Atenção:
O eduCAPES é um repositório de objetos educacionais, não sendo responsável por materiais de terceiros submetidos na plataforma. O usuário assume ampla e total responsabilidade quanto à originalidade, à titularidade e ao conteúdo, citações de obras consultadas, referências e outros elementos que fazem parte do material que deseja submeter. Recomendamos que se reporte diretamente ao(s) autor(es), indicando qual parte do material foi considerada imprópria (cite página e parágrafo) e justificando sua denúncia.
Caso seja o autor original de algum material publicado indevidamente ou sem autorização, será necessário que se identifique informando nome completo, CPF e data de nascimento. Caso possua uma decisão judicial para retirada do material, solicitamos que informe o link de acesso ao documento, bem como quaisquer dados necessários ao acesso, no campo abaixo.
Todas as denúncias são sigilosas e sua identidade será preservada. Os campos nome e e-mail são de preenchimento opcional. Porém, ao deixar de informar seu e-mail, um possível retorno será inviabilizado e/ou sua denúncia poderá ser desconsiderada no caso de necessitar de informações complementares.
Metadados | Descrição | Idioma |
---|---|---|
Autor(es): dc.contributor | Menolli, André Luís Andrade | - |
Autor(es): dc.contributor | Brancher, Jacques Duílio | - |
Autor(es): dc.contributor | Boscarioli, Clodis | - |
Autor(es): dc.creator | Dionisio, Gustavo Marcelino | - |
Data de aceite: dc.date.accessioned | 2025-05-15T13:03:32Z | - |
Data de disponibilização: dc.date.available | 2025-05-15T13:03:32Z | - |
Data de envio: dc.date.issued | 2024-10-20 | - |
Data de envio: dc.date.issued | 2024-10-20 | - |
Data de envio: dc.date.issued | 2024-04-04 | - |
Fonte completa do material: dc.identifier | https://repositorio.uel.br/handle/123456789/18185 | - |
Fonte: dc.identifier.uri | http://educapes.capes.gov.br/handle/capes/979519 | - |
Descrição: dc.description | Um dos grandes desafios na aprendizagem de máquina em alguns domínios é a alta dimensionalidade de características. Assim, este estudo propõe um processo focado na seleção de atributos e redução de dimensões para aprimorar modelos preditivos, além de ter como uma das saídas os atributos mais relevantes para a predição em questão. O objeto de estudo para a aplicação deste processo é o fenômeno da evasão em Instituições de Ensino Superior brasileiras, com foco especial em cursos presenciais, utilizando dados providos pelo Instituto Nacional de Estudos e Pesquisas Educacionais Anísio Teixeira. Com a adoção de técnicas e algoritmos de Aprendizagem de Máquina, o processo visa identificar os atributos mais impactantes na evasão, otimizando a análise preditiva por meio da eliminação de variáveis irrelevantes ao contexto. Este procedimento inclui etapas essenciais, como transformação e balanceamento de dados, seleção de contexto, seleção empírica e algorítmica de atributos, além de possuir etapas iterativas para refinar os modelos preditivos, culminando na geração de modelos de aprendizagem de máquina especializados em contextos específicos. O processo foi aplicado em cinco diferentes contextos do ensino superior brasileiro. Com os resultados destes experimentos, por meio do processo proposto, foi possível gerar modelos preditivos de dimensionalidade reduzida de maior acurácia que os modelos originais. Além disso, comparando com outras técnicas de seleção de atributos os modelos gerados por meio do processo obteve acurácia superior. Com relação ao estudo sobre evasão, foi possível identificar as principais características relacionadas à contextos específicos. Por fim, foi constatado que existe um conjunto de características comum a todos os cenários estudados, que são essenciais na predição da evasão no ensino superior presencial no Brasil | - |
Descrição: dc.description | One of the major challenges in machine learning in some domains is the high dimensionality of features. Thus, this study proposes a process focused on attribute selection and dimensionality reduction to enhance predictive models, with one of its outputs being the most relevant attributes for the prediction at hand. The object of study for applying this process is the phenomenon of dropout in Brazilian Higher Education Institutions, with a special focus on face-to-face courses, using data provided by the National Institute for Educational Studies and Research. By adopting Machine Learning techniques and algorithms, the process aims to identify the most impactful attributes on dropout, optimizing predictive analysis by eliminating variables irrelevant to the context. This procedure includes essential steps such as data transformation and balancing, context selection, empirical and algorithmic attribute selection, as well as iterative steps to refine predictive models, resulting in the generation of machine learning models specialized in specific contexts. The process was applied in five different contexts of Brazilian higher education. With the results of these experiments, through the proposed process, it was possible to generate predictive models of reduced dimensionality with higher accuracy than the original models. Furthermore, compared to other feature selection techniques, the models generated through the process achieved superior accuracy. Regarding the study on dropout, it was possible to identify the main characteristics related to specific contexts. Finally, it was found that there is a set of common characteristics to all studied scenarios, which are essential in predicting dropout in face-to-face higher education in Brazil | - |
Formato: dc.format | application/pdf | - |
Formato: dc.format | application/pdf | - |
Idioma: dc.language | pt_BR | - |
Relação: dc.relation | CCE - Departamento de Computação | - |
Relação: dc.relation | Programa de Pós-Graduação em Ciência da Computação | - |
Relação: dc.relation | Universidade Estadual de Londrina - UEL | - |
Palavras-chave: dc.subject | Seleção de atributos | - |
Palavras-chave: dc.subject | Aprendizagem de máquina | - |
Palavras-chave: dc.subject | Evasão | - |
Palavras-chave: dc.subject | Ensino superior - Brasil | - |
Palavras-chave: dc.subject | Evasão universitária - Brasil | - |
Palavras-chave: dc.subject | Aprendizado do computador | - |
Palavras-chave: dc.subject | Aprendizagem - computação | - |
Palavras-chave: dc.subject | Ciências Exatas e da Terra - Ciência da Computação | - |
Palavras-chave: dc.subject | Ciências Exatas e da Terra - Ciência da Computação | - |
Palavras-chave: dc.subject | Feature selection | - |
Palavras-chave: dc.subject | Machine learning | - |
Palavras-chave: dc.subject | Dropout | - |
Palavras-chave: dc.subject | Higher education - Brazil | - |
Palavras-chave: dc.subject | College dropouts - Brazil | - |
Palavras-chave: dc.subject | Machine learning | - |
Palavras-chave: dc.subject | Learning - Computing | - |
Título: dc.title | Um processo baseado em seleção de atributos e aprendizagem de máquina para geração de modelos preditivos: um estudo sobre evasão no ensino superior brasileiro | - |
Título: dc.title | A process based on feature selection and machine learning to generate predictive models: an study on higher education dropout | - |
Tipo de arquivo: dc.type | livro digital | - |
Aparece nas coleções: | Repositório Institucional da UEL - RIUEL |
O Portal eduCAPES é oferecido ao usuário, condicionado à aceitação dos termos, condições e avisos contidos aqui e sem modificações. A CAPES poderá modificar o conteúdo ou formato deste site ou acabar com a sua operação ou suas ferramentas a seu critério único e sem aviso prévio. Ao acessar este portal, você, usuário pessoa física ou jurídica, se declara compreender e aceitar as condições aqui estabelecidas, da seguinte forma: