Uma banca de DEFESA de MESTRADO foi cadastrada pelo programa.
DISCENTE: JEFERSON ANDRADE DE JESUS
DATA: 28/02/2024
HORA: 09:00
LOCAL: Sala de seminários do DCOMP
TÍTULO: Investigação da Evasão Estudantil por meio da Mineração de Dados e Aprendizagem de Máquina
PALAVRAS-CHAVES: Predição, classificação, evasão do estudante, aprendizagem de máquina, mineração de dados.
PÁGINAS: 255
GRANDE ÁREA: Ciências Exatas e da Terra
ÁREA: Ciência da Computação
SUBÁREA: Metodologia e Técnicas da Computação
ESPECIALIDADE: Banco de Dados
RESUMO:

A evasão dos alunos nas escolas e universidades é um problema recorrente na educação, tanto é danoso para o aluno em termos de aprendizagem, como gera prejuízos financeiros para as instituições, sejam públicas ou privadas. Estudos que usam técnicas de mineração de dados (MD) e aprendizagem de máquina (AM) para investigar problemas na educação estão em ascensão, e a evasão estudantil é um desses problemas, por meio dessas técnicas é possível identificar padrões em indivíduos ou grupos de indivíduos que possam vir a desistir dos estudos. Com essas predições e outras informações exploradas pelas técnicas de MD e AM é possível diminuir a evasão dos alunos nas instituições de ensino, pois, o estudo ajuda a entender melhor o fenômeno e a partir disso verificar ações que ajudam na tomada de decisão e consequentemente na resolução do problema. Esse trabalho tem como objetivo investigar a evasão universitária através de dados do Censo da Educação Superior obtidos no portal do INEP e analisar a classificação de evasão de alunos do ensino superior utilizando algoritmos clássicos na construção dos modelos de classificação. A investigação mostra que com base no Censo de 2016, 30\% dos alunos do ensino superior chegam a desistir do curso ao qual ingressou ou a desistir do ensino superior, também é possível evidenciar que todos os estudos que usam classificadores de evasão estudantil como uma maneira de minimizar esse problema não seguem um padrão de atributos utilizados por outras instituições na construção dos seus modelos, de maneira que não é possível reaproveitar esses modelos para outras instituições. Considerando essas informações foram utilizados os dados do INEP na construção dos modelos de classificação construídos nos experimentos preliminares desse trabalho, tendo como melhor resultado para a métrica de acurácia: 0.979, resultado obtido pelo modelo baseado no algoritmo Árvore de Decisão, na modalidade EAD (Educação a Distância) e categoria administrativa pública.

MEMBROS DA BANCA:
Presidente - 2314235 - RENE PEREIRA DE GUSMAO
Interno - 1912807 - GILTON JOSÉ FERREIRA DA SILVA
Externo à Instituição - BRUNO ALMEIDA PIMENTEL