Técnicas de aprendizagem de máquina para classificação do nível de satisfação do estudante com base em seu perfil e percepção sobre uma universidade

Registro completo de metadados
MetadadosDescriçãoIdioma
Autor(es): dc.contributorSantos, Bruno Samways dos-
Autor(es): dc.contributorSantos, Bruno Samways dos-
Autor(es): dc.contributorLima, Rafael Henrique Palma-
Autor(es): dc.contributorTondato, Rogério-
Autor(es): dc.creatorVenturini, Gabriel Carlos-
Data de aceite: dc.date.accessioned2025-08-29T11:52:58Z-
Data de disponibilização: dc.date.available2025-08-29T11:52:58Z-
Data de envio: dc.date.issued2024-03-20-
Data de envio: dc.date.issued2024-03-20-
Data de envio: dc.date.issued2023-11-12-
Fonte completa do material: dc.identifierhttp://repositorio.utfpr.edu.br/jspui/handle/1/33664-
Fonte: dc.identifier.urihttp://educapes.capes.gov.br/handle/capes/1084997-
Descrição: dc.descriptionThe objective of this work is to analyze the performance of machine learning algorithms to classify the level of student satisfaction, identifying the most important attributes for the models. A data set consisting of 198 high school students was used, with information about your degree, data personal experiences, routine and perceptions in the university context. From balancing techniques on the dataset like Oversampling, Undersampling and both methods combined, in conjunction with machine learning models such as Random Forest, Multilayer Perceptron, XGBoost and Support Vector Machine, the student was classified between promoter and detractor, with promoters being students who evaluate the university with grades of 8 to 10, and those detractors from 0 to 7. To evaluate the predictive power of the methods, the metrics of evaluation such as accuracy, f-score, precision and recall, mainly for the detractors class. The best model to classify students with acceptable reliability was the combination of all models in a voting system, with an overall accuracy of 90%, the most important category was grades, with 44.84% importance, and the most important variables were satisfaction with the course itself, the student’s housing situation and the student’s motivation to study.-
Descrição: dc.descriptionO objetivo deste trabalho é analisar o desempenho de algoritmos de aprendizado de máquina para classificar o nível de satisfação do estudante, identificando os atributos mais importantes para os modelos. Foi utilizado um conjunto de dados composto por 198 estudantes, com informações sobre sua graduação, dados pessoais, rotina e percepções no âmbito universitário. A partir de técnicas de balanceamento no conjunto de dados como Oversampling, Undersampling e os dois métodos combinados, em conjunto com modelos de aprendizagem de máquina como Random Forest, Multilayer Perceptron, XGBoost e Support Vector Machine, classificou-se o estudante entre promotor e detrator, sendo promotor os estudantes que avaliam a universidade com notas de 8 a 10, e os detratores de 0 a 7. Para avaliar o poder preditivo dos métodos, foram utilizadas as métricas de avaliação como acurácia, f-score, precisão e recall, principalmente para classe dos detratores. O melhor modelo para classificar os estudantes com confiabilidade aceitável foi a combinação de todos os modelos em um sistema de voting, com uma acurácia geral de 90%, a categoria mais importante foi a de notas, com 44,84% de importância, e as variáveis mais importantes foram a satisfação com o próprio curso, a situação de moradia do estudante e a motivação do estudante para estudar.-
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-
Direitos: dc.rightshttp://creativecommons.org/licenses/by/4.0/-
Palavras-chave: dc.subjectAprendizado do computador-
Palavras-chave: dc.subjectEstudantes universitários-
Palavras-chave: dc.subjectSatisfação-
Palavras-chave: dc.subjectUniversidades e faculdades-
Palavras-chave: dc.subjectMachine learning-
Palavras-chave: dc.subjectCollege students-
Palavras-chave: dc.subjectSatisfaction-
Palavras-chave: dc.subjectUniversities and colleges-
Palavras-chave: dc.subjectCNPQ::ENGENHARIAS::ENGENHARIA DE PRODUCAO-
Título: dc.titleTécnicas de aprendizagem de máquina para classificação do nível de satisfação do estudante com base em seu perfil e percepção sobre uma universidade-
Título: dc.titleMachine learning techniques for classifying student satisfaction level based on their profile and perception of a university-
Tipo de arquivo: dc.typelivro digital-
Aparece nas coleções:Repositorio Institucional da UTFPR - RIUT

Não existem arquivos associados a este item.