Atenção:
O eduCAPES é um repositório de objetos educacionais, não sendo responsável por materiais de terceiros submetidos na plataforma. O usuário assume ampla e total responsabilidade quanto à originalidade, à titularidade e ao conteúdo, citações de obras consultadas, referências e outros elementos que fazem parte do material que deseja submeter. Recomendamos que se reporte diretamente ao(s) autor(es), indicando qual parte do material foi considerada imprópria (cite página e parágrafo) e justificando sua denúncia.
Caso seja o autor original de algum material publicado indevidamente ou sem autorização, será necessário que se identifique informando nome completo, CPF e data de nascimento. Caso possua uma decisão judicial para retirada do material, solicitamos que informe o link de acesso ao documento, bem como quaisquer dados necessários ao acesso, no campo abaixo.
Todas as denúncias são sigilosas e sua identidade será preservada. Os campos nome e e-mail são de preenchimento opcional. Porém, ao deixar de informar seu e-mail, um possível retorno será inviabilizado e/ou sua denúncia poderá ser desconsiderada no caso de necessitar de informações complementares.
Metadados | Descrição | Idioma |
---|---|---|
Autor(es): dc.contributor | Kutzke, Alexander Robert, 1986- | - |
Autor(es): dc.contributor | Universidade Federal do Paraná. Setor de Educação Profissional e Tecnológica. Curso de Especialização em Inteligência Artificial Aplicada | - |
Autor(es): dc.creator | Pinto, Camila Scotti | - |
Data de aceite: dc.date.accessioned | 2025-09-01T11:55:39Z | - |
Data de disponibilização: dc.date.available | 2025-09-01T11:55:39Z | - |
Data de envio: dc.date.issued | 2023-12-11 | - |
Data de envio: dc.date.issued | 2023-12-11 | - |
Data de envio: dc.date.issued | 2021 | - |
Fonte completa do material: dc.identifier | https://hdl.handle.net/1884/85376 | - |
Fonte: dc.identifier.uri | http://educapes.capes.gov.br/handle/1884/85376 | - |
Descrição: dc.description | Orientador: Prof. Dr. Alexander Robert Kutzke | - |
Descrição: dc.description | Monografia (especialização) - Universidade Federal do Paraná, Setor de Educação Profissional e Tecnológica, Curso de Especialização em Inteligência Artificial Aplicada | - |
Descrição: dc.description | Inclui referências | - |
Descrição: dc.description | Resumo: Recentemente, tem havido um aumento no uso de ferramentas de data mining na extração de informaçãoes relevantes de bases de dado educacionais, sendo que tal processo recebe o nome de Educational DataMining. Considerando a grande incidência de evasão nas universidades públicas brasileiras, existe uma grande importância na identificação precoce de alunos que possuíssem um risco de evasão. Tendo em vista o grande efeito de reprovações no aumento da probabilidade de evasão, este artigo traz a comparação de diferentes abordagens na identificação de alunos que possuem o maior risco de reprovarem determinada disciplina. Os seguintes métodos foram implementados em uma base real de alunos da UFPR : Support Vector Machines, Redes Neurais Profundas e Random Forests. Todos os algoritmos foram testados em uma base contendo unicamente os dados de histórico acadêmico e outra contendo os dados de histórico e dados socioeconômicos a fim de identificar as variáveis de maior relevância para o aumento no risco de reprovação. De todos os métodos mostrados, o RandomForest utilizando dados de histórico escolar e dados socioeconômicos mostrou a melhor performance para o problema apresentado | - |
Descrição: dc.description | Abstract : Recently, there has been a rise on the use of datamining to extract relevant information fromeducational data, such a process being calledEducational DataMining. Considering the current pace of college dropout in Brazilian public universities, there is agreat importance on early identification of students with a risk of dropping out. Considering the great effect of class failure on increasing the probability of dropout, this paper compares different approaches in order to identify the students with a greater risk of failing a class. The proposed method shave been tested on a real world data set of UFPR students: Support Vector Machines, Deep Learning Neural Networks and Random Forests. All the algorithms have been tested with the grade history data and the socioeconomic data for a student in order to identify the most important variables for increasing the risk of class failure. Of all methods shown, the random forest using historical and socioeconomic data had the best performance for the task proposed. | - |
Formato: dc.format | 1 recurso online : PDF. | - |
Formato: dc.format | application/pdf | - |
Formato: dc.format | application/pdf | - |
Palavras-chave: dc.subject | Inteligência artificial | - |
Palavras-chave: dc.subject | Universidades e faculdades | - |
Palavras-chave: dc.subject | Evasão universitaria | - |
Palavras-chave: dc.subject | Estudantes - Reprovação | - |
Palavras-chave: dc.subject | Redes neurais (Computação) | - |
Palavras-chave: dc.subject | Aprendizado do computador | - |
Título: dc.title | Algoritmo de predição de desempenho de alunos do curso de Análise e Desenvolvimento de Sistemas baseado no histórico acadêmico e dados sociodemográficos | - |
Aparece nas coleções: | Repositório Institucional - Rede Paraná Acervo |
O Portal eduCAPES é oferecido ao usuário, condicionado à aceitação dos termos, condições e avisos contidos aqui e sem modificações. A CAPES poderá modificar o conteúdo ou formato deste site ou acabar com a sua operação ou suas ferramentas a seu critério único e sem aviso prévio. Ao acessar este portal, você, usuário pessoa física ou jurídica, se declara compreender e aceitar as condições aqui estabelecidas, da seguinte forma: