Predição de Evasão Escolar na Licenciatura em Computação

Hiago Oliveira de Jesus, Luis Cuevas Rodriguez, Almir de Oliveira Costa Junior

Resumo


No primeiro ano de graduação e ao longo do curso de Licenciatura em Computação, os alunos expressam grandes dificuldades nas disciplinas de programação, seja pela ausência de conhecimento prévio, dificuldades na resolução de problemas, raciocínio lógico-matemático, abstração, entre outros fatores desconhecidos. Os dados dos históricos acadêmicos dos alunos, representam dados relevantes para prever o risco de evasão na Licenciatura em Computação da Universidade do Estado do Amazonas. Diante dos elevados índices de reprovações nas disciplinas do curso, foi levantada a seguinte hipótese "É possível prever os alunos evadidos na Licenciatura em Computação?". Este artigo apresenta uma mineração de dados educacionais, cujo objetivo é a previsão de alunos com risco de evasão. Esta pesquisa seguiu a metodologia de descoberta de conhecimento em base de dados, que consistiu em selecionar e preparar os dados para o treinamento do modelo preditivo de rede neural de múltiplas camadas. Os resultados obtidos com modelo preditivo foram avaliados, por meio de métricas de avaliação de desempenho, identificou-se com 98% de precisão os alunos com risco de evadir do curso.


Palavras-chave


Evasão Escolar; Mineração de Dados Educacionais; Rede Neural Artificial

Texto completo:

PDF

Referências


Alpaydin, E. (2010). Introduction to Machine Learning.The MIT Press. [GS Search]

Baepler, P., & Murdoch, C. J. (2007). Academic analytics and data mining in highereducation.International Journal for the Scholarship of Teaching and Learning,4(2). [DOI:10.20429/ijsotl.2010.040217] [GS Search]

Barber, R., & Sharkey, M. (2012). Course correction: Using analytics to predict coursesuccess.International Conference on Learning Analytics and Knowledge, 259-262. [DOI:10.1145/2330601.2330664] [GS Search]

Bramer, M. (2007). Principles of data mining. New York: Cambridge University Press. Springer. [GS Search]

Brasil (2014). Planejando a próxima década: conhecendo as 20 metas do plano nacional de educação. Ministério da Educação, MEC. [Disponível em: http://portal.mec.gov.br/docman/junho-2013-pdf/13309-20metas-pne-lima/file]

Campbell, P., J. P. De Blois, & Oblinger, D. G. (2007). Academic analytics: A new tool for a new era. EDUCAUSE review,42(4), 40-57. [GS Search]

Castro, C. S., & Vilarim, G. O. (2013). Licenciatura em computação no cenário nacional: embates, institucionalização e o nascimento de um novo curso. Revista Espaço Acadêmico,13(148),18-25. [GS Search]

Chapman, P., Clinton, J., Kerber, R., Khabaza, T., Reinartz, T., Shearer, C., & Wirth, R. (2000). CRISP-DM 1.0 step-by-step data mine guide. CRISP-DM Consortium. [Disponível em: https://www.kde.cs.uni-kassel.de/wp-content/uploads/lehre/ws2015-16/kdd/files/CRISPWP-0800.pdf]

CNE/CES (2016). Conselho Nacional de Educação/Câmara de Educação Superior. Resolução nº 5/2016. institui as diretrizes curriculares nacionais para os Cursos de Graduação em Computação. Ministério da Educação. Processo 23001.000026/2012-95. Parecer CNE/CES nº 136/2012. Homologação em Diário Oficial em 27 de outubro de 2016. [Disponível em: http://portal.mec.gov.br/index.php?option=com_docman&view=download&alias=52101-rces005-16-pdf&category_slug=novembro-2016-pdf&Itemid=30192]

CNE/CP (2015). Conselho Nacional de Educação/Conselho Pleno. Resolução nº2, de 1º de julho de 2015, que define a Diretrizes Curriculares Nacionais para a formação inicial em nível superior (cursos de licenciatura, cursos de formação pedagógica para graduados e cursos de segunda licenciatura) e para a formação continuada. [Disponível em: http://portal.mec.gov.br/docman/agosto-2017-pdf/70431-res-cne-cp-002-03072015-pdf/file]

Cohen, N. L., Koedinger, W. K., & Matsuda, N. (2011). A machine learning approach for automatic student model discovery. International Conference on Educational Data Mining, Eindhoven, 44-53. [GS Search]

Coutinho, E. F., Lima, E. T. d., & Santos, C. C. (2017). Um panorama sobre o desempenho de uma disciplina inicial de programação em um curso de graduação. Revista Tecnologias na Educação. [GS Search]

Da Cruz, M. K., Becker, F., & Hinterholz, L. (2016). Carga horária prática na formação de professores de computação e informática educativa. Anais do Workshop de Informática na Escola. [DOI:10.5753/cbie.wie.2016.698] [GS Search]

Daniel, B. K. (2016). Big data and learning analytics in higher education: Current theory andpractice. Springer. [DOI:10.1007/978-3-319-06520-5] [GS Search]

De Amo, S. (2004). Técnicas de mineração de dados. Jornada de Atualização em Informática. [GS Search]

Faceli, K., Lorena, A., Gama, J., & Carvalho, A. (2011). Inteligência artificial: Uma abordagem de aprendizado de máquina. LTC, Rio de Janeiro. [Disponível em: https://www.docsity.com/pt/inteligencia-artificial-uma-abordagem-de-aprendizado-de-maquina/4916888/]

Falcão, T. P., Araújo, D. R. B., França, R., Andrade, E. C., & César, F. (2018). Currículo da licenciatura em computação: uma proposta alinhada às novas diretrizes e demandas contemporâneas. Anais dos Workshops do Congresso Brasileiro de Informática na Educação. [DOI:10.5753/cbie.wcbie.2018.1108 ] [GS Search]

Feyyad, U. M., Shapiro, G. P., Smyth, P., & Uthurusamy, R. (1996). Data mining and knowledgediscovery: making sense out of data.IEEE Expert,11(5), 20-25. [DOI:10.1109/64.539013] [GS Search]

Hamalainen, W., & Vinni, M. (2010). Classifiers for educational data mining. Handbook of Educational Data Mining, Chapman Hall/CRC Data Mining and Knowledge Discovery Series. [GS Search]

Han, J., Pei, J., & Kamber, M. (2011). Data mining: concepts and techniques. Elsevier Editora Ltda. [GS Search]

Haykin, S. (2009). Neural networks and learning machines. [GS Search]

Kaski, S., & Kohonen, T. (1996). Exploratory data analysis by the self-organizing map: Structures of welfare and poverty in the world.In: CITESEER. Neural networks in financial engineering. Proceedings of the third international conference on neural networks in thecapital markets. [GS Search]

Luciano, A. P. C., & Santos, A. A. (2013). Caminhos do licenciado em computação no brasil: Estudo de mercado a partir de uma pesquisa com egressos. Anais dos Workshops do Congresso Brasileiro de Informática na Educação. [DOI:10.5753/cbie.sbie.2013.517] [GS Search]

Matos, G. F. B., E. e Silva (2012). Currículo de licenciatura em computação: uma reflexão sobre perfil de formação à luz dos referenciais curriculares da SBC. Congresso da Sociedade Brasileira de Computação. [GS Search]

Priecht, S. S., & Pazeto, T. A. (2009). Análise, sugestões e perspectivas de um curso de licenciatura em informática. Anais do Workshop sobre Educação em Informática. [GS Search]

Romero, C., & Ventura, S. (2010). Educational data mining: A review of the state of the art. IEEE Transactions on Systems, Man, and Cybernetics, Part C (Applications and Reviews), 40(6), 601-618. [DOI:10.1109/TSMCC.2010.2053532] [GS Search]

Romero, S., C. Ventura (2013). Data mining in education. Wiley Interdisciplinary Reviews: Data Mining and Knowledge Discovery,3(1), 12-27. [DOI:10.1002/widm.1075] [GS Search]

Santos, W. O. (2017). Mulheres na computação uma análise da participação feminina nos cursos de licenciatura em computação. Anais dos Workshops do Congresso Brasileiro de Informática na Educação. [DOI:10.5753/cbie.wcbie.2017.814 ] [GS Search]

SBC (2002). Sociedade Brasileira de Computação. Currículo de Referência para Cursos de Licenciatura em Computação. Versão homologada na assembleia da SBC em julho de 2002 no Congresso da Sociedade Brasileira de Computação. [Disponível em: https://www.sbc.org.br/documentos-da-sbc/summary/131-curriculos-de-referencia/763-curriculo-de-referencia-lic-versao-2002]

SBC (2017). Sociedade Brasileira de Computação. Referenciais de Formação para os Cursos de Graduação em Computação. Comissão de Educação da SBC. [Disponível em: https://www.sbc.org.br/documentos-da-sbc/summary/131-curriculos-de-referencia/1165-referenciais-de-formacao-para-cursos-de-graduacao-em-computacao-outubro-2017]

Silva, L. A., & Silva, L. (2014). Fundamentos de mineração de dados educacionais. Anais dos Workshops do Congresso Brasileiro de Informática na Educação. [GS Search]

Silva, L. A., Silveira, I. F., Silva, L., Ramos, J. L. C., & Rodrigues, R. L. (2017). Ciência de dados educacionais: definições e convergências entre as áreas de pesquisa. Anais dos Workshops do Congresso Brasileiro de Informática na Educação. [DOI:10.5753/cbie.wcbie.2017.764] [GS Search]

Silvestre, A. L. (2007). Análise de dados e estatística descritiva. Escolar Editora. [GS Search]

Witten, I. H., & Frank, E. (2005). Practical machine learning tools and techniques. Morgan Kaufmann Series in Data Management Systems. [GS Search]

Zaki, M. J., & Meira Junior, W. (2014). Data mining and analysis: Fundamental concepts and algorithms. New York: Cambridge University Press. [GS Search]




DOI: https://doi.org/10.5753/rbie.2021.29.0.255

DOI (PDF): https://doi.org/10.5753/rbie.2021.29.0.255

____________________________________________________________________________

Revista Brasileira de Informática na Educação (RBIE) (ISSN: 1414-5685; online: 2317-6121)
Brazilian Journal of Computers in Education (RBIE) (ISSN: 1414-5685; online: 2317-6121)