Use este identificador para citar ou linkar para este item:
http://repositorio.utfpr.edu.br/jspui/handle/1/40280| Título: | Investigando indicadores de evasão em cursos superiores EAD utilizando análise de dados e aprendizado de máquina |
| Título(s) alternativo(s): | Investigating evasion indicators in higher EAD courses using data analysis and machine learning |
| Autor(es): | Santos, Gilmar de Oliveira |
| Orientador(es): | Souza, Alinne Cristinne Corrêa |
| Palavras-chave: | Evasão universitária Padrões de desempenho Estudantes do ensino à distância College dropouts Performance standards Distance education students |
| Data do documento: | 16-Nov-2023 |
| Editor: | Universidade Tecnológica Federal do Paraná |
| Câmpus: | Dois Vizinhos |
| Citação: | SANTOS, Gilmar De Oliveira. Investigando indicadores de evasão em cursos superiores EAD utilizando análise de dados e aprendizado de máquina. 2023. Monografia (Especialização em Ciência de Dados) - Universidade Tecnológica Federal do Paraná, Dois Vizinhos, 2023. |
| Resumo: | A evasão escolar no contexto do Ensino a Distância tem se tornado uma preocupação cada vez maior no Ensino Superior. Neste estudo, utilizando análise exploratória, foram identificados padrões de evasão em 36 cursos de graduação à distância oferecidos por uma Universidade sem fins lucrativos, considerando aspectos geográficos, pessoais e acadêmicos. Também foram determinadas as variáveis mais relevantes para classificar os alunos como desistentes, utilizando os algoritmos de árvore de decisão, random forest e XGBoost. Os resultados, além de fornecerem padrões para os aspectos investigados, também revelaram que características relacionadas ao tempo têm maior correlação com a desistência. Além disso, identificou-se que variáveis como a média da nota final, quantidade de reprovações, tipo de instituição de ensino médio frequentada pelo aluno e a localização do polo de ensino desempenham um papel crucial na determinação de um possível aluno evasor, de acordo com os classificadores árvore de decisão e XGBoost, que obtiveram os melhores resultados em desempenho. Essas análises proporcionaram uma visão mais clara dos fatores que influenciam a evasão no Ensino a Distância, permitindo que sejam adotadas medidas preventivas e personalizadas para melhorar a retenção dos alunos e aprimorar a experiência acadêmica. |
| Abstract: | School dropout in the context of Distance Learning has become an increasing concern in Higher Education. In this study, using exploratory analysis, dropout patterns were identified in 36 distance learning undergraduate courses offered by a non-profit University, considering geographic, personal and academic aspects. The most relevant variables for classifying classes as dropouts were also determined, using the decision tree, random forest and XGBoost algorithms. The results, in addition to providing patterns for the aspects investigated, also revealed that time-related characteristics have greater transparency with resistance. Furthermore, the provisions state that variables such as the average final grade, the number of failures, the type of secondary education institution attended by the student and the location of the teaching center play a crucial role in determining a possible student dropout, according to the classified decision tree and XGBoost, which obtained the best performance results. These analyzes provided a clearer view of the factors that influence dropout in Distance Learning, allowing preventive and personalized measures to be applied to improve retention students and enhance the academic experience. |
| URI: | http://repositorio.utfpr.edu.br/jspui/handle/1/40280 |
| Aparece nas coleções: | DV - Ciência de Dados |
Arquivos associados a este item:
| Arquivo | Descrição | Tamanho | Formato | |
|---|---|---|---|---|
| indicadoresevasaocursossuperiores.pdf | 604,82 kB | Adobe PDF | Visualizar/Abrir |
Este item está licenciada sob uma Licença Creative Commons
