Early Prediction of College Attrition Using Data Mining

Martins, L. C.; Carvalho, Rommel N.; Carvalho, Ricardo Silva; Victorino, Marcio; Holanda, Maristela

doi:10.1109/icmla.2017.000-6

Cited by 30 publications

(11 citation statements)

References 2 publications

Supporting

Mentioning

Contrasting

Unclassified

Order By: Relevance

“…Esta pesquisa considerou os alunos entre 17 e 19 anos de idade, que informaram a dependência administrativa da escola e que completaram todas as quatro provas objetivas. Martins et al (2017) desenvolveram modelos preditivos para identificar desistências de alunos em cursos de ensino superior. A evasão de alunosé um problema para as instituições.…”

Section: Trabalhos Relacionadosunclassified

Uma Análise do Desempenho dos Estudantes do Rio Grande do Sul no ENEM 2019

Carmo

Heckler

Carvalho

2021

RENOTE

View full text Add to dashboard Cite

O Exame Nacional do Ensino Médio (ENEM) avalia o desempenhode estudantes do ensino médio do país. Este estudo explora os resultados doENEM 2019, com foco nos dados do estado do Rio Grande do Sul. O estudoanalisa e compara o perfil educacional e socioeconômico dos participantesque se enquadram nas 5% melhores e piores médias do estado. Os resultadosdemonstram uma tendência de melhor desempenho para participantes dasclasses sociais A e B; oriundos de escolas privadas e federais; que sãobrancos, pardos ou amarelos; que possuem acesso à internet em casa e cujospais possuem maior grau de ensino. Essa análise evidencia os impactos dasdiferenças socioeconômicas no desempenho dos alunos no exame.

show abstract

Section: Trabalhos Relacionadosunclassified

Uma Análise do Desempenho dos Estudantes do Rio Grande do Sul no ENEM 2019

Carmo

Heckler

Carvalho

2021

RENOTE

View full text Add to dashboard Cite

show abstract

“…O classificador que obteve os melhores resultados, no caso, foi o Random Forest, que alcançou uma acurácia média de 0,69. Com o mesmo objetivo, o trabalho de (Martins, Carvalho, & Carvalho, 2017) utilizou dados referentes especificamente aos alunos da Universidade Federal Fluminense, filtrados da base do INEP. Os autores relatam que alcançaram um recall de 0,71, usando esta como a principal métrica de avaliação do algoritmo.…”

Section: Trabalhos Relacionadosunclassified

Aplicação de Técnicas de Aprendizado de Máquina Para Predição de Risco de Evasão Escolar em Instituições Públicas de Ensino Superior no Brasil

Teodoro

Kappel

2020

RBIE

View full text Add to dashboard Cite

As instituições públicas de ensino superior do Brasil enfrentam taxas de evasão anual preocupantes. Torna-se de extrema importância, então, o reconhecimento do perfil de alunos com maior probabilidade de evadir, levando em consideração características dos estudantes e das universidades em que eles se encontram matriculados, para que planos de medidas públicas sejam construídos de maneira a reduzir estas taxas. Nesse contexto, o presente trabalho tem como objetivo a identificação dos padrões característicos de alunos com maior tendência a abandonar o ensino público superior, assim como a identificação dos atributos mais determinantes nestes padrões. Para isso, foram aplicadas cinco técnicas de aprendizado de máquina nos dados de educação superior do INEP (Instituto Nacional de Estudos e Pesquisas Educacionais Anísio Teixeira): Naive Bayes, K-Nearest Neighbors, Árvores de Decisão, Random Forest e Redes Neurais. Dentre elas, o melhor resultado foi obtido pela técnica Random Forest, que alcançou uma taxa de acerto de aproximadamente 80% das previsões de evasão. O modelo construído indicou que algumas das características mais determinantes na evasão de um aluno são a idade, a participação em atividades extracurriculares e a carga horária total do curso. A principal contribuição do presente trabalho vem na forma da identificação das variáveis mais importantes para a previsão de evasão. Espera-se que os resultados aqui apresentados possibilitem o desenvolvimento de estratégias de redução de evasão focadas no suporte a estudantes que se encontram nos padrões característicos identificados.

show abstract

“…• Eles reduziram a quantidade de disciplinas em cada semestre, até a evasão; • Eles passaram em menos disciplinas conforme avançando nos semestres; • Eles reprovaram por nota em pelo menos uma disciplina no primeiro semestre; • Eles obtiveram média de disciplinas aprovadas inferior aos egressos no primeiro semestre. Em [12], os autores aplicaram algoritmos de MD nos dados de alunos do curso de Graduação em Matemática da Universidade Federal Fluminense (UFF) para gerar um modelo para a previsão de alunos que possam vir a evadir.…”

Section: Trabalhos Correlatosunclassified

Mineração de Dados Educacionais Visando a Identificação da Evasão no Ensino Superior

Carminati¹,

Augusto²,

Dallabrida³

et al. 2020

Anais Do XI Computer on the Beach - COTB '20

View full text Add to dashboard Cite

This paper tackles the problem of dropout of undergraduate studentsin a private university, by using Educational Data Mining(EDM) techniques. The EDM is an emerging area, concerned withdeveloping methods for exploring the increasingly large-scale datathat come from educational settings and using those methods tobetter understand students and the settings which they learn in. Inthis work, EDM is used to identify profiles of students who withdrawfrom their engineering courses. The considered dataset iscomposed of 53 attributes, involving financial and academic aspectsof 2,925 engineering students. Preliminary results have identifiedsome attributes that are related to the dropout in engineering courses,such as: the semester of the year (students are more prone todropout in the first half of the year), attendance, grades (in thiscase median is more important than the mean value) and numberof credits in the previous semester, and the current semester thestudent is enrolled (students bellow the 5th semester have a highertendency to dropout).

show abstract

Early Prediction of College Attrition Using Data Mining

Cited by 30 publications

References 2 publications

Uma Análise do Desempenho dos Estudantes do Rio Grande do Sul no ENEM 2019

Uma Análise do Desempenho dos Estudantes do Rio Grande do Sul no ENEM 2019

Aplicação de Técnicas de Aprendizado de Máquina Para Predição de Risco de Evasão Escolar em Instituições Públicas de Ensino Superior no Brasil

Mineração de Dados Educacionais Visando a Identificação da Evasão no Ensino Superior

Contact Info

Product

Resources

About