SIDE – SISTEMA INTELIGENTE DE DETECÇÃO DE EVASÃO

APLICAÇÃO EM UMA INSTITUIÇÃO DE EDUCAÇÃO FEDERAL

  • Matheus Fogaça Bicudo de Almeida Instituto Federal de Educação, Ciência e Tecnologia de São Paulo – Campus Itapetininga https://orcid.org/0009-0007-9005-4414
  • Adriana Marques Instituto Federal de Educação, Ciência e Tecnologia de São Paulo – Campus São Paulo; Agência Nacional de Água e Saneamento https://orcid.org/0000-0001-8500-2053
DOI: https://doi.org/10.55028/edutec.v4i1.18049
Palavras-chave: Modelagem, Data mining, Gestão escolar, Instituições educativas, Permanência escolar

Resumo

O controle da evasão escolar requer ações integradas e um compromisso coletivo para garantir que todos os estudantes tenham acesso a uma educação de qualidade. Instituições de ensino superior devem tomar medidas para prevenir a evasão, o que pode incluir a oferta de programas de suporte acadêmico e financeiro, a criação de oportunidades de estágios e empregos para os estudantes, a sensibilização sobre a importância da educação superior, entre outras medidas. O aprendizado de máquina é uma ferramenta valiosa para prevenir a evasão escolar, pois permite a coleta e análise de dados para identificar os estudantes em risco, personalizar programas de apoio, monitorar o progresso e avaliar a eficácia de programas de prevenção. No Brasil, segundo a PNAD (Pesquisa Nacional por Amostra de Domicílios), no ano de 2019, cerca de 89,2% da população entre 15 e 17 anos estava incluída na taxa de escolarização, demonstrando o longo caminho a ser percorrido para alcançar a universalização proposta na Constituição de 1988. Dessa forma, a presente pesquisa teve como objetivo desenvolver um sistema de identificação de evasão utilizando Data Mining e Machine Learning, como um meio eficiente na identificação de evasão em instituições de ensino. Com base em informações dos próprios discentes do Instituto Federal de Educação, Ciência e Tecnologia – IFSP campus Itapetininga, obtiveram-se dados como local de residência, meio de transporte utilizado para chegar à instituição, motivação da matrícula, dentre outros fatores significativos na análise da probabilidade de evasão dos estudantes. O programa demonstrou quem possui maior probabilidade de evadir do corpo estudantil, ajudando os gestores a alocar os recursos e tomar as decisões necessárias. Os resultados obtidos nos dois modelos tiveram precisão de 86% em um modelo para análise das evasões e de até 100% em outro modelo, com pequenas oscilações devido à falta de coerência de alguns dos dados fornecidos.

Biografia do Autor

Matheus Fogaça Bicudo de Almeida, Instituto Federal de Educação, Ciência e Tecnologia de São Paulo – Campus Itapetininga

Possui experiência na área de Engenharia Civil através da formação técnica em edificações participando em congressos de iniciação cientifica. Possui experiência na Engenharia Mecânica e elétrica pela formação técnica em eletromecânica. Cursando Bacharelado no ensino superior em Engenharia Mecânica no Instituto Federal de Ciências e Tecnologia de São Paulo - Câmpus Itapetininga. Possui participação como bolsista no projeto de extensão "Cursinho Popular" do IFSP-ITP na área de química.

Adriana Marques, Instituto Federal de Educação, Ciência e Tecnologia de São Paulo – Campus São Paulo; Agência Nacional de Água e Saneamento

Pós-doutorado no Instituto de Pesquisas Energéticas e Nucleares-IPEN (em andamento) sob supervisão da Professora Doutora Isolda Costa no tema de microplásticos. Pós-doutorado na Universidade Federal de São Paulo-Unifesp (em andamento) sob supervisão do Professor Doutor Rubens Lacerda de Sá no título "Operação acolhida, interiorização e hos(ti)pitalidade migrante". Doutora em Engenharia Mecânica pela Universidade de Brasília (UnB). Mestre em Engenharia Civil pela Universidade Estadual de Campinas (UNICAMP), graduação em Ciências Econômicas e Ciências Contábeis. Atualmente é Coordenadora de Estudos Econômicos da Superintendência de Estudos Hídricos e Econômicos - SHE da ANA. Foi Coordenadora do gabinete da Presidente da ANA, Secretaria Executiva adjunta no Ministério da Igualdade Racial. Coordenadora Geral CGDEA – Enap. É professora do Instituto Federal de São Paulo (IFSP) campus SPO, membro do núcleo de estudos afro-brasileiros e indígenas - NEABI. Desde 2003 é fellow do Programa Lead Internacional, organização ligada ao desenvolvimento de lideranças na temática da sustentabilidade. Possui experiência como avaliadora de cursos de ensino superior e técnicos pelo INEP/MEC. Líder do Grupo de Pesquisa de Energia, Água e Saneamento (ENASA/CNPq). Editora-chefe da Revista Sinergia do IFSP. Atua na área ambiental, econômica e social em temas como comunidades tradicionais, recursos hídricos, planejamento energético e algoritmos racistas. Participou de projetos e treinamento pelas Nações Unidas (UN), Fundação Rockfeller e Fundação Kellog no Japão, México, Inglaterra e Itália. Organizadora e autora do livro “Arcabouço Pedagógico Para o Estudo Étnico-Racial e Ambiental” e do livro “Isotermas de Adsorção: Teoria e Prática”.

Referências

AGRUSTI, F.; BONAVOLONTÀ, G. University dropout prediction through educational data mining techniques: a systematic review. Journal of e-Learning and Knowledge Society, v. 15, n. 3, p. 45-60, 2019. Disponível em: https://doi.org/10.20368/1971-8829/1135017. Acesso em: 1 nov. 2024.

ANPEC - Associação Nacional dos Centros de Pós-Graduação em Economia. Retenção e evasão no ensino superior brasileiro: uma análise dos efeitos da bolsa permanência do PNAES. In: ENCONTRO DA ANPEC, 14., 2018, São Paulo. Anais […]. São Paulo: Anpec, 2018. Disponível em: https://link.ufms.br/osNnk. Acesso em: 20 ago. 2022.

ARARUNA, L. T.; SANTOS, T. A.; FIAMENGUI, A. H. R.; DECANINI, J. G. M. S. Sistema inteligente para identificação de grupos de risco relacionados à evasão escolar. Sinergia São Paulo, v. 16, n. 4, p. 263-268, 2015. Disponível em: https://link.ufms.br/ZBNrk. Acesso em: 1 nov. 2024.

ASHA, P. et al. Predicting university dropout through data analysis. In: INTERNATIONAL CONFERENCE ON TRENDS IN ELECTRONICS AND INFORMATICS, 3., 2020, Tamil Nadu. Anais […]. Tamil Nadu: ICOEI, 2020. Disponível em: https://link.ufms.br/hbX70. Acesso em: 1 nov. 2024.

CARRANO, D.; ALBERGARIA, E. T.; INFANTE, C.; ROCHA, L. Combinando Técnicas de Mineração de Dados para Melhorar a Detecção de Indicadores de Evasão Universitária. In: SIMPÓSIO BRASILEIRO DE INFORMÁTICA NA EDUCAÇÃO, 1., 2019, Rio de Janeiro. Anais […]. Rio de Janeiro: SBIE, 2019. Disponível em: https://link.ufms.br/gk75P. Acesso em: 1 maio 2022.

COSTA, J. B.; BORGES, A. P. F. Evasão escolar no curso de Eletrotécnica do Ensino Médio Integrado do IF Sertão Pernambucano. Semiárido de Visu, Petrolina, v. 3, n. 7, p. 366-370, 2019. Disponível em: https://link.ufms.br/jjbkt. Acesso em: 15 set. 2022.

ERNÁNDEZ-GARCÍA, A. J. et al. A real-life machine learning experience for predicting university dropout at different stages using academic data. IEEE Access, v. 9, p. 133076-133090, 2021. Disponível em: https://doi.org/10.1109/ACCESS.2021.3115851. Acesso em: 1 nov. 2024.

HENRIQUES, F. G. Evolução histórica, expansão e financiamento da educação superior no Brasil: das primeiras faculdades à expansão do início do século XXI. Comunicologia, Brasília, v. 11, n. 2, p. 124-145, 2018. Disponível em: https://doi.org/10.31501/comunicologia.v11i2.10058. Acesso em: 1 mar. 2022.

JORNAL NACIONAL. IBGE mede o problema nacional da evasão escolar. Jornal Nacional, São Paulo, 2020. Disponível em: https://link.ufms.br/Gq5W6. Acesso em: 30 jul. 2022.

MARIA, W.; DAMIANI, J. L.; PEREIRA, M. Rede Bayesiana para previsão de evasão escolar. In: V CONGRESSO BRASILEIRO DE INFORMÁTICA NA EDUCAÇÃO, 5., 2016, Uberlândia. Anais […]. Uberlândia: CBIE, 2016. Disponível em: https://link.ufms.br/xBJR8. Acesso em: 2 jul. 2022.

MEEDECH, P.; IAM-ON, N.; BOONGOEN, T. Prediction of student dropout using personal profile and data mining approach. In: LAVANGNANANDA, K., PHON-AMNUAISUK, S., ENGCHUAN, W., CHAN, J. (ed.). Intelligent and Evolutionary Systems. Proceedings in Adaptation, Learning and Optimization. Springer, Cham: 2015. v. 5. Disponível em: https://doi.org/10.1007/978-3-319-27000-5_12. Acesso em: 12 set. 2022.

MINGHELLI, M. Institutos Federais de Educação, Ciência e Tecnologia: um futuro incerto. Encontros Bibli: revista eletrônica de biblioteconomia e ciência da informação, v. 23, n. 51, p. 157-165, 2018. Disponível em: https://doi.org/10.5007/1518-2924.2018v23n51p157. Acesso em: 1 nov. 2024.

MINISTÉRIO DA TRANSPARÊNCIA E CONTROLADORIA-GERAL DA UNIÃO. Relatório de gestão exercício 2017. 2018. Disponível em: https://link.ufms.br/zil3h. Acesso em: 15 set. 2022.

ORTIZ-LOZANO, J. M. et al. University student retention: best time and data to identify undergraduate students at risk of dropout. Innovations in Education and Teaching International, v. 57, p. 74-85, 2020. Disponível em: https://doi.org/10.1080/14703297.2018.1502090. Acesso em: 1 nov. 2024.

PÉREZ, B; CASTELLANOS, C; CORREAL, D. Applying data mining techniques to predict student dropout: a case study. In: 1st COLOMBIAN CONFERENCE ON APPLICATIONS IN COMPUTATIONAL INTELLIGENCE, 15., 2018, São Paulo. Proceedings […]. Bogotá: IEEE, 2018. Disponível em: https://doi.org/10.1109/ColCACI.2018.8484847. Acesso em: 5 jul. 2022.

SILVA FILHO, R. B.; ARAÚJO, R. M. L. Evasão e abandono escolar na educação básica no Brasil: fatores, causas e possíveis consequências. Educação Por Escrito, [S. l.], v. 8, n. 1, p. 35, 2017. Disponível em: https://link.ufms.br/WpSem. Acesso em: 15 set. 2022.

SOSU, E. M.; PHEUNPHA, P. Trajectory of university dropout: investigating the cumulative effect of academic vulnerability and proximity to family support. Front. Educ., v. 12, p. 89-104, 2019. Disponível em: https://link.ufms.br/YbrX9. Acesso em: 1 nov. 2024.

UNIVERSIDADE DE LJUBLJANA. Orange. 2022. Disponível em: https://link.ufms.br/YklrB. Acesso em: 1 nov. 2024.

VILORIA, A. et al. Integration of data technology for analyzing university dropout. Procedia Computer Science, v. 155, p. 569-574, 2019. Disponível em: https://doi.org/10.1016/j.procs.2019.08.079. Acesso em: 1 nov. 2024.

Publicado
2024-12-26
Como Citar
ALMEIDA, M. F. B. DE; MARQUES, A. SIDE – SISTEMA INTELIGENTE DE DETECÇÃO DE EVASÃO. Revista Edutec - Educação, Tecnologias Digitais e Formação Docente, v. 4, n. 1, 26 dez. 2024.
Edição
v. 4 n. 1 (2024): Educação, Tecnologias Digitais e Formação Docente
Seção
Artigos Científicos

A Revista Edutec utiliza como base a Licença Creative Commons - Atribuição 4.0 Internacional, pois acredita na importância do movimento do acesso aberto nos periódicos científicos, como Open Archives Initiative.

Ao submeter um texto à revista os autores concordam com os seguintes termos:

  1. Os autores concordam em licenciar os trabalhos aceitos para publicação sob a Licença Creative Commons - Atribuição 4.0 Internacional. 
  2. Com o licenciamento em CC-BY 4.0, os autores mantém os direitos intelectuais sobre o texto e concedem à Revista Edutec o direito de primeira publicação.
  3. Os autores concordam em autorizar o envio e indexação dos textos de sua autoria em bases de dados e portais de informação acadêmica e científica.
  4. Os autores têm permissão e são estimulados a publicar e distribuir seu trabalho online, em repositórios institucionais, em páginas pessoais e redes sociais acadêmicas, após o processo editorial, desde que sejam respeitadas as formas de licenciamento e apresentação do texto, além da indicação do local de origem de publicação, no caso, o link para a Revista Edutec.
  5. Os autores dos trabalhos publicados na Revista Edutec são expressamente responsáveis de direito por seu conteúdo.
  6. Todos os trabalhos submetidos à Revista Edutec que possuírem em seu corpo imagens, fotografias, figuras em que estejam registradas imagens de seres humanos, devem vir acompanhados de Termo de Autorização de Uso de Imagem, do membro participante da imagem e, no caso de crianças, dos familiares das crianças expostas, com dados e assinatura dos mesmos.
  7. Em compromisso com práticas para abertura e popularização da ciência, a Revista Edutec poderá criar conteúdos (inclusive com participação de Inteligência Artificial Generativa, sempre com supervisão editorial) para divulgação científica da publicação em mídias sociais, citando a autoria e o link de acesso.
Crossref
Scopus
Google Scholar
Europe PMC