Estudo de caso com análise de dados para a detecção da desistência de estudantes em disciplinas ofertadas com apoio do ambiente MOODLE

Abstract

A evasão escolar é um problema de âmbito nacional que causa problemas sociais, econômicos e pessoais aos alunos, incluindo consequências psicológicas, físicas, escolares e interpessoais. Uma das causas que podem levar à problemática evasão escolar é a desistência de disciplinas durante a graduação. Neste trabalho apresenta-se o desenvolvimento de um software que analisa dados obtidos a partir do MOODLE, identificando fatores que apontem a possibilidade de desistência de alunos em determinada disciplina. Duas análises foram realizadas, uma a partir de uma análise direta dos dados, e outra que utiliza algoritmos de aprendizado de máquina. Procurou-se definir modelos eficientes para analisar os dados pré-processados, de forma que a solução possa ser generalizada para diferentes disciplinas. A partir do uso do modelo Naive Bayes com seleção dos dez atributos mais relevantes pelo algoritmo chi-quadrado, foi possível atingir 95,31% de sensibilidade e 92,67% de acurácia com apenas 25% dos dados do semestre.

School dropout is a national problem that causes social, economic, and personal issues for students, including psychological, physical, educational, and interpersonal consequences. One of the causes that can lead to school dropout is the dropping out of subjects during undergraduate studies. This work presents the development of a software that analyzes data obtained from MOODLE, identifying factors that indicate the possibility of student dropout in a specific subject. Two analyses were conducted, one from a direct analysis of the data, and another using machine learning algorithms. Efforts were made to define efficient models to analyze the pre-processed data, so that the solution can be generalized for different subjects. By using the Naive Bayes model with the selection of the ten most relevant attributes by the chi-square algorithm, it was possible to achieve 95.31% sensitivity and 92.67% accuracy with just 25% of the semester's data.