Entendendo as taxas de evasão no Politecnico di Milano
Um estudo sobre as tendências de evasão e os fatores que afetam a retenção de alunos.
Alessandra Ragni, Chiara Masci, Anna Maria Paganoni
― 6 min ler
Índice
- O Panorama Geral dos Abandonos
- Por Que os Estudantes Desistem?
- Dados do Politécnico de Milão
- O Método que Usamos
- Chegando aos Números
- Identificando Momentos Críticos
- A Importância da Análise
- Os Resultados
- A Parte Divertida: Prevendo Abandonos
- O Que Aprendemos?
- E Agora?
- Conclusão
- Fonte original
- Ligações de referência
As taxas de abandono no ensino superior são um grande problema em todo o mundo. Muitos estudantes começam sua jornada na universidade, mas não terminam seus cursos. Este trabalho dá uma olhada mais de perto em por que os alunos desistem, especificamente no Politécnico de Milão, uma universidade na Itália. As conclusões podem ajudar as universidades a descobrir como manter mais alunos na escola.
O Panorama Geral dos Abandonos
Quando falamos sobre "abandonos", estamos nos referindo a alunos que saem dos cursos antes de conseguir seus diplomas. Em muitos países, cerca de 30% dos estudantes não concluem a educação. A Itália tem estatísticas ainda piores, com mais da metade dos alunos não se formando. Isso não é só chato para as universidades; é um desperdício de recursos e afeta as habilidades da força de trabalho futura.
É como comprar uma planta, regá-la e depois esquecer de colocá-la no sol-eventualmente, ela murcha. As universidades investem muito nos alunos, então quando eles saem, esse investimento é perdido.
Por Que os Estudantes Desistem?
Os abandonos acontecem por várias razões. Alguns alunos percebem que o curso não é o que esperavam. Outros acham o conteúdo muito desafiador. Alguns podem até se envolver em trabalho ou compromissos familiares que têm prioridade.
Também há uma diferença entre os diversos campos de estudo. Por exemplo, alguns programas têm altas taxas de abandono no início porque têm cursos introdutórios difíceis. Outros podem ver alunos saindo no final dos estudos. As escolas também podem variar nas taxas de abandono devido a fatores como o engajamento do corpo docente ou os Serviços de Apoio disponíveis.
Dados do Politécnico de Milão
O Polimi tem uma variedade de programas de graduação em quatro escolas: Arquitetura, Design e Engenharia. A escola oferece 23 programas de graduação diferentes. Nós analisamos os padrões de abandono durante o primeiro ano desses programas.
Usando dados da universidade, examinamos por que os alunos deixaram seus cursos. Focamos no primeiro ano, já que é quando muitos estudantes decidem se querem continuar.
O Método que Usamos
Usamos alguns modelos estatísticos sofisticados que combinam dados de várias fontes para entender melhor as tendências de abandono. Imagine tentar montar um quebra-cabeça com peças de caixas diferentes. É bom ter um método para acompanhar onde cada peça se encaixa.
Na primeira parte da nossa análise, revisamos dados de abandono passados para criar um modelo que pudesse prever quando e por que os alunos desistem. Também estávamos interessados em entender como fatores como o programa de graduação ou a escola influenciam as taxas de abandono.
Chegando aos Números
Usamos algo chamado modelo de Cox, que nos ajuda a olhar o timing dos eventos. No nosso caso, o evento era um aluno desistindo. Aplicando esse modelo, conseguimos ver padrões e tendências ao longo do tempo.
Analisamos os dados em dois níveis-considerando tanto o nível do programa quanto o nível da escola. É como olhar tanto para as árvores individuais quanto para a floresta inteira ao mesmo tempo.
Identificando Momentos Críticos
Nossa análise destacou períodos críticos quando as taxas de abandono aumentaram. Entendendo esses momentos, as universidades podem focar seus esforços em fornecer apoio aos alunos que podem estar em risco.
A Primeira Fase
Na primeira fase, criamos uma curva de abandono que mostrava quantos alunos deixaram seus programas ao longo do tempo. Essa curva nos ajudou a identificar quais programas de graduação tiveram as maiores taxas de abandono.
Por exemplo, alguns programas mostraram uma queda acentuada no número de alunos no final do primeiro ano. Isso muitas vezes pode ser atribuído ao fato de os alunos perceberem que talvez não estivessem no programa certo.
A Segunda Fase
Em seguida, olhamos para como prever futuros eventos de abandono com base em nossas descobertas. Isso envolveu entender como alunos atuais são propensos a desistir com base em dados passados. Reunimos vários fatores, como notas, dados demográficos e detalhes do programa para ter uma imagem mais clara.
A Importância da Análise
Investigando os abandonos, as universidades podem economizar recursos e ajudar os alunos a ter sucesso. Se os dados mostram que estudantes de determinado programa têm mais chances de desistir, as universidades podem intervir para oferecer ajuda.
Os Resultados
Através da nossa análise, descobrimos que o comportamento de abandono não é uma regra única. Diferentes programas e escolas têm taxas de abandono únicas. À medida que investigamos mais a fundo, encontramos que as taxas de abandono podem diferir até mesmo dentro da mesma universidade.
A Parte Divertida: Prevendo Abandonos
Queríamos ir além de apenas observar padrões; queríamos prever quem poderia desistir. Usando regressão logística, criamos um modelo que incorpora vários fatores. É como fazer uma receita onde a mistura certa de ingredientes pode levar a um prato de sucesso.
Para nosso modelo, consideramos:
- Idade
- Gênero
- Histórico educacional
- Desempenho no primeiro semestre
Esses fatores podem nos ajudar a identificar alunos que têm mais chances de sair e permitir que as universidades intervenham cedo.
O Que Aprendemos?
Sinais de Alerta Antecipados: Alunos que ganham mais créditos no primeiro semestre têm menos chances de desistir. É como ter um bom começo numa corrida; isso aumenta a confiança.
Programas Diferentes, Riscos Diferentes: Alguns programas têm taxas de abandono maiores que outros. Isso pode ser devido ao conteúdo ser muito desafiador ou não atender às expectativas dos alunos.
O Impacto das Notas de Admissão: Curiosamente, alunos que tiram notas altas nos testes de admissão às vezes desistem em taxas mais altas. Isso pode indicar que esses alunos não estavam preparados adequadamente para o trabalho em nível universitário.
E Agora?
Embora essas descobertas sejam valiosas, sabemos que são apenas o começo. O comportamento de abandono pode mudar ao longo do tempo, especialmente com novos desafios, como vimos durante a pandemia da Covid-19.
Para realmente entender a dinâmica do abandono, precisamos continuar refinando nossos métodos e explorando outros fatores que podem contribuir para por que os alunos escolhem sair.
Conclusão
Abordar as taxas de abandono é fundamental para as universidades. Entendendo por que os alunos saem e usando dados para prever tendências futuras, as instituições educacionais podem tomar medidas para melhorar as taxas de retenção. O objetivo final é garantir que os alunos não apenas entrem no ensino superior, mas também saiam com um diploma na mão.
Com o apoio e entendimento certos, podemos ajudar os alunos a se manterem no caminho certo e alcançarem seus objetivos educacionais. Afinal, ninguém quer comprar uma planta e esquecer de regá-la. Vamos garantir que cada aluno receba a atenção e os recursos que precisa para florescer.
Título: Analysis of Higher Education Dropouts Dynamics through Multilevel Functional Decomposition of Recurrent Events in Counting Processes
Resumo: This paper analyzes the dynamics of higher education dropouts through an innovative approach that integrates recurrent events modeling and point process theory with functional data analysis. We propose a novel methodology that extends existing frameworks to accommodate hierarchical data structures, demonstrating its potential through a simulation study. Using administrative data from student careers at Politecnico di Milano, we explore dropout patterns during the first year across different bachelor's degree programs and schools. Specifically, we employ Cox-based recurrent event models, treating dropouts as repeated occurrences within both programs and schools. Additionally, we apply functional modeling of recurrent events and multilevel principal component analysis to disentangle latent effects associated with degree programs and schools, identifying critical periods of dropout risk and providing valuable insights for institutions seeking to implement strategies aimed at reducing dropout rates.
Autores: Alessandra Ragni, Chiara Masci, Anna Maria Paganoni
Última atualização: 2024-11-20 00:00:00
Idioma: English
Fonte URL: https://arxiv.org/abs/2411.13370
Fonte PDF: https://arxiv.org/pdf/2411.13370
Licença: https://creativecommons.org/licenses/by/4.0/
Alterações: Este resumo foi elaborado com a assistência da AI e pode conter imprecisões. Para obter informações exactas, consulte os documentos originais ligados aqui.
Obrigado ao arxiv pela utilização da sua interoperabilidade de acesso aberto.