=Paper=
{{Paper
|id=Vol-1877/CtrlE2017_AC_29_45
|storemode=property
|title=Mineração de Dados Educacionais Aplicada à Identificação de Variáveis Associadas à Evasão e Retenção (Educational Data Mining Applied to the Identification of Variables Associated with Evasion and Retention)
|pdfUrl=https://ceur-ws.org/Vol-1877/CtrlE2017_AC_29_45.pdf
|volume=Vol-1877
|authors=Diego da Costa do Couto,Ádamo Lima de Santana
}}
==Mineração de Dados Educacionais Aplicada à Identificação de Variáveis Associadas à Evasão e Retenção (Educational Data Mining Applied to the Identification of Variables Associated with Evasion and Retention)==
https://ceur-ws.org/Vol-1877/CtrlE2017_AC_29_45.pdf
II Congresso sobre Tecnologias na Educação (Ctrl+E 2017)
Universidade Federal da Paraíba - Campus IV
Mamanguape - Paraíba – Brasil
18, 19 e 20 de maio de 2017
Mineração de Dados Educacionais Aplicada à Identificação
de Variáveis Associadas à Evasão e Retenção
Diego da Costa do Couto, Ádamo Lima de Santana
Laboratório de Inteligência Computacional e Pesquisa Operacional (LINC) –
Universidade Federal do Pará (UFPA)
Caixa Postal 479 – 66.075-110 – Belém – PA – Brasil
{diegocouto,adamo}@ufpa.br
Abstract. This paper applies classification algorithms in a large database with
the purpose of diagnosing the causes of two problems faced in Brazilian
universities, college dropout and retention. The accuracies of many algorithms
were measured with a focus on verifying the ability to correctly classify
available instances. Results showed that the Bayesian Network method
reached an overall precision approximately 86% and it is considered a very
satisfactory solution for the discovery and representation of knowledge about
academic performance of undergraduate students, especially those who are
willing to give up or extrapolate the deadline for completing to the course.
Resumo. Este artigo aplica algoritmos de classificação em uma grande base
de dados com finalidade de diagnosticar as causas de dois problemas
enfrentados em universidades brasileiras, a evasão e a retenção. Foram
mensuradas acurácias de diversos algoritmos com foco em verificar a
capacidade de classificar corretamente as instâncias disponíveis. Os
resultados apontaram que o método Rede Bayesiana atingiu precisão geral de
aproximadamente 86% sendo considerada uma solução bastante satisfatória
para descoberta e representação do conhecimento acerca do desempenho
acadêmico dos alunos da graduação, especialmente aqueles propensos a
desistir ou extrapolar o prazo para conclusão do curso.
1. Introdução
A educação superior está em ascensão no Brasil. O Censo da Educação Superior revelou
que até o ano de 2013 existiam cerca de 32.049 cursos de graduação em todo país,
distribuídos entre os graus bacharelado, licenciatura e tecnológico nas modalidades de
ensino presencial e a distância. Em 2014, houve um acréscimo de aproximadamente
2,5% (32.878) no número dos cursos ofertados em 2.368 Instituições de Ensino
Superior (IES). Vale destacar que entre 2003 e 2014, a matrícula na educação superior
registrou aumento de 96,5% [INEP 2014a]. Estas constatações corroboram os avanços
em termos quantitativos da educação superior no país nas iniciativas privada e estatal.
Contudo, ressalta-se que gestores devem continuamente avaliar se este aumento em
quantidade se converteu igualmente em qualidade, ao estudante, à instituição de ensino
superior e à sociedade.
Os levantamentos realizados pelo Instituto Nacional de Estudos e Pesquisas
Educacionais Anísio Teixeira (INEP), formatados no Censo da Educação Superior,
também apontam descompasso entre os números de matrícula, ingressantes, cursos e
333
II Congresso sobre Tecnologias na Educação (Ctrl+E 2017)
Universidade Federal da Paraíba - Campus IV
Mamanguape - Paraíba – Brasil
18, 19 e 20 de maio de 2017
concluintes. Constata-se que houve queda no número de concluintes em todas as
organizações acadêmicas, representando redução de 6,4% para as faculdades, 6,8% em
relação aos centros universitários, 4,4% tendo em conta as universidades e 26,0%
considerando Institutos Federais (IFs) e Cefets [INEP 2014b]. Essas informações
denotam um importante diagnóstico: o aumento na quantidade de vagas não está
impactando diretamente na permanência do aluno até a sua formatura. Esta
problemática, conhecida como evasão resulta em vagas ociosas ou remanescentes, as
quais se destinam a outros processos de seleção.
O Programa de Apoio a Planos de Reestruturação e Expansão das Universidades
Federais (REUNI), instituído pelo Decreto no 6.096, de 24 de abril de 2007 [Governo
Federal 2007], torna explícita em suas diretrizes gerais [MEC 2007] a preocupação do
Governo Federal acerca do problema da evasão, sob a asserção “os índices de evasão de
estudantes nos cursos de graduação atingem, em alguns casos, níveis alarmantes”. Outra
medida adotada pelo Governo Federal brasileiro foi a Lei Nº 12.089 de novembro de
2009 [Governo Federal 2009], a qual proíbe a ocupação de duas vagas,
simultaneamente, pela mesma pessoa em cursos de graduação de instituições públicas
do ensino superior. Infere-se que a lei visa minimizar os casos nos quais discentes, por
desinteresse ou vários outros motivos, abandonem um dos cursos ou demorem mais que
o tempo normal para concluírem os estudos, sendo este último fenômeno chamado de
retenção.
Segundo [Silva Filho et al. 2007] a evasão estudantil no ensino superior, de modo
geral, causa desperdícios de ordem social, acadêmica e econômica. Os reflexos deste
entrave no setor público de ensino se manifestam quando os recursos são aplicados sem
o devido retorno à sociedade. Enquanto que no ramo privado, os empresários perdem
receitas e aumentam os gastos com manutenção de infraestrutura de ensino. Em ambos
os casos, a evasão implica em ociosidade de professores, funcionários, equipamentos e
espaços físicos. A desistência tem consequências diretas no cotidiano do estudante,
visto que este não consegue a qualificação necessária para atuar na área pretendida e,
em outros casos, não retorna à IES em busca de novas oportunidades. Segundo os
pontos de vista dos autores [Tinto 1975], [Tinto 1987] e [Andriola 2009], as causas da
evasão emanam da falta de integração com ambiente acadêmico e social da instituição.
Considerando que os problemas da evasão e retenção possuem inúmeras causas e
consequências negativas para estudantes, instituições de ensino e comunidades nas
quais esses indivíduos estão inseridos, este trabalho tem como objetivo a criação de
subsídios que auxiliem gestores da instituição de ensino superior a identificar alunos,
dos cursos de graduação, em situação de vulnerabilidade à evasão ou à retenção dentro
dos seus ambientes de aprendizagem. Dentre os subsídios importantes à gestão,
destacam-se: previsão de quais alunos são propensos a desistir ou permanecer além do
tempo estipulado pelo currículo; representação desta informação; e identificar quais
atributos, dentre os disponíveis, são mais relevantes durante a classificação desse aluno.
Pretende-se alcançar estes objetivos pela utilização da Descoberta de
Conhecimento em Base de Dados (Knowledge Discovery in Database – KDD) que
representa um “processo não-trivial de extração de informações implícitas, previamente
desconhecidas e potencialmente úteis a partir de dados” [Frawley et al. 1992]. Uma das
suas etapas, denominada de Mineração de Dados (Data Mining) [Fayyad et al. 1996],
onde ocorre a extração de padrões dos dados através do uso de algoritmos específicos,
334
II Congresso sobre Tecnologias na Educação (Ctrl+E 2017)
Universidade Federal da Paraíba - Campus IV
Mamanguape - Paraíba – Brasil
18, 19 e 20 de maio de 2017
foi empregada para verificar a relação entre as variáveis e a problemática explicitada. A
etapa de Data Mining pode ser aplicada em diversas áreas [Han et al. 2012]
[Goldschmidt e Passos 2005] [Luo 2008] [Fayyad et al. 1996] desde que estas possuam
razoáveis volumes de dados históricos.
Foram testados algoritmos, durante a etapa de Data Mining, a partir da tarefa de
classificação, que define-se como “o processo de atribuir, a uma determinada
informação recebida, o nome de uma classe à qual ela pertence” [Rich e Knight 1993]
ou ainda constrói um modelo ou classificador [Han et al. 2012]. Dentro do contexto
aplicado, a classificação permite presumir a situação (classe) do estudante na
universidade, dado um conjunto de atributos a respeito desse aluno. Avaliaram-se
métricas relativas ao desempenho dos classificadores, cujas características possam
atender aos requisitos associados ao objetivo deste trabalho, com o intuito de testá-los e,
posteriormente, selecioná-los à resolução do problema pesquisado.
Este trabalho está organizado da seguinte forma: A Seção 2 apresenta os trabalhos
correlatos. Por sua vez, na Seção 3 é apresentada a base de dados utilizada neste
trabalho. Na Seção 4 será apresentada proposta de aplicação. Em seguida, Seção 5 serão
discutidos os resultados. Na Seção 6 apresentação das considerações finais.
2. Trabalhos Correlatos
O sítio [JEDM 2016] define Mineração de Dados Educacionais (Educational Data
Mining – EDM) como uma disciplina emergente cujo objetivo está no desenvolvimento
de métodos para explorar os dados provenientes de cenários educacionais e como essas
metodologias são empregadas para compreender os alunos nos seus ambientes de
aprendizagem. Argumenta-se a existência de um aumento considerável no interesse por
pesquisas valendo-se de EDM [Sachin e Vijay 2012], nesta perspectiva, [Romero e
Ventura 2010] elaboraram um trabalho relativo ao estado da arte da Mineração de
Dados Educacionais, no qual são discutidas 235 publicações mais relevantes até o ano
de 2009. Os autores verificaram crescimento exponencial no número de publicações ao
longo dos últimos anos, destacando o aparecimento de jornais e edições de livros
especializados no assunto.
[Baker et al. 2011] ratificam os argumentos supramencionados, afirmando, em
adição, que a área de EDM vem crescendo rapidamente em países da Europa e nos
EUA, salientando ainda o fortalecimento das pesquisas no Brasil durante a última
década. Destas constatações, deduz-se que a comunidade científica está cada vez mais
interessada nesse campo emergente de investigação, o que o torna tendência promissora
de investimentos e pesquisas em âmbito científico e acadêmico [Baker 2009].
[Cortez e Silva 2008] obtiveram dados no período letivo de 2005 e 2006 de
escolas públicas de Portugal. Os atributos constituíram-se de registros coletados de
relatórios emitidos pelo sistema escolar e questionários com perguntas sobre aspectos
sociais, demográficos e emocionais dos estudantes. A finalidade dos autores era
predizer o desempenho escolar nas disciplinas básicas de Matemática e Português. Os
autores trabalharam com três metodologias: classificação binária, multi-classe e
regressão. Os algoritmos testados foram Árvore de Decisão (Decision Tree – DT),
Random Forest, Redes Neurais Artificiais (RNA) e Support Vector Machine (SVM). Os
resultados atingidos foram satisfatórios, a exemplo, para o teste com classes binárias a
335
II Congresso sobre Tecnologias na Educação (Ctrl+E 2017)
Universidade Federal da Paraíba - Campus IV
Mamanguape - Paraíba – Brasil
18, 19 e 20 de maio de 2017
árvore de decisão conseguiu a melhor taxa de acerto (93, 0%). [Cortez e Silva 2008]
priorizaram a geração de conhecimento especialista, os autores descobriram importantes
regras das árvores de decisão.
No Brasil, as investigações em Mineração de Dados Educacionais se consolidaram
em 2012, na ocasião, [Manhães et al. 2012] elaboraram um estudo de caso para avaliar a
evasão em 155 cursos de graduação ofertados por 28 unidades da UFRJ. Para a pesquisa
em discussão, foram selecionados dados acadêmicos dos discentes que ingressaram nos
dois semestres letivos dos anos de 2003 e 2004. Além da acurácia, a interpretabilidade
dos resultados foi um dos requisitos considerados à escolha do método apropriado para
solucionar a problemática. Neste contexto, o classificador Naive Bayes foi escolhido,
pois conseguiu atingir precisão global superior a 80%. As contribuições da pesquisa
citada também foram publicadas com outros resultados e métodos de avaliações em
[Manhães et al. 2014b] [Manhães et al. 2014a, Manhães et al. 2015].
O nosso trabalho, proposto neste artigo, possui similaridades com aqueles
discutidos anteriormente, visto que, por exemplo, vale-se de algoritmos classificadores
para detecção de um padrão que classifique às instâncias corretamente quanto à evasão
e retenção em âmbito acadêmico. Contudo diferencia-se dos demais nos seguintes
aspectos: i) aplicação em uma grande base de dados, composta por quase 100 mil
amostras, pois a maioria dos trabalhos usam data sets com algumas centenas de
registros; ii) análise sobre todos os cursos de graduação, enquanto muitos trabalhos
avaliam cursos ou disciplinas de maneira isolada. Além disso, este trabalho visa
fortalecer o campo de EDM, uma vez que esta área é nova, há poucos estudos nacionais
e exerce grande influência na resolução de problemas atrelados ao desempenho escolar.
3. Base de Dados
O Sistema Integrado de Gestão de Atividades Acadêmicas (SIGAA) é parte dos
Sistemas Institucionais Integrados de Gestão (SIG) e informatiza os procedimentos da
área acadêmica através de módulos como: graduação, pós-graduação (stricto e lato
sensu), ensino técnico, entre outros. O SIGAA foi adquirido pela Universidade Federal
do Pará (UFPA), por meio de um contrato firmado com a Universidade Federal do Rio
Grande do Norte (UFRN), além disso, outras Instituições Federais de Ensino Superior
(IFES) e Institutos Federais (IF) também adquiriram o produto a fim de promover
integração entre sistemas, processar dados e oferecer serviços da área fim através de
interface web.
Os dados selecionados à pesquisa são registros acadêmicos, oriundos do SIGAA,
referentes a 157.298 discentes dos cursos de graduação, ingressantes até o ano de 2016,
da Universidade Federal do Pará, totalizando 175.779 amostras. Desta quantidade, as
tuplas inconsistentes ou que continham valores nulos foram removidas, permanecendo
98.698 linhas. A Tabela 1 mostra os 31 atributos selecionados e os seus respectivos
significados.
3.1. Pré-processamento e transformação de dados
Os significados dos atributos de 1 a 12, considerados intuitivos, podem ser consultados
nas descrições dispostas na Tabela 1. As variáveis de 13 a 19 representam os
indicadores de rendimento acadêmico acumulado, a saber: Média de Conclusão (MC),
336
II Congresso sobre Tecnologias na Educação (Ctrl+E 2017)
Universidade Federal da Paraíba - Campus IV
Mamanguape - Paraíba – Brasil
18, 19 e 20 de maio de 2017
Média de Conclusão Normalizada (MCN), Índice de Rendimento Acadêmico (IRA) ou
Coeficiente de Rendimento Geral (CRG), Índice de Eficiência em Carga Horária
(IECH), Índice de Eficiência em Períodos Letivos (IEPL), Índice de Eficiência
Acadêmica (IEA) e Índice de Eficiência Acadêmica Normalizado (IEAN). Essas
métricas quantificam o desempenho dos alunos da graduação e nos cálculos
consideram-se dados do histórico acadêmico, tais como: quantidades de reprovações,
aprovações, trancamentos, cargas horárias acumuladas e esperadas para integralização
do curso, entre outros. As fórmulas para cálculo desses indicadores e os seus respectivos
significados estão dispostos no Regimento da Graduação da Universidade Federal do
Rio Grande do Norte [UFRN 2013].
Tabela 1. Atributos selecionados à pesquisa
Nº Variável Descrição
1 sexo Sexo que o discente pertence
2 idade Idade que o aluno ingressou no curso
Informa se o discente estuda no campus capital ou em um
3 interior
dos campi do interior do estado
4 turno Turno no qual o discente estuda
Forma de seleção pela qual o discente ingressou na
5 forma_ingresso
universidade
6 numero_trancamento Número de vezes que o discente trancou a matrícula
Número de vezes que o discente fez outras graduações
7 numero_vinculos
(vínculos) até o ingresso no curso atual
8-10 perc_ch_{tipo} Percentual das cargas horárias prática, teórica e de estágio
O percentual das disciplinas cursadas fora da ordem
11 sem_ordem
proposta pelo currículo do discente
Informa qual o semestre que o discente cursou pela
12 primeiro_semestre_ocorr
primeira vez uma disciplina fora de ordem
13-
indices_academicos Representam os indicadores de desempenho acadêmico
19
Refere-se a probabilidade de um discente formado nos
20-
prob_indices últimos 5 anos possuir índice acadêmico maior ou igual ao
22
aluno avaliado
23- Refere-se ao percentual de um conceito conseguido pelo
perc_{conceito}_{avaliacao}
30 discente dentro do período avaliado
31 status Denota a situação (classe) a qual o estudante pertence
Os atributos de 20 a 22 denotam a probabilidade de um discente formado nos
últimos cinco anos possuir um dos índices acadêmicos igual ou superior aos demais
alunos pertencentes ao mesmo curso e matriz curricular. Foram usados os indicadores
MC, IRA e IEA, uma vez que estes, em suas definições matemáticas e conceituais,
aferem a eficiência do aluno durante o seu percurso acadêmico.
A média das notas obtidas pelo estudante em cada disciplina, em um período
letivo, é convertida em conceito, definido segundo a escala apresentada na Tabela 2. As
variáveis indexadas de 23 a 30 referem-se ao percentual de um determinado conceito de
acordo com o período de avaliação, seja este geral (acumulado por todo o curso) ou para
337
II Congresso sobre Tecnologias na Educação (Ctrl+E 2017)
Universidade Federal da Paraíba - Campus IV
Mamanguape - Paraíba – Brasil
18, 19 e 20 de maio de 2017
o primeiro ano cursado. Por exemplo, a variável perc_ins_primeiro_ano denota o
percentual de conceitos do tipo INS referente ao primeiro ano de graduação.
Finalmente, o atributo 31 representa a classe à qual o discente pertence, cujos
possíveis valores são: “Formado”, “Evadido” e “Retido”. Os alunos considerados na
classe “Formado” são aqueles que conseguiram integralizar a carga horária prevista pelo
curso. Por sua vez, o rótulo “Evadido” remete-se aos alunos que, por decisão própria ou
processo de prescrição previsto em regimento da instituição, abandonaram a graduação.
Os estudantes com matrículas ativas no SIGAA, porém que ultrapassaram um ano do
prazo de conclusão estabelecido no currículo do curso foram classificados como
“Retido”. Existem na base de dados 65.758 (66,63%) amostras referentes a classe dos
alunos formados; 25.581 (25,92%) dos registros, pertencem aqueles que desistiram dos
estudos; e por fim, os alunos em retenção são menos representativos, 7.359 (7,46%).
Tabela 2. Correspondência entre a média das notas e o conceito
Conceito Intervalo da média
Insuficiente (INS) [0-4,99]
Regular (REG) [5-6,99]
Bom (BOM) [7-8,99]
Excelente (EXC) [9-10]
4. Aplicação Proposta
Durante a etapa de Data Mining, foram testados algoritmos classificadores, a partir
disso analisou-se a precisão global (acurácia) de cada um deles, para finalmente
selecionar aquele que obteve uma taxa de acerto aceitável. Considerou-se ainda à
seleção do algoritmo dois critérios: a representação dos resultados e o quanto esta
informação pode ser interpretada por especialistas e usuários inseridos no domínio. Para
estas finalidades, a Rede Bayesiana se mostra uma importante ferramenta, pelos
seguintes aspectos: representação gráfica da relação entre estados; a rede expressa o
conhecimento especialista acerca do domínio; e os resultados numéricos
(probabilidades) podem ser visualizados através de gráficos.
A estratégia utilizada para segmentar a base de dados em conjuntos de treinamento
e testes, destinados a estimar precisão e confiabilidade do modelo construído pelo
classificador, foi a validação cruzada com k conjuntos estratificada (stratified k-fold
cross-validation), por ser uma das mais empregadas em mineração de dados [Han et al.
2012].
Os algoritmos de aprendizado supervisionado [Rezende 2005] empregados nesta
pesquisa estão disponíveis na ferramenta de código aberto (open source) Weka [Weka
2017]. Os classificadores estão divididos de acordo com as seguintes abordagens:
árvores de decisão, probabilísticos, baseados em instâncias, baseados em funções e
redes neurais artificiais. A Tabela 3 apresenta todos os métodos experimentados, as
respectivas abordagens de construção do modelo e a configuração dos parâmetros de
execução.
338
II Congresso sobre Tecnologias na Educação (Ctrl+E 2017)
Universidade Federal da Paraíba - Campus IV
Mamanguape - Paraíba – Brasil
18, 19 e 20 de maio de 2017
5. Resultados
5.1. Análise de desempenho dos algoritmos
A Tabela 4 apresenta os 9 algoritmos e as métricas usadas: tempos para treinar e testar
modelo, acurácia e coeficiente Kappa. Os resultados mostram que a melhor solução foi
conseguida através do indutor Random Forest cuja acurácia superou 87%, não obstante
o algoritmo Bayesian Network revelou precisão global próxima de 86% e tempos
aceitáveis para construção e testes do modelo, além disso este algoritmo obteve valor de
estatística Kappa igual a 0,6961, considerado um nível substancial de concordância
interobservador [Viera e Garrett 2005]. Destaca-se que aplicações nas quais o tempo de
processamento é considerado requisito crucial ao domínio, soluções como Multilayer
Perceptron e SVM são consideradas inviáveis, embora apresentem boas taxas de acerto.
Tabela 3. Abordagens para construção dos modelos, algoritmos
classificadores e parâmetros de execução
Abordagens Algoritmos Parâmetros
Probabilístico Naive Bayes Não se aplica
Redes Bayesianas Algoritmo de construção da rede: K2;
Probabilístico
(Bayesian Network) Máximo número de pais em cada nós 5
Função kernel gaussiana: exp(−γ ∗ |u-v|2);
Support Vector
Baseado em funções C = 1;
Machine (SVM)
γ = 1/k, seja k o número de instâncias.
Baseado em instâncias
K-Nearest Neighbor
(Instanced-based K=1
(KNN)
learning)
Tipo Backpropagation;
Função de ativação sigmóide;
Redes Neurais
Multilayer Perceptron Número de épocas = 500;
Artificiais
Taxa de aprendizado = 0.3;
Momentum Rate = 0.2
Mínimo de instâncias por folha = 2;
Árvores de Decisão C4.5
Limite de confiança para prunning = 25%
Número de iterações = 100;
Árvores de Decisão Random Tree Profundidade máxima da árvore ilimitada;
Mínimo de instâncias por folha = 1
Número de iterações = 100;
Árvores de Decisão Random Forest Profundidade máxima da árvore ilimitada;
Mínimo de instâncias por folha = 1
Classification And
Número máximo de instâncias em nós terminais
Árvores de Decisão Regression Trees
=2
(CART)
Diferentemente do método Naive Bayes, por exemplo, que serve como um
classificador natural, a rede Bayesiana necessita ter uma boa precisão para ser aplicado
ao domínio, e os testes comprovaram a sua eficiência quando comparada às técnicas
339
II Congresso sobre Tecnologias na Educação (Ctrl+E 2017)
Universidade Federal da Paraíba - Campus IV
Mamanguape - Paraíba – Brasil
18, 19 e 20 de maio de 2017
clássicas. A escolha pela rede Bayesiana é satisfatória aos objetivos desta pesquisa,
porquanto, neste experimento: não penalizou tempo de construção e testes do modelo;
demonstrou taxa de acerto adequada se confrontada as demais; e agrega conhecimento
especialista sobre o domínio em representação gráfica. Diante do exposto, apresentam-
se, na Subseção 5.2, a geração da RB e o conhecimento extraído da própria topologia da
rede, por intermédio da inferência probabilística.
Tabela 4. Métricas de desempenho geral dos classificadores
Tempo para treino Tempo para teste
Algoritmos Acurácia (%) Kappa
(segundos) (segundos)
Naive Bayes 0.31 2.14 78.7736 0.5688
Bayesian Network 6.77 1.26 85.865 0.6961
KNN 0.29 1153.27 83.8041 0.6483
SVM 1418.69 1288.21 86.6938 0.6999
Multilayer Perceptron 4739.78 3.56 86.2054 0.7048
C4.5 1.62 1.44 86.2449 0.6984
Random Tree 0.55 1.48 80.5021 0.5924
Random Forest 12.31 8.24 87.1102 0.7118
CART 236.39 0.63 86.5104 0.7023
5.2. Análise da evasão e retenção via Redes Bayesianas
Foram selecionados os 14 atributos mais relevantes, dispostos na Figura 1, além da
classe (status), de acordo com ganho de informação [Han et al. 2012]. Após a redução
no número de variáveis, aferiu-se novamente a acurácia do algoritmo Bayesian
Network, apresentando precisão de 83,5%, ratificando a sua robustez. O algoritmo de
busca gulosa (greedy search) K2 [Cooper e Herskovits 1992] foi empregado para
construção da topologia da rede, atingindo-se maior precisão global com o parâmetro de
número esperado de pais por nó definido a 5.
A Figura 1 mostra a rede Bayesiana resultante, as cores de fundo dos nodos
estão diferentes com propósito de agrupar os tipos das variáveis conforme seus
significados no domínio de aplicação. Os elementos em laranja, verdes e azuis são
respectivamente, índices acadêmicos, probabilidades de o discente possuir o valor
índice acadêmico menor ou igual aos formados, e os percentuais avaliados para
determinado conceito (notas).
A partir da rede apresentada na Figura 1, percebe-se que o desempenho
estudante depende diretamente do número de trancamentos, do Índice de Eficiência
Acadêmico (IEA), da probabilidade em relação a este índice, e do percentual de
reprovações durante todo o curso. Com efeito, essas relações fazem sentido, uma vez
que o aumento do número de trancamentos e baixo IEA implica, consequentemente, em
uma elevação na probabilidade do índice (probabilidade_iea); isto é, o discente fica
abaixo da expectativa de conclusão dos estudos em tempo hábil, ou ainda de concluir do
curso. Vale destacar que, a partir da topologia apresentada, outras interpretações são
possíveis e válidas no contexto pesquisado.
340
II Congresso sobre Tecnologias na Educação (Ctrl+E 2017)
Universidade Federal da Paraíba - Campus IV
Mamanguape - Paraíba – Brasil
18, 19 e 20 de maio de 2017
Figura 1. Rede Bayesiana construída para analisar a evasão e retenção no
âmbito educacional
Para a inferência Bayesiana, escolheram-se os atributos IEA (iea) e número de
trancamentos (numero_trancamento). A Tabela 5 evidencia as probabilidades, em cada
categoria de estudantes, dadas evidências por classe (estado) dos atributos apresentados.
Os estados, de todas as variáveis, foram conseguidos por intermédio da discretização
com distribuição uniforme de frequência. Os atributos numero_trancamento e iea
tiveram, respectivamente, três e quatro intervalos para conversão de dados contínuos em
discretos, estas quantidades foram determinadas após análise dos dados.
Tabela 5. Probabilidades das três classes de estudantes segundo a inferência
probabilística para os atributos IEA (iea) e número de trancamentos
(numero_trancamentos)
Classes de Nº de IEA
alunos Trancamentos [0-3,95] (3,905-6,435] (6,435-7,975] (7,975-10]
0 0.239 0.74 0.91 0.946
Formado 1 0.092 0.518 0.675 0.706
>1 0.024 0.252 0.421 0.436
0 0.153 0.116 0.045 0.016
Retido 1 0.128 0.107 0.077 0.042
>1 0.071 0.075 0.089 0.077
0 0.608 0.144 0.045 0.038
Evadido 1 0.78 0.376 0.248 0.252
>1 0.905 0.672 0.49 0.487
Os resultados na Tabela 5 mostram que o aumento do IEA e a redução do
número de trancamentos são determinantes para o aluno concluir os estudos com êxito.
Constata-se que o estudante que possui IEA superior a 7,975 e nenhum trancamento de
matrícula possui aproximadamente 95% (0,946) de possibilidades para formar-se. Nota-
se que a ocorrência de 1 trancamento e índice de eficiência acadêmica de regular a bom
(6,435 a 7,975), constitui uma faixa limítrofe, pois estudantes nesta situação têm 67,5%
de serem diplomados. Após 1 trancamento os discentes, com desempenhos de bom a
341
II Congresso sobre Tecnologias na Educação (Ctrl+E 2017)
Universidade Federal da Paraíba - Campus IV
Mamanguape - Paraíba – Brasil
18, 19 e 20 de maio de 2017
excelente, possuem 44% (0,436) de chances para concluírem os estudos sem entrar em
situação de retenção.
Os graduandos que não trancaram a matrícula e possuem índice de eficiência
acadêmica inferior a 3,95 apresentam 15,3% de chances à retenção. Dos resultados,
observa-se que um estudante tende a extrapolar o prazo de conclusão proposto em
currículo quando realiza 1 trancamento e possui um IEA entre 3,905 e 6,335. Estas
situações são, empiricamente, observáveis em ambientes universitários, geralmente os
alunos com baixo rendimento acadêmico (insuficiente ou regular) e que trancaram a
matrícula, extrapolam o tempo de permanência na graduação em decorrência do
acumulo de disciplinas o qual dificulta ainda mais a conclusão dos estudos.
Inversamente ao fato notado aos estudantes formados, a redução do IEA e o
aumento do número de trancamentos são fortes indícios da evasão. Os resultados
obtidos evidenciam que há uma alta probabilidade (90,5%) de o aluno abandonar o
curso, caso realize mais de um trancamento da matrícula e tenha desenvolvido um IEA
insuficiente (3,95). Evidencia-se com um IEA maior que 3,95 e no máximo 1
trancamento, o discente possuirá probabilidade menor a 38% de abandonar a graduação,
uma situação tida segura para o discente concluir os estudos, ademais do risco da
retenção.
6. Considerações Finais
Esta pesquisa utilizou mineração de dados sobre uma base de dados com quase cem mil
registros acadêmicos dos discentes de graduação para entender as causas associadas ao
abandono dos estudos e a permanência além do prazo estipulado para conclusão do
curso. Neste trabalho foram testados nove algoritmos classificadores, sendo que o
método Random Forest, apresentou a melhor acurácia, superior a 87%. Contudo,
priorizou-se a escolha de um classificador capaz de possuir fácil representação de
resultados e que esta possa expressar o conhecimento do especialista sobre o domínio
estudado. Nessa perspectiva, o classificador Bayesian Network foi escolhido e, ratificou
sua escolha por também obter desempenho satisfatório, visto que sua precisão global
ultrapassou 85%.
A Rede Bayesiana construída mediante o uso do método de buscas K2
viabilizou a extração de importantes conhecimentos a respeito dos problemas
analisados, permitindo a sua vinculação ao índice de eficiência acadêmica e a
interrupção da matrícula em período letivo. Os resultados alcançados não são
exaustivos, dessa forma outras pesquisas são necessárias para consolidar as respostas
acerca dos principais fatores ligados à evasão e retenção em âmbito universitário. Como
trabalhos futuros, serão realizadas novas investigações com atributos adicionais de
caráter socioeconômicos, fato que permitirá relacionar o desempenho acadêmico a
situações de vulnerabilidades sociais e, principalmente, quantificar o impacto dessa
dependência, o que propiciará aos gestores a criação de mecanismos eficazes de
combate à evasão e retenção.
Referências
Andriola, W. (2009). “Fatores associados à evasão discente na Universidade Federal do
Ceará (UFC) de acordo com as opiniões de docentes e de coordenadores de cursos”.
342
II Congresso sobre Tecnologias na Educação (Ctrl+E 2017)
Universidade Federal da Paraíba - Campus IV
Mamanguape - Paraíba – Brasil
18, 19 e 20 de maio de 2017
Revista Iberoamericana sobre Calidad, Eficacia y Cambio en Educación, 7(4):343-
356.
Baker, R., Isotani, S., e Carvalho, A. (2011). “Mineração de Dados Educacionais:
Oportunidades para o Brasil”. Revista Brasileira de Informática na Educação,
19(2):3-13.
Baker, R. S. (2009). “Data Mining for Education”. International Encyclopedia of
Education, 3.
Cooper, G. F. e Herskovits, E. (1992). “A Bayesian Method for the Induction of
Probabilistic Networks from Data”. Mach. Learn., 9(4):309-347.
Cortez, P. e Silva, A. (2008). Using data mining to predict secondary school student
performance. In Proceedings of 5th Annual Future Business Technology Conference,
pages 5-12, Porto, Portugal.
Fayyad, U. M., PiatetskyShapiro, G., Smyth, P., e Uthurusamy, R., editors (1996).
Advances In Knowledge Discovery and Data Mining. American Association for
Artificial Intelligence, Menlo Park, CA, USA.
Frawley, W., PiatetskyShapiro, G., e Matheus, C. (1992). “Knowledge Discovery in
Databases: An Overview”. AI Magazine, pages 57-70.
Goldschmidt, R. e Passos, E. (2005). Data Mining: Um Guia Prático. Editora Campus.
Governo Federal (2007). “DECRETO Nº 6.096, DE 24 DE ABRIL DE 2007”.
https://www.planalto.gov.br/ccivil_03/_ato2007-2010/2007/decreto/d6096.htm
.[Online; Acessado em 06/02/2017].
Governo Federal (2009). “Lei nº 12.089 de 11 de novembro de 2009”.
http://www.planalto.gov.br/ccivil_03/_Ato2007-2010/2009/Lei/L12089.htm.
[Online; Acessado em 15/04/2016].
Han, J., Kamber, M., e Pei, J. (2012). Data Mining: Concepts and Techniques. Morgan
Kaufmann, 3 edition.
INEP (2014a). “Censo da Educação Superior 2014 Notas Estatísticas”.
http://download.inep.gov.br/educacao_superior/censo_superior/documentos/2015/not
as_sobre_o_censo_da_educacao_superior_2014.pdf. [Online; Acessado em
16/04/2016].
INEP (2014b). “Resumo Técnico Censo da Educação Superior 2013”.
http://download.inep.gov.br/download/superior/censo/2013/resumo_tecnico_censo_e
ducacao_superior_2013.pdf. [Online; Acessado em 16/04/2016].
JEDM (2016). “Journal of Educational Data Mining”.
http://www.educationaldatamining.org/JEDM. [Online; Acessado em 26/01/2016].
Luo, Q. (2008). Advancing Knowledge Discovery and Data Mining. In Knowledge
Discovery and Data Mining, 2008. WKDD 2008. First International Workshop on,
pages 3-5.
Manhães, L. M. B., da Cruz, S. M. S., Costa, R. J. M., Zavaleta, J., e Zimbrão, G
(2012). Identificação dos Fatores que Influenciam a Evasão em Cursos de Graduação
343
II Congresso sobre Tecnologias na Educação (Ctrl+E 2017)
Universidade Federal da Paraíba - Campus IV
Mamanguape - Paraíba – Brasil
18, 19 e 20 de maio de 2017
Através de Sistemas Baseados em Mineração de Dados: Uma Abordagem
Quantitativa. In Simpósio Brasileiro de Sistemas de Informação, pages 468-479.
Manhães, L. M. B., da Cruz, S. M. S., Zavaleta, J., e Zimbrão, G. (2014a).
“Investigating Withdraw of STEM Courses in a Brazilian University with EDM”.
Symposium on Knowledge Discovery, Mining and Learning (KDMILE), pages 1-8.
Manhães, L. M. B., da Cruz, S. M. S., Zavaleta, J., e Zimbrão, G. (2014b). “The Impact
of High Dropout Rates in a Large Public Brazilian University”. CSEDU – 6th
International Conference on Computer Supported Education, pages 126-129.
Manhães, L. M. B., da Cruz, S. M. S., Zavaleta, J., e Zimbrão, G. (2015). “Towards
Automatic Prediction of Student Performance in STEM Undergraduate Degree
Programs”. pages 247–253. Symposium of Applied Computing (SAC 2015), SAC.
MEC (2007). “Reestruturação e Expansão das Universidades Federais: Diretrizes
Gerais”. http://portal.mec.gov.br/sesu/arquivos/pdf/diretrizesreuni.pdf. [Online;
Acessado em 15/04/2016].
Rezende, S. O. (2005). Sistemas Inteligentes: Fundamentos e Aplicações. Manole. Rich,
E. e Knight, K. (1993). Inteligência Artificial. Makron Books.
Romero, C. e Ventura, S. (2010). “Educational Data Mining: A Review of the State of
the Art”. Systems, Man, and Cybernetics, Part C: Applications and Reviews, IEEE
Transactions on, 40(6):601-618.
Sachin, R. e Vijay, M. (2012). A Survey and Future Vision of Data Mining in
Educational Field. In Advanced Computing Communication Technologies (ACCT),
2012 Second International Conference on, pages 96–100.
Silva Filho, R. L. L., Motejunas, P. R., Hipólito, O., e de Carvalho Melo Lobo, M. B.
(2007). A Evasão no Ensino Superior Brasileiro. In Cadernos de Pesquisa, volume
37, pages 641-659. Fundação Carlos Chagas.
Tinto, V. (1975). “Dropout from higher education: a theoretical synthesis of recent
research”. Review of Educational Research, pages 89–125.
Tinto, V. (1987). Leaving college: rethinking the causes of student attrition. University
of Chigago Press.
UFRN (2013). “Resolução Nº 171/2013 CONSEPE – Regulamento dos Cursos
Regulares de Graduação da Universidade Federal do Rio Grande do Norte”.
Viera, A. e Garrett, J. (2005). “Understanding interobserver agreement: The kappa
statistic”. Family Medicine, 37(5):360-363.
Weka (2017). “Weka 3: Data Mining Software in Java”.
http://www.cs.waikato.ac.nz/ml/weka/ [Online; Acessado em 06/02/2017].
344