Descoberta de Conhecimento para Identificação de Fatores que Influenciam o Desempenho Discente

Roberto Gonçalves Augusto Junior, Guilherme Augusto Rosa Carminati, Andre Luis Alice Raabe, Raimundo Celeste Ghizoni Teive

Resumo


A identificação de possíveis perfis de desempenho acadêmico, logo nas primeiras fases do curso de graduação, pode ser um conhecimento útil para gestores de uma IES. Conhecendo os fatores que contribuem para um baixo desempenho acadêmico, ações podem ser tomadas para melhorar o desempenho acadêmico ou, em alguns casos, até prevenir uma evasão indesejada. Neste artigo, vários algoritmos de mineração de dados são aplicados em bases de dados de sistemas acadêmico e financeiro de alunos egressos dos cursos de Direito e Engenharia Civil, buscando identificar padrões de desempenho acadêmico e os fatores associados. Os cursos foram selecionados por serem de diferentes áreas e por terem maior número de egressos na IES estudada. Resultados obtidos apontam para evidências interessantes sobre o impacto de alguns atributos no desempenho acadêmico, tais como: tipo de disciplina, tipo de ingresso, uso do AVA e biblioteca; além das notas e frequência nas primeiras fases.

Palavras-chave


Descoberta de conhecimento; Mineração de dados; Desempenho acadêmico.

Texto completo:

PDF

Referências


ASIF, R.; MERCERON, A.; ALI, S. A.; HAIDER, N. G. Analyzing Undergraduate Students’ Performance Using Educational Data Mining. Computer & Education. Elsevier. Vol. 113.. Pp 177-194. 2017.

BAKER, R.; ISOTANI, S.; CARVALHO, A. Mineração de Dados Educacionais: Oportunidades para o Brasil. Revista Brasileira de Informática na Educação, v. 19, n. 02, 2011.

CARMONA, C. J. et al. Subgroup discovery in an e-learning usage study based on Moodle. In: 2011 7TH INTERNATIONAL CONFERENCE ON NEXT GENERATION WEB SERVICES PRACTICES 2011, Salamanca, Espanha. Anais... Salamanca, Espanha: IEEE, 2011.

DOUGHERTY, J.; KOHAVI, R.; SAHAMI, M. Supervised and Unsupervised Discretization of Continuous Features. In: MACHINE LEARNING PROCEEDINGS 1995 1995, San Francisco, EUA. Anais... San Francisco, EUA: Elsevier, 1995.

DUTT, A.; ISMAIL, M. A.; HERAWAN, T. A Systematic Review on Educational Data Mining. IEEE Open Access Journal. Vol 5, Pp 15991-16005. 2017.

GOLDSCHMIDT, R.; PASSOS, E. Data mining: um guia Prático. Rio de Janeiro: Elsevier, 2005.

GOTTARDO, E.; KAESTNER, C. A. A.; NORONHA, R. V. Estimativa de Desempenho Acadêmico de Estudantes: Análise da Aplicação de Técnicas de Mineração de Dados em Cursos a Distância. Revista Brasileira de Informática na Educação, v. 22, n. 01, p. 45–55, 2014.

GWET, K. L. The Kappa Coefficient: A Review. In: Handbook of Inter-Rater Reliability: The Definitive Guide to Measuring the Extent of Agreement Among Multiple Raters. 3. ed ed. Gaithersburg, EUA: Advanced Analytics, LLC, 2012. p. 15–25.

HOE, A. C. K. et al. Analyzing students records to identify patterns of students’ performance. In: 2013 INTERNATIONAL CONFERENCE ON RESEARCH AND INNOVATION IN INFORMATION SYSTEMS 2013, Kuala Lumpur, Malásia. Anais... Kuala Lumpur, Malásia: IEEE, 2013.

IBM. IBM SPSS Modeler CRISP-DM Guide, 2011. Disponível em: . Acesso em: 10 mar. 2019.

KOTSIANTIS, S.; KANELLOPOULOS, D. Discretization Techniques: A recent survey. GESTS International Transactions on Computer Science and Engineering, v. 32, n. 1, p. 47–58, 2006.

MACFADYEN, L. P.; DAWSON, S. Mining LMS data to develop an “early warning system” for educators: A proof of concept. Computers & Education, v. 54, n. 2, p. 588–599, 2010.

MARISCAL, G.; MARBÁN, Ó.; FERNÁNDEZ, C. A survey of data mining and knowledge discovery process models and methodologies. The Knowledge Engineering Review, v. 25, n. 02, p. 137–166, 2010.

MIKUT, R.; REISCHL, M. Data mining tools. Wiley Interdisciplinary Reviews: Data Mining and Knowledge Discovery, v. 1, n. 5, p. 431–443, 2011.

POWERS, D. M. W. The problem with kappa. In: PROCEEDINGS OF THE 13TH CONFERENCE OF THE EUROPEAN CHAPTER OF THE ASSOCIATION FOR COMPUTATIONAL LINGUISTICS 2012, Avignon, França. Anais... Avignon, França: Association for Computational Linguistics, 2012.

RIGO, S. J. et al. Aplicações de Mineração de Dados Educacionais e Learning Analytics com foco na evasão escolar: oportunidades e desafios. Revista Brasileira de Informática na Educação, v. 22, n. 01, p. 132–146, 2014.

SAMARANAYAKE, C. P.; CALDERA, H. A. A data mining solution on high failure rate in Physical Science stream at the university entrance examination. In: 2012 TENTH INTERNATIONAL CONFERENCE ON ICT AND KNOWLEDGE ENGINEERING 2012, Bangkok, Tailândia. Anais... Bangkok, Tailândia: IEEE, 2012.

SESU. Manual do Bolsista ProUni, Ministério da Educação, 2015. Disponível em: . Acesso em: 10 mar. 2019.

SLATER, S.; JOKSIMOVIC, S.; KOVANOVIC, V.; BAKER, R. S.; GASEVIC, D. Tools for Educational Data Mining: A Review. Journal of Educational and Behavioral Statistics. Vol. 42. No 1. 2017.

TRANDAFILI, E. et al. Discovery and evaluation of student’s profiles with machine learning. In: PROCEEDINGS OF THE FIFTH BALKAN CONFERENCE IN INFORMATICS 2012, Novi Sad, Servia. Anais... Novi Sad, Servia: ACM Press, 2012.

WITTEN, I. H.; FRANK, E.; HALL, M. A. Data mining: practical machine learning tools and techniques. 3. ed. Burlington, EUA: Morgan Kaufmann, 2011.

ZENG, X.; ZHENG, H. Genders Differentials in Computer Sciences Education: Analysis and Proposal. In: 2009 FIRST INTERNATIONAL WORKSHOP ON EDUCATION TECHNOLOGY AND COMPUTER SCIENCE 2009, Wuhan, Hubei, China. Anais... Wuhan, Hubei, China: IEEE, 2009.

ZHANG, Z. Study and analysis of data mining technology in college courses students failed. In: 2010 INTERNATIONAL CONFERENCE ON INTELLIGENT COMPUTING AND INTEGRATED SYSTEMS 2010, Guilin, China. Anais... Guilin, China: IEEE, 2010.




DOI: https://doi.org/10.22456/1982-1654.93052

Direitos autorais 2020 Informática na educação: teoria & prática

Licença Creative Commons
Este obra está licenciado com uma Licença Creative Commons Atribuição-NãoComercial-CompartilhaIgual 4.0 Internacional.

INFORMÁTICA NA EDUCAÇÃO: teoria & prática. e-ISSN: 1982-1654 ISSN Impresso:1516-084X