Algoritmo de predição de desempenho de alunos do curso de análise e desenvolvimento de sistemas baseado no histórico acadêmico e dados sociodemográficos

Registro completo de metadados
MetadadosDescriçãoIdioma
Autor(es): dc.contributorKutzke, Alexander Robert, 1986--
Autor(es): dc.contributorUniversidade Federal do Paraná. Setor de Educação Profissional e Tecnológica. Curso de Especialização em Inteligência Artificial Aplicada-
Autor(es): dc.creatorPinto, Camila Scotti-
Data de aceite: dc.date.accessioned2025-09-01T12:56:44Z-
Data de disponibilização: dc.date.available2025-09-01T12:56:44Z-
Data de envio: dc.date.issued2023-12-14-
Data de envio: dc.date.issued2023-12-14-
Data de envio: dc.date.issued2021-
Fonte completa do material: dc.identifierhttps://hdl.handle.net/1884/85453-
Fonte: dc.identifier.urihttp://educapes.capes.gov.br/handle/1884/85453-
Descrição: dc.descriptionOrientador: Alexander Robert Kutzke-
Descrição: dc.descriptionMonografia (especialização) - Universidade Federal do Paraná, Setor de Educação Profissional e Tecnológica, Curso de Especialização em Inteligência Artificial Aplicada.-
Descrição: dc.descriptionInclui referências: p. 22-23.-
Descrição: dc.descriptionResumo: Recentemente, tem havido um aumento no uso de ferramentas de data mining na extraçao de informações relevantes de bases de dado educacionais, sendo que tal processo recebe o nome de Educational Data Mining. Considerando a grande incidência de evasão nas universidades públicas brasileiras, existe uma grande importˆancia na identificação precoce de alunos que possu'issem 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 reprovar em 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 vari'aveis de maior relevância para o aumento no risco de reprovação. De todos os métodos mostrados, o Random Forest utilizando dados de histórico escolar e dados socioeconômicos mostrou a melhor performance para o problema apresentado.-
Formato: dc.format1 recurso online : PDF.-
Formato: dc.formatapplication/pdf-
Formato: dc.formatapplication/pdf-
Palavras-chave: dc.subjectAprendizado do computador-
Palavras-chave: dc.subjectDesempenho - Educação-
Palavras-chave: dc.subjectMineração de dados (Computação)-
Palavras-chave: dc.subjectRedes neurais (Computação)-
Título: dc.titleAlgoritmo 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

Não existem arquivos associados a este item.