Predição de Evasão em Cursos EAD: um Modelo Baseado em Árvore de Decisão que Integra Causas Exógenas e Endógenas
DOI:
https://doi.org/10.18264/eadf.v15i1.2504Palavras-chave:
Evasão, Ciência de Dados, Educação a distância, Modelos preditivos, Aprendizagem supervisionada, ciência de dadosResumo
Embora a maioria das IES esteja desenvolvendo programas para controlar a evasão, muitos dos modelos preditivos existentes se baseiam em dados ou causas que não impactam diretamente os altos índices de evasão. Neste contexto, e considerando estudos recentes que recomendam a utilização da ciência de dados para desenvolver modelos preditivos, esta pesquisa propôs um modelo de predição de evasão em cursos de graduação EAD. Utilizando aprendizagem de máquina e um algoritmo de aprendizagem supervisionada chamado árvore de decisão, o modelo integrou causas exógenas e endógenas de evasão. A pesquisa, de natureza aplicada e abordagem qualitativa, foi classificada como exploratória e incluiu um estudo de caso e revisão bibliográfica. Os resultados revelaram a importância e a interação entre as variáveis de engajamento, idade e a distância entre o município de residência do aluno e o polo de EAD. Estas descobertas oferecem insights valiosos para as estratégias de retenção em instituições que oferecem educação a distância.
Palavras-chave: Educação a distância. Evasão. Modelos Preditivos. Ciência de dados. Aprendizagem supervisionada.
Downloads
Referências
ABED – Associação Brasileira de Educação a Distância. Censo ead.br [livro eletrônico]: relatório analítico da aprendizagem a distância no Brasil 2023 = censo ead.br: analytic report of distance learning in Brazil 2023. Edição bilíngue: português/inglês. Tradução por Camila Rosa. Curitiba, PR: InterSaberes, 2024. 1 recurso online (PDF; 2 MB). ISBN 978-85-227-1596-1.
AMARAL, F. Introdução à ciência de dados: mineração de dados e big data. 1. ed. Starlin Altas Book, 2016.
BITTENCOURT, I. M.; MERCADO, L. P. L. Evasão nos cursos na modalidade de educação a distância: estudo de caso do Curso Piloto de Administração da UFAL/UAB. p. 465-504, 2014.
BRESSAN, G. M.; ENDO, W. Métodos de machine learning para classificação da temperatura no processo de mistura em uma planta industrial. Disponível em: https://revistas.uepg.br/index.php/ret/article/view/18484/209209215370 Acesso em: 6 maio 2024.
CARVALHO, P. S. A.; ALMEIDA, E. A.; CAVALCANTI, M. da C. M. Análise da evasão na Educação a Distância: um estudo no curso de bacharelado em Administração Pública do IFPB/UAB, 2018.
CURTY, R. G.; SERAFIM, J. D. S. A formação em ciência de dados: uma análise preliminar do panorama estadunidense. Informação & Informação, v. 21, n. 2, p. 307, 2016. Disponível em: https://doi.org/10.5433/1981-8920.2016v21n2p307 Acesso em: 10 maio 2024.
DE FÁTIMA BRUNO-FARIA, M.; LOPES FRANCO, A. Causas da evasão em curso de graduação a distância em Administração em uma universidade pública federal, 2011.
DE OLIVEIRA, C. V. S. B.; BEZERRA, D. H. D. Revisão sistemática da literatura sobre as causas de evasão da Educação a Distância no Brasil, 2021.
FILATRO, A. C. Data science da educação. Editora Saraiva, 2020.
GRUS, J. Data Science do Zero. Editora Alta Books, 2021.
HABOWSKI, A. C.; BRANCO, L. S. A.; CONTE, E. Evasão na EAD: perspectivas de prevenção. Perspectiva, v. 38, n. 3, p. 1-20, 2020.
Disponível em: https://doi.org/10.5007/2175-795x.2020.e62978 Acesso em: 7 maio 2024.
KAUR, H.; KUMARI, V. Predictive modelling and analytics for diabetes using a machine learning approach. Applied Computing and Informatics, v. 18, n. 1-2, p. 90-100, 2022. Disponívelem: https://doi.org/10.1016/j.aci.2018.12.004 Acesso em: 16 junho 2024.
KOWALSKI, A. et al. Evasão no Ensino Superior a Distância: Revisão da Literatura em Língua Portuguesa. EaD Em Foco, v. 10, n. 2, 2020. Disponível em: https://doi.org/10.18264/eadf.v10i2.983 Acesso em: 16 maio 2024.
RAUTENBERG, S.; CARMO, P. R. V. do. Big data e ciência de dados. Brazilian Journal of Information Science: Research Trends, v. 13, n. 1, p. 56-67, 2019. Disponível em: https://doi.org/10.36311/1981-1640.2019.v13n1.06.p56 Acesso em: 20 julho 2024.
SICSÚ, A. L. Técnicas de machine learning. Editora Blucher, 2023. Disponível em: https://app.minhabiblioteca.com.br/#/books/9786555063974/ Acesso em: 20 julho 2024.
UMEKAWA, E. E. R. Preditores de fatores relacionados à evasão e à persistência discente em ações educacionais a distância, 2014. Disponível em: https://doi.org/10.11606/D.59.2014.tde-23032014-115420 Acesso em: 02 abril 2024.
VELLOZO, S. R. G. et al. Evasão na educação a distância: uma revisão sistemática. Revista EDaPECI, v. 19, n. 3, p. 85-94, 2019. Disponível em: https://doi.org/10.29276/redapeci.2019.19.312213.85-94 Acesso em: 02 abril 2024.
Downloads
Publicado
Como Citar
Edição
Seção
Licença
Copyright (c) 2025 EaD em Foco
Este trabalho está licenciado sob uma licença Creative Commons Attribution 4.0 International License.
Todos os artigos publicados na Revista EaD em Foco recebem a licença Creative Commons - Atribuição 4.0 Internacional (CC BY 4.0). Todas as publicações subsequentes, completas ou parciais, deverão ser feitas com o reconhecimento, nas citações, da Revista EaD em Foco como a editora original do artigo.
