Previsão da evasão estudantil em disciplinas introdutórias de programação por meio de mineração de dados sociodemográficos

• Ano de defesa: 2021
• Autor(a) principal: Pereira, André Fabiano Santos
• Outros Autores: http://lattes.cnpq.br/6936919290320188
• Tipo de documento: Dissertação
• Tipo de acesso: Acesso aberto
• Idioma: por
• Instituição de defesa: Universidade Federal do Amazonas; Instituto de Computação; Brasil; UFAM; Programa de Pós-graduação em Informática
• Palavras-chave em Português: Evasão universitária; Informática - Estudo e ensino; Mineração de dados (Computação); CIENCIAS EXATAS E DA TERRA: CIENCIA DA COMPUTACAO: METODOLOGIA E TECNICAS DA COMPUTACAO; Previsão de evasão; Evasão estudantil; Introdução à programação; Mineração de dados educacionais
• Link de acesso: https://tede.ufam.edu.br/handle/tede/9094

A evasão estudantil caracteriza-se como um processo de exclusão do ambiente educacional determinado por fatores motivacionais, estruturais, socioeconômicos, internos e externos às instituições de ensino. A evasão em disciplinas introdutórias de programação, conhecidas como CS1, constitui-se em um desafio frequentemente observado em cursos de ciências exatas e de engenharias. O objetivo deste trabalho é construir um modelo de previsão de evasão de estudantes em disciplinas CS1 destes cursos com uso de dados sociodemográficos, passível de aplicação ainda no início de cada período letivo. A metodologia aplicada foi baseada no processo de mineração de dados CRISP-DM (Cross-Industry Standard Processo of Data Mining), com adaptações ao ambiente educacional, para extração do conhecimento e construção do modelo preditivo de evasão baseada na dimensão sociodemográfica dos estudantes. Com o intuito de validar a metodologia proposta, foram realizados experimentos com dados de ex-estudantes de CS1 dos cursos de ciências exatas e de engenharias da Universidade Federal do Amazonas. A previsão de evasão de estudantes nessas turmas mostrou-se viável, sendo construído um modelo preditivo com uso do classificador AdaBoost facilmente adaptável, permitindo a condução de iniciativas institucionais e pedagógicas mais eficientes de combate à evasão estudantil.