Evasão nos cursos de graduação do Instituto Federal Catarinense: um estudo a partir da mineração de dados

Abstract

Este trabalho tem como tema a evasão discente no ensino superior de um instituto federal de educação, ciência e tecnologia. O objetivo deste estudo é propor uma metodologia para identificar precocemente os alunos com maior propensão a evadir de modo a tornar possível que ações de intervenção sejam tomadas em tempo hábil para mitigar o problema. A pesquisa utiliza técnicas de Mineração de Dados Educacionais (EDM) para classificar os discentes ingressantes de acordo com sua propensão a evadir a partir de dados cadastrais e acadêmicos dos estudantes. Os resultados demonstram que é possível prever, com base nos dados cadastrais obtidos antes do início das aulas, a situação da matrícula dos alunos com 66,04% de acurácia e predizer com acerto de 66,3% os estudantes que têm sua matrícula cancelada. Após o primeiro semestre letivo a previsão se torna mais precisa, com os algoritmos de mineração de dados atingindo 75,52% de acerto geral e 67,53% de acerto das evasões. Além da previsão, foi possível identificar quais as variáveis mais relevantes para a permanência ou não no curso.

Abstract: This work has as its theme the student dropout in higher education of a Brazilian federal institute of education, science and technology. The goal of this study is to propose a methodology to identify early the students most likely to dropout the courses, in order to do intervention and mitigate the problem in a short period of time. The research applies Educational Data Mining (EDM) techniques to classify incoming students according to their propensity to evade using students' registration and academic data. The results show that it is possible to predict, based on the registration data obtained before the beginning of classes, the situation of students' enrollment with 66.04% accuracy and predict with 66.3% correctness of students who have their enrollment canceled. After the first semester, the forecast becomes more accurate, with the data mining algorithms reaching 75.52% of general accuracy and 67.53% of dropout accuracy. In addition to the forecast, it was possible to identify which variables are most relevant for student retention.