Método de Seleção de Atributos Aplicados na Previsão da Evasão de Cursos de Graduação

José Gonçalves de Oliveira Júnior, Robinson Vida Noronha, Celso Antonio Alves Kaestner

Resumo


Um dos desafios das instituições de ensino é reduzir o abandono de curso. Uma solução muito promissora para atingir esse objetivo é o uso da mineração de dados educacionais, a fim de identificar padrões que auxiliem os gestores educacionais na tomada de decisão. Este trabalho detalha um método de seleção de atributos aplicados na previsão da evasão escolar utilizando criação e seleção de atributos oriundos de bases de dados educacionais. Os experimentos foram aplicados em alunos de graduação de uma Instituição Pública de Ensino Superior. Os resultados experimentais apresentam os atributos mais relevantes para prever a evasão, indicando a contribuição da criação de atributos na tarefa de mineração de dados. A abordagem é genérica e pode ser aplicada a uma grande quantidade de instituições de ensino.

Texto completo:

PDF

Referências


BAKER, R.; ISOTANI, S.; CARVALHO, A.

Mineraçao de dados educacionais: Oportunidades

para o brasil. Revista Brasileira de Informática

na Educação, v. 19, n. 02, p. 03, 2011.

BORGES, V. A.; NOGUEIRA, B. M.; BARBOSA,

E. F. Uma análise exploratória de tópicos

de pesquisa emergentes em informática na

educação. Revista Brasileira de Informática na

Educação, v. 23, n. 01, p. 85, 2015.

BRAGA, M. M.; PEIXOTO, M. D. C. L.; BOGUTCHI,

T. F. A evasão no ensino superior

brasileiro: O caso da ufmg. Avaliação, Unicamp,

v. 8, n. 3, p. 161–189, 2003.

CHAU, V. T. N.; PHUNG, N. H. Imbalanced

educational data classification: An effective

approach with resampling and random forest.

In: IEEE. Computing and Communication Technologies,

Research, Innovation, and Vision

for the Future (RIVF), 2013 IEEE RIVF International

Conference on. [S.l.], 2013. p. 135–140.

CHAWLA, N. V. et al. Smote: Synthetic minority

over-sampling technique. Journal of Artificial

Intelligence Research, v. 16, p. 321–357, 2002.

DEKKER, G. W.; PECHENIZKIY, M.; VLEESHOUWERS,

J. M. Predicting students drop

out: A case study. International Working

Group on Educational Data Mining, ERIC, 2009.

FAYYAD, U.; PIATETSKY-SHAPIRO, G.;

SMYTH, P. From data mining to knowledge

discovery in databases. AI magazine, v. 17,

n. 3, p. 37, 1996.

GOTTARDO, E.; KAESTNER, C.; NORONHA,

R. V. Previsão de desempenho de estudantes

em cursos ead utilizando mineração

de dados: uma estratégia baseada em séries

temporais. In: Anais do Simpósio Brasileiro

de Informática na Educação. [S.l.: s.n.], 2012.

v. 23, n. 1.

GOTTARDO, E.; KAESTNER, C. A. A.; NORONHA,

R. V. Estimativa de desempenho acadêmico

de estudantes: Análise da aplicação de

técnicas de mineração de dados em cursos a

distância. Revista Brasileira de Informática na

Educação, v. 22, n. 01, p. 45, 2014.

HALL, M. et al. The weka data mining software:

an update. ACM SIGKDD explorations

newsletter, ACM, v. 11, n. 1, p. 10–18, 2009.

HALL, M. A.; HOLMES, G. Benchmarking

attribute selection techniques for discrete class

data mining. Knowledge and Data Engineering,

IEEE Transactions on, IEEE, v. 15, n. 6,

p. 1437–1447, 2003.

HAN, J.; KAMBER, M.; PEI, J. Data Mining:

Concepts and Techniques. 3rd. ed.

San Francisco, CA, USA: Morgan Kaufmann

Publishers Inc., 2011. ISBN 0123814790,

JOHN, G. H. et al. Irrelevant features and

the subset selection problem. In: ICML. [S.l.:

s.n.], 1994. v. 94, p. 121–129.

JÚNIOR, J. G. O.; KAESTNER, C.; NORONHA,

R. V. Criação e seleção de atributos aplicados

na previsão da evasão de curso em alunos

de graduação. Anais do Computer on the

Beach, p. 061–070, 2016.

KOHAVI, R.; JOHN, G. H. Wrappers for feature

subset selection. Artificial intelligence, Elsevier,

v. 97, n. 1, p. 273–324, 1997.

KOTSIANTIS, S. B.; PIERRAKEAS, C.;

PINTELAS, P. E. Preventing student dropout

in distance learning using machine learning techniques.

In: SPRINGER. Knowledge-Based

Intelligent Information and Engineering Systems.

[S.l.], 2003. p. 267–274.

MANHÃES, L. M. B. et al. Previsão de estudantes

com risco de evasão utilizando técnicas

de mineração de dados. Anais do Simpósio

Brasileiro de Informática na Educação, 2011.

MÁRQUEZ-VERA, C.; MORALES, C. R.;

SOTO, S. V. Predicting school failure and dropout

by using data mining techniques. IEEE

Revista Iberoamericana de Tecnologias del

Aprendizaje, IEEE, v. 8, n. 1, p. 7–14, 2013.

RIGO, S. J.; CAZELLA, S. C.; CAMBRUZZI,

W. Minerando dados educacionais com foco

na evasão escolar: oportunidades, desafios e

necessidades. In: Anais do Workshop de Desafios

da Computação Aplicada à Educação.

[S.l.: s.n.], 2012. p. 168–177.

WITTEN, I. H.; FRANK, E.; HALL, M. A.

Data Mining: Practical Machine Learning Tools

and Techniques. 3rd. ed. San Francisco,

CA, USA: Morgan Kaufmann Publishers Inc.,

ISBN 0123748569, 9780123748560.




DOI: http://dx.doi.org/10.13037/ras.vol13n2.206

Apontamentos

  • Não há apontamentos.


Revista de Informática Aplicada - USCS/UFABC