ANÁLISE DE FATOR DE EVASÃO
O impacto do tempo na tomada decisão de alunos
Palavras-chave:
Impacto do Tempo, Análise de Dados, Aprendizagem de MáquinaResumo
O artigo conflitua diferentes modelos de aprendizagem de máquina na análise de dados dos alunos que demonstraram interesse na evasão do seu curso superior em decorrência do impacto do tempo na tomada das suas decisões sobre seu futuro acadêmico. A priori, será apresentado uma fundamentação teórica sobre os tipos de aprendizado de máquina e, em seguida, os diferentes modelos utilizados na pesquisa, o que inclui a decision tree, random forest e neural network. Por fim, serão expostos os resultados para explicar a escolha do método utilizado para apurar com maior eficácia os fatores externos e internos que contribuem para evasão à medida que o aluno avança seus semestres. Este trabalho tem como objetivo realizar uma análise dos dados educacionais disponibilizados pela mineração de dados no mestrado em Assessoria de Administração do ISCAP em Porto - PT e o dataset interno da Universidade Jorge Amado (UNIJORGE), a fim de comprovar a assertividade da variável tempo de curso na previsão de evasão escolar no ensino superior.
Referências
GÉRON, Aurélien. Mãos à obra: Aprendizado de máquina com Scikit-learn & TensorFlow – conceitos, ferramentas e técnicas para a construção de sistemas inteligentes. 1. ed. Tradução de Rafael Contatori de: Hands-on machine learning with Scikit-learn & TensorFlow. Rio de Janeiro: Atlas Books, 2019. ISBN: 978-85-508-0381-4.
KUMAR, V. Uday; KRISHNA, Azmira. Advanced prediction of performance of a student in an university using machine learning techniques. In: INTERNATIONAL CONFERENCE ON ELECTRONICS AND SUSTAINABLE COMMUNICATION SYSTEMS (ICESC). Agosto de 2020.Anais [...]. [S.l], agosto de 2020. DOI. 10.1109/ICESC48915.2020.9155557.
MARR, B. Big Data: Using SMART big data, analytics and metrics to make better decisions and improve performance. [S.l.]: John Wiley & Sons, 2015.
NETO, Cesare Di Girolamo. Potencial de técnicas de mineração de dados para o mapeamento de áreas cafeeiras. INPE, São José dos Campos, 2014.
SILVA, Fernanda Cristina da; CABRAL, Thiago Luiz de Oliveira; PACHECO, Andressa Sasaki Vasques. Evasão ou permanência? Modelos preditivos para a gestão do ensino superior. AAPE – Arquivos Analíticos de Políticas Educativas, [s.l.], v. 28, n. 149, 2020.
SULTANA, Sara; KHAN, Sharifullah; ABBAS, Muhammad A. Predicting performance of electrical engineering students using cognitive and non-cognitive features for identification of potential dropouts. International Journal of Electrical Engineering Education, [s.l.], v. 54, p. 105-118, 2017. DOI: 10.1177/0020720916688484.
SILVA, Andréa Ferreira da; ALMEIDA, Aléssio Tony Cavalcanti de; RAMALHO, Hilton Martins de Brito. Predição do risco de reprovação no ensino superior usando algoritmos de machine learning. Teoria e Prática em Administração, [s.l.], v. 10, n. 2, p. 58-80, jul-dez., 2020. DOI. 10.21714/2238-104X2020v10i2-51124.
WAGNER BANDEIRA ANDRIOLA; CRISTIANY GOMES ANDRIOLA; CRISTIANE PASCOAL MOURA. Opiniões de docentes e de coordenadores acerca do fenômeno da evasão discente dos cursos de graduação da Universidade Federal do Ceará. Ensaio de políticas públicas educacionais, v. 14, n. 52, setembro de 2006.
