Técnicas de classificação para a predição da evasão universitária

Registro completo de metadados
MetadadosDescriçãoIdioma
Autor(es): dc.contributorSantos, Bruno Samways dos-
Autor(es): dc.contributorTondato, Rogério-
Autor(es): dc.contributorTondato, Silvana Rodrigues Quintilhano-
Autor(es): dc.contributorSantos, Bruno Samways dos-
Autor(es): dc.creatorToledo, Isadora Gonçalves-
Data de aceite: dc.date.accessioned2025-08-29T11:45:08Z-
Data de disponibilização: dc.date.available2025-08-29T11:45:08Z-
Data de envio: dc.date.issued2021-07-15-
Data de envio: dc.date.issued2021-07-15-
Data de envio: dc.date.issued2021-05-13-
Fonte completa do material: dc.identifierhttp://repositorio.utfpr.edu.br/jspui/handle/1/25595-
Fonte: dc.identifier.urihttp://educapes.capes.gov.br/handle/capes/1082590-
Descrição: dc.descriptionThis research pursues to predict the classification of students regarding dropout through the application of Machine Learning techniques. For this, a theoretical grounding was made on the possible causes of student dropout and the obtaining of a set of data through the university system itself. First, in Experiment 1, the Decision Tree, kNN, and RNA technique were used, and then, in Experiment 2, the kNN and RNA technique was used, but with reduced attributes instead, selected by the Decision Tree in Experiment 1. It was possible to conclude that the most appropriate technique for predicting student dropout was the RNA technique, with a learning rate of 0.1, with selection of attributes, which obtained the best performance presenting accuracy of 92,3%, precision of 89.8%, and recall of 82,6 %. It was also possible to verify that the main factors that can influence dropout are issues related to students's academic performance.-
Descrição: dc.descriptionEste trabalho busca realizar a predição da classificação de alunos quanto a evasão por meio da aplicação de técnicas de Aprendizado de Máquina. Para isso, foi realizado uma fundamentação teórica sobre as possíveis causas da evasão estudantil e a obtenção de um conjunto de dados através do próprio sistema da universidade. Primeiramente, no Experimento 1, utilizou-se a técnica de Árvore de Decisão, kNN e RNA, e em seguida, no Experimento 2, utilizou-se a técnica de kNN e RNA, com atributos reduzidos, selecionados pela Árvore de Decisão no Experimento 1. Foi possível concluir que a técnica mais adequada para realizar a predição da evasão de alunos foi a técnica RNA, com taxa de aprendizagem de 0,1 e com seleção de atributos, que obteve o melhor desempenho em acurácia, com 92,3%, em precisão, com 89,8% e em sensibilidade, com 82,6%. Também foi possível constatar que os principais fatores que podem influenciar na evasão são as questões relacionadas ao desempenho acadêmico dos alunos.-
Formato: dc.formatapplication/pdf-
Idioma: dc.languagept_BR-
Publicador: dc.publisherUniversidade Tecnológica Federal do Paraná-
Publicador: dc.publisherLondrina-
Publicador: dc.publisherBrasil-
Publicador: dc.publisherEngenharia de Produção-
Publicador: dc.publisherUTFPR-
Direitos: dc.rightsopenAccess-
Palavras-chave: dc.subjectAprendizado do computador-
Palavras-chave: dc.subjectMineração de dados (Computação)-
Palavras-chave: dc.subjectEvasão universitária-
Palavras-chave: dc.subjectMachine learning-
Palavras-chave: dc.subjectData mining-
Palavras-chave: dc.subjectCollege dropouts-
Palavras-chave: dc.subjectCNPQ::ENGENHARIAS::ENGENHARIA DE PRODUCAO-
Título: dc.titleTécnicas de classificação para a predição da evasão universitária-
Título: dc.titleClassification techniques for the prediction of university dropout-
Tipo de arquivo: dc.typelivro digital-
Aparece nas coleções:Repositorio Institucional da UTFPR - RIUT

Não existem arquivos associados a este item.