Publicação: Mineração de dados educacionais para identificação do risco de evasão: uma análise comparativa de algoritmos de classificação no curso de Sistemas de Informação da UFU
Carregando...
Tipo do documento
Data
Direito de acesso
Programa
Área do conhecimento
CNPQ::CIENCIAS EXATAS E DA TERRA::CIENCIA DA COMPUTACAO::METODOLOGIA E TECNICAS DA COMPUTACAO
Título da Revista
ISSN da Revista
Título de Volume
Autores
Orientador
Coorientador
Resumo
A evasão acadêmica constitui um desafio relevante para as instituições de ensino superior, especialmente nos cursos da área de Computação. Este trabalho tem como objetivo avaliar comparativamente o desempenho de algoritmos de classificação supervisionada na identificação de um indicador operacional de risco de evasão entre estudantes do curso de Bacharelado em Sistemas de Informação da Universidade Federal de Uberlândia. Foi utilizada uma base de dados de discentes da Faculdade de Computação, originalmente organizada por disciplina cursada. Após as etapas de limpeza, transformação e agregação, os registros passaram a representar o desempenho de cada estudante por ano e período letivo, considerando a quantidade de disciplinas cursadas, aprovações, reprovações e o Coeficiente de Rendimento Acadêmico. A variável de classe evadiu recebeu o valor 1 quando o número de reprovações foi superior ao de aprovações e o valor 0 nos demais casos, devendo ser interpretada como indicador de risco, e não como confirmação institucional de evasão. Foram avaliados os algoritmos Naive Bayes, J48, Random Forest, IBk, Logistic e JRip, cada um com duas parametrizações, por meio de validação cruzada estratificada com 10 partições. O Logistic obteve 100% de acurácia nas duas configurações; Random Forest, JRip e J48 superaram 99,9%; o IBk apresentou desempenho próximo de 100%; e o Naive Bayes obteve acurácia entre 95,7% e 97,0%. Entretanto, como a classe foi construída a partir de atributos também utilizados como preditores, os resultados elevados refletem a forte relação entre essa regra e a representação dos dados. Assim, a comparação identifica o Logistic como o classificador de melhor desempenho na configuração estudada, mas não comprova sua capacidade de prever a evasão institucional definitiva.
Abstract
Academic dropout is a relevant challenge for higher education institutions, especially in Computer Science programs. This study aims to comparatively evaluate the performance of supervised classification algorithms in identifying an operational indicator of dropout risk among students enrolled in the Bachelor’s Degree in Information Systems at the Federal University of Uberlândia. A dataset comprising student records from the School of Computer Science was used; these records were originally organized by individual courses taken. After cleaning, transformation, and aggregation, each record represented a student’s performance by academic year and semester, considering the number of courses taken, courses passed, courses failed, and the academic performance coefficient. The class variable evadiu was assigned the value 1 when the number of failed courses exceeded the number of passed courses and 0 otherwise; therefore, it represents a risk indicator rather than institutionally confirmed dropout. The Naive Bayes, J48, Random Forest, IBk, Logistic, and JRip algorithms were evaluated with two parameter settings each using stratified 10-fold cross-validation. Logistic achieved 100% accuracy in both settings; Random Forest, JRip, and J48 exceeded 99.9%; IBk achieved performance close to 100%; and Naive Bayes obtained accuracy between 95.7% and 97.0%. However, because the class was constructed from attributes that were also used as predictors, the high scores reflect the strong relationship between this rule and the data representation. Thus, the comparison identifies Logistic as the best-performing classifier under the investigated setup, but it does not demonstrate an ability to predict definitive institutional dropout.
Palavras-chave
Mineração de dados educacionais, Educational data mining, Evasão acadêmica, Academic dropout, Aprendizado de máquina, Machine learning, Classificação supervisionada, Supervised classification, Indicador de risco, Risk indicator
Citação
ARAÚJO, Sávio Dias. Mineração de dados educacionais para identificação do risco de evasão: uma análise comparativa de algoritmos de classificação no curso de Sistemas de Informação da UFU. 2026. 41 f. Trabalho de Conclusão de Curso (Graduação em Sistemas de Informação) – Universidade Federal de Uberlândia, Uberlândia, 2026.
DOI
Avaliação
Revisão
Suplementado Por
Referenciado Por
Licença Creative Commons
Exceto quando indicado de outra forma, a licença deste item é descrita como Acesso Aberto