Previsão de notas de redação do ENEN utilizando técnicas de mineração de dados educacionais

Registro completo de metadados
MetadadosDescriçãoIdioma
Autor(es): dc.contributorVasconcelos, Leonardo Pio-
Autor(es): dc.contributorSampaio, Igor Garcia Balhausen-
Autor(es): dc.contributorMiranda, Leandro Botelho Alves de-
Autor(es): dc.contributorCarvalho, Jonnathan dos Santos-
Autor(es): dc.creatorLopes, Rian Bessa-
Data de aceite: dc.date.accessioned2024-07-11T17:56:41Z-
Data de disponibilização: dc.date.available2024-07-11T17:56:41Z-
Data de envio: dc.date.issued2023-11-08-
Data de envio: dc.date.issued2023-11-08-
Fonte completa do material: dc.identifierhttp://app.uff.br/riuff/handle/1/31078-
Fonte: dc.identifier.urihttp://educapes.capes.gov.br/handle/capes/760606-
Descrição: dc.descriptionA Mineração de Dados Educacionais (EDM) é uma área em ascensão que agrega educação e aprendizado de máquina. Muitos autores têm trabalhado na previsão dos resultados dos alunos a partir de diversas fontes diferentes de dados. O conjunto de dados do ENEM desempenha um papel importante para fins de EDM por ser um dos maiores exames padronizados de âmbito nacional. Além disso, seus microdados trazem diversos tipos de atributos sobre os candidatos, que os relacionam com um banco de dados de relações não lineares. Neste trabalho utilizamos quatro diferentes algoritmos de aprendizado de máquina para prever a nota de redação do ENEM no ano de 2019. Os algoritmos utilizados foram Regressão Linear, Random Forest, KNN e Rede Neural. Também exploramos diferentes configurações de banco de dados de aprendizado, fazendo seleção e filtragem de atributos. Os melhores resultados foram performados pelo Random Forest com RMSE 132.87, MAE 103,59 e R-quadrado 0,3032, seguido pela Rede Neural RMSE 135,46, MAE 105,75 e R-quadrado 0,2758. Os algoritmos KNN e Regressão Linear não diferiram bem, foram RMSE 140,24, MAE 108,94 e R-quadrado 0,2238 e RMSE 140,26, MAE 109,18 e R-quadrado 0,2236 respectivamente-
Descrição: dc.descriptionThe Educational Data Mining is a rising area of study which aggregates education and machine learning. Many authors have been working on predicting students’ outcomes out of a several different data sources. The ENEM dataset plays an important role for the purpose of EDM since it is one of the biggest nationwide standardized exams in the world. Moreover, its microdata brings plenty types of attributes about candidates which relates it with a nonlinear relation database. In this work we used four different machine learning algorithms to predict the argumentative essay score in the ENEM of 2019. The algorithms used were Linear Regression, Random Forest, KNN and Neural Network. We also explored different settings of learning database by doing feature selection and filtering. The best results were performed by the Random Forest with RMSE 132.87, MAE 103.59 e R-Squared 0.3032, followed by Neural Network RMSE 135.46, MAE 105.75 e R-Squared 0.2758. The KNN and Linear Regression algorithms didn’t distinguish well, it was RMSE 140.24, MAE 108.94 e R-Squared 0.2238 and RMSE 140.26, MAE 109.18 e R-Squared 0.2236 respectively-
Descrição: dc.description87 p.-
Formato: dc.formatapplication/pdf-
Idioma: dc.languagept_BR-
Direitos: dc.rightsOpen Access-
Direitos: dc.rightsCC-BY-SA-
Palavras-chave: dc.subjectEDM-
Palavras-chave: dc.subjectAprendizado de máquina-
Palavras-chave: dc.subjectENEM-
Palavras-chave: dc.subjectRegressão linear-
Palavras-chave: dc.subjectRandom forest-
Palavras-chave: dc.subjectKNN-
Palavras-chave: dc.subjectRede neural-
Palavras-chave: dc.subjectAprendizado de máquina-
Palavras-chave: dc.subjectMineração de dados (Computação)-
Palavras-chave: dc.subjectExame Nacional do Ensino Médio (Brasil)-
Palavras-chave: dc.subjectMachine learning-
Palavras-chave: dc.subjectLinear regression-
Palavras-chave: dc.subjectNeural network-
Título: dc.titlePrevisão de notas de redação do ENEN utilizando técnicas de mineração de dados educacionais-
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.