Minería de datos educativos: un análisis de los predictores de evasión en la Educación Superior

Autores/as

DOI:

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

Palabras clave:

Minería de datos educativos, Aprendizaje automático, Evasión en la Educación Superior

Resumen

La deserción escolar en la educación superior es un desafío importante para las instituciones educativas, que afecta tanto a los estudiantes como a la sociedad. Este artículo investiga los principales predictores de la deserción académica mediante la aplicación de técnicas de Minería de Datos Educativos (EDM). La investigación utiliza un conjunto de datos de una institución de educación superior, explorando características como rendimiento académico, perfil socioeconómico, compromiso estudiantil, datos familiares, entre otros. Se utilizaron algoritmos de Machine Learning como técnica de Minería de Datos, que además de permitir construir un modelo efectivo para predecir la evasión estudiantil, permitieron identificar los factores más relevantes para predecir la evasión. Los resultados destacan que las variables relacionadas con el rendimiento académico son los principales indicadores de riesgo. Las conclusiones ofrecen ideas que pueden guiar las estrategias institucionales para mitigar las tasas de deserción, promoviendo la retención y el éxito académico.

Descargas

Los datos de descargas todavía no están disponibles.

Biografía del autor/a

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.

Citas

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.

Descargas

Publicado

2025-04-05

Cómo citar

Silvestri, F., Faria de Souza, V., & Vieira, A. (2025). Minería de datos educativos: un análisis de los predictores de evasión en la Educación Superior. Educar Mais, 9, 1–23. https://doi.org/10.15536/reducarmais.9.2025.4120

Número

Vol. 9 (2025): Janeiro - Dezembro

Sección

Artículos

Licencia

Derechos de autor 2025 Felipe Silvestri, Vanessa Faria de Souza, Andrws Vieira

Creative Commons License

Esta obra está bajo una licencia internacional Creative Commons Atribución-NoComercial 4.0.

DECLARACIÓN DE RESPONSABILIDAD: Certifico que participé de la concepción del trabajo, en parte o en la íntegra, que no omití cualesquiera ligaciones o acuerdos de financiación entre los autores y compañías que puedan tener interés en la publicación de este artículo. Certifico que el texto es original y que el trabajo, en parte o en la íntegra, o cualquier otro trabajo con contenido sustancialmente similar, de mi autoría, no fue enviado a otra revista y no lo será mientras su publicación esté siendo considerada por la Revista Educar Mais, sea en formato impreso o electrónico.

 

El autor responsable por el envío del trabajo representa todos los autores del mismo y, al enviar el artículo para la revista, está garantizando que tiene el permiso de todos para hacerlo. Del mismo modo, asegura que el artículo no viola derechos autorales y que no hay plágio en el trabajo. La revista no se responsabiliza por las opiniones emitidas.

 

La Revista Educar Mais es de acceso abierto (Open Access), sin que haya la necesidad de pagos de tasas, sea para submisión o procesamiento de los artículos. La revista adopta la definición de Budapest Open Access Initiative (BOAI), o sea, los usuarios poseen el derecho de leer, bajar, copiar, distribuir, imprimir, buscar y hacer links directos para los textos completos de los artículos en ella publicados.

 

Todos los artículos son publicados con la licencia Creative Commons Atribuição-NãoComercial 4.0 Internacional. Los autores mantienen los derechos autorales sobre sus producciones, debiendo ser contactados directamente si hay interés en uso comercial de los trabajos.