324.
Chawla, N. V., Bowyer, K. W., Hall, L. O., and Kegelmeyer, W. P. (2002). Smote: Synthetic minority over-sampling technique. Journal of Artificial Intelligence Research, 16:321–357. DOI: 10.1613/jair.953.
Chen, T. and Guestrin, C. (2016). Xgboost: A scalable tree boosting system. page 785–794. DOI: 10.1145/2939672.2939785.
Goodfellow, I., Bengio, Y., and Courville, A. (2016). Deep learning. MIT Press, Cambridge.
Géron, A. (2019). Mãos à obra: Aprendizado de máquina com Scikit-learn & TensorFlow – conceitos, ferramentas e técnicas para a construção de sistemas inteligentes. Alta Books, Rio de Janeiro, 1 edition. Tradução de Rafael Contatori.
Han, J., Kamber, M., and Pei, J. (2012). Data Mining: Concepts and Techniques. Morgan Kaufmann, San Francisco, 3 edition.
Hastie, T., Tibshirani, R., and Friedman, J. (2009). The elements of statistical learning. Springer, Nova York, 2 edition.
He, H. and Garcia, E. A. (2009). Learning from imbalanced data. IEEE Transactions on Knowledge and Data Engineering, 21(9):1263–1284. DOI: 10.1109/TKDE.2008.239.
IFCE (2017). Plano estratégico de permanência e Êxito dos estudantes do ifce. Fortaleza: IFCE. Disponível em: [link]. Acesso em: 6 dez. 2025.
INEP (2024). Apresentação do censo da educação superior 2024. Disponível em: [link]. Acesso em: 8 dez. 2025.
James, G., Witten, D., Hastie, T., Tibshirani, R., and Taylor, J. (2023). An Introduction to Statistical Learning: with Applications in Python. Springer, New York.
Lemaître, G., Nogueira, F., and Aridas, C. K. (2016). Imbalanced-learn: a python toolbox to tackle the curse of imbalanced datasets in machine learning. The Journal of Machine Learning Research. DOI: 10.5555/3122009.3122026.
Linhares, J. F., Veras, E. d. A., Oliveira, R. d. S., Silveira, R., and Oliveira, C. T. d. (2025). Desenvolvimento de uma ferramenta para mapear os índices acadêmicos de uma instituição de ensino. Anais do 17o Encontro Unificado de Computação do Piauí (ENUCOMPI), pages 29–38. DOI: 10.5753/enucompi.2025.9582.
Malerba, A. (2024). Previsão de evasão universitária com aprendizado de máquina. Master’s thesis, Universidade Federal de Itajubá, Itajubá. Dissertação de Mestrado em Ciência e Tecnologia da Computação. Disponível em: [link]. Acesso em: 20 dez 2025.
Murphy, K. P. (2022). Probabilistic Machine Learning: An Introduction. MIT Press, Cambridge.
Primão, A. P. (2022). Uso de algoritmos de machine learning para prever a evasão escolar no instituto federal de santa catarina (ifsc). Master’s thesis, Universidade Federal de Santa Catarina, Florianópolis. Dissertação de Mestrado em Administração. Disponível em: [link]. Acesso em: 20 dez. 2025. Universitária.
Saccaro, A., França, M. T. A., and Jacinto, P. A. (2024). 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. DOI: 10.1590/0101-41614925amp.
SEMESP (2025). Mapa do ensino superior no brasil: 15a edição. Disponível em: [link]. Acesso em: 6 dez. 2025.
Silva, P. T. d. F. e. and Sampaio, L. M. B. (2022). Políticas de permanência estudantil na educação superior: reflexões de uma revisão da literatura para o contexto brasileiro. Revista de Administração Pública, 56(5):603–631. DOI: 10.1590/0034-761220220034.
Downloads
Published
How to Cite
Issue
Section
License
Copyright (c) 2026 The authors
This work is licensed under a Creative Commons Attribution 4.0 International License.
