Predição de evasão de estudantes non-majors em disciplina de introdução à programação

Resumo. Evasões de alunos são comumente observadas em turmas introdutórias de programação de cursos de graduação de ciências exatas e de engenharia (CS1 para non-majors). Mediante a aplicação de técnicas de mineração de dados sobre informações de estudantes de uma instituição de ensino superior brasileira, observou-se que elementos socioeconômicos, alheios ao ambiente de ensino-aprendizagem, podem atuar tanto como catalisadores quanto neutralizadores desse processo de evasão. Baseado nessa inferência e no uso de algoritmos de aprendizagem de máquina supervisionada, este trabalho subsidia a elaboração de um modelo preditivo para identificação precoce de estudantes non-majors com risco de evasão em CS1. Abstract. Student dropout is commonly observed in introductory programming courses at undergraduate courses in exact sciences and engineering (CS1 for non-majors). Through the use of data mining techniques on student information from a Brazilian higher education institution, it was observed that socioeconomic elements, unrelated to the teaching-learning environment, can act both as catalysts and as neutralizers of this dropout process. Based on this inference and the use of supervised machine learning algorithms, this work supports the elaboration of a predictive model for early identification of dropout non-majors students at CS1.