dc.creator |
MALERBA, Adriano |
|
dc.date.issued |
2024-04-26 |
|
dc.identifier.uri |
https://repositorio.unifei.edu.br/jspui/handle/123456789/4072 |
|
dc.description.abstract |
Student dropout is a problem that affects higher education institutions around the world,
having negative impacts on both students and institutions, whether public or private.
It is essential that institutions have tools that help them control evasion, providing
managers with an understanding of the educational expectations of students entering
higher education, in order to improve understanding of this phenomenon. Recent studies
on university dropout prediction using machine learning represent a significant advance in
the area of education. By employing the Cross-Validation Technique (K-Fold) along with a
variety of classification algorithms such as decision trees, logistic regression, random forest,
and support vector machines, among others. This work seeks to understand and anticipate
dropout patterns among students. This approach not only identifies risk factors for
dropout, but also provides valuable information for educational institutions in developing
proactive student retention strategies. By accurately predicting the likelihood of a student
dropping out of their studies, universities can intervene early, offering personalized support
and additional resources to help students overcome academic and personal challenges. To
achieve this, in relation to the student recovery model, LogisticRegression techniques ,
GradientBoosting and XG Boost obtained similar and promising results, above 90% for
graduate F1-Score and dropout F1-score close to 89%. As for the cases of interpretable
algorithms, model for student dismissal, the best results were for the Random Forest and
Decision Tree models with values of 91% for Graduate F1-Score, 84% for dropout F1-score.
This work represents a significant contribution to improving the quality and effectiveness
of educational programs, promoting the retention and success of university students. |
pt_BR |
dc.language |
por |
pt_BR |
dc.publisher |
Universidade Federal de Itajubá |
pt_BR |
dc.rights |
Acesso Aberto |
pt_BR |
dc.subject |
Evasão de alunos |
pt_BR |
dc.subject |
Aprendizado de máquina |
pt_BR |
dc.subject |
Previsão |
pt_BR |
dc.subject |
Seleção de modelos |
pt_BR |
dc.title |
Previsão de evasão universitária com aprendizado de máquina |
pt_BR |
dc.type |
Dissertação |
pt_BR |
dc.date.available |
2024-05-21 |
|
dc.date.available |
2024-05-21T13:04:42Z |
|
dc.date.accessioned |
2024-05-21T13:04:42Z |
|
dc.creator.Lattes |
http://lattes.cnpq.br/4214028309978324 |
pt_BR |
dc.contributor.advisor1 |
MORAES, Carlos Henrique Valério de |
|
dc.contributor.advisor1Lattes |
http://lattes.cnpq.br/3460761031788198 |
pt_BR |
dc.description.resumo |
A evasão de alunos é um problema que afeta as instituições de ensino superior no mundo
todo, tendo impactos negativos tanto para os alunos quanto para as instituições, sejam
elas públicas ou privadas. É essencial, que as instituições tenham ferramentas que os
auxiliem no controle da evasão, proporcionando aos gestores a compreensão das expectativas
educacionais dos alunos que ingressam no ensino superior, a fim de aprimorar a compreensão
desse fenômeno. Os estudos recentes sobre previsão de evasão universitária utilizando
aprendizado de máquina representa um avanço significativo na área da educação. Ao
empregar a Técnica de Validação Cruzada (K-Fold) juntamente com uma variedade de
algoritmos de classificação, como árvores de decisão, regressão logística, floresta aletória e
máquinas de vetores de suporte, entre outros. Este trabalho busca entender e antecipar os
padrões de evasão entre os alunos. Essa abordagem não apenas identifica fatores de risco
para a evasão, mas também fornece informações valiosas para instituições educacionais no
desenvolvimento de estratégias proativas de retenção de alunos. Ao prever com precisão a
probabilidade de um estudante abandonar seus estudos, as universidades podem intervir
precocemente, oferecendo suporte personalizado e recursos adicionais para ajudar os alunos
a superar desafios acadêmicos e pessoais.Para isso, em relação ao modelo de recuperação dos
alunos as técnicas LogisticRegression, GradientBoosting e XG Boost obtiveram resultados
semelhantes e promissores, acima de 90% para F1-Score de formando e F1-score de evasão
próximo a 89%. Já para os casos de algoritmos interpretáveis, modelo para desligamento de
Alunos, os melhores resultados foram para os modelos Random Forest e Decision Tree com
valores de 91% para F1-Score de Formando, 84% para F1-score de evasão. Este trabalho
representa uma contribuição significativa para a melhoria da qualidade e da eficácia dos
programas educacionais, promovendo a retenção e o sucesso dos alunos universitários. |
pt_BR |
dc.publisher.country |
Brasil |
pt_BR |
dc.publisher.department |
IESTI - Instituto de Engenharia de Sistemas e Tecnologia da Informação |
pt_BR |
dc.publisher.program |
Programa de Pós-Graduação: Mestrado - Ciência e Tecnologia da Computação |
pt_BR |
dc.publisher.initials |
UNIFEI |
pt_BR |
dc.subject.cnpq |
CNPQ::CIÊNCIAS EXATAS E DA TERRA::CIÊNCIA DA COMPUTAÇÃO |
pt_BR |
dc.relation.references |
MALERBA, Adriano. Previsão de evasão universitária com aprendizado de máquina. 2024. 65 f. Dissertação (Mestrado em Ciência e Tecnologia da Computação.) – Universidade Federal de Itajubá, Itajubá, 2024. |
pt_BR |