Estratégias para o uso de predição de evasão no ensino superior
DOI :
https://doi.org/10.29378/plurais.v9i00.18892Mots-clés :
Evasão, Universidade, Ensino Superior, Mineração de Dados Educacionais, Atores InstitucionaisRésumé
Diversos estudos que buscam identificar técnicas e práticas mais adequadas e eficazes para compreender os fatores que levam à desistência de alunos têm se fundamentado no uso de tecnologias para aprimorar a análise de dados e processar um maior volume de informações. Este estudo tem como objetivo identificar boas práticas voltadas ao suporte de alunos em risco de evasão, detectados de forma precoce por meio de técnicas de mineração de dados. Para alcançar esse propósito, foram mapeados os principais atores institucionais que podem utilizar esses dados para implementar estratégias de apoio aos estudantes identificados como em situação de risco. O mapeamento foi realizado com base na estrutura de uma universidade pública localizada no interior do Rio Grande do Sul, Brasil. Para cada ator identificado, foram definidos os canais mais adequados para o recebimento dos dados e as principais ações a serem desenvolvidas em sua área de atuação. Ao final do estudo, questionários foram aplicados aos próprios atores institucionais, os quais avaliaram as sugestões apresentadas, indicando o nível de relevância e aplicabilidade das propostas.
Téléchargements
Références
ALBOANEEN, Dabiah et al. Development of a Web-Based Prediction System for Students’ Academic Performance. Data, [S. l.], v. 7, n. 2, p. 21, 29 jan. 2022. MDPI AG.
AL-FAIROUZ, Ebtehal; AL-HAGERY, Mohammed. The most efficient classifiers for the students’ academic dataset. International Journal of Advanced Computer Science and Applications, [S. l.], v. 11, n. 9, p. 501–506, 2020.
ANDIFES/ABRUEM/SESu/MEC. Comissão Especial Sobre a Evasão nas Universidades Públicas Brasileiras. Diplomação, retenção e evasão nos cursos de graduação em instituições de ensino superior públicas. Brasília, 1996. 152p.
BERENS, Johannes et al. Early Detection of Students at Risk - Predicting Student Dropouts Using Administrative Student Data from German Universities and Machine Learning Methods. Zenodo, [S. l.], v. 11, n. 3, p. 1-41, 23 dez. 2019. Zenodo.
FLORES, Vaneza; HERAS, Stella; JULIAN, Vicente. Comparison of Predictive Models with Balanced Classes Using the SMOTE Method for the Forecast of Student Dropout in Higher Education. Electronics, [S. l.], v. 11, n. 3, p. 457, 3 fev. 2022. MDPI AG.
GIL, Antonio Carlos. Como elaborar projetos de pesquisa. São Paulo: Atlas, 2002.
GIL, Antonio Carlos. Métodos e técnicas de pesquisa social. 6. ed. São Paulo: Atlas, 2008. 200 p.
HOWLETT, Michael; RAMESH, M.; PERL, Anthony. Política pública: seus ciclos e subsistemas – uma abordagem integral. São Paulo: Campus, 2013.
OECD. Education at a Glance 2019: OECD Indicators. Education at a Glance. 2019.
OLIVEIRA, T. Escalas de mensuração de atitudes: Thurstone, Osgood, Stapel, Likert, Guttman, Alpert. Administração On Line, [S. l.], v. 2, n. 2, p. 1-25, 2001.
PALACIOS, Carlos et al. Knowledge Discovery for Higher Education Student Retention Based on Data Mining: machine learning algorithms and case study in chile. Entropy, [S. l.], v. 23, n. 4, p. 485, 20 abr. 2021. MDPI AG.
PÉREZ-GUTIÉRREZ, Boris Rainiero. Comparación de técnicas de minería de datos para identificar indicios de deserción estudiantil, a partir del desempeño académico. Revista Uis Ingenierías, [S. l.], v. 19, n. 1, p. 193-204, 1 jan. 2020. Universidad Industrial de Santander.
RIBEIRO, Marinalva Lopes. A relação professor-estudante na educação superior. Educação em Análise, Londrina, v. 5, n. 1, 2020, p. 185-200.
SILVA, Izaqueline et al. Estratégias das Coordenações dos Cursos de Ciências Contábeis para combater a evasão. Revista Universo Contábil, [S. l.], p. 61-81, fev. 2019.
THORN, James. Random Forest for Feature Importance: learn how to use random forest models to calculate the importance of the features in your data. 2020. Disponível em: https://towardsdatascience.com/random-forest-for-feature-importance-ea90852b8fc5. Acesso em: 18 jul. 2023.
TINTO, Vincent. Leaving college: Rethinking the causes and cures of student attrition. Chicago: University of Chicago Press. 1993.
YAğCi, Mustafa. Educational data mining: prediction of students' academic performance using machine learning algorithms. Smart Learning Environments, [S. l.], v. 9, n. 1, p. 1-19, 3 mar. 2022.
Téléchargements
Publié-e
Comment citer
Numéro
Rubrique
Licence
(c) Tous droits réservés Piero Salaberri, Sandra Piovesan, Valesca Irala (Autor) 2024
Cette œuvre est sous licence Creative Commons Attribution - Pas d'Utilisation Commerciale - Pas de Modification 4.0 International.
Autores que publicam nesta revista concordam com os seguintes termos:
- Autores mantém os direitos autorais e concedem à revista o direito de primeira publicação, com o trabalho simultaneamente licenciado sob a Creative Commons Attribution License que permitindo o compartilhamento do trabalho com reconhecimento da autoria do trabalho e publicação inicial nesta revista.
- Autores têm autorização para assumir contratos adicionais separadamente, para distribuição não-exclusiva da versão do trabalho publicada nesta revista (ex.: publicar em repositório institucional ou como capítulo de livro), com reconhecimento de autoria e publicação inicial nesta revista.
- Autores têm permissão e são estimulados a publicar e distribuir seu trabalho online (ex.: em repositórios institucionais ou na sua página pessoal) a qualquer ponto antes ou durante o processo editorial, já que isso pode gerar alterações produtivas, bem como aumentar o impacto e a citação do trabalho publicado (Veja O Efeito do Acesso Livre).
O conteúdo dos artigos é de estrita responsabilidade de seus autores, assumindo responsabilidade de todo o conteúdo fornecido na submissão, e que possuem autorização para uso de conteúdo protegido por direitos autorais reproduzido em sua submissão.
