Predição da evasão acadêmica aplicando análise temporal

Página do item simplificado
dc.contributor.advisor-co1Monsueto, Sandro Eduardo
dc.contributor.advisor-co1Latteshttp://lattes.cnpq.br/5484881117429853pt_BR
dc.contributor.advisor1Nascimento, Hugo Alexandre Dantas do
dc.contributor.advisor1Latteshttp://lattes.cnpq.br/2920005922426876pt_BR
dc.contributor.referee1Nascimento, Hugo Alexandre Dantas do
dc.contributor.referee2Monsueto, Sandro Eduardo
dc.contributor.referee3Ferreira, Deller James
dc.contributor.referee4Mello, Rafael Ferreira Leite de
dc.creatorVieira, Raphael dos Santos Guedes
dc.creator.Latteshttp://lattes.cnpq.br/1011398648395279pt_BR
dc.date.accessioned2021-12-28T10:46:05Z
dc.date.available2021-12-28T10:46:05Z
dc.date.issued2021-10-21
dc.description.abstractAcademic dropout in higher education is a recurring problem in the daily life of public and private, national and international educational institutions. When a student drops out, this generates consequences in the social, professional, and financial domains both for him/her and for the academic environment where he/she is inserted, which reflects on the national development. Computational methods to assist in predicting cases are an important tool for dealing with this phenomenon. However, student progress is an activity that takes place over time, turning dropout prediction into a temporal problem, and this aspect has been little explored in the literature. The present work aims to contribute to filling this gap, by adapting and expanding a temporal predictive approach that combines unsupervised and supervised learning to predict dropout in the context of Brazilian federal universities. Furthermore, a new method of data segmentation in training and testing is experimented that seeks to reflect, more effectively, the real and temporal scenario of dropout prediction. The approach is tested on a set of supervised machine learning algorithms and evaluated using data extracted from two academic units of the Universidade Federal de Goiás (UFG), between the years 2009 and 2020. It is observed, in the end, that the temporal approach of both the method and the data segmentation provide more realistic results.eng
dc.description.provenanceSubmitted by Onia Arantes Albuquerque (onia.ufg@gmail.com) on 2021-12-02T23:26:18Z No. of bitstreams: 2 Dissertacao - Raphael dos Santos Guedes Vieira - 2021.pdf: 3605528 bytes, checksum: 389ac1ba6583d459448dd7c850dc6f11 (MD5) license_rdf: 805 bytes, checksum: 4460e5956bc1d1639be9ae6146a50347 (MD5)en
dc.description.provenanceRejected by Luciana Ferreira (lucgeral@gmail.com), reason: Falta o lattes do coorientador. Veja no site do lattes como aparece a primeira forma em Nome em citações bibliográficas VIEIRA, R. S. G on 2021-12-27T15:34:11Z (GMT)en
dc.description.provenanceSubmitted by Onia Arantes Albuquerque (onia.ufg@gmail.com) on 2021-12-27T16:14:21Z No. of bitstreams: 2 license_rdf: 805 bytes, checksum: 4460e5956bc1d1639be9ae6146a50347 (MD5) Dissertacao - Raphael dos Santos Guedes Vieira - 2021.pdf: 3605528 bytes, checksum: 389ac1ba6583d459448dd7c850dc6f11 (MD5)en
dc.description.provenanceApproved for entry into archive by Luciana Ferreira (lucgeral@gmail.com) on 2021-12-28T10:46:05Z (GMT) No. of bitstreams: 2 license_rdf: 805 bytes, checksum: 4460e5956bc1d1639be9ae6146a50347 (MD5) Dissertacao - Raphael dos Santos Guedes Vieira - 2021.pdf: 3605528 bytes, checksum: 389ac1ba6583d459448dd7c850dc6f11 (MD5)en
dc.description.provenanceMade available in DSpace on 2021-12-28T10:46:05Z (GMT). No. of bitstreams: 2 license_rdf: 805 bytes, checksum: 4460e5956bc1d1639be9ae6146a50347 (MD5) Dissertacao - Raphael dos Santos Guedes Vieira - 2021.pdf: 3605528 bytes, checksum: 389ac1ba6583d459448dd7c850dc6f11 (MD5) Previous issue date: 2021-10-21en
dc.description.resumoA evasão acadêmica no ensino superior é um problema recorrente no cotidiano das instituições de ensino públicas e privadas, nacionais e internacionais. Quando um aluno evade, consequências na esfera social, profissional e financeira são geradas tanto para ele quanto ao ambiente acadêmico onde está inserido, o que reflete no desenvolvimento nacional. Métodos computacionais para auxiliar na predicação dos casos constituem uma importante ferramenta para o tratamento do fenômeno. No entanto, o progresso do discente é uma atividade que acontece ao longo do tempo, fazendo com que a predição da evasão seja um problema de natureza temporal, aspecto este que tem sido pouco explorado na literatura. O presente trabalho se propõe a contribuir para preencher tal lacuna, realizando a adaptação e expansão de uma abordagem preditiva temporal que combina aprendizagem não-supervisionada e supervisionada para predizer a evasão no contexto das universidades federais brasileiras. Adicionalmente, é experimentada uma nova forma de segmentação de dados em treino e teste que busca refletir, com maior efetividade, o cenário real e temporal da predição da evasão. A abordagem é experimentada com um conjunto de algoritmos de aprendizagem de máquina supervisionados e avaliada utilizando dados extraídos de duas unidades acadêmicas da Universidade Federal de Goiás (UFG), entre os anos de 2009 e 2020. É observado, ao final, que a abordagem temporal tanto do método quanto da segmentação dos dados provê resultados mais realistas.pt_BR
dc.description.sponsorshipCoordenação de Aperfeiçoamento de Pessoal de Nível Superior - CAPESpt_BR
dc.identifier.citationGUEDES, Raphael. Predição da evasão acadêmica aplicando análise temporal. 2021. 97 f. Dissertação (Mestrado em Ciência da Computação) - Universidade Federal de Goiás, Goiânia, 2021.pt_BR
dc.identifier.urihttp://repositorio.bc.ufg.br/tede/handle/tede/11793
dc.languageporpt_BR
dc.publisherUniversidade Federal de Goiáspt_BR
dc.publisher.countryBrasilpt_BR
dc.publisher.departmentInstituto de Informática - INF (RG)pt_BR
dc.publisher.initialsUFGpt_BR
dc.publisher.programPrograma de Pós-graduação em Ciência da Computação (INF)pt_BR
dc.rightsAttribution-NonCommercial-NoDerivatives 4.0 International*
dc.rights.urihttp://creativecommons.org/licenses/by-nc-nd/4.0/*
dc.subjectPredição da evasão acadêmicapor
dc.subjectDivisão temporalpor
dc.subjectMineração de dados educacionaispor
dc.subjectTemporal learning analyticspor
dc.subjectAcademic dropout predictioneng
dc.subjectTemporal spliteng
dc.subjectEducational data miningeng
dc.subjectTemporal learning analyticseng
dc.subject.cnpqCIENCIAS EXATAS E DA TERRA::CIENCIA DA COMPUTACAOpt_BR
dc.titlePredição da evasão acadêmica aplicando análise temporalpt_BR
dc.title.alternativePrediction of academic dropout applying time analyticseng
dc.typeDissertaçãopt_BR

Arquivos

Pacote Original
Agora exibindo 1 - 1 de 1
Nenhuma Miniatura disponível
Nome:
Dissertacao - Raphael dos Santos Guedes Vieira - 2021.pdf
Tamanho:
3.44 MB
Formato:
Adobe Portable Document Format
Descrição:
Baixar
Licença do Pacote
Agora exibindo 1 - 1 de 1
Nenhuma Miniatura disponível
Nome:
license.txt
Tamanho:
1.71 KB
Formato:
Item-specific license agreed upon to submission
Descrição:
Baixar

Coleções

Mestrado em Ciência da Computação (INF)