A evasão no ensino superior é um desafio significativo para instituições de ensino, impactando tanto os estudantes quanto a sociedade. Este artigo investiga os principais preditores de evasão acadêmica por meio da aplicação de técnicas de Mineração de Dados Educacionais (MDE). A pesquisa utiliza um conjunto de dados provenientes de uma instituição de ensino superior, explorando características como desempenho acadêmico, perfil socioeconômico, engajamento estudantil, dados sobre a família, dentre outros. Foi utilizada como técnica de Mineração de Dados algoritmos de Aprendizagem de Máquina, estes além de possibilitarem a construção de um modelo eficaz para predição da evasão dos alunos, possibilitaram a identificação dos fatores mais relevantes para prever a evasão. Os resultados destacam que variáveis relacionadas ao rendimento acadêmico são os principais indicadores de risco. As conclusões oferecem insights que podem orientar estratégias institucionais para mitigar a evasão, promovendo a permanência e o sucesso acadêmico.
Dropout rates in higher education are a significant challenge for educational institutions, impacting both students and society. This article investigates the main predictors of academic dropout through the application of Educational Data Mining (EDM) techniques. The research uses a data set from a higher education institution, exploring characteristics such as academic performance, socioeconomico profile, student engagement, family data, among others. Machine Learning algorithms were used as Data Mining techniques, which, in addition to enabling the construction of an effective model for predicting student dropout rates, enabled the identification of the most relevant factors to predict dropout rates. The results highlight that variables related to academicperformance are the main risk indicators. The conclusions offer insights that can guide institutional strategies to mitigate dropout rates, promoting retention and academic success.
La deserción escolar en la educación superior es un desafío importante para las instituciones educativas, que afecta tanto a los estudiantes como a la sociedad. Este artículo investiga los principales predictores de la deserción académica mediante la aplicación de técnicas de Minería de Datos Educativos (EDM). La investigación utiliza un conjunto de datos de una institución de educación superior, explorando características como rendimiento académico, perfil socioeconómico, compromiso estudiantil, datos familiares, entre otros. Se utilizaron algoritmos de Machine Learning como técnica de Minería de Datos, que además de permitir construir un modelo efectivo para predecir la evasión estudiantil, permitieron identificar los factores más relevantes para predecir la evasión. Los resultados destacan que las variables relacionadas con el rendimiento académico son los principales indicadores de riesgo. Las conclusiones ofrecen ideas que pueden guiar las estrategias institucionales para mitigar las tasas de deserción, promoviendo la retención y el éxito académico.
