Please use this identifier to cite or link to this item: http://dspace.sti.ufcg.edu.br:8080/jspui/handle/riufcg/800
Full metadata record
DC FieldValueLanguage
dc.creator.Latteshttp://lattes.cnpq.br/1991085128490889pt_BR
dc.contributor.advisor1MARINHO, Leandro Balby.-
dc.contributor.advisor1IDMARINHO, L. B.pt_BR
dc.contributor.advisor1Latteshttp://lattes.cnpq.br/3728312501032061pt_BR
dc.contributor.advisor2FARIAS, Adalberto Cajueiro de.-
dc.contributor.advisor2IDFarias, Adalbertopt_BR
dc.contributor.advisor2Latteshttp://lattes.cnpq.br/9462873740250320pt_BR
dc.description.resumoA evasão estudantil é uma das maiores preocupações dos institutos de ensino superior brasileiros já que ela pode ser uma das causas de desperdício de recursos da Universidade. A previsão dos estudantes com alta probabilidade de evasão, assim como o entendimento das causas que os levaram a evadir, são fatores cruciais para a definição mais efetiva de ações preventivas para o problema. Nesta dissertação, o problema da detecção de evasão foi abordado como um problema de aprendizagem de máquina supervisionada. Utilizou-se uma amostra de registros acadêmicos de estudantes considerando-se todos os 76 cursos da Universidade Federal de Campina Grande com o objetivo de obter e selecionar atributos informativos para os modelos de classificação e foram criados dois tipos de modelos, um que separa os estudantes por cursos e outro que não faz distinção de cursos. Os dois modelos criados foram comparados e pôde-se concluir que não fazer distinção de alunos por curso resulta em melhores resultados que fazer distinção de alunos por curso.pt_BR
dc.publisher.countryBrasilpt_BR
dc.publisher.departmentCentro de Engenharia Elétrica e Informática - CEEIpt_BR
dc.publisher.programPÓS-GRADUAÇÃO EM CIÊNCIA DA COMPUTAÇÃOpt_BR
dc.publisher.initialsUFCGpt_BR
dc.subject.cnpqCiênciaspt_BR
dc.subject.cnpqCiência da Computaçãopt_BR
dc.titlePrevisão automática de evasão estudantil: um estudo de caso na UFCG.pt_BR
dc.date.issued2016-
dc.description.abstractStudents’ dropout is a major concern of the Brazilian higher education institutions as it may cause waste of resources. The early detection of students with high probability of dropping out, as well as understanding the underlying causes, are crucial for defining more effective actions toward preventing this problem. In this paper, we cast the dropout detection problem as a supervised learning problem. We use a large sample of academic records of students across 76 courses from a public university in Brazil in order to derive and select informative features for the employed classifiers. We create two classification models that either consider the course to which the target student is formally committed or not consider it, respectively. We contrast both models and show that not considering the course leads to better results.pt_BR
dc.identifier.urihttp://dspace.sti.ufcg.edu.br:8080/jspui/handle/riufcg/800-
dc.date.accessioned2018-05-24T14:28:20Z-
dc.date.available2018-05-24-
dc.date.available2018-05-24T14:28:20Z-
dc.typeDissertaçãopt_BR
dc.subjectEvasão Estudantilpt_BR
dc.subjectProbabilidade de Evasão - Estudantes - Universidadespt_BR
dc.subjectLearning Analyticspt_BR
dc.subjectEducational Data Miningpt_BR
dc.subjectDissertação - Ciência da Computaçãopt_BR
dc.rightsAcesso Abertopt_BR
dc.creatorMELO, Allan Sales da Costa.-
dc.publisherUniversidade Federal de Campina Grandept_BR
dc.languageporpt_BR
dc.identifier.citationMELO, A. S. da C. Previsão automática de evasão estudantil: um estudo de caso na UFCG. 2016. 54 f. Dissertação (Mestrado em Ciência da Computação) – Programa de Pós-Graduação em Ciência da Computação, Centro de Engenharia Elétrica e Informática, Universidade Federal de Campina Grande, Paraíba, Brasil, 2016. Disponível em: http://dspace.sti.ufcg.edu.br:8080/jspui/handle/riufcg/800pt_BR
Appears in Collections:Mestrado em Ciência da Computação.

Files in This Item:
File Description SizeFormat 
ALLAN SALES DA COSTA MELO - DISSERTAÇÃO (PPGCC) 2016.pdfAllan Sales da Costa Mello - Dissertação PPGCC 2016919.42 kBAdobe PDFView/Open


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