Estudo de caso com análise de dados para a detecção da desistência de estudantes em disciplinas ofertadas com apoio do ambiente moodle e sentimentos coletados ativamente por questionários

Abstract

O trabalho aborda a análise e predição da desistência de alunos em cursos de graduação, utilizando técnicas de mineração de dados educacionais. Utilizaram-se dados de avaliações de desempenho e sentimentos dos estudantes de duas turmas, que foram analisados com métodos de aprendizado de máquina e técnicas de divisão de dados como holdout, subamostragem aleatória e validação cruzada. A seleção de características considerou os melhores atributos segundo ANOVA, Chi2, GI e RG, e as métricas de avaliação incluíram acurácia, sensibilidade, precisão e pontuação F1. A análise evidenciou diferenças significativas entre o desempenho de alunos concluintes e não concluintes, sugerindo a eficácia das variáveis propostas na construção de modelos preditivos principalmente com adição do atributo referente ao sentimentos dos alunos. O estudo contribui para a identificação de fatores críticos que influenciam a desistência dos alunos, permitindo a implementação de intervenções precoces e oferecendo uma abordagem robusta para a predição de desistência em contextos educacionais diversos.

This thesis focuses on analyzing and predicting student dropout rates in undergraduate courses through educational data mining techniques. Data from performance evaluations and student sentiment from two different classes were analyzed using machine learning methods and data division techniques such as holdout, random undersampling, and cross-validation. The feature selection considered the top attributes according to ANOVA, Chi2, GI, and RG, with evaluation metrics including accuracy, sensitivity, precision, and F1 score. The analysis highlighted significant differences between the performance of completers and dropouts, suggesting the effectiveness of the proposed variables especially with the addition of the attribute referring to the students’ feelings in constructing predictive models. This study contributes to identifying critical factors influencing student dropout, enabling early interventions, and providing a robust approach to dropout prediction applicable in various educational contexts.