Predicting Evasion Candidates in Higher Education Institutions

Balaniuk, Remis; Prado, Hércules Antônio do; Guadagnin, Renato da Veiga; Ferneda, Edílson; Cobbe, Paulo Roberto

doi:10.1007/978-3-642-24443-8_16

Cited by 8 publications

(9 citation statements)

References 1 publication

Supporting

Mentioning

Contrasting

Unclassified

Order By: Relevance

“…Na literatura, é possível encontrar trabalhos na área de Análise de Dados que propõem ferramentas e estratégias que buscam obter resultados de predição [da Costa Chagas et al 2019, Martinho et al 2013, Balaniuk et al 2011. Nos trabalhos propostos por [da Costa Chagas et al 2019], é possível encontrar soluções baseadas em Mineração de Dados para predizer soluções estudantis.…”

Section: Estado Da Arteunclassified

Predizendo Evasões Estudantis Usando Ensemble Methods Para Apoio À Gestão Pedagógica

Donato

Nascimento

Mendes

et al. 2020

BJD

View full text Add to dashboard Cite

show abstract

Section: Estado Da Arteunclassified

Predizendo Evasões Estudantis Usando Ensemble Methods Para Apoio À Gestão Pedagógica

Donato

Nascimento

Mendes

et al. 2020

BJD

View full text Add to dashboard Cite

show abstract

“…Such methods are very important to clearly see which attributes lead to that behavior [Roberto and Adeodato 2012, Balaniuk et al 2011, Tamhane et al 2014, Márquez-Vera et al 2013, Lakkaraju et al 2015, Costa et al 2015, de Brito et al 2014, Maria et al 2016, Kantorski et al 2016, Pascoal et al 2016.…”

Section: Related Workmentioning

confidence: 99%

A machine learning approach to identify and prioritize college students at risk of dropping out

Barbosa

Santos

Pordeus

2017

Anais Do XXVIII Simpósio Brasileiro De Informática Na Educação (SBIE 2017)

View full text Add to dashboard Cite

Abstract. In this paper, we present a student dropout prediction strategy based on the classification with reject option paradigm. In such strategy, our method classifies students into dropout prone or non-dropout prone classes and may also reject classifying students when the algorithm does not provide a reliable prediction. The rejected students are the ones that could be classified into either class, and so are probably the ones with more chances of success when subjected to personalized intervention activities. In the proposed method, the reject zone can be adjusted so that the number of rejected students can meet the available workforce of the educational institution. Our method was tested on a dataset collected from 892 undergraduate students from 2005 to 2016.

show abstract

“…No cenário educacional, este mecanismo de utilização dos dados vem sendo muito utilizado. As contribuições vão desde o auxílio de estudantes com necessidades de aprendizagem até à prevenção de certas situações, como a evasão escolar [Balaniuk et al 2011].…”

Section: Introductionunclassified

Uso de Mineração de Dados para o Auxílio de Produção de Material Didático em Disciplinas de Algoritmos

Andrade¹,

Barreto²,

Bispo³

2019

Anais Do Workshop Sobre Educação Em Computação (WEI)

View full text Add to dashboard Cite

Algoritmo pode ser definido como uma sequência de ações executáveis para a obtenção de uma determinada solução buscando a obtenção da solução de um problema. A disciplina de Algoritmos, é o primeiro contato dos alunos com a área de Programação de Computadores e, além disso, a base para a Computação. Pórem, para muitos alunos a implementação de algoritmos é um desafio devido a dificuldade de ordem técnica, detalhes de linguagem de programação ou ainda configuração dos ambientes de desenvolvimendo. Diante dessas dificuldades, podem ocorrer casos nos quais o professor não consegue identificar a frequência dessas dificuldades, levando os alunos a uma maior frustração na aprendizagem dos conceitos subjacentes da disciplina. Este trabalho propõe a criação de um sistema de recomendação de conteúdo técnico programático. Este sistema tem como parte essencial um modelo gerado a partir da mineração da base de dados do StackOverflow. Alguns resultados preliminares deste modelo já foram obtidos com o nível de acurácia de treinamento maior que 90%.

show abstract

Predicting Evasion Candidates in Higher Education Institutions

Cited by 8 publications

References 1 publication

Predizendo Evasões Estudantis Usando Ensemble Methods Para Apoio À Gestão Pedagógica

Predizendo Evasões Estudantis Usando Ensemble Methods Para Apoio À Gestão Pedagógica

A machine learning approach to identify and prioritize college students at risk of dropping out

Uso de Mineração de Dados para o Auxílio de Produção de Material Didático em Disciplinas de Algoritmos

Contact Info

Product

Resources

About