Classificação de estudantes com potencial à evasão: aplicando mineração de dados no contexto de cursos técnicos subsequentes do IFPB

Abstract

A mineração de dados educacionais tem sido uma ferramenta muito utilizada para identificar a possibilidade de evasão de estudantes e suas possíveis causas, buscando auxiliar instituições de ensino no acompanhamento, gerenciamento e solução a esse desafio. Este artigo apresenta uma abordagem que aplica mineração de dados educacionais para predizer estudantes de cursos subsequentes do IFPB com potencial de evasão. Para isso, foram coletados dados a partir do sistema acadêmico do IFPB, no contexto do Campus Cajazeiras. Os dados passaram por etapas de preparação, e um conjunto de dados específico foi gerado para o propósito da abordagem proposta. Com a assistência de um especialista de domínio, a abordagem provê a geração de modelos de aprendizado de máquina que classificam a possibilidade de evasão de estudantes, a partir de cinco métodos supervisionados. A avaliação dos métodos de classificação utilizados demonstra que todos os algoritmos apresentaram resultados próximos, a partir do levantamento das métricas obtido. Adicionalmente, o trabalho mostra que a quantidade de períodos cursados é o fator principal para o estudante evadir. O estudo mostra também que a distância geométrica de onde o estudante reside até o campus em questão não é fator relevante para a evasão.

Keywords

• aprendizado de máquina supervisionado
• evasão de estudantes
• mineração de dados educacionais