Uso de Aprendizado de Máquina para detecção de risco de evasão no curso de Licenciatura em Computação

Autores

Palavras-chave:

Licenciatura em Computação, aprendizado de máquina, modelo preditivo, comitê de classificadores, evasão escolar, educação à distância

Resumo

A evasão escolar é um verdadeiro desafio para os especialistas em educação. Os cursos de educação a distância lidam com o desengajamento e abandono dos alunos, que resulta em impactos sociais e econômicos. Fatores comportamentais, cognitivos e demográficos podem estar associados à evasão escolar precoce. Este artigo propõe uma arquitetura baseada em um comitê de classificadores, capaz de prever o desengajamento dos alunos durante o curso. São feitas notificações aos professores e tutores, permitindo-lhes intervir de forma eficaz e tornar o sucesso dos alunos possível. Para avaliar a proposta, um estudo de caso foi conduzido no curso de Licenciatura em computação, modalidade  a distância da UFJF e os resultados indicam a viabilidade da solução e do uso de suas tecnologias. Os resultados apontaram um aumento significativo de acerto na identificação de alunos com risco de evasão, , chegando a 93% de precisão.

Referências

Amelec, V. and Bonerge, P. L. O. (2019) “Mixture Structural Equation Models for Classifying University Student Dropout in Latin America,” Procedia Computer Science. Elsevier BV, pp. 629–634. doi: 10.1016/j.procs.2019.11.036.

Anam, M. et al. (2017) “A statistical analysis based recommender model for heart disease patients,” International Journal of Medical Informatics. Elsevier BV, pp. 134–145. doi: 10.1016/j.ijmedinf.2017.10.008.

Bagheri, M. and Movahed, S. H. (2016) “The effect of the internet of things (Iot) on education business model,” in 12th International Conference on Signal-Image Technology & Internet-Based Systems (SITIS), pp. 435–441.

Barbosa, A. et al. (2017) “A machine learning approach to identify and prioritize college students at risk of dropping out,” in Brazilian Symposium on Computers in Education - SBIE).

Braz, F. et al. (2019) “An early warning model for school dropout: a case study in e-learning class,” in Brazilian Symposium on Computers in Education - SBIE. doi: http://dx.doi.org/10.5753/cbie.sbie.2019.1441.

Breiman, L. (2001) “Random forests,” Machine Learning. United States, 45(1), pp. 5–32. doi: 10.1023/A:1010933404324.

Buiar, J. A., Andrey, P. and Oliveira, R. (2017) “Identificação de Estilo de Aprendizagem: Um modelo de inferência automatizado baseado no perfil de personalidade identificado nos textos produzidos pelo aluno,” in Brazilian Symposium on Computers in Education - SBIE. doi: http://dx.doi.org/10.5753/cbie.sbie.2017.1157.

Burke, R. (2002) “Hybrid recommender systems: Survey and experiments,” User Modelling and User-Adapted Interaction. United States, 12(4), pp. 331–370. doi: 10.1023/A:1021240730564.

Carvalho, V. et al. (2017) “OntAES: Uma Ontologia para Sistemas Adaptativos Educacionais Baseada em Objetos de Aprendizagem e Estilos de Aprendizagem,” in Brazilian Symposium on Computers in Education - SBIE, pp. 1307–1316. doi: http://dx.doi.org/10.5753/cbie.sbie.2017.1307.

Cerezo, R. et al. (2020) “Process mining for self-regulated learning assessment in e-learning,” Journal of Computing in Higher Education. Spain: Springer, 32(1), pp. 74–88. doi: 10.1007/s12528-019-09225-y.

Diego, O. et al. (2020) “Uplift Modeling for preventing student dropout in higher education,” Decision Support Systems. Elsevier BV, p. 113320. doi: 10.1016/j.dss.2020.113320.

Gao, S. et al. (2018) “Pairwise Preference over Mixed-Type Item-Sets Based Bayesian Personalized Ranking for Collaborative Filtering,” Proceedings - 2017 IEEE 15th International Conference on Dependable, Autonomic and Secure Computing, 2017 IEEE 15th International Conference on Pervasive Intelligence and Computing, 2017 IEEE 3rd International Conference on Big Data Intelligence and Computing and 2017 IEEE Cyber Science and Technology Congress, DASC-PICom-DataCom-CyberSciTec 2017. China: Institute of Electrical and Electronics Engineers Inc. doi: 10.1109/DASC-PICom-DataCom-CyberSciTec.2017.22.

H., C. J. et al. (2017) “Decaying relevance of clinical data towards future decisions in data-driven inpatient clinical order sets,” International Journal of Medical Informatics. Elsevier BV, pp. 71–79. doi: 10.1016/j.ijmedinf.2017.03.006.

HAN, J., PEI, J. and KAMBER (2011) Data mining: concepts and techniques.

J., B. et al. (2013) “Recommender systems survey,” Knowledge-Based Systems. Elsevier BV, pp. 109–132. doi: 10.1016/j.knosys.2013.03.012.

Kumari, P., Jain, P. K. and Pamula, R. (2018) “An efficient use of ensemble methods to predict students academic performance,” Proceedings of the 4th IEEE International Conference on Recent Advances in Information Technology, RAIT 2018. India: Institute of Electrical and Electronics Engineers Inc. doi: 10.1109/RAIT.2018.8389056.

Leonardo, H. et al. (2018) “Diagnosis of learner dropout based on learning styles for online distance learning,” Telematics and Informatics. Elsevier BV, pp. 1593–1606. doi: 10.1016/j.tele.2018.04.007.

Márquez-Vera, C. et al. (2016) “Early dropout prediction using data mining: A case study with high school students,” Expert Systems. Mexico: Blackwell Publishing Ltd, 33(1), pp. 107–124. doi: 10.1111/exsy.12135.

Nascimento et al. (2017) “Recomendação de Objetos de Aprendizagem baseada em Modelos de Estilos de Aprendizagem: Uma Revisão Sistemática da Literatura,” Brazilian Symposium on Computers in Education - SBIE, 28.

NEVES, Felipe; CAMPOS, Fernanda; STROELE, Victor; DANTAS, Mario; DAVID, José Maria, BRAGA, Regina. (2021). Assisted education: Using predictive model to avoid school dropout in e-learning systems. In book: Intelligent Systems and Learning Data Analytics in Online Education (pp.153-178).

Nicola Capuano, Matteo Gaeta, Pierluigi Ritrovato, Saverio Salerno, Elicitation of latent learning needs through learning goals recommendation, Computers in Human Behavior, Volume 30, 2014, Pages 663-673, ISSN 0747-5632, https://doi.org/10.1016/j.chb.2013.07.036.

Nicola Capuano, Francisco Chiclana, Enrique Herrera-Viedma, Hamido Fujita, Vincenzo Loia, Fuzzy Group Decision Making for influence-aware recommendations, Computers in Human Behavior, Volume 101, 2019, Pages 371-379.

Pereira, C. K. et al. (2018) “BROAD-RSI – educational recommender system using social networks interactions and linked data,” Journal of Internet Services and Applications.

Polikar, R. (2012) “Ensemble learning,” in Ensemble Machine Learning: Methods and Applications. United States: Springer US, pp. 1–34. doi: 10.1007/9781441993267_1.

Sokolova, M. and Lapalme, G. (2009) “A systematic analysis of performance measures for classification tasks,” Information Processing and Management. Canada, 45(4), pp. 427–437. doi: 10.1016/j.ipm.2009.03.002.

T. Daradoumis, R. Bassi, F. Xhafa, and S. Caball´e. A review on massive e-learning (mooc) design, delivery and assessment. In 2013 Eighth International Conference on P2P, Parallel, Grid, Cloud and Internet Computing, pages 208–213, 2013.

Valaski, J., Malucelli, A. and Reinehr, S. (2011) “Revisão dos Modelos de Estilos de Aprendizagem Aplicados à Adaptação e Personalização dos Materiais de Aprendizagem,” in Brazilian Symposium on Computers in Education - SBIE. Aracaju, pp. 844–847.

Young, C. J. and Sunbok, L. (2019) “Dropout early warning systems for high school students using machine learning,” Children and Youth Services Review. Elsevier BV, pp. 346–353. doi: 10.1016/j.childyouth.2018.11.030.

Arquivos adicionais

Publicado

2021-11-12

Como Citar

NEVES, F.; CAMPOS, F.; DANTAS, M.; DAVID, J. M.; BRAGA, R.; STROELE, V. Uso de Aprendizado de Máquina para detecção de risco de evasão no curso de Licenciatura em Computação. Lynx, [S. l.], v. 1, n. 2, 2021. Disponível em: https://periodicos.ufjf.br/index.php/lynx/article/view/35552. Acesso em: 2 dez. 2021.