Acceso usuarios
Fernanda Cristina da Silva, Thiago Luiz de Oliveira Cabral, Anderson Sasaki Vasques Pacheco
This research aimed to propose statistical predictive models for the dropout management in undergraduate courses of a Brazilian higher education institution. For this, we conducted an applied study in four undergraduate e-learning courses at a Brazilian public university. We collected the data of 2,991 students from the university’s institutional systems and we used the binary logistic regression method. In the end, we conclude that for different courses, different variables can influence the dropout phenomenon, as well as the same variable can generate different effects in different realities. In addition, the statistical predictive models developed allowed the inference “dropout” or “permanence” for active students at the time of data collection. In partial assessment of the accuracy of the models, we identified that 9 out of 10 dropouts that occurred were previously identified by the models developed. This highlights the potential for using predictive models to the student dropout management, providing a basis for reviewing educational policies and management by identifying the variables that influence student dropout and permanence, as well as by early identification of students at risk of dropout
Esta pesquisa tem como objetivo propor modelos estatísticos preditivos para a gestão da evasão em cursos graduação de uma Instituição de Ensino Superior brasileira. Para isso, realizamos um estudo aplicado em quatro cursos de graduação a distância de uma Universidade pública brasileira. Levantamos os dados de 2.991 alunos a partir dos sistemas institucionais da Universidade e utilizamos o método de Regressão Logística Binária. Ao final, concluímos que, para diferentes cursos, variáveis distintas podem influenciar no fenômeno da evasão, bem como uma mesma variável pode gerar efeitos distintos em diferentes realidades. Além disso, os modelos estatísticos preditivos desenvolvidos permitiram a inferência “evasão” ou “permanência” para os alunos ativos na época da coleta dos dados. Em apuração parcial da acurácia dos modelos, identificamos que nove em cada 10 evasões que ocorreram foram identificadas previamente pelos modelos desenvolvidos. Isso evidencia o potencial para o uso de modelos preditivos na gestão da evasão estudantil, dando-se base para a revisão de políticas e gestão educacionais por meio da identificação das variáveis que influenciam a evasão e a permanência dos estudantes, bem como por meio da identificação precoce dos alunos em risco de evasão
