Mineração de Dados Educacionais para Predição de Desempenho Profissional
uma revisão sistemática
DOI:
https://doi.org/10.22491/1982-1654.137608Resumo
O componente que é considerado um dos mais importantes para o sucesso acadêmico é o sucesso profissional e a orientação profissional correta impulsiona o desempenho dos alunos e aumenta seu nível de motivação. Neste trabalho, realizou-se uma revisão sistemática visando verificar o estado da arte sobre a possibilidade de automação de um sistema de predição de desempenho profissional de estudantes. Baseado em um modelo de revisão sistemática da literatura abrangendo fases de planejamento, implementação e resultados, o processo de busca de artigos foi conduzido utilizando as principais bases de dados científicas. Após estabelecer critérios de inclusão, exclusão e qualidade, chegou-se a 455 artigos e destes 5 foram selecionados de acordo com as perguntas norteadoras. Os estudos selecionados nesta revisão sistemática evidenciam variáveis necessárias para a realização de predições de desempenho profissional, como: Notas, faltas, educação dos pais, escola, aulas particulares; e o framework Weka como ferramenta predominante nos estudos.
Downloads
Referências
AHMED, Saja Taha et al. Developed third iterative dichotomizer based on feature decisive values for educational data mining. Indonesian Journal of Electrical Engineering and Computer Science, 18(1):209–217, 2020.
ARAUJO, Haroldo Alexandre de et al. Algoritmo simulated annealing: uma nova abordagem. 2001.
CRUZ, Maria Elisa Linda Taeza; ENCARNACION, Riah Elcullada. Analysis and prediction of students’ academic performance and employability using data mining techniques: A research travelogue. The Eurasia Proceedings of Science Technology Engineering and Mathematics, v. 16, p. 117-131, 2021.
GULERIA, Pratiyush; SOOD, Manu. Explainable AI and machine learning: performance evaluation and explainability of classifiers on educational data mining inspired career counseling. Education and Information Technologies, v. 28, n. 1, p. 1081-1116, 2023.
HU, Qian; RANGWALA, Huzefa. Towards fair educational data mining: A case study on detecting atrisk students. In Proceedings of The 13th International Conference on Educational Data Mining (EDM 2020), pages 431–437, 2020.
HUNG, Hui-Chun et al. Applying educational data mining to explore students’ learning patterns in the flipped learning approach for coding education. Symmetry, 12(2):213, 2020.
HUSSAIN, Sadiq et al. Educational data mining and analysis of students’ academic performance using weka. Indonesian Journal of Electrical Engineering and Computer Science, 9(2):447–459, 2018.
JASSIM, Mustafa Abdalrassual. Analysis of the performance of the main algorithms for educational data mining: a review. In: IOP conference series: materials science and engineering. IOP Publishing, 2021. p. 012084.
KAUR, Amritpreet et al. Classification and prediction based enhanced j48 and reptree algorithms to predict corona virus pandemic. no. July, 2020.
KEELE, Staffs et al. Guidelines for performing systematic literature reviews in software engineering. 2007.
KITCHENHAM, Barbara A. Systematic review in software engineering: where we are and where we should be going. In: Proceedings of the 2nd international workshop on Evidential assessment of software technologies. 2012. p. 1-2.
KUH, George D. et al. What matters to student success: A review of the literature. Washington, DC: National Postsecondary Education Cooperative, 2006.
MARQUES, L.T., MARQUES, B.T., SILVA, C.A.M. . A Descoberta das Causas da Retenção Acadêmica Utilizando Mineração de Dados: Uma Revisão Sistemática da Literatura. RENOTE, Porto Alegre, v. 20, n. 1, p. 263–272, 2022.
LEE, L. E. et al. Evaluation of prediction algorithms in the student dropout problem. Journal of Computer and Communications, 8(03):20, 2020.
MAHAJAN, Ginika; SAINI, Bhavna. Educational data mining: A state-of-the-art survey on tools and techniques used in edm. International Journal of Computer Applications & Information Technology, 12(1):310–316, 2020.
MAHESHWARI, Ekansh et al. Prediction of factors associated with the dropout rates of primary to high school students in india using data mining tools. In Frontiers in Intelligent Computing: Theory and Applications, pages 242– 251. Springer, 2020.
MASCI, Chiara; JOHNES, Geraint; AGASISTI, Tommaso. Student and school performance across countries: A machine learning approach. European Journal of Operational Research, v. 269, n. 3, p. 1072-1085, 2018.
NASCIMENTO, F.A. et al. Mineração de Dados Educacionais: uma Revisão Sistemática da Literatura. Rio de Janeiro: Editora Oston Ltda. 2023. DOI: 10.5281/zenodo.7763620
QIU, Jiezhong et al. Gcc: Graph contrastive coding for graph neural network pre-training. In Proceedings of the 26th ACM SIGKDD International Conference on Knowledge Discovery & Data Mining, pages 1150–1160, 2020.
REPASO, Jennifer Anne A.; CAPARIÑO, Elenita T. Analyzing and predicting career specialization using classification techniques. International Journal, v. 9, n. 1.3, 2020.
REZENDE, Solange Oliveira. Sistemas inteligentes: fundamentos e aplicações. Editora Manole Ltda, 2003.
SOUZA, V.F., SANTOS, T.C.B. Processo de Mineração de Dados Educacionais aplicado na Predição do Desempenho de Alunos: Uma comparação entre as Técnicas de Aprendizagem de Máquina e Aprendizagem Profunda. Revista Brasileira de Informática na Educação – RBIE, 2021.
TAEZA-CRUZ, Maria Elisa Linda; CAPILI-KUMMER, Marifel Grace. Decision Support System to Enhance Students’ Employability using Data Mining Techniques for Higher Education Institutions. International Journal of Computing and Digital Systems, 2023.
VIHERÄKOSKI, Johanna. Strengths in career development: Modeling strength-based career counseling through reflecting customer experience. 2020.
VIVIAN, R. L. et al. Mineração de Dados Educacionais e Análise de Sentimentos em Ambientes Virtuais de Aprendizagem: um Mapeamento Sistemático. EaD em Foco, v. 12, n. 2, e1786, 2022.
WAHEED, Hajra et al. Predicting academic performance of students from VLE big data using deep learning models. Computers in Human behavior, v. 104, p. 106189, 2020.
YANG, Cuibi; HUAN, Shuliang; YANG, Yong. A practical teaching mode for colleges supported by artificial intelligence. International Journal of Emerging Technologies in Learning (IJET), v. 15, n. 17, p. 195-206, 2020.
YORK, Travis T.; GIBSON, Charles; RANKIN, Susan. Defining and measuring academic success. Practical assessment, research, and evaluation, v. 20, n. 1, p. 5, 2015.
YULIANTO, Lili Dwi; TRIAYUDI, Agung; SHOLIHATI, Ira Diana. Implementation Educational Data Mining For Analysis of Student Performance Prediction with Comparison of K-Nearest Neighbor Data Mining Method and Decision Tree C4. 5: Implementation Educational Data Mining For Analysis of Student Performance Prediction with Comparison of K-Nearest Neighbor Data Mining Method and Decision Tree C4. 5. Jurnal Mantik, v. 4, n. 1, p. 441-451, 2020.
Downloads
Publicado
Como Citar
Edição
Seção
Licença
Este trabalho está licenciado sob uma licença Creative Commons Attribution-NonCommercial-ShareAlike 4.0 International License.
Os direitos autorais para artigos publicados nesta revista são do autor, com direitos de primeira publicação para a revista. Em virtude de aparecerem nesta revista de acesso público, os artigos são de uso gratuito, com atribuições próprias, em aplicações educacionais e não-comerciais. Os textos podem ser compartilhados desde que respeitados os direitos autorais sob a licença Creative Commons Não comercial-CompartilhaIgual 4.0.Aceito 2024-05-21
Publicado 2024-06-30
