Previsão de evasão em cursos de graduação da Universidade Federal Fluminense com mineração de dados

Registro completo de metadados
MetadadosDescriçãoIdioma
Autor(es): dc.contributorCarvalho, Aline Marins Paes-
Autor(es): dc.contributorOliveira, Daniel Cardoso Moraes de-
Autor(es): dc.contributorSilva Junior, Daniel Pinheiro da-
Autor(es): dc.creatorSantos, Thales Athayde-
Data de aceite: dc.date.accessioned2024-07-11T17:51:07Z-
Data de disponibilização: dc.date.available2024-07-11T17:51:07Z-
Data de envio: dc.date.issued2022-07-25-
Data de envio: dc.date.issued2022-07-25-
Data de envio: dc.date.issued2019-
Fonte completa do material: dc.identifierhttp://app.uff.br/riuff/handle/1/25811-
Fonte: dc.identifier.urihttp://educapes.capes.gov.br/handle/capes/758806-
Descrição: dc.descriptionA evasão de alunos no ensino superior é um problema comumente enfrentado em diversos países no mundo. No Brasil, esse problema é especialmente crítico quando ocorre em instituições federais e estaduais. Isso se deve ao fato que os gastos que o governo teve com esse aluno não terão retorno, uma vez que a chance de ingresso no mercado de trabalho desses alunos é reduzida, e, por consequência, há dificuldade de suprir a demanda interna necessária pelas empresas, importante para o desenvolvimento do país. Então, encontrar formar de auxiliar os alunos para evitar a evasão é essencial para evitar os gastos sem retorno por culpa da evasão. Porém, se essa ajuda for direcionada para todos os alunos, independente de terem chance de eles evadirem ou não, isso ainda traria um gasto adicional para a verba das universidades. Com essa motivação, essa monografia tem o foco de comparar diferentes técnicas clássicas de mineração de dados para verificar a eficácia de cada uma, de forma a prover uma possível solução de detecção precoce de evasão. Ao usar uma técnica automática para prever os prováveis alunos a evadir, pode-se focar recursos para auxiliar esses alunos específicos e assim ter um retorno melhor dos investimentos do governo. Nessa monografia, foram usados métodos usuais de (1) pré-processamento, a saber, um Normalizador e um Padronizador para tratamento de dados, (2) redução de dimensionalidade, a saber, PCA e Qui-Quadrado , e (3) métodos para geração de classificadores baseados em categorias diversas, a saber, KNN, SVM, MLP, CART e XGBoost . Com os resultados experimentais obtidos, foi possível comparar os resultados e elencar o método de Padronização, PCA e XGBoost, como tendo os melhores resultados, atingindo acima de 91% de Acurácia e 0.9542 de F1-Measure para o curso de Física.-
Descrição: dc.descriptionStudent dropout in higher education is a problem commonly faced in many countries around the world. In Brazil, this problem is especially critical when it occurs in federal and state institutions. This is because government spending with this student will not have a return, since the chance of entering the labor market of these students is reduced, and, consequently, it is difficult to supply the internal demand needed by companies, important for the country’s development. So finding a way to help students avoid dropout is essential to avoid spending without return because of dropout. However, if this help is directed to all students, regardless of whether they have a chance of evading or not, it would still bring additional expense to the university funds. With this motivation, this monograph focuses on comparing different classic data mining techniques to verify their effectiveness in order to provide a possible early evasion detection solution. By using an automated technique to predict likely students to drop out, you can focus resources on helping those specific students get a better return on government investment. This monograph used the usual methods of (1) preprocessing, namely, a Normalizer and a Standardizer for data processing, (2) dimensionality reduction, namely PCA and Chi-Square, and (3) methods for generating of classifiers based on various categories, namely, KNN, SVM, MLP, CART, and XGBoost. With the experimental results obtained, it was possible to compare the results and list the methods Standard, PCA and XGBoost, as having the best results, reaching above 91% Accuracy and 0.9542 F1-Measure for the Physics course.-
Descrição: dc.description52 p.-
Formato: dc.formatapplication/pdf-
Idioma: dc.languagept_BR-
Direitos: dc.rightsOpen Access-
Direitos: dc.rightsCC-BY-SA-
Palavras-chave: dc.subjectMineração de Dados-
Palavras-chave: dc.subjectPredição de Evasão de Alunos-
Palavras-chave: dc.subjectÁrvore de Decisão-
Palavras-chave: dc.subjectXGBoost-
Palavras-chave: dc.subjectMineração de dados (Computação)-
Palavras-chave: dc.subjectÁrvore de decisão-
Palavras-chave: dc.subjectEvasão escolar-
Palavras-chave: dc.subjectEstudante universitário-
Palavras-chave: dc.subjectData Mining-
Palavras-chave: dc.subjectStudent dropout prediction-
Palavras-chave: dc.subjectDecision Tree-
Título: dc.titlePrevisão de evasão em cursos de graduação da Universidade Federal Fluminense com mineração de dados-
Tipo de arquivo: dc.typeTrabalho de conclusão de curso-
Aparece nas coleções:Repositório Institucional da Universidade Federal Fluminense - RiUFF

Não existem arquivos associados a este item.