A evasão escolar é uma preocupação mundial devido às consequências negativas para toda a sociedade, sendo preciso investigá-la para compreendê-la e atuar de forma antecipada, mitigando seu risco de ocorrência. Esse trabalho propõe o emprego de Mineração de Dados Educacionais com técnicas de Aprendizado de Máquina para identificar as variáveis que são importantes para a caracterização do perfil do estudante em risco de evasão. As técnicas Máquina de Vetores de Suporte, Gradient Boosting Machine, Floresta Aleatória e comitê de máquina foram aplicadas a 1.429 registros de estudantes dos cursos superiores de um dos campi do IFMG, entre 2013 e 2019. Os resultados obtidos sugerem superioridade de desempenho do comitê de máquina, por meio do qual se obteve a importância das variáveis sobre o fenômeno em estudo, o que permitiu traçar o perfil do estudante evasor, por período. Tais resultados viabilizaram a proposição de um processo de detecção e acompanhamento desses estudantes.
School dropout is a world-level concern due to the negative consequences that it brings to society, so it is important to investigate it to understand and act to mitigate dropout risk. This work proposes the use of Educational Data Mining with Machine Learning to identify variables that are important to characterize the student profile in risk. Support Vector Machine, Gradient Boosting Machine, Random Forest and Ensemble were applied to 1,429 records of undergraduate students in a campus of the IFMG, between 2013 and 2019. The results suggest that Ensemble had the best performance, so it was used to compute the variable importance related to dropout prediction. We used the importance of tracing the student profile of dropout, and proposing a detection and monitoring process to avoid school dropout.
La deserción escolar es una preocupación global por sus consecuencias negativas para la sociedad en su conjunto, y es necesario investigarla para comprenderla y actuar con anticipación, mitigando su riesgo de ocurrencia. Este trabajo propone el uso de técnicas de Minería de Datos Educativos con técnicas de Aprendizaje de Máquina para identificar las variables que son importantes para caracterizar el perfil del estudiante en riesgo de deserción. . Las técnicas de Support Vector Machine, Gradient Boosting Machine, Random Forest y Machine Committee se aplicaron a 1.429 registros de estudiantes de cursos de educación superior en uno de los campus de IFMG, entre 2013 y 2019. Los resultados obtenidos sugieren un desempeño superior del comité de máquinas, a través del cual se obtuvo la importancia de las variables sobre el fenómeno en estudio, lo que permitió trazar el perfil del alumno desertor, por período. Estos resultados permitieron proponer un proceso de detección y seguimiento de estos estudiantes.
