Utilize este link para identificar ou citar este item: https://bdm.unb.br/handle/10483/45500
Arquivos neste item:
Arquivo Descrição TamanhoFormato 
2025_PedroHenriqueAlmeidaOliveira_tcc.pdf2,1 MBAdobe PDFver/abrir
Registro completo
Campo Dublin CoreValorLíngua
dc.contributor.advisorSilva, Daniel Guerreiro e-
dc.contributor.authorOliveira, Pedro Henrique Almeida-
dc.identifier.citationOLIVEIRA, Pedro Henrique Almeida. Análise exploratória de dados e modelagem de aprendizado de máquina com base nos microdados do Enem 2023. 2025. 80 f., il. Trabalho de Conclusão de Curso (Bacharelado em Engenharia da Computação) — Universidade de Brasília, Brasília, 2025.pt_BR
dc.descriptionTrabalho de Conclusão de Curso (graduação) — Universidade de Brasília, Instituto de Ciências Exatas, Departamento de Ciência da Computação, 2025.pt_BR
dc.description.abstractEste trabalho apresenta uma análise exploratória dos microdados do Enem 2023, con siderando aspectos de desempenho e abstenção, e propõe a construção de um modelo preditivo baseado em algoritmos de aprendizado de máquina para estimar a probabili dade de ausência dos candidatos. A proposta combina diagnóstico detalhado do exame, com insights sobre fatores como escolaridade, renda, ocupação familiar, estado e idade, e a elaboração de um modelo inovador, capaz de prever de forma acurada e calibrada a prob abilidade de abstenção. A validação foi conduzida por meio de experimentos utilizando Python e bibliotecas de ciência de dados, confirmando hipóteses relevantes, observando métricas de performance de modelos satisfatórias e evidenciando o impacto de variáveis socioeconômicas e regionais no desempenho e na participação. Como perspectivas futuras, sugere-se aplicar o modelo em bases de inscritos antes da realização do exame, além de atualizá-lo anualmente com os novos dados, de modo a apoiar políticas públicas voltadas à redução da evasão, melhoria na aprendizagem e ao aprimoramento da participação es tudantil.pt_BR
dc.rightsAcesso Abertopt_BR
dc.subject.keywordModelo preditivopt_BR
dc.subject.keywordAprendizado de máquinapt_BR
dc.subject.keywordAlgoritmos de aprendizado de máquinapt_BR
dc.subject.keywordExame Nacional do Ensino Médio (ENEM)pt_BR
dc.titleAnálise exploratória de dados e modelagem de aprendizado de máquina com base nos microdados do Enem 2023pt_BR
dc.typeTrabalho de Conclusão de Curso - Graduação - Bachareladopt_BR
dc.date.accessioned2026-08-20T18:25:00Z-
dc.date.available2026-08-20T18:25:00Z-
dc.date.submitted2025-12-12-
dc.identifier.urihttps://bdm.unb.br/handle/10483/45500-
dc.language.isoPortuguêspt_BR
dc.rights.licenseA 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.pt_BR
dc.description.abstract1This work presents an exploratory analysis of the 2023 Enem microdata, focusing on as pects of performance and absenteeism, and proposes the development of a predictive model based on machine learning algorithms to estimate candidates’ probability of absence. The proposal combines a detailed diagnostic of the exam, providing insights into factors such as education level, income, family occupation, state, and age, with the construction of an innovative model capable of accurately and reliably predicting absenteeism probabilities. Validation was carried out through experiments using Python and data science libraries, confirming relevant hypotheses, achieving satisfactory model performance metrics, and highlighting the impact of socioeconomic and regional variables on both performance and participation. As future perspectives, it is suggested to apply the model to candidate databases prior to the exam and to update it annually with newly released data, aiming to support public policies directed at reducing absenteeism, improving learning outcomes, and enhancing student participation.pt_BR
Aparece na Coleção:Engenharia da Computação



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