Repositório Institucional do IFRS - Página Inicial

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

Files Size Format View Description
1234567891966.pdf 545.2Kb PDF View/Open Texto completo

This item appears in the following Collection(s)

Show simple item record

Search DSpace


Browse

My Account