Utilize este link para identificar ou citar este item: https://bdm.unb.br/handle/10483/34952
Arquivos neste item:
Arquivo Descrição TamanhoFormato 
2022_AmandaEmillyMenezes_LeticiaKarlaAraujo_tcc.pdf3,43 MBAdobe PDFver/abrir
Título: Identificação de fatores que afetam a evasão no ensino superior
Autor(es): Menezes, Amanda Emilly Muniz de
Araújo, Letícia Karla Soares Rodrigues de
Orientador(es): Ramos, Cristiane Soares
Assunto: Evasão universitária
Ensino superior - evasão
Data de apresentação: 26-Set-2022
Data de publicação: 25-Mai-2023
Referência: MENEZES, Amanda Emilly Muniz de; ARAÚJO, Letícia Karla Soares Rodrigues de. Identificação de fatores que afetam a evasão no ensino superior. 2022. 112 f., il. Trabalho de conclusão de curso (Bacharelado em Engenharia de Software) — Universidade de Brasília, Brasília, 2022.
Resumo: Contextualização: A identificação de fatores que afetam a evasão acadêmica é importante para garantir que coordenações consigam tomar ações necessárias para evitar a desistência estudantil. Objetivo: O objetivo desta monografia é entender como a área de pesquisa atual se encontra, de forma a compreender os principais fatores relacionados à evasão acadêmica e como aplicá-los em modelos de aprendizado de máquina. Método: Trata-se de uma pesquisa quantitativa, exploratória e explicativa, de natureza aplicada, com o uso dos procedimentos técnicos de estudo de caso e de pesquisa bibliográfica. Resultados: A revisão sistemática da literatura mostrou que a evasão acadêmica pode ser prevista por meio de fatores acadêmicos, demográficos e de aprendizado. Com base na identificação destes, foram criados modelos a partir de algoritmos de aprendizado de máquina. Os modelos foram utilizados para demonstrar como os fatores podem ser usados. Conclusão: Os fatores acadêmicos, demográficos e de aprendizado são capazes de realizar a previsão da evasão. A definição dos fatores que serão utilizados e a forma de seu uso é importante para obter bons resultados de previsão. Além disso, quando considerando fatores acadêmicos para precisão é importante considerar o contexto aplicados aos dados.
Abstract: Contextualization: Identifying factors that affect academic dropout is essential to ensure that coordinators can take the necessary actions to avoid student dropout. Goal: This monograph’s objective is to understand the current research area, the main factors related to academic dropout, and how to apply them in machine learning models. Method: It is quantitative, exploratory, and explanatory research of an applied nature, using the technical procedures of case study and bibliographic research. Results: A systematic literature review showed that academic dropout could be predicted by academic, demographic, and learning factors. Based on the identification, models were created from machine learning algorithms. The models were used to demonstrate how factors can be used. Conclusion: Academic, demographic, and learning factors are capable of predicting dropout. Defining the factors used and how to use them is essential to obtain good forecasting results. Furthermore, when considering academic factors for accuracy, it is vital to consider the context applied to the data.
Informações adicionais: Trabalho de conclusão de curso (graduação) — Universidade de Brasília, Faculdade UnB Gama, 2022.
Licença: A concessão da licença deste item refere-se ao termo de autorização impresso assinado pelo autor que autoriza a Biblioteca Digital da Produção Intelectual Discente da Universidade de Brasília (BDM) a disponibilizar o trabalho de conclusão de curso por meio do sítio bdm.unb.br, com as seguintes condições: disponível sob Licença Creative Commons 4.0 International, que permite copiar, distribuir e transmitir o trabalho, desde que seja citado o autor e licenciante. Não permite o uso para fins comerciais nem a adaptação desta.
Aparece na Coleção:Engenharia de Software



Todos os itens na BDM estão protegidos por copyright. Todos os direitos reservados.