Uma abordagem preditiva da evasão na educação a distância por meio de técnicas de mineração de dados educacionais

Resumo

A Educação a Distância tem se consolidado como a principal escolha dos estudantes no Brasil, impulsionada por um crescimento expressivo na última década. No entanto, esse avanço trouxe o desafio da evasão estudantil, que compromete o desenvolvimento educacional e social, afeta investimentos públicos e privados e limita o crescimento individual e coletivo dos estudantes. Nesse contexto, a Mineração de Dados Educacionais (Educational Data Mining - EDM) surge como uma estratégia eficaz para desenvolver modelos preditivos que auxiliem na redução da evasão em cursos de EAD. Este estudo analisa o comportamento de estudantes evadidos em cursos de graduação de uma universidade do Centro-Oeste, utilizando dados do Ambiente Virtual de Aprendizagem (AVA) e do Sistema de Gestão Acadêmica (SGA) para apoiar decisões preventivas. O processo de análise seguiu as metodologias Knowledge Discovery in Database (KDD) e CRISP-DM, estruturado em quatro etapas: revisão da literatura, análise dos dados do AVA e SGA, aplicação da ferramenta Weka com cinco algoritmos classificadores (Bayes Net, SMO, J48, Naive Bayes e Multilayer Perceptron) e a proposição de ações gerenciais para mitigar a evasão. Os resultados demonstram que a análise dos dados nas primeiras quatro semanas do curso permite prever a evasão com precisão significativa, oferecendo um recurso estratégico para a gestão acadêmica e possibilitando intervenções preventivas focadas na permanência estudantil.