Método de Seleção de Atributos Aplicados na Previsão da Evasão de Cursos de Graduação
DOI:
https://doi.org/10.13037/ria.vol13n2.206Resumo
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.Downloads
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, 9780123814791.
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., 2011. ISBN 0123748569, 9780123748560.
Downloads
Publicado
Como Citar
Edição
Seção
Licença
Copyright (c) 2019 José Gonçalves de Oliveira Júnior, Robinson Vida Noronha, Celso Antonio Alves Kaestner
Este trabalho está licenciado sob uma licença Creative Commons Attribution-NonCommercial-ShareAlike 4.0 International License.
Os autores que publicam trabalhos na RIA estão de acordo com os seguintes termos:
- Autores mantêm seus direitos autorais e concedem à RIA o direito à primeira publicação. Admite-se o compartilhamento do referido trabalho, desde que seja reconhecida sua autoria e publicação inicial nesta revista.
- Autores podem fechar contratos adicionais separadamente, para distribuição não exclusiva da versão do trabalho publicado na RIA, com reconhecimento de sua autoria e publicação inicial nesta revista.
- Autores podem publicar e distribuir seu trabalho online, antes ou durante o processo editorial.
