Mineração de dados educacionais: uma análise sobre os preditores de evasão no ensino superior
Show simple item record
dc.contributor.advisor |
Vieira, Andrws |
pt_BR |
dc.contributor.advisor |
Souza, Vanessa Faria de |
pt_BR |
dc.contributor.author |
Silvestri, Felipe |
pt_BR |
dc.date.accessioned |
2025-03-19T19:09:06Z |
pt_BR |
dc.date.available |
2025-03-19T19:09:06Z |
pt_BR |
dc.date.issued |
2025 |
pt_BR |
dc.identifier.uri |
https://dspace.ifrs.edu.br/xmlui/handle/123456789/1966 |
|
dc.description.abstract |
A evasão no ensino superior é um desafio significativo para institui-
ções de ensino, impactando tanto os estudantes quanto a sociedade. Este artigo
investiga os principais preditores de evasão acadêmica por meio da aplicação
de técnicas de Mineração de Dados Educacionais (MDE). A pesquisa utiliza um
conjunto de dados provenientes de uma instituição de ensino superior, explo-
rando características como desempenho acadêmico, perfil socioeconômico, en-
gajamento estudantil, dados sobre a família, dentre outros. Foi utilizada como
técnica de Mineração de Dados algoritmos de Aprendizagem de Máquina. Es-
tes, além de possibilitarem a construção de um modelo eficaz para predição da
evasão dos alunos, possibilitaram a identificação dos fatores mais relevantes
para prever a evasão. Os resultados destacam que variáveis relacionadas ao
rendimento acadêmico são os principais indicadores de risco. As conclusões
oferecem insights que podem orientar estratégias institucionais para mitigar a
evasão, promovendo a permanência e o sucesso acadêmico. |
pt_BR |
dc.description.abstract |
Dropout rates in higher education pose a significant challenge for
educational institutions, affecting both students and society at large. This arti-
cle explores the key predictors of academic dropout through the application of
Educational Data Mining (EDM) techniques. Utilizing a dataset from a higher
education institution, the research examines various factors, including acade-
mic performance, socioeconomic status, student engagement, and family back-
ground. Machine Learning algorithms were used as part of the Data Mining
techniques, allowing for the development of an effective model to predict stu-
dent dropout rates while also identifying the most relevant contributing factors.
The findings emphasize that variables related to academic performance serve
as the primary risk indicators. The conclusions provide valuable insights that
can inform institutional strategies aimed at reducing dropout rates and fostering
student retention and academic success. |
en |
dc.format.mimetype |
application/pdf |
pt_BR |
dc.language.iso |
por |
pt_BR |
dc.rights |
Open Access |
pt_BR |
dc.subject |
Evasão universitária |
pt_BR |
dc.subject |
Mineração de dados |
pt_BR |
dc.subject |
Aprendizado de máquinas |
pt_BR |
dc.title |
Mineração de dados educacionais: uma análise sobre os preditores de evasão no ensino superior |
pt_BR |
dc.type |
Trabalho de conclusão de graduação |
pt_BR |
dc.degree.grantor |
Instituto Federal de Educação, Ciência e Tecnologia do Rio Grande do Sul |
pt_BR |
dc.degree.level |
Graduação |
pt_BR |
dc.degree.date |
2025 |
pt_BR |
dc.degree.local |
Ibirubá, BR-RS |
pt_BR |
dc.degree.graduation |
Bacharelado em Ciência da Computação |
pt_BR |
dc.degree.department |
Campus Ibirubá |
pt_BR |
Files in this item
This item appears in the following Collection(s)
Show simple item record
Search DSpace
Browse
-
All of DSpace
-
This Collection
My Account