IMPACTO DE TÉCNICAS DE AMOSTRAGEM NA PERFORMANCE DE MODELOS DE PREDIÇÃO DE DESEMPENHO DE ALUNOS EM PENSAMENTO COMPUTACIONAL
DOI:
https://doi.org/10.33872/revcontrad.v5n2.e067Palavras-chave:
Predição de performance de estudantes, Machine Learning, Pensamento ComputacionalResumo
A crescente evasão e reprovação em cursos de Tecnologia tem encontrado na inteligência artificial uma aliada para mitigar seus impactos. Este estudo investigou a capacidade preditiva de dados demográficos na identificação de alunos em risco de reprovação em turmas de pensamento computacional. Para isso, construiu modelos de machine learning e avaliou seus desempenhos, também considerando o impacto de diferentes técnicas de amostragem. Os resultados indicaram uma baixa correlação entre dados demográficos e o desempenho dos alunos, sugerindo que esses dados, isoladamente, possuem limitações preditivas. Contudo, o uso de técnicas como SMOTE mostrou-se significativo, elevando as métricas de avaliação dos modelos. Destacam-se a regressão logística, com recall de 53% para a classe de reprovação, e o SVC, que atingiu 75% de acurácia quando combinado com SMOTE e Tomek links. Esses achados reforçam o papel de estratégias de balanceamento para melhorar a eficácia preditiva em cenários desafiadores.
Downloads
Referências
AMRA, I. A. A.; MAGHARI, Y. A. A. Students Performance Prediction Using KNN and Naïve Bayesian. In: International Conference on Information Technology, 8, 2017, Amã, Jordânia. Anais eletrônicos [...] Amã: IEEE, 2017. p. 909-913, doi: 10.1109/ICITECH.2017.8079967. Disponível em: https://ieeexplore.ieee.org/document/8079967 Acesso em: 12 nov. 2024.
BATISTA, G.; BAZZAN, B.; MONARD, M. Balancing Training Data for Automated Annotation of Keywords: a Case Study. In: WOB, p. 10-18, 2003. Disponível em: https://www.inf.ufrgs.br/maslab/masbio/papers/balancing-training-data-for.pdf Acesso em: 12 nov. 2024.
CARUSO, M.; PEACOCK, C. E.; SOUTHWELL, R.; ZHOU, G.; D’MELLO, S. K. Going deep and far: Gaze-based models predict multiple depths of comprehension during and one week following reading. In: Proceedings of the 15th International Conference on Educational Data Mining, 2022. Disponível em: https://educationaldatamining.org/edm2022/proceedings/2022.EDM-long-papers.13/2022.EDM-long-papers.13.pdf Acesso em: 12 nov. 2024.
CHAWLA, N. V.; BOWYER, K. W.; HALL, L. O.; KEGELMEYER, W. P. SMOTE: synthetic minority over-sampling technique. Journal of Artificial Intelligence Research, 321-357, 2002. Disponível em: https://arxiv.org/abs/1106.1813 Acesso em: 11 nov. 2024.
COHAUSZ, L.TSCHALZAV, A.; BARTELT, C. Investigating the importance of demographic features for edm-predictions. In: Proceedings of the 16th International Conference on Educational Data Mining, 2023. Disponível em: https://educationaldatamining.org/EDM2023/proceedings/2023.EDM-long-papers.11/index.html Acesso em 10 nov. 2024.
COSTA, E. B.; FONSECA, B.; SANTANA, M. A.; ARAÚJO, F. F.; REGO, J. Evaluating the effectiveness of educational data mining techniques for early prediction of students' academic failure in introductory programming courses. Computers in Human Behavior, v. 73, p. 247-256, 2017. Disponível em: https://www.infona.pl/resource/bwmeta1.element.elsevier-7608d17d-609f-3558-847a-38d53476cec1 Acesso em: 05 out. 2024.
GARCIA, L. M. L. S.; LARA, D. S.; GOMES, R. S.; CAZELLA, S. C. Ferramenta para Predição do Desempenho Acadêmico no Ensino Superior. In: Simpósio Brasileiro de Informática na Educação (SBIE), Anais eletrônicos [...], 34. 2023, Passo Fundo/RS. Porto Alegre: Sociedade Brasileira de Computação, 2023. p. 1215-1225. Disponível em: https://sol.sbc.org.br/index.php/sbie/article/view/26748 Acesso em: 03 out. 2024.
GOTTARDO, E.; KAESTNER, C. A. A.; NORONHA, R. V. Estimativa de Desempenho Acadêmico de Estudantes: Análise da Aplicação de Técnicas de Mineração de Dados em Cursos à Distância. Revista Brasileira de Informática na Educação, 22, 01, 2014. Disponível em: http://milanesa.ime.usp.br/rbie/index.php/rbie/article/view/2381 Acesso em: 12 out. 2024.
GUIMARÃES, C. A.; NUNES, I.; PIRES, A. K.; ALENCAR, E. A Produção de Learning Analytics e Predição de Desempenho Acadêmico por pesquisadores Brasileiros: Uma Revisão Sistemática da Literatura. In: V Congresso sobre Tecnologias na Educação, Anais eletrônicos [...]. 2020. Disponível em: https://sol.sbc.org.br/index.php/ctrle/article/view/11408 Acesso em: 23 nov. 2024.
FILHO, F. H. B.; SIQUEIRA, D. S.; LEAL, B. C. Predição de Evasão Utilizando Técnicas de Classificação: Um Estudo de Caso do Instituto Federal do Ceará. In: Escola Regional de Computação do Ceará, Maranhão e Piauí (ERCEMAPI), Anais eletrônicos [...], 8, 2020, Evento Online. Porto Alegre: Sociedade Brasileira de Computação, 2020. Disponível em: https://sol.sbc.org.br/index.php/ercemapi/article/view/11478/11341 Acesso em: 05 nov. 2024.
HÄMÄLÄINEN, W.; VINNI, M. Classifiers for Educational Data Mining. In: Romero et al. Handbook of Educational Data Mining. Flórida, CRC Press, p. 57-71, 2011. Disponível em: https://www.researchgate.net/publication/260300354_Classiers_for_educational_data_mining Acesso em: 05 nov. 2024.
HE, H.; BAI, Y.; GARCIA, E. A.; ADASY, N. Adaptive synthetic sampling approach for imbalanced learning. In: IEEE International Joint Conference on Neural Networks, 2008. Disponível em: https://ieeexplore.ieee.org/document/4633969 Acesso em 23 nov. 2024.
HOQ, M.; BRUSILOVSKY, P.; AKRAM, B. Analysis of an Explainable Student Performance Prediction Model in an Introductory Programming Course. In: Educational Data Mining Conference, Anais eletrônicos [...], 2023. Disponível em: https://files.eric.ed.gov/fulltext/ED630852.pdf Acesso em 05 nov. 2024.
JYOTI, E.; WALIA, E. A. S. A review on recommendation system and web usage data mining using k-nearest neighbor (knn) method. Int. Res. J. Eng. Technol. 4, 2017. Disponível em: https://www.irjet.net/archives/V4/i4/IRJET-V4I4713.pdf Acesso em: 08 nov. 2024.
NEO, A.; NEO, G. S.; FREITAS JR, O. G.; RODRIGUES, W. R. M. Previsão de reprovação de estudantes utilizando Aprendizado de Máquina. IN: Sánchez, J. (2023) Editor. Nuevas Ideas en Informática Educativa, Vol. 17, p. 413 – 417, Santiago de Chile. Disponível em: https://www.researchgate.net/publication/376453197_Previsao_de_reprovacao_de_estudantes_utilizando_Aprendizagem_de_Maquina Acesso em 12 nov. 2024.
PRODANOV, C. C.; FREITAS, E. C. Metodologia do trabalho científico: métodos e técnicas da pesquisa e do trabalho acadêmico. 2ed. Novo Hamburgo: Feevale, 2013. Disponível em: https://www.feevale.br/Comum/midias/0163c988-1f5d-496f-b118-a6e009a7a2f9/E-book%20Metodologia%20do%20Trabalho%20Cientifico.pdf Acesso em 05 out. 2024.
ROHANI , N.; GAL , K.; GALLAGHER , M.; MANATAKI, A. Early prediction of student performance in a health data science MOOC . In: FENG, M., KÄSER, T.; TALUKDAR P., In: Proceedings of the 16th international conference on educational data mining, Anais eletrônicos [...], 2023. Disponível em: https://educationaldatamining.org/EDM2023/proceedings/2023.EDM-short-papers.32/2023.EDM-short-papers.32.pdf Acesso em: 15 out. 2024.
SAA, A. A. Educational data mining & students performance prediction. Int.
J. Adv. Comput. Sci. Appl. 7, 212–220, 2016. Disponível em: https://www.researchgate.net/publication/303869038_Educational_Data_Mining_Students'_Performance_Prediction Acesso em: 11 nov. 2024.
SAILEMA, W. G. C.; SÁNCHEZ, M.; COREZO, R.; ROMERO, C. Predicting students' performance using emotion detection from face-recording video when interacting with an ITS" In: Proceedings of The 13th International Conference on Educational Data Mining, Anais eletrônicos [...], 2020. Disponível em: https://educationaldatamining.org/files/conferences/EDM2020/papers/paper_232.pdf Acesso em: 23 out. 2024.
SILVA, E. E. O.; SILVA, J. S.; ALBUQUERQUE, C. H. Uma Análise da Evasão Escolar nos Cursos de Tecnologia da Informação: Um estudo de caso em Floresta/PE. In: Workshop sobre Educação em Computação (WEI), Anais eletrônicos [...], 24, 2016, Porto Alegre. Disponível em: https://sol.sbc.org.br/index.php/wei/article/view/9685 Acesso em: 21 out. 2024.
SOUZA, O.; MORAIS, P.; SILVA JÚNIOR, F. Um Estudo sobre a Evasão no Curso de Licenciatura em Informática do IFRN – Campus Natal – Zona Norte. In: Workshop sobre Educação em Computação (WEI), 23, 2015, Recife. Anais eletrônicos [...]. Porto Alegre: Sociedade Brasileira de Computação, 2015, p. 216-225. DOI: https://doi.org/10.5753/wei.2015.10238. Disponível em: https://sol.sbc.org.br/index.php/wei/article/view/10238 Acesso em: 09 nov.2024.
WAMPFLER, R.; KLINGLER, S.; SOLENTHALER, B.; SCHINAZI, V. R. Affective State Prediction in a Mobile Setting using Wearable Biometric Sensors and Stylus. In: Proceedings of The 12th International Conference on Educational Data Mining, Anais eletrônicos [...], 2019. Disponível em: https://files.eric.ed.gov/fulltext/ED599181.pdf Acesso em: 10 out. 2024
ZHANG, Y; YUN, Y.; AN, R.; CUI, J.; DAI, H; SHANG, X. Educational Data Mining Techniques for Student Performance Prediction: Method Review and Comparison Analysis. Frontiers in Psychology. DOI: 10.3389/fpsyg.2021.698490. Disponível em: https://www.frontiersin.org/journals/psychology/articles/10.3389/fpsyg.2021.698490/full Acesso em: 23 nov. 2024.
Downloads
Publicado
Edição
Seção
Licença
Copyright (c) 2024 Carmélia Teixeira de Sousa, Júlio César da Silva Dantas
Este trabalho está licenciado sob uma licença Creative Commons Attribution-NonCommercial-ShareAlike 4.0 International License.
Licença CC-BY-NC - "Contradição - Revista Interdiscplinar de Ciências Humanas e Sociais" adota a licença Creative Commons BY-NC do tipo "Atribuição Não Comercial". Essa licença permite, exceto onde está identificado, que o usuário final remixe, adapte e crie a partir do seu trabalho para fins não comerciais, sob a condição de atribuir o devido crédito e da forma especificada pelo autor ou licenciante"
