Mapeamento da performance de alunos de curso profissionalizante de informática através de predição
DOI:
https://doi.org/10.34019/1984-5499.2023.v25.33425Palavras-chave:
Mineração de Dados Educacional, Aprendizado de máquina, Predição de Performance de Estudantes, Evasão EscolarResumo
O desempenho dos estudantes em cursos de nível técnico em informática é essencial para a formação profissional. No entanto, o baixo rendimento de estudantes nas disciplinas específicas torna-se preocupante para o mercado de trabalho, sendo necessário formular estratégias para melhorar o desempenho desses alunos. Uma maneira de mapear e identificar tais alunos com provável baixo desempenho e/ou evasão é analisar seu histórico escolar e as condições e estruturar familiar do aluno. Neste trabalho, é proposto um método de identificação de alunos propensos ao baixo rendimento no curso. Os resultados indicam que é possível identificar por meio dos dados de seu histórico escolar e da estrutura familiar, com taxa de acurácia e de precisão em 100%, utilizando o algoritmo de predição Random Forest.
Downloads
Referências
BARROS, R. et al. Predição do rendimento dos alunos em lógica de programação com base no desempenho das disciplinas do primeiro período do curso de ciências e tecnologia utilizando métodos de aprendizagem de máquina. Anais do XXX Simpósio Brasileiro de Informática na Educação (SBIE 2019), p. 1491-1500, 2019.
BRANDÃO, Desirre Marques; SIMÃO, Flávio Pavesi; SOUZA, Marcos de. Impressões dos alunos do curso técnico em informática sobre a leitura e a produção textual utilizando Tecnologias de Informação e Comunicação. InterScience Place, n. 31, v. 1, p. 86-123, 2014.
CARDOSO, Rogério; ANTONELLO, Sérgio. Interdisciplinaridade, programação visual e robótica educacional: relato de experiência sobre o ensino inicial de programação. Anais dos Workshops do IV Congresso Brasileiro de Informática na Educação (CBIE 2015) p. 1255-1262, 2015.
CASTRO, Ronney Moreira de; SIQUEIRA, Sean. Metodologias, Técnicas, Ambientes e Tecnologias Alternativas Utilizadas no Ensino de Algoritmos e Programação no Ensino Superior no Brasil. Anais dos Workshops do VIII Congresso Brasileiro de Informática na Educação (CBIE 2019), p. 228-237, 2019.
CHARITOPOULOS, Angelos; RANGOUSSI, Maria; KOULOURIOTIS, Dimitrios. On the Use of Soft Computing Methods in Educational Data Mining and Learning Analytics Research: a Review of Years 2010–2018. International Journal of Artificial Intelligence in Education, v. 30 p. 371-430, 2020.
DEMŠAR, J. et al. Orange: Data mining toolbox in python. Journal of Machine Learning Research, n.14, p.2349-2353, 2013.
DINIZ, Elza Magela; SANTOS, Talitha Araújo. Retenção e evasão escolar na educação profissional de nível médio técnico: o que nos dizem as publicações da ANPED entre os anos 2012 a 2017. Brazilian Journal of Development, Curitiba, v. 6, n. 7, p.44829-44838, 2020.
FREDENHAGEM, Sheyla Villar. Evasão Escolar no âmbito do Instituto Federal de Brasília. Revista EIXO, v.3 n.2, p. 49-71, 2014.
GARCIA, Rogerio Eduardo; CORREIA, Ronaldo Celso Messias; SHIMABUKURO, Milton Hirokazu. Ensino de Lógica de Programação e Estruturas de Dados para Alunos do Ensino Médio. Anais do XXVIII Congresso da SBC, Belém do Pará, PA, p.246-249, 2008.
HINTERHOLZ, Lucas; CRUZ, Marcia Kniphoff da. Desenvolvimento do Pensamento Computacional: um relato de atividade junto ao Ensino Médio, através do Estágio Supervisionado em Computação III. Anais do XXI Workshop de Informática na Escola (WIE 2015), 2015.
KOVACIC, J. Zlatko. Early Prediction of Student Success: Mining Students Enrolment Data. Proceedings of the 2010 InSITE Conference, v. 10 p. 647-665, 2010.
MASCHIO, Pedro. et al. Um Panorama acerca da Mineração de Dados Educacionais no Brasil. Anais do XXIX Simpósio Brasileiro de Informática na Educação (SBIE 2018), p. 1936-1940, 2018.
MIGUÉIS, V. L. et al. Early segmentation of students according to their academic performance: A predictive modelling approach. Decision Support Systems, v 115, novembro, p. 36-51, 2018.
PEREIRA, Filipe Dwan et al. Predição de desempenho em ambientes computacionais para turmas de programação: um Mapeamento Sistemático da Literatura. Anais do XXXI Simpósio Brasileiro de Informática na Educação (SBIE 2020), p. 1673-1682, 2020.
PINTO, Glevson Da Silva; FREITAS JÚNIOR, Olival De Gusmão; COSTA, Evandro De Barros. Mineração de Dados Educacionais: Um Modelo de Predição do Perfil do Aluno para Melhoria do IDEB. Anais do XXXI Simpósio Brasileiro de Informática na Educação (SBIE 2020), p. 1172-1182, 2020.
PORTAL, Cleber; SCHLEMMER, Eliane. Estratégias Para Minimizar a Evasão Na Eduação a Distância: O Uso De Um Sistema De Mineração De Dados Educacionais E Learning Analytics. In: 21° CIAED Congresso Internacional ABED, v. 1. p. 1-10, Bento Goncalves, 2015.
QIAN, Yizhou; LEHMAN, James D. Correlates of Success in Introductory Programming: A Study with Middle School Students. Journal of Education and Learning, 2016.
QUEIROGA, Emanuel; CECHINEL, Cristian; ARAÚJO, Ricardo. Predição de estudantes com risco de evasão em cursos técnicos a distância. Anais do XXVIII Simpósio Brasileiro de Informática na Educação (SBIE 2017), p. 1547-1556, 2017.
RIBAS, Elisângela; DAL BIANCO, Guilherme; LAHM, Regis Alexandre. Programação visual para introdução ao ensino de programação na Educação Superior: uma análise prática Palavras-chave: ensino de programação-linguagem visual-estratégias de ensino. Revista Novas Tecnologias na Educação, v. 14, n. 2, p. 1-10, 2016.
RIBEIRO, Karen Da Silva Figueiredo Medeiros; MACIEL, Cristiano. Um Estudo sobre o Desenvolvimento da Carreira das Estudantes do Ensino Médio Integrado em Informática. Anais dos Workshops do IX Congresso Brasileiro de Informática na Educação (WCBIE 2020), p.21-30, 2020.
RIGO, Sandro José; CAZELLA, Silvio C.; CAMBRUZZI, Wagner. Minerando Dados Educacionais com foco na evasão escolar: oportunidades, desafios e necessidades. Revista Brasileira de Informática na Educação, p. 168-177, 2014.
SAA, Amjad Abu. Educational Data Mining & Students’ Performance Prediction. (IJACSA) International Journal of Advanced Computer Science and Applications, v. 7, n. 5, p. 212-220, 2016.
SOUZA, Draylson Micael; BATISTA, Marisa Helena da Silva; BARBOSA, Ellen Francine. Problemas e Dificuldades no Ensino de Programação: Um Mapeamento Sistemático. Revista Brasileira de Informática na Educação, v. 24, n. 1, p. 39-52, 2016.
SOUZA, Francislaine Ávila de; ARAÚJO ANDRADE, José Antônio; DE PAULO MARTINS, Francine. As práticas de letramento matemático digital e o papel mediador das tecnologias digitais: uma experiência com o software superlog na educação básica. Revista Devir Educação, Lavras-MG. Edição Especial –Ago p. 155-178, 2020.
TSIAKMAKI, Maria et al. Implementing autoML in educational data mining for prediction tasks. Applied Sciences (Switzerland), v. 10, n. 90, p. 1-27. 2020.
