Utilize este link para identificar ou citar este item: https://bdm.unb.br/handle/10483/17910
Arquivos neste item:
Arquivo Descrição TamanhoFormato 
2017_GabrielFerreiraSilva_tcc.pdf4,51 MBAdobe PDFver/abrir
Registro completo
Campo Dublin CoreValorLíngua
dc.contributor.advisorLadeira, Marcelo-
dc.contributor.authorSilva, Gabriel Ferreira-
dc.identifier.citationSILVA, Gabriel Ferreira. Análise preditiva do desempenho acadêmico de alunos de graduação da UnB utilizando mineração de dados. 2017. xi, 52 f., il. Trabalho de Conclusão de Curso (Bacharelado em Ciência da Computação)—Universidade de Brasília, Brasília, 2017.pt_BR
dc.descriptionTrabalho de conclusão de curso (graduação)—Universidade de Brasília, Instituto de Ciências Exatas, Departamento de Ciência da Computação, 2017.pt_BR
dc.description.abstractA evasão de alunos de graduação na Universidade de Brasília (UnB) traz consequências acadêmicas, sociais e econômicas negativas. A UnB notifica aqueles alunos que estão em risco de serem desligados e que precisam cumprir condição para evitar o desligamento. Esses alunos em condição estabelecem um plano que devem cumprir, sob a orientação de um docente do curso do aluno. Pensando em melhorar tal abordagem, a pesquisa em questão objetiva a concepção de um sistema previsor capaz de indicar quais alunos estão com maior risco de não conseguirem formar. Desse modo, o sistema permitiria a UnB agir antes de um aluno entrar em condição e agir de acordo com o risco de evasão apresentado por cada aluno. Para o desenvolvimento do sistema previsor, dados descaracterizados de alunos de graduação de cursos da área de computação que ingressaram de 2000 até 2016 e já saíram da universidade foram utilizados. Algoritmos de aprendizagem de máquina foram usados (Naive Bayes, ANN, SVR, Regressor Linear e Random Forests) para induzir modelos que tiveram seu desempenho analisado. Os modelos obtidos testados tiveram, em geral, bom desempenho. O melhor desempenho foi para modelos induzidos com regressão linear. Os resultados obtidos apontam a viabilidade da utilização de mineração de dados para análise preditiva de alunos em risco de evasão na UnB nos cursos da área de computação. Como a metodologia utilizada não empregou nenhum conceito específico dessa área do conhecimento, pode-se usá-la para outros cursos de graduação da UnB.pt_BR
dc.rightsAcesso Abertopt_BR
dc.subject.keywordMineração de dadospt_BR
dc.subject.keywordAlgoritmos de computadorpt_BR
dc.titleAnálise preditiva do desempenho acadêmico de alunos de graduação da UnB utilizando mineração de dadospt_BR
dc.typeTrabalho de Conclusão de Curso - Graduação - Bachareladopt_BR
dc.date.accessioned2017-08-22T15:29:34Z-
dc.date.available2017-08-22T15:29:34Z-
dc.date.submitted2017-07-14-
dc.identifier.urihttp://bdm.unb.br/handle/10483/17910-
dc.language.isoPortuguêspt_BR
dc.description.abstract1The University of Brasília (UnB) suffers from a problem of student drop out, which has academic, economic and social negative consequences. UnB notifies its students that are in risk of dropping out and need to fulfill conditions to avoid dropping out. This students in conditions establish a plan they must accomplish, under the guidance of a professor of the same course of the student. The goal of the present research is the development of a predictive system capable of indicating the risk of a student dropping out. This way, UnB could act before it’s became late and also act according to the risk presented by a student. For the development of the predictive system, data of undergraduate students from computer science related courses that entered and left UnB from 2000 to 2016 were used. The data do not contain student identification. Machine learning algorithms were used and their performance was evaluated. Algorithms included were Naive Bayes, ANN, SVR, Linear Regressor and Random Forests). Machine learning algorithms got, in general, good performance. The best performance came from the linear regressor. Results obtained indicate potential in using machine learning to predict the risk of students dropping out of university for the courses related to computer science. Because the methodology did not use any concept from this area of knowledge, this approach can be used for other courses.pt_BR
Aparece na Coleção:Ciência da Computação



Este item está licenciado na Licença Creative Commons Creative Commons