Mineração de dados educacionais: uma análise sobre os preditores da evasão no Ensino Superior

Autores

DOI:

https://doi.org/10.15536/reducarmais.9.2025.4120

Palavras-chave:

Mineração de Dados Educacionais, Aprendizagem de Máquina, Evasão no Ensino Superior

Resumo

A evasão no ensino superior é um desafio significativo para instituições de ensino, impactando tanto os estudantes quanto a sociedade. Este artigo investiga os principais preditores de evasão acadêmica por meio da aplicação de técnicas de Mineração de Dados Educacionais (MDE). A pesquisa utiliza um conjunto de dados provenientes de uma instituição de ensino superior, explorando características como desempenho acadêmico, perfil socioeconômico, engajamento estudantil, dados sobre a família, dentre outros. Foi utilizada como técnica de Mineração de Dados algoritmos de Aprendizagem de Máquina, estes além de possibilitarem a construção de um modelo eficaz para predição da evasão dos alunos, possibilitaram a identificação  dos fatores mais relevantes para prever a evasão. Os resultados destacam que variáveis relacionadas ao rendimento acadêmico são os principais indicadores de risco. As conclusões oferecem insights que podem orientar estratégias institucionais para mitigar a evasão, promovendo a permanência e o sucesso acadêmico.

Downloads

Não há dados estatísticos.

Biografia do Autor

Felipe Silvestri, Instituto Federal do Rio Grande do Sul - IFRS

Bacharel em Ciência da Computação pelo IFRS campus Ibirubá. Técnico em Informática pelo IFRS campus Ibirubá. Realizou estágio supervisionado em manutenção de computadores. Como bolsista de pesquisa, conduziu um projeto de automação para irrigação automática. Atualmente trabalha na T.I. da Cotribá na parte de infraestrutura de redes.

Vanessa Faria de Souza, Instituto Federal do Rio Grande do Sul - IFRS

Doutora pelo Programa de Pós-Graduação em Informática na Educação (PPGIE) da Universidade Federal do Rio Grande do Sul (UFRGS). Mestre em Informática pelo Programa de Pós-Graduação em Informática (PPGI) da Universidade Tecnológica Federal do Paraná (UTFPR), na área de Computação Aplicada, e com ênfase em Engenharia de Software. Possui Especialização em Educação Especial Inclusiva, com ênfase em Tecnologias Assistivas pela Universidade Estadual do Norte do Paraná (UENP). É graduada em Sistemas de Informação também pela UENP - Bacharel em Sistemas de Informação e Licenciada em Computação. Também Completou a Licenciatura em Matemática no Programa de Formação Pedagógica, pela UTFPR. Atualmente é docente dedicação exclusiva no Instituto Federal de Educação, Ciência e Tecnologia do Rio Grande do Sul (IFRS) no Campus Ibirubá. Ministra aulas nos Cursos de Ciência da Computação, Técnico em Informática Integrado do Ensino Médio, Licenciatura em Matemática e Especialização em Ensino de Linguagens e suas Tecnologias. É membro do Grupo de Pesquisa Computação Interdisciplinar Alto Jacuí. Tem interesse nas áreas de Mineração de Dados Educacionais, Learning Analytics, Inteligência Artificial - Machine Learning e Deep Leaning, Sistemas Digitais e Robótica Educacional.

Andrws Vieira, Instituto Federal do Rio Grande do Sul - IFRS

Mestre em Ciência da Computação pela Universidade Federal do Rio Grande do Sul (2015). Bacharel em Ciência da Computação pela Universidade Federal de Pelotas (2012). Técnico em Eletrônica pelo Instituto Federal Sul-rio-grandense(2009). Como pesquisador atuou na área de Ciência da Computação, com ênfase em Software para Sistemas Embarcados, atuando principalmente nos seguintes temas: métricas de software, análise de desempenho, consumo de energia e estimação de requisitos não funcionais a partir do processo de KDD (Knowledge-Discovery in Databases) utilizando como técnica principal de data mining, análise de regressão. Já foi professor no Centro Universitário Ritter dos Reis (UniRitter Porto Alegre/RS), no Centro Universitário (FADERGS Porto Alegre/RS ), no Instituto Federal de Educação, Ciência e Tecnologia do Rio Grande do Sul (IFRS) - Campus Viamão/RS e na Escola Maria Rocha (Santa Maria/RS) no curso técnico de Informática. Também exerceu o cargo e Cientista de Dados no Grupo Voalle (Santa Maria/RS), atuando principalmente como engenheiro de dados e machine learning em tópicos como: processamento de linguagem natural (NLP) e deep learning. Atualmente é professor EBTT no IFRS campus Ibirubá.

Referências

AGGARWAL, Charu C. Data Mining: The Textbook. 1. ed. New York, USA: Springer, 2015. v. 1. E-book. Disponível em: https://doi.org/10.1007/978-3-319-14142-8. Acesso em: 20 dez. 2024.

ALVES, M. de O. P.; GAYDEZKA, B.; CAMPOS, A. de. Projeto para registro e controle da evasão na UFTM. Revista Triângulo, v. 11, n. 1, p. 125–135, 2018.

BAHRAMPOUR, Soheil et al. Comparative Study of Deep Learning Software Frameworks. Cornell Univeristy, v. 3, p. 1–9, 2015.

EDM. Educational Data Mining. 2020. Disponível em: https://educationaldatamining.org/. Acesso em: 26 nov. 2024.

FILHO, R. L. L. e S. et al. A evasão no ensino superior brasileiro. Cadernos de Pesquisa, v. 37, n. 132, p. 641–659, 2007.

FRITSCH, R.; ROCHA, C.; VITELLI, R. F. A evasão nos cursos de graduação em uma instituição de ensino superior privada. Revista Educação em Questão, v. 52, n. 38, p. 81–108, 2015.

GIL, C. A. Como elaborar projetos de pesquisa. 4ª. ed. São Paulo, SP: Atlas, 2002.

HASTIE, T.; TIBSHIRANI, R.; FRIEDMAN, J. The Elements of Statistical Learning: Data Mining, Inference, and Prediction. 2ª. ed. California, USA: Springer, 2009.

HEGDE, V. Higher Education Student Dropout Prediction and Analysis through Educational Data Mining. 2018. Disponível em: https://ieeexplore.ieee.org/document/8398887. Acesso em: 20 dez. 2024.

JAPKOWICZ, N.; SHAH, M. Evaluating Learning Algorithms: A Classification Perspective. 1ª. ed. Cambridge, UK: Cambridge, 2014.

LOBO, M. B. C. de M. Panorama da evasão no ensino superior brasileiro: aspectos gerais das causas e soluções Associação Brasileira de Mantenedoras de Ensino Superior. 2012. Disponível em: https://www.institutolobo.org.br/core/uploads/artigos/art_087.pdf. Acesso em: 20 dez. 2024.

MARTINS, M. V. et al. Early Prediction of student’s Performance in Higher Education: A Case Study. 2021. Disponível em: https://link.springer.com/chapter/10.1007/978-3-030-72657-7_16. Acesso em: 20 dez. 2024.

MELLO, S. P. T. de et al. O fenômeno da evasão nos cursos superiores de tecnologia: um estudo de caso em uma universidade pública no sul do Brasil. 2013. Disponível em:https://repositorio.ufsc.br/handle/123456789/113096 . Acesso em: 26 nov. 2023.

MITCHELL, T. M. Machine Learning. 1ª. ed. Nova York, USA: MacGraw-Hill, 1997.

NAVARRO, Pedro J. et al. A machine learning approach to pedestrian detection for autonomous vehicles using high-definition 3D range data. Sensors (Switzerland), v. 17, n. 18, p. 1–20, 2017.

SOUZA, Vanessa Faria; SANTOS, Tony Carlos Bignard dos . Processo de Mineração de Dados Educacionais aplicado na Previsão do Desempenho de Alunos: Uma comparação entre as Técnicas de Aprendizagem de Máquina e Aprendizagem Profunda. Revista Brasileira de Informática na Educação (RBIE), v. 29, p. 519-546, 2021.

SOUZA, V. F. de. Os avanços da mineração de dados educacionais: processo, tendências temáticas e técnicas de mineração. 1ª. ed. Curitiba, PR: Bagai, 2021.

Downloads

Publicado

2025-04-05

Como Citar

Silvestri, F., Faria de Souza, V., & Vieira, A. (2025). Mineração de dados educacionais: uma análise sobre os preditores da evasão no Ensino Superior. Revista Educar Mais, 9, 1–23. https://doi.org/10.15536/reducarmais.9.2025.4120

Edição

v. 9 (2025): Janeiro - Dezembro

Seção

Artigos

Licença

Copyright (c) 2025 Felipe Silvestri, Vanessa Faria de Souza, Andrws Vieira

Creative Commons License

Este trabalho está licenciado sob uma licença Creative Commons Attribution-NonCommercial 4.0 International License.

DECLARAÇÃO DE RESPONSABILIDADE: Certifico que participei da concepção do trabalho, em parte ou na íntegra, que não omiti quaisquer ligações ou acordos de financiamento entre os autores e companhias que possam ter interesse na publicação desse artigo. Certifico que o texto é original e que o trabalho, em parte ou na íntegra, ou qualquer outro trabalho com conteúdo substancialmente similar, de minha autoria, não foi enviado a outra revista e não o será enquanto sua publicação estiver sendo considerada pela Revista Educar Mais, quer seja no formato impresso ou no eletrônico.

O autor responsável pela submissão representa todos os autores do trabalho e, ao enviar o artigo para a revista, está garantindo que tem a permissão de todos para fazê-lo. Da mesma forma, assegura que o artigo não viola direitos autorais e que não há plágio no trabalho. A revista não se responsabiliza pelas opiniões emitidas.

A Revista Educar Mais é de acesso aberto (Open Access), sem que haja a necessidade de pagamentos de taxas, seja para submissão ou processamento dos artigos. A revista adota a definição da Budapest Open Access Initiative (BOAI), ou seja, os usuários possuem o direito de ler, baixar, copiar, distribuir, imprimir, buscar e fazer links diretos para os textos completos dos artigos nela publicados.

Todos os artigos são publicados com a licença Creative Commons Atribuição-NãoComercial 4.0 Internacional. Os autores mantém os direitos autorais sobre suas produções, devendo ser contatados diretamente se houver interesse em uso comercial dos trabalhos.