Previsão automática de evasão estudantil: um estudo de caso na UFCG.

• Main Author: MELO, Allan Sales da Costa.
• Other Authors: MARINHO, Leandro Balby.
• Language: Portuguese
• Published: Universidade Federal de Campina Grande 2016
• Subjects: Ciências; Ciência da Computação; Evasão Estudantil; Probabilidade de Evasão - Estudantes - Universidades; Learning Analytics; Educational Data Mining; Dissertação - Ciência da Computação
• Online Access: http://dspace.sti.ufcg.edu.br:8080/jspui/handle/riufcg/800

Submitted by Maria Medeiros ([e-mail]) on 2018-05-24T14:28:20Z No. of bitstreams: 1 ALLAN SALES DA COSTA MELO - DISSERTAÇÃO (PPGCC) 2016.pdf: 1339540 bytes, checksum: b3bbc96d990dd77ee344c4f5434a4d00 (MD5) === Made available in DSpace on 2018-05-24T14:28:20Z (GMT). No. of bitstreams: 1 ALLAN SALES DA COSTA MELO - DISSERTAÇÃO (PPGCC) 2016.pdf: 1339540 bytes, checksum: b3bbc96d990dd77ee344c4f5434a4d00 (MD5) Previous issue date: 2016 === A evasão estudantil é uma das maiores preocupações dos institutos de ensino superior brasileiros já que ela pode ser uma das causas de desperdício de recursos da Universidade. A previsão dos estudantes com alta probabilidade de evasão, assim como o entendimento das causas que os levaram a evadir, são fatores cruciais para a definição mais efetiva de ações preventivas para o problema. Nesta dissertação, o problema da detecção de evasão foi abordado como um problema de aprendizagem de máquina supervisionada. Utilizou-se uma amostra de registros acadêmicos de estudantes considerando-se todos os 76 cursos da Universidade Federal de Campina Grande com o objetivo de obter e selecionar atributos informativos para os modelos de classificação e foram criados dois tipos de modelos, um que separa os estudantes por cursos e outro que não faz distinção de cursos. Os dois modelos criados foram comparados e pôde-se concluir que não fazer distinção de alunos por curso resulta em melhores resultados que fazer distinção de alunos por curso. === Students’ dropout is a major concern of the Brazilian higher education institutions as it may cause waste of resources. The early detection of students with high probability of dropping out, as well as understanding the underlying causes, are crucial for defining more effective actions toward preventing this problem. In this paper, we cast the dropout detection problem as a supervised learning problem. We use a large sample of academic records of students across 76 courses from a public university in Brazil in order to derive and select informative features for the employed classifiers. We create two classification models that either consider the course to which the target student is formally committed or not consider it, respectively. We contrast both models and show that not considering the course leads to better results.