VIII. PROPOSTA DE APLICAÇÃO DA MINERAÇÃO DE DADOS NO CONTEXTO EDUCACIONAL UNIVERSITÁRIO: ESTUDO DE CASO
##plugins.themes.bootstrap3.article.sidebar##
views: 52 |
downloads: 22
##plugins.themes.bootstrap3.article.main##
Resumo
RESUMO
As instituições de ensino superior enfrentam desafios cada vez mais exigentes para garantir o bom desenvolvimento da sua missão. Uma preocupação frequente destas instituições é o insucesso escolar dos alunos como consequência do mau desempenho académico. Isso causa dificuldades tanto para o aluno quanto para a instituição, o que resulta em perdas consideráveis de dinheiro e tempo. Estas perdas podem dever-se a atrasos no plano de estudos, reprovação de disciplinas, abandono da carreira profissional, reinício de processos formativos, desistência de estudantes ou desperdício de recursos, entre outros. Este problema é complexo devido à incidência de múltiplos fatores, o que fica evidente na literatura, que questiona a falta de soluções definitivas para superar esta situação. Como contribuição para a solução deste problema, este trabalho propõe uma metodologia baseada em técnicas de mineração de dados educacionais conhecidas como EDM (Educational Data Mining), com o objetivo de compreender e analisar o fenômeno do desempenho acadêmico. Além disso, são apresentados os resultados no contexto do referido problema obtidos a partir de uma revisão da literatura e, por fim, são apresentados os resultados das etapas iniciais da aplicação da referida metodologia a um estudo de caso real em uma universidade pública colombiana. O exposto permite-nos concluir sobre a relevância da aplicação do MDE no contexto do desempenho acadêmico dos estudantes universitários.
Download Statistics
##plugins.themes.bootstrap3.article.details##
Educação superior; rendimento acadêmico; MDE; KDD; Mineração de dados.
Aldowah, H., Al-Samarraie, H. y Fauzy, W. M. (2019). Educational data mining and learning analytics for 21st century higher education: A review and synthesis. Telematics and Informatics, 37, 13-49. https://doi.org/10.1016/j.tele.2019.01.007.
Arroyave, C., Maya, A. y Orozco, C. (2007). Aplicación de QFD en el proceso de ingeniería de requisitos. [Tesis de pregrado]. Repositorio Universidad Eafit. https://repository.eafit.edu.co/bitstream/handle/10784/2375/Carolina_Arroyave_Carlos_Orozco_2007.pdf?sequence=3&isAllowed=y
Ayala, E. y López, R. (1-2 de julio de 2019). Minería de datos educativa para el análisis de rendimiento académico en una carrera de computación. [Presentación en congreso]. Congreso Nacional de Computación y Tecnología Educativa, San Luis, Argentina.
Bakhshinategh, B., Zaiane, O. R., ElAtia, S. y Ipperciel, D. (2018). Educational data mining applications and tasks: A survey of the last 10 years. Education and Information Technologies, 23(1), 537-553. https://doi.org/10.1007/s10639-017-9616-z.
Candia, D. (2019). Predicción del rendimiento académico de los estudiantes de la UNSAAC a partir de sus datos de ingreso utilizando algoritmos de aprendizaje automático. [Tesis de maestría]. Universidad Nacional de San Antonio Abad del Cusco, Cusco, Perú.
Holgado, L. A. (2018). Detección de patrones de bajo rendimiento académico mediante técnicas de minería de datos de los estudiantes de la Universidad Nacional amazónica de Madre de Dios. [Tesis de maestría]. Universidad Nacional del Altiplano, Perú.
Kumar, M., Singh, A. J. y Handa, D. (2017). Literature Survey on Student's Performance Prediction in Education using Data Mining Techniques. International Journal of Education and Management Engineering, 6, 40-49.
Menacho, C. H. (2018). Predicción del rendimiento académico aplicando técnicas de minería de datos. Anales Científicos, 78(1), 26-33. http://dx.doi.org/10.21704/ac.v78i1.811.
Méndez, C. (1999). Metodología, diseño y desarrollo del proceso de investigación. McGraw Hill interamericana S.A.
Ordaz, A. y García, O. (14-15 de noviembre de 2018). El estudio del rendimiento académico en nivel universitario. Aproximaciones al estado del conocimiento. [Ponencia]. Congreso CLABES VIII, Ciudad de Panamá, Panamá.
Peña-Ayala, A. (ed.). (2014). Educational Data Mining. Studies in Computational Intelligence, 524.
Rico, A., Gaytan, N. y Sánchez, D. (2019). Construcción e implementación de un modelo para predecir el rendimiento académico de estudiantes universitarios mediante el algoritmo Naive Bayes. Diálogos sobre educación. Temas actuales en investigación educativa. 10(19), 1-12. https://doi.org/10.32870/dse.v0i19.509.
Rico, A. y Sánchez D. (2018). Diseño de un modelo para automatizar la predicción del rendimiento académico en estudiantes del IPN. Revista iberoamericana para la investigación y el desarrollo educativo, 8(16), 1-21.
Salal, Y. K., Abdullaev, S. M. y Kumar, M. (2019). Educational Data Mining: Student Performance Prediction in Academic. International Journal of Engineering and Advanced Technology (IJEAT), 8(4C), 54-59.
Valarino, E., Yáber, G. y Cemborain, M. S. (2010). Metodología de la investigación: paso a paso. Trillas.