Use este identificador para citar ou linkar para este item:
http://repositorio.utfpr.edu.br/jspui/handle/1/31503
Título: | Desenvolvimento de um score para análise de risco de evasão de estudantes do ensino superior baseado em aprendizado de máquina |
Título(s) alternativo(s): | Development of a score for higher education students dropout risk analysis based on machine learning |
Autor(es): | Cruz, Robinson Crusoé da |
Orientador(es): | Souza, Alinne Cristinne Corrêa |
Palavras-chave: | Evasão universitária Aprendizado do computador Pesquisa quantitativa College dropouts Machine learning Quntitative research |
Data do documento: | 11-Mai-2022 |
Editor: | Universidade Tecnológica Federal do Paraná |
Câmpus: | Dois Vizinhos |
Citação: | CRUZ, Robinson Crusoé da. Desenvolvimento de um score para análise de risco de evasão de estudantes do ensino superior baseado em aprendizado de máquina. 2022. Monografia (Especialização em Ciência de Dados) - Universidade Tecnológica Federal do Paraná, Dois Vizinhos, 2022. |
Resumo: | Abandonar o Ensino Superior contribui para grandes prejuízos sociais, econômicos e acadêmicos. Entre as principais razões para a queda destacam-se a dificuldade do aluno em acompanhar o conteúdo, a estrutura proposta pelo curso e a falta de recursos financeiros. Nos últimos anos, vários estudos surgiram para tentar identificar grupos de alunos em risco de abandono, quer pela identificação os fatores que podem contribuir para a evasão, ou criando classificadores baseado em Aprendizado de Máquina. No entanto, as pesquisas focam essencialmente em indicadores categóricos, ou seja, com resultados binários, que denotam se o aluno está ou não no grupo de risco. Esse tipo de análise é importante, porém não mostra a variação no desempenho do aluno durante sua vida acadêmica, além de não oferecer uma pontuação dentro de uma pontuação de desempenho. Diferentemente, este projeto utilizar técnicas de Machine Learning na criação de um Score, a fim de fornecer um termômetro para analisar o quão perto o aluno está ou não no grupo de abandono. Os resultados preliminares são promissores, porque ao usar 𝐾𝑁𝑁 para criar a partitura, era possível desenvolver um Score com o melhor resultado de hiperparâmetros encontrados em experimentos. |
Abstract: | Dropping out of Higher Education contributes to great social, economic and academic loss. Among the main reasons for dropping out are the student’s difficulty in following the content, the structure proposed by the course and the lack of financial resources. In recent years, several studies have emerged to try to identify groups of students at risk of dropping out, either by identifying the factors that can contribute to dropout, or by creating classifiers based on Machine Learning. However, researches focus essentially on categorical indicators, that is, with binary results, which denote that the student is or is not in the risk group. This type of analysis is important, however, it does not show the variation in the student’s performance during their academic life, in addition to not offering a score within a performance score. Differently, this project use Machine Learning techniques in the creation of a Score, in order to provide a thermometer to analyze how close the student is or not to the dropout group. Preliminary results are promising, because when using 𝐾𝑁𝑁 to create the Score, it was possible to develop a Score with the best result of hyperparameters found in the experiments. |
URI: | http://repositorio.utfpr.edu.br/jspui/handle/1/31503 |
Aparece nas coleções: | DV - Ciência de Dados |
Arquivos associados a este item:
Arquivo | Descrição | Tamanho | Formato | |
---|---|---|---|---|
scoreevasaoensinosuperior.pdf | 738,94 kB | Adobe PDF | Visualizar/Abrir |
Este item está licenciada sob uma Licença Creative Commons