Maio 2020 vol. 3 num. 1 - XIX Simpósio de Pesquisa Operacional & Logística da Marinha
Artigo Completo - Open Access.
PREDIÇÃO DO DESEMPENHO ACADÊMICO DE ALUNOS DA GRADUAÇÃO UTILIZANDO MINERAÇÃO DE DADOS
PREDIÇÃO DO DESEMPENHO ACADÊMICO DE ALUNOS DA GRADUAÇÃO UTILIZANDO MINERAÇÃO DE DADOS
Manhães, Laci Mary Barbosa ; Cruz, Sérgio Manuel Serra da ;
Artigo Completo:
As altas taxas de evasão e retenção dos cursos de graduação das universidades públicas federais é um problema multifacetado. Este trabalho apresenta a arquitetura WAVE baseada em Mineração de Dados Educacionais (EDM). Seu objetivo é fornecer aos gestores educacionais das universidades, não especialista em mineração de dados, uma abordagem que ofereça acompanhamento semestral sobre o desempenho acadêmico dos graduandos e a predição dos que estão em risco de abandonar o sistema. A arquitetura e os modelos preditivos foram avaliados através de diversos estudos de casos que utilizaram dados reais de inúmeros cursos de graduação da UFRJ, durante um período de 16 anos. A abordagem é uma das primeiras que utiliza apenas dados acadêmicos invariantes no tempo sem considerar nenhum tipo de dado socioeconômico. Os estudos de casos comparam o desempenho de 12 algoritmos classificadores com o objetivo de identificar aqueles com maior precisão na identificação de alunos em risco de falhar na formação acadêmica.
Artigo Completo:
As altas taxas de evasão e retenção dos cursos de graduação das universidades públicas federais é um problema multifacetado. Este trabalho apresenta a arquitetura WAVE baseada em Mineração de Dados Educacionais (EDM). Seu objetivo é fornecer aos gestores educacionais das universidades, não especialista em mineração de dados, uma abordagem que ofereça acompanhamento semestral sobre o desempenho acadêmico dos graduandos e a predição dos que estão em risco de abandonar o sistema. A arquitetura e os modelos preditivos foram avaliados através de diversos estudos de casos que utilizaram dados reais de inúmeros cursos de graduação da UFRJ, durante um período de 16 anos. A abordagem é uma das primeiras que utiliza apenas dados acadêmicos invariantes no tempo sem considerar nenhum tipo de dado socioeconômico. Os estudos de casos comparam o desempenho de 12 algoritmos classificadores com o objetivo de identificar aqueles com maior precisão na identificação de alunos em risco de falhar na formação acadêmica.
Palavras-chave: Evasão; Estudantes; Algoritmos; Classificadores; Mineração de Dados Educacionais.,
Palavras-chave: Evasão; Estudantes; Algoritmos; Classificadores; Mineração de Dados Educacionais.,
DOI: 10.5151/spolm2019-148
Referências bibliográficas
- [1] BAKER, R., ISOTANI, S., CARVALHO, A. Mineração de Dados Educacionais: Oportunidades para o Brasil. Revista Brasileira de Informática na Educação, 19(02), 3-13, 201 Disponível em: http://dx.doi.org/10.5753/RBIE.20119.02.03. BAKER, R.S.J.d., YACEF, K. The State of Educational Data Mining in 2009: A Review and Future Visions. Journal of Educational Data Mining (JEDM), v. 1, n. 1, October 2009, 3-17, 2009. CHEEWAPRAKOBKIT, P. Study of Factors Analysis Affecting Academic Achievement of Undergraduate Students in International Program. In: Proceedings of the International MultiConference of Engineers and Computer Scientists (IMECS). Vol I, Hong Kong, March 13-15, 2013. DEKKER G., PECHENIZKIY M., VLEESHOUWERS J. Predicting Students Drop Out: A Case Study. In Proceedings of the International Conference on Educational Data Mining, Cordoba, Spain, 2009. GARCIA, E., ROMERO, C., VENTURA, S., GEA, M., DE CASTRO, C. Collaborative Data Mining Tool for Education. International Working Group on Educational Data Mining, 2009. HAMALAINEN, W., VINNI, M. Comparison of machine learning methods for intelligent tutoring systems. in Proc. Int. Conf. Intell. Tutoring Syst., 525-534, 2006. INEP. Resumo Técnico do Censo da Educação Superior 2017. Instituto Nacional de Estudos e Pesquisas Educacionais Anísio Teixeira, 2017. Disponível em: http://portal.inep.gov.br/web/censo-da-educacao-superior/resumos-tecnicos. KAMPFF, A. J. C. Mineração de dados educacionais para geração de alertas em ambientes virtuais de aprendizagem como apoio à prática docente. Tese de doutorado em Informática na Educação. Universidade Federal do Rio Grande do Sul, 2009. KOTSIANTIS, S. B., ZAHARAKIS, I. D. AND PINTELAS, P. E. Supervised machine learning: A review of classification techniques, 3-24, 2007. 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 (XXII SBIE), V. N. 1, 150-159, 201 MANHÃES, L.M.B. et. al. Identificação dos Fatores que Influenciam a Evasão em Cursos de Graduação Através de Sistemas Baseados em Mineração de Dados: Uma Abordagem Quantitativa. Anais do VIII Simpósio Brasileiro de Sistemas de Informação (SBSI 2012) - Trilhas Técnicas, pp. 468-479, 2012. MANHÃES, L.M.B., CRUZ, S.M.S., ZIMBRÃO, G. The Impact of High Dropout Rates in a Large Public Federal Brazilian University: A Quantitative Approach Using Educational Data Mining. In: 6th CSEDU 2014, Barcelona, Spain, 124-129, 2014a. MANHÃES, L.M.B., CRUZ, S.M.S., ZIMBRÃO, G. WAVE: an Architecture for Predicting Dropout in Undergraduate Courses using EDM. In: Symposium of Applied Computing (SAC 2014), Gyeongju, Korea, 2014b. MANHÃES, L.M.B., CRUZ, S.M.S., ZIMBRÃO, G. Evaluating Performance and Dropouts of Undergraduates using Educational Data Mining. The 20th ACM SIGKDD Conference on Knowledge Discovery and Data Mining (KDD 2014), Data Mining for Educational Assessment and Feedback workshop (ASSESS 2014), 2014c. MANHÃES, L.M.B., CRUZ, S.M.S., ZIMBRÃO, G. Investigating Withdraw of STEM Courses in a Brazilian University with EDM. 2nd Symposium on knowledge Discovery, Mining and Learning (KDMiLe 2014), 2014d. MANHÃES, L.M.B., CRUZ, S.M.S., ZIMBRÃO, G. Towards Automatic Prediction of Student Performance in STEM Undergraduate Degree. Programs. In: Symposium of Applied Computing (SAC’15), April 13–17, Salamanca, Spain, 2015a. http://dx.doi.org/10.1145/2695664.2695918. MANHÃES, L.M.B., CRUZ, S.M.S., ZIMBRÃO, G. Predição do Desempenho Acadêmico de Graduandos Utilizando Mineração de Dados Educacionais. Tese de doutorado, 2015b. MINAEI-BIDGOLI, B., TAN, P., KORTEMEYER G., PUNCH, W.F. Association analysis for a web-based educational system. Data Mining in E-Learning. WitPress. Southampton, Boston, 2006. PAIVA, R., BITTENCOURT, I.I., SILVA, A.P., ISOTANI, S., JAQUES, P. A Systematic Approach for Providing Personalized Pedagogical Recommendations Based on Educational Data Mining. In: Int. Conf. on Intelligent Tutoring Syst., Honolulu. Lecture Notes in Computer Science, p. 362-367, 2014. RODRIGUES, RODRIGO LINS, et al. A literatura brasileira sobre mineração de dados educacionais. Anais dos CBIE. Vol. 3. No. , 2014. ROMERO, C., VENTURA, S. Data Mining in Education. Wiley Interdisciplinary Reviews: Data Mining and Knowledge Discovery, In Press. V. 3, N. 1, 12-27, 2013. SOUZA, S.L. Evasão no ensino superior: um estudo utilizando a mineração de dados como ferramenta de gestão do conhecimento em um banco de dados referente à graduação de engenharia. Dissertação de Mestrado, COPPE/UFRJ, Engenharia Civil, Rio de Janeiro, RJ, Brasil, 2008. SUPERBY, J.F., VANDAMME, J-P., MESKENS, N. Determination of factors influencing the achievement of the first-year university students using data mining methods. In Proc. Int. Conf. Intelligent Tutoring System of the Workshop on Educational Data Mining, Taiwan, 2006, pp. 1-8, 2006. WITTEN, I.H. AND FRANK, E. Data Mining: Practical machine learning tools and techniques. 2nd edition Morgan Kaufmann, San Francisco, 2005. ZAFRA, A., ROMERO, C., VENTURA, S. Multiple instance learning for classifying students in learning management systems, 201
Como citar:
Manhães, Laci Mary Barbosa; Cruz, Sérgio Manuel Serra da; "PREDIÇÃO DO DESEMPENHO ACADÊMICO DE ALUNOS DA GRADUAÇÃO UTILIZANDO MINERAÇÃO DE DADOS", p. 2050-2064 . In: Anais do XIX Simpósio de Pesquisa Operacional & Logística da Marinha.
São Paulo: Blucher,
2020.
ISSN 2175-6295,
DOI 10.5151/spolm2019-148
últimos 30 dias | último ano | desde a publicação
downloads
visualizações
indexações