Loading...
Publication
Dropout no ensino a distância e a sustentabilidade das IES: um modelo de referência para um sistema integrado de alertas para evasão
| Name: | Description: | Size: | Format: | |
|---|---|---|---|---|
| 4.21 MB | Adobe PDF |
Authors
Advisor(s)
Abstract(s)
A Educação a Distância (EaD) expandiu-se nas últimas duas décadas nas Instituições de Ensino Superior (IES). Nessa esteira, há uma conjugação de esforços das instituições e profissionais do ensino, visando a ampliação e a profissionalização para aprendizagem ao longo da vida de pessoas interessadas em avançar na atualização dos estudos. Embora essa expansão favoreça a aprendizagem e a qualificação contínua em termos globais por meio de recursos tecnológicos, a alta taxa de evasão de estudantes tem sido motivo de preocupação dos administradores, gestores e pesquisadores da educação.
Este estudo, justifica-se por: adicionar ao corpo de trabalhos existente uma visão mais verticalizada sobre a prevenção da evasão de estudantes nas IES a distância por meio de variáveis significantes que permitem ao pesquisador fazer sugestões para melhorar os esforços futuros. Esta pesquisa tem por objetivo construir um modelo de referência para um sistema integrado de alertas, com o propósito de prever estudantes com risco de evasão nas instituições de ensino superior, a ser utilizado pelas instituições, nos sistemas de ensino a distância. Em linhas gerais, o modelo identifica potenciais desistências antes que o comportamento aconteça.
O problema do estudo está em que medida o modelo de referência para um sistema integrado de alertas contribui para prever a evasão de estudantes nas instituições de ensino superior. O estudo é relevante por impactar positivamente no desenvolvimento econômico e bem-estar social, ataca as questões da evasão de estudantes no ensino superior a distância e reúne esforços que permitem identificar, entender e prever a evasão de estudante nas IES a distância.
Em vista da natureza dos dados, uma técnica de RLBM foi proposta. A amostra utilizou dados acadêmicos de 228 estudantes de graduação de uma universidade privada do sul do Brasil. O resultado aponta que o melhor modelo constituído das variáveis preditoras apoio ambiente e atenção, resultante dos métodos Supervisionados de Aprendizado de Máquina com base nos classificadores Regressão Logística Penalizada Lasso (RLPL) e Regressão Logística Binária Múltiplo (RLBM), apresentou desempenho de precisão preditiva de 82,22%.
O modelo contribui para reduzir a taxa da evasão dos estudantes de cursos superiores na modalidade de ensino a distância regulamentados pelo Ministério da Educação (MEC) através do Decreto 9057/2017, e consequentemente ajuda o país atingir a Meta 12 do Plano Nacional de Educação (PNE), que determina a elevação da taxa bruta de matrícula na educação superior para 50% e a taxa líquida em 33% da população de 18 a 24 anos. O modelo fornece ainda uma contribuição prática para auxiliar a tomada de decisão do quadro de diretores, decisão de topo, gerentes e supervisores das instituições de ensino a distância em pelo menos quatro diretorias.
Distance Education (DE) has expanded in the last two decades in Higher Education Institutions (HEI). In this context, there is a combination of efforts by educational institutions and professionals, aiming at the expansion and professionalization for lifelong learning of people interested in advancing the updating of knowledge. Although this expansion favors continuous learning and qualification in global terms through technological resources, the high dropout rate of students has been of concern to administrators, managers and researchers in the educational area. This study is justified by: adding to the existing body of work with a more vertical view on the prevention of student dropout in distance HEI through significant variables that allow the researcher to make suggestions to improve future efforts. This research aims to build a reference model for an integrated alert system, with the purpose of predicting students at risk of dropping out of higher education institutions, to be used by institutions, in distance learning systems. In general, the model identifies potential dropouts before the behavior happens. The problem with the study is the extent to which the reference model for an integrated alert system contributes to predicting student dropout in higher education institutions. The study is relevant because it has a positive impact on economic development and social well-being. It also provides the means to deal with the issues of student dropout in higher education at a distance and brings together efforts to identify, understand and predict student dropout at distance HEI. In view of the nature of the data, an RLBM technique was proposed. The sample used academic data from 228 undergraduate students at a private university in southern Brazil. The result shows that the best model consisting of the predictive variables support environment and attention, resulting from the Supervised Machine Learning methods based on the Lasso Penalized Logistic Regression (RLPL) and Multiple Binary Logistic Regression (RLBM) classifiers, presented predictive accuracy performance of 82.22%. The model contributes to reducing the dropout rate of students from higher education courses in distance learning regulated by the Ministry of Education (MEC) through Decree 9057/2017, and consequently helps the country achieve Goal 12 of the National Education Plan (PNE), which determines the increase in the gross enrollment rate in higher education to 50% and the net rate in 33% of the population aged 18 to 24 years. The model also provides a practical contribution to assist decision-making by the board of directors, heads, managers and supervisors of distance learning institutions.
La educación a distancia (DE) se ha expandido en las últimas dos décadas en las instituciones de educación superior (IES). En este contexto, existe una combinación de esfuerzos por parte de instituciones educativas y profesionales, con el objetivo de expandir y profesionalizar el aprendizaje permanente de las personas interesadas en avanzar en la actualización de los estudios. Aunque esta expansión favorece el aprendizaje continuo y la calificación en términos globales a través de recursos tecnológicos, la alta tasa de abandono de estudiantes ha sido motivo de preocupación para los administradores, gerentes e investigadores en educación. Este estudio se justifica por: agregar al cuerpo de trabajo existente una visión más vertical sobre la prevención del abandono de estudiantes en IES a distancia a través de variables significativas que permiten al investigador hacer sugerencias para mejorar los esfuerzos futuros. Esta investigación tiene como objetivo construir un modelo de referencia para un sistema de alerta integrado, con el propósito de predecir a los estudiantes en riesgo de abandonar las instituciones de educación superior, para ser utilizados por las instituciones, en los sistemas de aprendizaje a distancia. En general, el modelo identifica posibles abandonos antes de que ocurra el comportamiento. El problema con el estudio es la medida en que el modelo de referencia para un sistema de alerta integrado contribuye a predecir el abandono de los estudiantes en las instituciones de educación superior. El estudio es relevante porque tiene un impacto positivo en el desarrollo económico y el bienestar social, ataca los problemas de deserción de los estudiantes en la educación superior a distancia y reúne los esfuerzos para identificar, comprender y predecir el abandono de los estudiantes a distancia. En vista de la naturaleza de los datos, se propuso una técnica RLBM. La muestra utilizó datos académicos de 228 estudiantes de pregrado en una universidad privada en el sur de Brasil. El resultado muestra que el mejor modelo que consiste en las variables predictivas soporta el entorno y la atención, como resultado de los métodos de aprendizaje automático supervisados basados en los clasificadores de Regresión Logística Penalizada Lasso (RLPL) y Regresión Logística Binaria Múltiple (RLBM), presentaron un rendimiento de precisión predictiva de 82.22 % El modelo contribuye a reducir la tasa de abandono escolar de los estudiantes de cursos de educación superior en educación a distancia regulados por el Ministerio de Educación (MEC) a través del Decreto 9057/2017 y, en consecuencia, ayuda al país a alcanzar el Objetivo 12 del Plan Nacional de Educación (PNE), que determina el aumento de la tasa bruta de matrícula en la educación superior al 50% y la tasa neta en el 33% de la población de 18 a 24 años. El modelo también proporciona una contribución práctica para ayudar a la toma de decisiones de la junta directiva, jefes, gerentes y supervisores de las instituciones de educación a distancia.
Distance Education (DE) has expanded in the last two decades in Higher Education Institutions (HEI). In this context, there is a combination of efforts by educational institutions and professionals, aiming at the expansion and professionalization for lifelong learning of people interested in advancing the updating of knowledge. Although this expansion favors continuous learning and qualification in global terms through technological resources, the high dropout rate of students has been of concern to administrators, managers and researchers in the educational area. This study is justified by: adding to the existing body of work with a more vertical view on the prevention of student dropout in distance HEI through significant variables that allow the researcher to make suggestions to improve future efforts. This research aims to build a reference model for an integrated alert system, with the purpose of predicting students at risk of dropping out of higher education institutions, to be used by institutions, in distance learning systems. In general, the model identifies potential dropouts before the behavior happens. The problem with the study is the extent to which the reference model for an integrated alert system contributes to predicting student dropout in higher education institutions. The study is relevant because it has a positive impact on economic development and social well-being. It also provides the means to deal with the issues of student dropout in higher education at a distance and brings together efforts to identify, understand and predict student dropout at distance HEI. In view of the nature of the data, an RLBM technique was proposed. The sample used academic data from 228 undergraduate students at a private university in southern Brazil. The result shows that the best model consisting of the predictive variables support environment and attention, resulting from the Supervised Machine Learning methods based on the Lasso Penalized Logistic Regression (RLPL) and Multiple Binary Logistic Regression (RLBM) classifiers, presented predictive accuracy performance of 82.22%. The model contributes to reducing the dropout rate of students from higher education courses in distance learning regulated by the Ministry of Education (MEC) through Decree 9057/2017, and consequently helps the country achieve Goal 12 of the National Education Plan (PNE), which determines the increase in the gross enrollment rate in higher education to 50% and the net rate in 33% of the population aged 18 to 24 years. The model also provides a practical contribution to assist decision-making by the board of directors, heads, managers and supervisors of distance learning institutions.
La educación a distancia (DE) se ha expandido en las últimas dos décadas en las instituciones de educación superior (IES). En este contexto, existe una combinación de esfuerzos por parte de instituciones educativas y profesionales, con el objetivo de expandir y profesionalizar el aprendizaje permanente de las personas interesadas en avanzar en la actualización de los estudios. Aunque esta expansión favorece el aprendizaje continuo y la calificación en términos globales a través de recursos tecnológicos, la alta tasa de abandono de estudiantes ha sido motivo de preocupación para los administradores, gerentes e investigadores en educación. Este estudio se justifica por: agregar al cuerpo de trabajo existente una visión más vertical sobre la prevención del abandono de estudiantes en IES a distancia a través de variables significativas que permiten al investigador hacer sugerencias para mejorar los esfuerzos futuros. Esta investigación tiene como objetivo construir un modelo de referencia para un sistema de alerta integrado, con el propósito de predecir a los estudiantes en riesgo de abandonar las instituciones de educación superior, para ser utilizados por las instituciones, en los sistemas de aprendizaje a distancia. En general, el modelo identifica posibles abandonos antes de que ocurra el comportamiento. El problema con el estudio es la medida en que el modelo de referencia para un sistema de alerta integrado contribuye a predecir el abandono de los estudiantes en las instituciones de educación superior. El estudio es relevante porque tiene un impacto positivo en el desarrollo económico y el bienestar social, ataca los problemas de deserción de los estudiantes en la educación superior a distancia y reúne los esfuerzos para identificar, comprender y predecir el abandono de los estudiantes a distancia. En vista de la naturaleza de los datos, se propuso una técnica RLBM. La muestra utilizó datos académicos de 228 estudiantes de pregrado en una universidad privada en el sur de Brasil. El resultado muestra que el mejor modelo que consiste en las variables predictivas soporta el entorno y la atención, como resultado de los métodos de aprendizaje automático supervisados basados en los clasificadores de Regresión Logística Penalizada Lasso (RLPL) y Regresión Logística Binaria Múltiple (RLBM), presentaron un rendimiento de precisión predictiva de 82.22 % El modelo contribuye a reducir la tasa de abandono escolar de los estudiantes de cursos de educación superior en educación a distancia regulados por el Ministerio de Educación (MEC) a través del Decreto 9057/2017 y, en consecuencia, ayuda al país a alcanzar el Objetivo 12 del Plan Nacional de Educación (PNE), que determina el aumento de la tasa bruta de matrícula en la educación superior al 50% y la tasa neta en el 33% de la población de 18 a 24 años. El modelo también proporciona una contribución práctica para ayudar a la toma de decisiones de la junta directiva, jefes, gerentes y supervisores de las instituciones de educación a distancia.
Description
Keywords
Educação a distância Aprendizagem de máquina Regressão logística Evasão Modelo Sistema Alerta Distance education Machine learning Logistic regression Evasion Model System Alert Educación a distancia Aprendizaje automático Regresión logística Evasión Modelo Sistema Alerta