Predizendo evasões estudantis usando Ensemble Methods para apoio à gestão pedagógica / Predicting student dropouts using Ensemble Methods to support pedagogical management

Authors

  • Rodolfo Bolconte Donato
  • Samara Martins Nascimento
  • Gustavo Wagner Diniz Mendes
  • Thiago Pereira Rique

DOI:

https://doi.org/10.34117/bjdv6n8-196

Keywords:

algoritmos, Ensemble Methods, evasão estudantil.

Abstract

 A evasão estudantil ocorre em todas as esferas da educação, por diferentes razões. Alguns estudos apontam como causa fatores inerentes ao ensino, dentro da instituição. Já outros apontam fatores sociais extra instituição, tais como condição financeira. Esses fatores causam problemas tanto sociais quanto econômicos. Do ponto de vista social, as expectativas dos alunos são diminuídas e, do ponto de vista econômico, as instituições sofrem com a baixa expectativa criada pelos altos investimentos por parte dos governos e empresas. Pensando nisso, este trabalho buscou analisar técnicas computacionais de Aprendizado de Máquina para obter e comparar resultados de predição. O objetivo é encontrar a possibilidade de uso de um algoritmo que melhor compute resultados de predição, considerando requisitos como: Acurácia, Precisão, Sensibilidade, Taxa de Falsa Previsão Positiva e Tempo de Processamento. O uso desse algoritmo permitirá a construção de sistemas que auxiliem na construção de estratégias para a tomada de decisões pedagógicas.

References

Balaniuk, R., do Prado, H. A., da Veiga Guadagnin, R., Ferneda, E., and Cobbe, P. R. (2011). Predicting evasion candidates in higher education institutions. In International Conference on Model and Data Engineering, pages 143–151. Springer.

Brownlee, J. (2014). A gentle introduction to scikit-learn: A python machine learning library.

Chawla, N. V., Bowyer, K. W., Hall, L. O., and Kegelmeyer, W. P. (2002). Smote: synthetic minority over-sampling technique. Journal of artificial intelligence research, 16:321–357.

da Costa Chagas, L. B., Lima, J. R., and de Oliveira, M. G. (2019). Um modelo preditivo no diagnóstico de aprendizagem de programação/a predictive model in the programming learning diagnosis. Brazilian Journal of Development, 5(6):4711–4725.

da Silva, L. A., Peres, S. M., and Boscarioli, C. (2017). Introdução à mineração de dados: com aplicações em R. Elsevier Brasil.

Demir, N. (2016). Ensemble methods: Elegant techniques to produce improved machine learning results.

Gilioli, R. S. P. (2016). Evasão em instituições federais de ensino superior no Brasil: Expansão da rede, sisu e desafios. Consultoria Legislativa: Câmara dos Deputados.

Julian, D. (2016). Designing Machine Learning Systems with Python. Packt Publishing.

Manhaes, L. M. B., Cruz, S. M. S., and Zimbrão, G. (2014). Evaluating performance and dropouts of undergraduates using educational data mining.

Martinho, V. R., Nunes, C., and Minussi, C. R. (2013). Prediction of school dropout risk group using neural network. In 2013 Federated Conference on Computer Science and Information Systems, pages 111–114. IEEE.

Müller, A. and Guido, S. (2016). Introduction to Machine Learning with Python: A Guide for Data Scientists. O’Reilly Media.

Prati, R. C., Batista, G. E. A. P. A., and Monard, M. C. (2003). Uma experiência no balanceamento artificial de conjuntos de dados para aprendizado com classes desbalanceadas utilizando análise roc.

Silva, R. M., Almeida, T. A., and Yamakami, A. (2012). Análise de métodos de aprendizagem de máquina para detecção automática de spam hosts.

Souza, E. G. (2019). Entendendo o que é matriz de confusão com python.

Published

2020-08-14

How to Cite

Donato, R. B., Nascimento, S. M., Mendes, G. W. D., & Rique, T. P. (2020). Predizendo evasões estudantis usando Ensemble Methods para apoio à gestão pedagógica / Predicting student dropouts using Ensemble Methods to support pedagogical management. Brazilian Journal of Development, 6(8), 56936–56957. https://doi.org/10.34117/bjdv6n8-196

Issue

Section

Original Papers