dc.contributor.advisor | Mergen, Sergio Luis Sardi | |
dc.creator | Bianchi, Jhillian | |
dc.date.accessioned | 2021-12-06T12:50:06Z | |
dc.date.available | 2021-12-06T12:50:06Z | |
dc.date.issued | 2017-12-14 | |
dc.date.submitted | 2017 | |
dc.identifier.uri | http://repositorio.ufsm.br/handle/1/23151 | |
dc.description | Trabalho de conclusão de curso (graduação) - Universidade Federal de Santa
Maria, Centro de Tecnologia, Curso de Ciência da Computação, RS, 2017. | por |
dc.description.abstract | The scholar dropout on higher education context reaches dangerous levels. As studies
DAVOK; BERNARD (2016), about 50% of exact science students don’t finish their respective
courses. To help finding a useful solution, machine learning algorithms has been used more
frequently in order to search for education patterns and to identify students with dropout potential.
However, finding a attribute combination which is efficient for the training step is not a
simple assignment. Moreover, the big rise of system computational powerful made possible the
development of better data mining techniques, and from the increasingly amount of generated
and processed data. Thereby, this work’s main purpose is to make an attribute combination
based on information about approved disciplines from a student, with a classifier technique, to
achieve expressive accuracy levels on students dropout potential. A good dropout student hit
level is primordial to improve the searches for effective measures on dropout control, so it can
be used for the student pedagogical monitoring. | eng |
dc.language | por | por |
dc.publisher | Universidade Federal de Santa Maria | por |
dc.rights | Acesso Aberto | por |
dc.rights | Attribution-NonCommercial-NoDerivatives 4.0 International | * |
dc.rights.uri | http://creativecommons.org/licenses/by-nc-nd/4.0/ | * |
dc.subject | Evasão | por |
dc.subject | Classificação | por |
dc.subject | Mineração de dados | por |
dc.subject | Aprendizado de máquina | por |
dc.title | Previsão de evasão em cursos de ensino superior através de aprendizado de máquina associado à análise de disciplinas aprovadas | por |
dc.type | Trabalho de Conclusão de Curso de Graduação | por |
dc.degree.local | Santa Maria, RS, Brasil. | por |
dc.description.resumo | O problema da evasão escolar no âmbito do ensino superior atingiu valores alarmantes.
Segundo estudos de DAVOK; BERNARD (2016), cerca de 50% dos alunos da área de ciências
exatas e da terra não concluem seus respectivos cursos. Para buscar uma solução viável para tal
problema, o uso de algoritmos de aprendizado de máquina têm sido cada vez mais frequente,
a fim de buscar padrões e identificar alunos com potencial de evasão. Porém, encontrar uma
combinação de atributos adequada para treinamento não é tarefa tão simples. A grande expansão
do poder computacional possibilitou o desenvolvimento de técnicas de mineração de dados mais
eficientes, além do aumento de informações processadas e armazenadas atualmente. Assim, a
finalidade principal deste trabalho é a partir de dados referentes a disciplinas aprovadas do
aluno, que são dados de cunho não sensível, identificar um conjunto de atributos que, por meio
de um classificador, alcance taxas expressivas de acerto acerca de indivíduos com potencial de
evasão. Uma alta taxa de acerto na identificação de alunos com esse potencial é primordial para
que se tomem medidas eficazes no que diz respeito ao controle da evasão, podendo ser uma
destas medidas o acompanhamento pedagógico do aluno em questão. | por |
dc.publisher.country | Brasil | por |
dc.publisher.initials | UFSM | por |
dc.subject.cnpq | CNPQ::CIENCIAS EXATAS E DA TERRA::CIENCIA DA COMPUTACAO | por |
dc.publisher.unidade | Centro de Tecnologia | por |