Utilização de algoritmos de aprendizado de máquina para predição de evasão de alunos de educação a distância

Abstract

A evolução da Educação a Distância (EAD) mediada por tecnologias trouxe consigo desafios, destacando-se a preocupação com a evasão de alunos. No cenário brasileiro, onde aproximadamente 29 mil cursos EAD foram oferecidos em 2018, compreender e prever a evasão torna-se crucial para a eficácia do sistema educacional. Este estudo concentra-se na predição de evasão em cursos EAD da Universidade Federal de Rondônia (UNIR). Ao explorar o Learning Management System (LMS) Moodle, a pesquisa incorpora a Mineração de Dados Educacionais (MDE) e algoritmos de Aprendizado de Máquina (AM). A escolha do Moodle como fonte de dados fornece uma riqueza de informações sobre o comportamento dos alunos. Este trabalho é dividido em etapas de obtenção, pré-processamento, mineração e pós-processamento de dados, destacando a importância da análise cuidadosa e seleção de características representativas. A abordagem adotada na identificação de alunos evadidos, comparando datas de acesso e conclusão de disciplinas, contribui para a eficácia da modelagem. O treinamento de diversos modelos, incluindo Logistic Regression, Random Forest e Support Vector Machine, revelou que o Random Forest se destacou com uma acurácia de 75%. Surpreendentemente, a opção por parâmetros padrão mostrou-se eficaz, sugerindo uma abordagem simples, mas efetiva, na previsão de evasão. Ao final, o projeto oferece resultados promissores, estabelecendo não apenas uma base para melhorias futuras, mas também contribuindo para uma compreensão mais profunda da dinâmica da evasão em ambientes educacionais específicos. Este estudo proporciona insights valiosos para aprimorar estratégias de retenção de alunos em cursos EAD.