Predição de estudantes com risco de evasão em cursos técnicos a distância

The present paper describes an approach for detecting possible dropout students in technical distance learning courses. The proposed method uses only the count of students interactions inside a Learning Management System (LMS), along with other attributes derived from the counts. Such strategy allows better generalization in different platforms and LMS, as it does not rely on the differences among the interaction types, or use other darta sources besides LMS logs. Predictive models were trained and tested with data from 4 technical distance learning courses in two different scenarios: 1) train and test with data from one course, and 2) train with data combined from 3 courses and test with data of the remaining course. Results point out it is possible to predict dropout students in the first weeks of the courses with average accuracy rates of 75% in most of scenarios, achieving 95% in the best case scenarios. Resumo. O presente trabalho apresenta uma abordagem para a detecção de alunos em risco de evasão em cursos técnicos a distância que utiliza apenas a contagem de interações dos estudantes dentro do AVA, além de atributos derivados dessas contagens. A premissa inicial é de que essa estratégia permite uma maior generalização em diferentes plataformas e AVA, uma vez que não utiliza diferenciações entre os tipos de interações, nem informações de outra ordem encontradas fora do AVA (dados demográficos, exames, questionários, etc). Os modelos de predição foram testados e treinados com dados de 4 diferentes cursos técnicos EAD em dois cenários diferentes: 1) treino e teste com dados de um mesmo curso, e 2) treino com dados de 3 cursos e teste com dados do curso restante. Os resultados apontam a possibilidade de predição de estudantes em risco de evasão já nas primeiras semanas dos cursos com taxas de desempenho próximas a 75% na maioria dos cenários, e chegando a 95% nos melhores casos.