Educational Data Analysis
Application of Data Mining Techniques to the Study of School Dropout
DOI:
https://doi.org/10.26853/Refas_ISSN-2359-182X_v12n05_01Keywords:
Education, Artificial intelligence, Clustering, Early school leavingAbstract
School dropout is a persistent social issue that affects the development of education in Brazil. Solving this problem requires addressing other related challenges that influence whether a child continues their studies. In this context, data analysis and artificial intelligence technologies offer powerful tools to identify factors that contribute to school dropout. Thus, the aim of this study was to use data mining techniques to identify patterns and analyze the main factors associated with school dropout. To achieve this, an experimental study with a qualitative approach was conducted. Initially, a literature review was carried out to gather key concepts: Knowledge Discovery in Databases, Clustering, and the k-means algorithm; as well as related studies. Data were collected from the Continuous PNAD from 2021 to 2024. Then, data cleaning and transformation were performed, followed by clustering and, finally, cluster analysis. The results showed a strong connection to the school environment in the early years of youth. On the other hand, the group predominantly composed of 18-year-old brown-skinned males from the Northeast, Southeast, and South regions showed the lowest school attendance rate and the highest labor market participation rate, highlighting a direct link between school dropout and the need to work. Furthermore, another group was identified, composed of brown-skinned youths aged 16 to 18 from the Northeast region, with a significant dropout rate but little participation in the labor market, reinforcing the complexity of school dropout.
Downloads
References
AMO, Sandra de. Técnicas de mineração de dados. 2004. 43 f. Tese (Doutorado) - Curso de Computação, Universidade Federal de Uberlândia, Uberlândia, 2004.
BINEID, Ahmad Abdulla. Predicting student withdrawal from UAE CHEDS repository using data mining methodology. 2022. 72 f. Dissertação (Mestrado) – Mestrado em Gestão de Tecnologia da Informação, The British University, Dubai, 2022.
COSTA, Alexandre Gomes da. Aplicação de técnicas de mineração de dados e learning analytics para predição de evasão de alunos nos cursos de Ciência da Computação e Engenharias da UFPel. 2021. 91 f. Dissertação (Mestrado) – Mestrado em Ciência da Computação, Universidade Federal de Pelotas, Pelotas, 2021.
COUTO, Diego da Costa do. Mineração de dados educacionais aplicada à busca de perfis de alunos em casos de evasão ou retenção: uma abordagem através de Redes Bayesianas. 2017. 89 f. Dissertação (Mestrado) – Mestrado em Engenharia Elétrica, Universidade Federal do Pará, Belém, 2017.
FAYYAD, Usama; PIATETSKY-SHAPIRO, Gregory; SMYTH, Padhraic. From data mining to knowledge discovery in databases. AI Magazine, Palo Alto, v. 17, n. 3, p. 37-54, mar. 1996. Disponível em: https://ojs.aaai.org/aimagazine/index.php/aimagazine/article/view/1230. Acesso em: 01 jun. 2025.
FIDA, Sanam. Student performance prediction by using Cluster Analysis. 2020. 68 f. Dissertação (Mestrado) – Mestrado em Ciência da Computação, Capital University Of Science & Technology, Islamabad, 2020.
GIL, Antônio Carlos. Como elaborar projetos de pesquisa. 4. ed. São Paulo: Atlas, 2002.
GOLDSCHMIDT, Ronaldo; PASSOS, Emmanuel. Data mining: um guia prático. 4. ed. Rio de Janeiro: Elsevier, 2005.
HAN, Jiawei; KAMBER, Micheline; PEI, Jian. Data mining: concepts and techniques. 3. ed. Waltham: Morgan Kaufmann Publishers, 2012.
KUNCHALA, Vikas. Predicting undergraduate student dropout using Artificial Intelligence, Big Data and Machine Learning. 2021. 64 f. Dissertação (Mestrado) - University Of Georgia, Athens, Geórgia (EUA), 2021.
LAKATOS, Eva Maria; MARCONI, Marina de Andrade. Fundamentos de metodologia científica. 7. ed. São Paulo: Atlas, 2010.
NUNES, Hélder Antero Amaral. Mineração de dados socioeconômicos e educacionais de discentes para predição de evasão e retenção escolar. 2023. 95 f. Dissertação (Mestrado) – Mestrado em Tecnologia Educacional, Universidade Federal do Ceará, Fortaleza, 2023.
O’NEILL, Kelly. Predicting first year retention for undergraduate educational opportunity fund students. 2024. 121 f. Dissertação (Mestrado) – Mestrado em Matemática Aplicada, Ramapo College Of New Jersey, Mahwah, 2024.
RAMOS, Ana Carolina; GONÇALVES JUNIOR, Oswaldo. Abandono e evasão escolar sob a ótica dos sujeitos envolvidos. Educação e Pesquisa, São Paulo, v. 50, p. e268037, abr. 2024. DOI: https://doi.org/10.1590/S1678-4634202450268037. Disponível em: https://revistas.usp.br/ep/article/view/224106. Acesso em: 31 maio 2025.
SILVA, Alex Sandro Siqueira da. Mineração de dados aplicada à predição da evasão escolar no ensino médio. 2021. 144 f. Tese (Doutorado) – Doutorado em Engenharia Elétrica, Universidade Estadual Paulista, Ilha Solteira, 2021.
SILVA, Maria Onelia Santos. Evasão escolar: desafios e perspectivas da educação no Brasil. In: KOCHHANN, Andrea (Org.). Rumo ao futuro da Educação: tendências e desafios. Campina Grande: Licuri, 2024. p. 239-251. Disponível em: https://editoralicuri.com.br/index.php/ojs/article/view/486. Acesso em: 01 jun. 2025.
SINGER, Cody Gene. Educational data mining: an application of a predictive model of online student enrollment decisions. 2023. 169 f. Tese (Doutorado) – Doutorado em Educação, Arizona State University, Tempe, 2023.
SOUZA, Alex Marques de. Machine learning e a evasão escolar: análise preditiva no suporte à tomada de decisão. 2020. 134 f. Dissertação (Mestrado) – Mestrado em Sistemas de Informação e Gestão do Conhecimento, Universidade FUMEC, Belo Horizonte, 2020.
TAMADA, Mariela Mizota. Predição de evasão de cursos técnicos em EaD através de técnicas de aprendizado de máquina em duas etapas. 2022. 155 f. Tese (Doutorado) – Doutorado em Informática, Universidade Federal do Amazonas, Manaus, 2022.
Downloads
Published
How to Cite
Issue
Section
License
Copyright (c) 2026 Refas - Revista Fatec Zona Sul
This work is licensed under a Creative Commons Attribution 4.0 International License.
1 - As fontes dos dados, as autorizações pertinentes e os textos publicados na revista são de inteira responsabilidade de seus autores.
2 - É permitida a reprodução, desde que citada a fonte e o autor.
3 - Após o artigo aprovado, o autor principal deverá enviar declaração, conforme o modelo:
Refas - Revista Fatec Zona Sul
Autorização par publicação
(Nome do autor), (no caso de vários autores citar todos), autorizo (ou autorizam, no caso de diversos autores) a publicação do artigo (nome do artigo), com exclusividade para a primeira publicação pela Revista Fatec Zona Sul, em meio eletrônico.
A contribuição é original e inédita, e não está sendo avaliada para publicação por outra revista; caso contrário, deve-se justificar em "Comentários ao editor".
Dados de todos os autores:
Nome completo:
Instituição:
E-mail:
Telefone:
Obs.: Informar os códigos dos serviços DDD e DDI.
Assinatura do autor principal: ____________________________________
Aviso de Direito Autoral
Autores que publicam nesta revista concordam com os seguintes termos:
a) Autores têm autorização para assumir contratos adicionais separadamente, para distribuição não-exclusiva da versão do trabalho publicada nesta revista (ex.: publicar em repositório institucional ou como capítulo de livro), com reconhecimento de autoria e publicação inicial nesta revista.
b) Autores têm permissão e são estimulados a publicar e distribuir seu trabalho online (ex.: em repositórios institucionais ou na sua página pessoal) a qualquer ponto antes ou durante o processo editorial, já que isso pode gerar alterações produtivas, bem como aumentar o impacto e a citação do trabalho publicado.
c)Autores mantém os direitos autorais e concedem à revista o direito de primeira publicação, com o trabalho simultaneamente licenciado sob a Licença Creative Commons CC Attribution 4.0, acessável em Licença Creative Commons Attribution, que permite o compartilhamento do trabalho com reconhecimento da autoria e publicação inicial nesta revista.