Desenvolvimento de um score para análise de risco de evasão de estudantes do ensino superior baseado em aprendizado de máquina

Registro completo de metadados
MetadadosDescriçãoIdioma
Autor(es): dc.contributorSouza, Alinne Cristinne Corrêa-
Autor(es): dc.contributorCarniel, Anderson Chaves-
Autor(es): dc.contributorBrittes, Marisangela Pacheco-
Autor(es): dc.contributorSouza, Alinne Cristinne Corrêa-
Autor(es): dc.creatorCruz, Robinson Crusoé da-
Data de aceite: dc.date.accessioned2025-08-29T12:15:27Z-
Data de disponibilização: dc.date.available2025-08-29T12:15:27Z-
Data de envio: dc.date.issued2023-05-31-
Data de envio: dc.date.issued2023-05-31-
Data de envio: dc.date.issued2022-05-11-
Fonte completa do material: dc.identifierhttp://repositorio.utfpr.edu.br/jspui/handle/1/31503-
Fonte: dc.identifier.urihttp://educapes.capes.gov.br/handle/capes/1091944-
Descrição: dc.descriptionDropping out of Higher Education contributes to great social, economic and academic loss. Among the main reasons for dropping out are the student’s difficulty in following the content, the structure proposed by the course and the lack of financial resources. In recent years, several studies have emerged to try to identify groups of students at risk of dropping out, either by identifying the factors that can contribute to dropout, or by creating classifiers based on Machine Learning. However, researches focus essentially on categorical indicators, that is, with binary results, which denote that the student is or is not in the risk group. This type of analysis is important, however, it does not show the variation in the student’s performance during their academic life, in addition to not offering a score within a performance score. Differently, this project use Machine Learning techniques in the creation of a Score, in order to provide a thermometer to analyze how close the student is or not to the dropout group. Preliminary results are promising, because when using 𝐾𝑁𝑁 to create the Score, it was possible to develop a Score with the best result of hyperparameters found in the experiments.-
Descrição: dc.descriptionAbandonar o Ensino Superior contribui para grandes prejuízos sociais, econômicos e acadêmicos. Entre as principais razões para a queda destacam-se a dificuldade do aluno em acompanhar o conteúdo, a estrutura proposta pelo curso e a falta de recursos financeiros. Nos últimos anos, vários estudos surgiram para tentar identificar grupos de alunos em risco de abandono, quer pela identificação os fatores que podem contribuir para a evasão, ou criando classificadores baseado em Aprendizado de Máquina. No entanto, as pesquisas focam essencialmente em indicadores categóricos, ou seja, com resultados binários, que denotam se o aluno está ou não no grupo de risco. Esse tipo de análise é importante, porém não mostra a variação no desempenho do aluno durante sua vida acadêmica, além de não oferecer uma pontuação dentro de uma pontuação de desempenho. Diferentemente, este projeto utilizar técnicas de Machine Learning na criação de um Score, a fim de fornecer um termômetro para analisar o quão perto o aluno está ou não no grupo de abandono. Os resultados preliminares são promissores, porque ao usar 𝐾𝑁𝑁 para criar a partitura, era possível desenvolver um Score com o melhor resultado de hiperparâmetros encontrados em experimentos.-
Formato: dc.formatapplication/pdf-
Idioma: dc.languagept_BR-
Publicador: dc.publisherUniversidade Tecnológica Federal do Paraná-
Publicador: dc.publisherDois Vizinhos-
Publicador: dc.publisherBrasil-
Publicador: dc.publisherEspecialização em Ciência de Dados-
Publicador: dc.publisherUTFPR-
Direitos: dc.rightsopenAccess-
Direitos: dc.rightshttp://creativecommons.org/licenses/by-nc-nd/4.0/-
Palavras-chave: dc.subjectEvasão universitária-
Palavras-chave: dc.subjectAprendizado do computador-
Palavras-chave: dc.subjectPesquisa quantitativa-
Palavras-chave: dc.subjectCollege dropouts-
Palavras-chave: dc.subjectMachine learning-
Palavras-chave: dc.subjectQuntitative research-
Palavras-chave: dc.subjectCNPQ::CIENCIAS EXATAS E DA TERRA::CIENCIA DA COMPUTACAO-
Título: dc.titleDesenvolvimento de um score para análise de risco de evasão de estudantes do ensino superior baseado em aprendizado de máquina-
Título: dc.titleDevelopment of a score for higher education students dropout risk analysis based on machine learning-
Tipo de arquivo: dc.typelivro digital-
Aparece nas coleções:Repositorio Institucional da UTFPR - RIUT

Não existem arquivos associados a este item.