Please use this identifier to cite or link to this item: http://repositorio.ufersa.edu.br/handle/prefix/5425
metadata.dc.type: Dissertação
Title: Mateo: uma abordagem de descoberta de conhecimento para desvendar as causas da evasão escolar
metadata.dc.creator: Marques, Leonardo Torres
metadata.dc.contributor.advisor1: Castro, Angélica Félix de
metadata.dc.contributor.advisor-co1: Queiroz, Paulo Gabriel Gadelha
metadata.dc.contributor.referee1: Silva, Leonardo Chaves e
metadata.dc.contributor.referee2: Castro, Antônio Joel Ramiro de
metadata.dc.description.resumo: A evasão escolar é um dos problemas mais intrigantes e cruciais da Educação. Esse problema permeia os vários níveis e modalidades de educação e gera perdas sociais, econômicas, políticas, acadêmicas e financeiras para todos os envolvidos no processo educacional. Portanto, é essencial o desenvolvimento de métodos eficientes para prever o risco de abandono dos estudantes, permitindo que as instituições adotem ações proativas para minimizar a situação. Assim, objetiva-se com este trabalho, apresentar uma abordagem de descoberta de conhecimento, em banco de dados, com o objetivo de identificar grupos de estudantes em risco de abandono nos cursos presenciais de ensino superior. A abordagem foi validada, utilizando dados de ex-alunos do curso superior de Ciência da Computação da Universidade Federal Rural do Semi-Árido, Campus Mossoró/RN. Neste trabalho foram utilizados modelos de classificação, uma das técnicas de Inteligência Artificial, que possibilita o aprendizado contínuo. Na validação da abordagem foram empregados cinco modelos de aprendizado de máquina, sendo que dois modelos obtiveram melhores índices de acurácia (SVM e Adaboost). Em relação aos resultados, observou-se que: alunos que estudaram em escolas privadas no ensino médio, tem uma maior probabilidade de concluir o curso; assim como, os alunos naturais do estado do RN; os alunos naturais de outras cidades que mudaram pra morar em Mossoró/RN; os alunos que moraram na vila acadêmica; aqueles que tem a renda familiar melhor; alunos que ganham bolsa no decorrer do curso; alunos que tem acompanhamento institucional; alunos que concluem o curso acreditam que os profissionais de Tecnologia da Informação são remunerados adequadamente e alunos que tem pai com nível superior.
Abstract: Dropout is one of the most intriguing and crucial problems of education. This problem permeates the various levels and modalities of education and generates social, economic, political, academic and financial losses for all involved in the educational process. Therefore, the development of efficient methods to predict the risk of student dropout is essential, allowing institutions to take proactive actions to minimize the situation. Thus, the objective of this work is to present a knowledge discovery approach, in a database, aiming to identify groups of students at risk of dropping out in face-to-face higher education courses. The approach was validated using data from alumni of the Computer Science college at the Federal Rural University of Semi-Arid, Mossoró/RN. In this work, classification models were used, one of the Artificial Intelligence techniques, which enables continuous learning. In the validation of the approach, five machine learning models were used, and two models obtained better accuracy indexes (SVM and Adaboost). Regarding the results, it was observed that: students who studied in private schools in high school, are more likely to complete the course; as well as the natural students of the state of RN; natural students from other cities who moved to live in Mossoró/RN; the students who lived in the academic village; those with the best monthly student income; students who earn scholarships during the course; students with institutional support; Students who complete the course believe that Information Technology professionals are adequately remunerated and students who have a parent with a college degree.
Keywords: Evasão Escolar
Abordagem de Descoberta de Conhecimento
Aprendizado de Máquina
Modelos de Classificação
School Dropout
Knowledge Discovery Approach
Machine Learning
Classification Models
metadata.dc.subject.cnpq: CNPQ::CIENCIAS EXATAS E DA TERRA
metadata.dc.language: por
metadata.dc.publisher.country: Brasil
Publisher: Universidade Federal Rural do Semi-Árido
metadata.dc.publisher.initials: UFERSA
metadata.dc.publisher.department: Centro de Ciências Exatas e Naturais - CCEN
metadata.dc.publisher.program: Programa de Pós-Graduação em Ciência da Computação
Citation: Citação com autor incluído no texto: Marques (2020) Citação com autor não incluído no texto: (MARQUES, 2020)
metadata.dc.rights: Acesso Aberto
URI: http://repositorio.ufersa.edu.br/handle/prefix/5425
Issue Date: 14-Feb-2020
Appears in Collections:MESTRADO EM CIÊNCIA DA COMPUTAÇÃO

Files in This Item:
File Description SizeFormat 
LeonardoTM_DISSERT.pdf1.56 MBAdobe PDFView/Open


Items in DSpace are protected by copyright, with all rights reserved, unless otherwise indicated.