Mineração de Dados Educacionais na Previsão de Evasão: uma RSL sob a Perspectiva do Congresso Brasileiro de Informática na Educação

Colpo, Miriam Pizzatto; Primo, Tiago Thompsen; Pernas, Ana Marilza; Cechinel, Cristian

doi:10.5753/cbie.sbie.2020.1102

Cited by 8 publications

(12 citation statements)

References 0 publications

Supporting

Mentioning

Contrasting

Unclassified

Order By: Relevance

“…The difficulty in accessing remote classes, for example, possibly due to a lack of technological resources, has been one of the main causes of the growing student dropout rate, according to a study by Datafolha Institute (Saldaña, 2021). Thus, student dropout, defined by the Brazilian Ministry of Education as the definitive departure of the student from his academic programme/degree of origin without completing it (Brazil, 1997), which already represented a problem to be combated by the educational system (Colpo et al, 2020), has caused even greater concern during the pandemic. It is important to highlight that, besides social and academic damage, the dropout harms the country's economic development, given the correlation between the level of schooling and the population's wage gains (Pontili et al, 2018).…”

Section: What This Paper Addsmentioning

confidence: 99%

“…The academic model, which before the pandemic outperformed the economic and interactional models, no longer significantly outperforms the interactional model. Colpo et al (2020) identified that research on dropout prediction typically focuses on academic and demographic/social data in face-to-face education, and on academic and interactional data in distance education. This trend may be a reflection of the predictive potential of these types of data in these modalities of education.…”

Section: Predictive Performancementioning

confidence: 99%

See 1 more Smart Citation

Lessons learned from the student dropout patterns on COVID‐19 pandemic: An analysis supported by machine learning

Colpo,

Primo,

de Aguiar

2023

Brit J Educational Tech

View full text Add to dashboard Cite

During the COVID‐19 pandemic, the challenges associated with the transition from face‐to‐face to emergency remote education increased concerns about student dropout. Aligned with this concern, this study investigates the impact of the pandemic on the dropout patterns of 3371 undergraduate students from a Brazilian institution. Using data mining and machine learning techniques, we developed predictive dropout models based on student data preceding and succeeding the onset of the pandemic. Through the interpretation and comparison of these models and with the support of statistical and graphical analyses, we identify that the patterns persistently indicate that young students in their initial semesters, characterized by lower income, academic performance, and interaction, remain most susceptible to dropping out. Despite the pandemic leading to an enhanced predictive capability of data regarding student interaction within the virtual learning environment, our analysis revealed a lack of significant variation in dropout patterns. Institutionally, this indicates that a considerable number of dropouts likely encountered challenges in adapting to higher education, both before and throughout the pandemic. Practitioner notesWhat is already known about this topic The challenges posed by emergency remote learning, implemented during the COVID‐19 pandemic, may exacerbate the dropout problem and change the patterns involved in this phenomenon. Despite being widely used to identify dropout profiles and/or predict at‐risk students, data mining and machine learning techniques have been little explored in the investigation of changes associated with the pandemic context. What this paper adds We employ data mining and machine learning techniques to construct predictive and interpretable dropout models for the pre‐ and during‐pandemic contexts of a Brazilian institution. Comparing these models, we investigate the impacts of the pandemic on dropout patterns. The pandemic and the shift to emergency remote learning have an enhanced predictive capability of data regarding student interaction within the virtual learning environment. Throughout the pandemic, there was limited variation observed in dropout patterns, consistently highlighting young students in their initial semesters with lower income, academic performance and levels of interaction. Implications for practice and/or policy This study urges the inclusion of interactional student data in future dropout prediction research, capitalizing on the enhanced predictive power attained through the widespread adoption of virtual learning environments. Institutionally, the dropout patterns from before and during the pandemic suggest that students may be facing difficulties in adapting to higher education. In addition to the need to intensify preventive actions, this work indicates the need to conduct a study specifically targeting first‐semester students to understand their needs better and redesign preventive policies.

show abstract

Section: What This Paper Addsmentioning

confidence: 99%

Section: Predictive Performancementioning

confidence: 99%

Lessons learned from the student dropout patterns on COVID‐19 pandemic: An analysis supported by machine learning

Colpo,

Primo,

de Aguiar

2023

Brit J Educational Tech

View full text Add to dashboard Cite

show abstract

“…Nesse contexto, o trabalho de [Colpo et al 2020] realizou uma RSL com a meta de analisar estudos publicados nos anais do Congresso Brasileiro de Informática na Educac ¸ão (CBIE) no período de 2006 a 2019, sobre o uso das técnicas de EDM na previsão da evasão do estudante em todas as fases de ensino. Ao final, 23 estudos foram selecionados e analisados e, dentre os resultados, apresentaram a falta de envolvimento dos profissionais na busca de soluc ¸ões contra a evasão escolar.…”

Section: Trabalhos Relacionadosunclassified

Modelos de regressão aplicados na previsão da evasão escolar do ensino básico: uma revisão sistemática da literatura

Morais

Melo

Moutinho

et al. 2021

Anais Do XXXII Simpósio Brasileiro De Informática Na Educação (SBIE 2021)

View full text Add to dashboard Cite

O sistema educacional enfrenta diversos desafios, entre eles destaca-se a evasão escolar, geralmente causada pela desigualdade social. Técnicas de Machine Learning (ML) auxiliam a prever a relação entre o estudante evadido e as características que influenciaram a sua evasão. Esse artigo apresenta uma Revisão Sistemática da Literatura com o objetivo de identificar quais técnicas de ML, especialmente modelos de regressão, auxiliam na detecção de fatores que influenciam a evasão escolar de estudantes do ensino básico. Os resultados apresentam baixo uso de modelos de regressão, mas um alto uso de outros modelos de ML, destacando-se a árvore de decisão. Além disso, identificou-se 14 fatores responsáveis pela evasão, evidenciando a baixa renda do estudante.

show abstract

“…Há estudos que analisam técnicas e métodos aplicados na predição de evasão, sem buscar uma compreensão de como os indicadores orientam a construção dos modelos preditivos (MASCHIO et al, 2018;MARQUES et al, 2019;COLPO et al, 2020). Os estudos de Maschio et al (2018), Marques et al (2019), Mduma, Kalegele and Machuve (2019), Will, Kemczinski and Parpinelli (2019), Colpo et al (2020) concentraram-se em revisar aspectos técnicos (i.e., métodos, algoritmos e ferramentas), resultados e aplicaç ões de Mineração de Dados Educacional (MDE), não se preocuparam portanto em analisar também a influência dos indicadores na seleção dos métodos ou algoritmos (uma das etapas da construção dos modelos preditivos). Os estudos secundários feitos até aqui não têm exteriorizado como os indicadores são abordados na construção dos modelos.…”

Section: Introduç˜ Aounclassified

Análise da construção de modelos preditivos sob a perspectiva de indicadores de evasão

Chicon

Paschoal

Roos‐Frantz

et al. 2021

RENOTE

View full text Add to dashboard Cite

A predição de evasão de alunos com base em modelos que utilizam dados oriundos de ambientes virtuais de aprendizagem é um tema de pesquisa que desperta interesse por auxiliar na gestão acadêmica. Foi constatado em um estudo anterior que três indicadores principais sinalizam a evasão: comportamento do aluno, desempenho do aluno e aspectos demográficos. Apesar de que os modelos de predição de evasão encontrados na literaturafazem uso de alguns dados que caracterizam esses indicadores, não está claro o quanto os indicadores orientam a construção dos modelos preditivos. Uma análise de modelos preditivos reportados em estudos primários foi realizada para identificar como os indicadores de desempenho, comportamental e demográfico são utilizados na construção dos modelos de predição de evasão. Os resultados obtidos revelam que a maioria dos modelos preditivos, independente do indicador de evasão, faz uso da mineração de dados. Adicionalmente, os indicadores de evasão abordados pelos modelos preditivos, implementam em sua maioria métodos de árvore de decisão. Por fim, a métrica mais usada para avaliar os modelos preditivos é a precisão/acurácia, também independente dos indicadores de evasão.

show abstract

Mineração de Dados Educacionais na Previsão de Evasão: uma RSL sob a Perspectiva do Congresso Brasileiro de Informática na Educação

Cited by 8 publications

References 0 publications

Lessons learned from the student dropout patterns on COVID‐19 pandemic: An analysis supported by machine learning

Lessons learned from the student dropout patterns on COVID‐19 pandemic: An analysis supported by machine learning

Modelos de regressão aplicados na previsão da evasão escolar do ensino básico: uma revisão sistemática da literatura

Análise da construção de modelos preditivos sob a perspectiva de indicadores de evasão

Contact Info

Product

Resources

About