Uso da técnica de mineração de dados como uma ferramenta de gestão da evasão no ensino superior
| Ano de defesa: | 2019 |
|---|---|
| Autor(a) principal: | |
| Orientador(a): | |
| Banca de defesa: | |
| Tipo de documento: | Dissertação |
| Tipo de acesso: | Acesso aberto |
| Idioma: | por |
| Instituição de defesa: |
Universidade Federal do Triângulo Mineiro
Instituto de Ciências Tecnológicas e Exatas - ICTE::Programa de Mestrado Profissional em Inovação Tecnológica Brasil UFTM Programa de Mestrado Profissional em Inovação Tecnológica |
| Programa de Pós-Graduação: |
Não Informado pela instituição
|
| Departamento: |
Não Informado pela instituição
|
| País: |
Não Informado pela instituição
|
| Palavras-chave em Português: | |
| Link de acesso: | http://bdtd.uftm.edu.br/handle/tede/753 |
Resumo: | Para este estudo é proposta uma pesquisa aplicada ex post facto, do tipo quantitativa e descritiva, com base nas informações sobre os alunos existentes na base de dados do Sistema Acadêmico (SISCAD) da UFTM. Esta pesquisa tem por objetivo identificar um padrão de informações a respeito dos alunos que pode ser relacionado à possibilidade de evasão do ensino superior. Com este estudo, foi possível a criação de uma ferramenta automatizada, baseada na técnica de mineração de dados utilizando-se redes neurais artificiais, capazes de identificar os alunos com tendência à evasão. O modelo criado foi capaz de identificar 63,8% dos alunos que evadiram. Dentre todos os alunos analisados durante a validação do modelo, este foi capaz de identificar corretamente a situação de 70,5% dos alunos (entre evadidos e não evadidos). Também foi possível definir que o modelo consegue identificar os alunos com tendência à evasão com 36 dias de antecedência da ocorrência da evasão, na média. Foi proposto um mecanismo de geração de alertas, mediante a produção de um relatório que pode ser disponibilizado diretamente na ferramenta de gestão acadêmica (SISCAD). Dessa forma, os agentes da Instituição, como os coordenadores de curso e os servidores da Pró-Reitoria de Assuntos Comunitários e Estudantis (PROACE) da UFTM, poderão atuar junto aos alunos com essa tendência de evasão e tentar revertê-la. |
| id |
UFTM_02a1145b82b0b2c5c057890493c13887 |
|---|---|
| oai_identifier_str |
oai:bdtd.uftm.edu.br:tede/753 |
| network_acronym_str |
UFTM |
| network_name_str |
Biblioteca Digital de Teses e Dissertações da UFTM |
| repository_id_str |
|
| spelling |
Uso da técnica de mineração de dados como uma ferramenta de gestão da evasão no ensino superiorSistema de gestão acadêmica.Evasão.Mineração de dados.Redes neurais artificiais.Alerta de evasão.Academic management system.Evasion.Data mining.Artificial neural networks.Avoidance alert.Ciência da ComputaçãoPara este estudo é proposta uma pesquisa aplicada ex post facto, do tipo quantitativa e descritiva, com base nas informações sobre os alunos existentes na base de dados do Sistema Acadêmico (SISCAD) da UFTM. Esta pesquisa tem por objetivo identificar um padrão de informações a respeito dos alunos que pode ser relacionado à possibilidade de evasão do ensino superior. Com este estudo, foi possível a criação de uma ferramenta automatizada, baseada na técnica de mineração de dados utilizando-se redes neurais artificiais, capazes de identificar os alunos com tendência à evasão. O modelo criado foi capaz de identificar 63,8% dos alunos que evadiram. Dentre todos os alunos analisados durante a validação do modelo, este foi capaz de identificar corretamente a situação de 70,5% dos alunos (entre evadidos e não evadidos). Também foi possível definir que o modelo consegue identificar os alunos com tendência à evasão com 36 dias de antecedência da ocorrência da evasão, na média. Foi proposto um mecanismo de geração de alertas, mediante a produção de um relatório que pode ser disponibilizado diretamente na ferramenta de gestão acadêmica (SISCAD). Dessa forma, os agentes da Instituição, como os coordenadores de curso e os servidores da Pró-Reitoria de Assuntos Comunitários e Estudantis (PROACE) da UFTM, poderão atuar junto aos alunos com essa tendência de evasão e tentar revertê-la.For this study, the proposed approach is an ex post facto applied research, of the quantitative and descriptive type, based on the information about the students existing in the database of the Academic System (SISCAD) of UFTM. This research aims to identify a pattern of information about students that may be related to the possibility of dropout of higher education. With this study, it was possible to create an automated tool, based on the technique of data mining using artificial neural networks, capable of identifying students with a tendency to evasion. The model was able to identify 63.8% of the students who dropout. Among all the students analyzed during the validation of the model, it was able to correctly identify the situation of 70.5% of the students (between evaded and not evaded). It was also possible to define that the model can identify the students a tendency to evasion 36 days in advance of the occurrence of evasion, on average. An alert generation mechanism has been proposed, through the production of a report that can be made available directly in the academic management tool (SISCAD). In this way, the Institution’s agents, such as the course coordinators and the servers of the Pro-Rector’s Office for Community and Student Affairs (PROACE) of the UFTM, will be able to act together with the students with this tendency of evasion and try to reverse it.Universidade Federal do Triângulo MineiroInstituto de Ciências Tecnológicas e Exatas - ICTE::Programa de Mestrado Profissional em Inovação TecnológicaBrasilUFTMPrograma de Mestrado Profissional em Inovação TecnológicaGONÇALVES, Julio Cesar de Souza Inácio32715545878http://lattes.cnpq.br/3449617170299224MELO, Alan Lopes2019-07-10T18:09:49Z2019-02-14info:eu-repo/semantics/publishedVersioninfo:eu-repo/semantics/masterThesisapplication/pdfapplication/pdfMELO, Alan Lopes. Uso da técnica de mineração de dados como uma ferramenta de gestão da evasão no ensino superior. 2019. 94f . Dissertação (Mestrado em Inovação Tecnológica) - Programa de Mestrado Profissional em Inovação Tecnológica - Universidade Federal do Triângulo Mineiro, Uberaba, 2019 .http://bdtd.uftm.edu.br/handle/tede/753porAGGARWAL, Charu C. Data mining. Cham: Springer International Publishing, 2015. BAGGI, Cristiane Aparecida dos Santos; LOPES, Doraci Alves. Evasão e avaliação institucional no ensino superior: uma discussão bibliográfica. Avaliação, Campinas; Sorocaba, SP, v. 16, n. 2, p. 355-374, 2011. Disponível em: <http://www.scielo.br/pdf/aval/v16n2/a07v16n2.pdf>. Acesso em: 14 jan. 2019. BRAMER, Max. Principles of data mining. 3. ed. London: Springer London, 2016. BRASIL. Decreto nº 6.096, de 24 de abril de 2007. Institui o Programa de Apoio a Planos de Reestruturação e Expansão das Universidades Federais – REUNI. Diário Oficial da União, Brasília, DF, 25 abr. 2007. Disponível em: <http://www.planalto.gov.br/ccivil_03/_ato2007-2010/2007/decreto/d6096.htm>. Acesso em: 14 jan. 2019. ______. Lei nº 12.711, de 29 de agosto de 2012. Dispõe sobre o ingresso nas universidades federais e nas instituições federais de ensino técnico de nível médio e dá outras providências. Diário Oficial da União, Brasília, DF, 3 ago. 2012. Disponível em: <http://www.planalto.gov.br/ccivil_03/_ato2011- 2014/2012/lei/l12711.htm>. Acesso em: 14 jan. 2019. ______. Ministério da Educação – MEC. Portaria nº 315, de 4 de abril de 2018. Dispõe sobre os procedimentos de supervisão e monitoramento de instituições de educação superior integrantes do sistema federal de ensino e de cursos superiores de graduação e de pós-graduação lato sensu, nas modalidades presencial e a distância. Diário Oficial da União, Brasília, DF, 5 abr. 2018. Disponível em: <http://www.in.gov.br/web/guest/materia/- /asset_publisher/Kujrw0TZC2Mb/content/id/9177560/do1-2018-04-05-portaria-n-315- de-4-de-abril-de-2018-9177556>. Acesso em: 15 dez. 2018a. ______. Ministério da Educação – MEC. Portaria nº 1.095, de 25 de outubro de 2018. Dispõe sobre a expedição e o registro de diplomas de cursos superiores de graduação no âmbito do sistema federal de ensino. Diário Oficial da União, Brasília, DF, 26 out. 2018. Disponível em: <http://www.in.gov.br/materia/- /asset_publisher/Kujrw0TZC2Mb/content/id/47330359>. Acesso em: 15 dez. 2018b. BUENO, José Lino Oliveira. A evasão de alunos. Paidéia, Ribeirão Preto, SP, n. 5, p. 9-16 ago. 1993. Disponível em: <http://www.scielo.br/scielo.php?script=sci_arttext&pid=S0103- 863X1993000200002&lng=pt&nrm=iso>. Acesso em: 14 jan. 2019. BURGOS, Concepción; CAMPANARIO, María L.; PEÑA, David de la; LARA, Juan A.; LIZCANO, David; MARTÍNEZ, María A. Data mining for modeling students’ performance: a tutoring action plan to prevent academic dropout. Computers & Electrical Engineering, 18 mar. 2017. Disponível em: <https://www.sciencedirect.com/science/article/pii/S0045790617305220>. Acesso em: 14 jan. 2019. CNPQ. Tabela de áreas do conhecimento. Disponível em: <http://www.cnpq.br/documents/10157/186158/TabeladeAreasdoConhecimento.pdf> . Acesso em: 14 jan. 2019. COMISSÃO DE PLANEJAMENTO AVALIAÇÃO. Grupo de trabalho indicadores. 2015. Disponível em: <http://www.uff.br/sites/default/files/indicadores_do_forplad.pdf>. Acesso em: 14 jan. 2019. COMISSÃO ESPECIAL DE ESTUDOS SOBRE A EVASÃO NAS UNIVERSIDADES PÚBLICAS BRASILEIRAS – ANDIFES/ABRUEM/SESu/MEC. Diplomação, retenção e evasão nos cursos de graduação em instituições de ensino superior públicas. 1996. Disponível em: <http://www.andifes.org.br/wpcontent/ files_flutter/Diplomacao_Retencao_Evasao_Graduacao_em_IES_Publicas- 1996.pdf>. Acesso em: 14 jan. 2019. DAHAL, Paras. Classification and loss evaluation: softmax and cross entropy loss. DeepNotes. Disponível em: <https://deepnotes.io/softmax-crossentropy>. Acesso em: 14 jan. 2019. DUCATI, Erves; ALBERTON, LUIZ. Evasão, custos e avaliação de desempenho: caso da UFSC. 2016. Disponível em: <https://repositorio.ufsc.br/xmlui/bitstream/handle/123456789/172074/OK - 101_00519 - OK.pdf?sequence=1&isAllowed=y>. Acesso em: 14 jan. 2019. GILIOLI, Renato de Sousa Porto. Evasão em instituições federais de ensino superior no Brasil: expansão da rede, SISU e desafios. 2016. Disponível em: <http://www2.camara.leg.br/documentos-e-pesquisa/publicacoes/estnottec/areas-daconle/ tema11/2016_7371_evasao-em-instituicoes-de-ensino-superior_renato-gilioli>. Acesso em: 14 jan. 2019. GÓMEZ, Magela Reny Fonticiella; TORRES, Julio Cesar. Discutindo o acesso e a permanência no ensino superior no contexto do SISU (Sistema de Seleção Unificada). Organizações e Democracia, Marília, SP, n. 1, v. 16, 2015. Disponível em: <http://www2.marilia.unesp.br/revistas/index.php/orgdemo/article/view/5162>. Acesso em: 14 jan. 2019. INSTITUTO NACIONAL DE ESTUDOS E PESQUISAS EDUCACIONAIS ANÍSIO TEIXEIRA – INEP. Sinopse estatística da educação superior. Brasília: Inep, 2017. Disponível em: <http://portal.inep.gov.br/web/guest/sinopses-estatisticas-daeducacao- superior>. Acesso em: 14 jan. 2019. KASSAI, José Roberto; Oliveira, Amanda Yamashiro Campos de; Silva, Carlos Eduardo Alves da; Carvalho, Luiz Nelson Guedes de. Reflexões sobre o nível de evasão e o custo anual per capita das unidades de ensino da USP com base no método Inquired Balance Sheet. XXXIV Encontro da ANPAD, Rio de Janeiro, RJ, 25 a 29 de setembro de 2010. Disponível em: <http://www.anpad.org.br/admin/pdf/epq1533.pdf>. Acesso em: 14 jan. 2019. KATZ, Guy; BARRETT, Clark; DILL, David; JULIAN, Kyle; KOCHENDERFER, Mykel. Reluplex: an efficient SMT solver for verifying deep neural networks. 3 fev. 2017. Disponível em: <https://arxiv.org/pdf/1702.01135.pdf>. Acesso em: 14 jan. 2019. KROTON EDUCACIONAL S.A. Formulário de Referência 2017 – Documentos Entregues à CVM. [S.l: s.n.], 2017. Disponível em: <http://ri.kroton.com.br/wpcontent/ uploads/sites/44/2018/01/Kroton_FRE_2017_v11.pdf>. Acesso em: 14 jan. 2019. ______. Formulário de Referência 2018 – Documentos Entregues à CVM. [S.l: s.n.], 2018. Disponível em: <https://s3.amazonaws.com/mz-filemanager/e1110a12- 6e58-4cb0-be24-ed1d5f18049a/289489cb-f726-4900-9ac1- ceb5b4585188_KROTON_FRE_2018_V9.pdf>. Acesso em: 14 jan. 2019. KUMAR, Pardeep; SEHGAL, Vivek Kumar; CHAUHAN, Durg Singh. A benchmark to select data mining based classification algorithms for business intelligence and decision support systems. International Journal of Data Mining & Knowledge Management Process (IJDKP), v. 22, n. 55, 2012. Disponível em: <https://arxiv.org/ftp/arxiv/papers/1210/1210.3139.pdf>. Acesso em: 14 jan. 2019. MACHADO, Roger Douglas; NARA, Elpidio; SCHREIBER, Jacques Nelson Corleta; SCHWINGEL, Guilherme Augusto. Estudo bibliométrico em mineração de dados e evasão escolar. Research Gate, 2015. Disponível em: <https://www.researchgate.net/publication/281034791_ESTUDO_BIBLIOMETRICO_ EM_MINERACAO_DE_DADOS_E_EVASAO_ESCOLAR>. Acesso em: 14 jan. 2019. MCCAFFREY, James. Machine learning: exploring the microsoft CNTK machine learning tool. Microsoft Magazine, jan. 2017. Disponível em: <https://msdn.microsoft.com/en-us/magazine/mt791798.aspx>. Acesso em: 14 jan. 2019. MCCULLOCH, Warren S.; PITTS, Walter H. A logical calculus of the ideas immanent in nervous activity. Bulletin of Mathematical Biophysics, v. 5, p. 115-133, 1943. Disponível em: <http://www.cse.chalmers.se/~coquand/AUTOMATA/mcp.pdf>. Acesso em: 14 jan. 2019. MICROSOFT. Microsoft cognitive toolkit. Disponível em: <https://www.microsoft.com/en-us/cognitive-toolkit/>. Acesso em: 14 jan. 2019a. ______. Loss functions and metrics. Disponível em: <https://docs.microsoft.com/en-us/cognitive-toolkit/Loss-Functions-and-Metrics>. Acesso em: 14 jan. 2019b. NG, Andrew. The problem of overfitting: regularization. Coursera. Disponível em: <https://www.coursera.org/lecture/machine-learning/the-problem-of-overfitting- ACpTQ>. Acesso em: 14 jan. 2019. NIKAM, Sagar S. A comparative study of classification techniques in data mining algorithms. Orient.J. Comp. Sci. and Technol, v. 8, n. 1, p. 13-19, 2015. Disponível em: <http://www.computerscijournal.org/?p=1592>. Acesso em: 14 jan. 2019. OPREA, Cristina; POPESCU, Delia Mioara; PETRESCU, Anca Gabriela; BARBU, Irina. A data mining based model to improve university management: EBSCOhost. Journal of Science and Arts, ano 17, v. 2, n. 39, p. 285-296, 2017. Disponível em: <http://www.icstm.ro/DOCS/josa/josa_2017_2/a_09_Oprea.pdf>. Acesso em: 14 jan. 2019. ORACLE. Data mining concepts: contents. Disponível em: <https://docs.oracle.com/cd/B28359_01/datamine.111/b28129/toc.htm>. Acesso em: 14 jan. 2019. POPELKA, Ondřej; HŘEBÍČEK, Jiří; ŠTENCL, Michael; HODINKA, Michael; TRENZ, Oldřich. Comparison of different non-statistical classification methods. 30th International Conference Mathematical Methods in Economics, p. 727-732, 2012. Disponível em: <http://mme2012.opf.slu.cz/proceedings/pdf/125_Popelka.pdf>. Acesso em: 14 jan. 2019. RASCHKA, Sebastian. What is the role of the activation function in a neural network? How does this function in a human neural network system? Quora, 2017. Disponível em: <https://www.quora.com/What-is-the-role-of-the-activationfunction- in-a-neural-network-How-does-this-function-in-a-human-neural-networksystem/ answer/Sebastian-Raschka-1>. Acesso em: 14 jan. 2019. ROMERO, Cristóbal; VENTURA, Sebastián; ESPEJO, Pedro G.; MARTÍNEZ, César Hervás. Data mining algorithms to classify students. Educational data mining 2008. The 1st International Conference on Educational Data Mining, Montréal, Québec, Canada, June 20-21, 2008, Proceedings. Disponível em: <http://citeseerx.ist.psu.edu/viewdoc/download?doi=10.1.1.217.4114&rep=rep1&type =pdf>. Acesso em: 14 jan. 2019. ROSENBLATT, Frank. The perceptron: a probabilistic model for information storage and organization in the brain. Psychological Review, v. 65, n. 6, p. 19-8, 1958. Disponível em: <http://www.ling.upenn.edu/courses/cogs501/Rosenblatt1958.pdf>. Acesso em: 14 jan. 2019. SILVA FILHO, Roberto Leal Lobo e; MOTEJUNAS, Paulo Roberto; HIPÓLITO, Oscar; LOBO, Maria Beatriz de Carvalho Melo. A evasão no ensino superior brasileiro. Cadernos de Pesquisa, v. 37, n. 132, p. 641-659, set./dez. 2007. Disponível em: <http://www.scielo.br/pdf/cp/v37n132/a0737132.pdf>. Acesso em: 14 jan. 2019. SILVA FILHO, Roberto Leal Lobo e; LOBO, Maria Beatriz de Carvalho Melo. Esclarecimentos metodológicos sobre os cálculos de evasão. 2012. Disponível em: <http://www.institutolobo.org.br/imagens/pdf/artigos/art_078.pdf>. Acesso em: 14 jan. 2019. SILVA, Ivan Nunes da; SPATTI, Danilo Hernane; FLAUZINO, Rogério Andrade. Redes neurais artificiais para engenharia e ciências aplicadas: curso prático. São Paulo: Artliber, 2010. SILVA, Hércules Ferrari Domingues da. Evasão na educação superior: um estudo em uma ies privada do médio tietê. Dissertação (Mestrado em Educação) – Programa de Pós-Graduação em Educação, Pró-Reitoria Acadêmica, Universidade de Sorocaba, Sorocaba, SP, 2015. Disponível em: <http://educacao.uniso.br/prod_cientifica/alunos/2015/hercules-silva.pdf>. Acesso em: 14 jan. 2019. SPENCE, A Michael. Signaling in retrospect and the informational structure of markets. 2001. Disponível em: <http://www.nobelprize.org/nobel_prizes/economicsciences/ laureates/2001/spence-lecture.pdf>. Acesso em: 24 abr. 2017. TONTINI, Gérson; WALTER, Anita. Pode-se identificar a propensão e reduzir a evasão de alunos? Ações estratégicas e resultados táticos para instituições de ensino superior. Avaliação: Revista da Avaliação da Educação Superior, v. 19, n. 1, p. 89-110, 2014. Disponível em: <http://www.redalyc.org/pdf/2191/219130127005.pdf>. Acesso em: 14 jan. 2019. UNIVERSIDADE FEDERAL DO TRIÂNGULO MINEIRO – UFTM. Resolução nº 10, de 27 de novembro de 2012, do Conselho Universitário da UFTM. Aprova o novo Regulamento dos Cursos de Graduação da UFTM. Uberaba/MG: [s.n.], 2012. Disponível em: <http://sistemas.uftm.edu.br/integrado/?to=N29zTFVkdGh2bjcyeC9odGFlSlRIRGthNj Z1VWY5Z1N1blFtdTJLUnFmbDdkU0V1YzVvZEtjbkZhTyt2UFBaeXRFSnpFbEMweit JNWV6NXR3RWZBVGE2T2dYMityc3JqbVp5UitkT3Z4LzFiNFNtNHdwU2ZNRTQ0R 3RCVURjenluR0hnVzE4Ynd2T0psYkdwZFJUeHRpTXBUQmVDVFNyM1FZZFM1Mz d4VHpDcXp0bkppNEYyd0VjUkFKaS9TNllt&secret=uftm>. Acesso em: 16 dez. 2018. ______. SISCAD 30 out. 2017. Base de Dados em PostgreSQL. Acesso em: 4 nov. 2017. ______. SISCAD abr./dez. 2018. Base de Dados em PostgreSQL. Acesso em: 15 dez. 2018. VAN VEEN, Fjodor. The neural network zoo. The Asimov Institute, 2016. Disponível em: <http://www.asimovinstitute.org/neural-network-zoo/>. Acesso em: 14 jan. 2019. ZENTUT. Data mining processes. Disponível em: <http://www.zentut.com/datamining/ data-mining-processes/>. Acesso em: 14 jan. 2019.http://creativecommons.org/licenses/by-nc-nd/4.0/info:eu-repo/semantics/openAccessreponame:Biblioteca Digital de Teses e Dissertações da UFTMinstname:Universidade Federal do Triangulo Mineiro (UFTM)instacron:UFTM2019-07-11T04:00:18Zoai:bdtd.uftm.edu.br:tede/753Biblioteca Digital de Teses e Dissertaçõeshttp://bdtd.uftm.edu.br/PUBhttp://bdtd.uftm.edu.br/oai/requestbdtd@uftm.edu.br||bdtd@uftm.edu.bropendoar:2019-07-11T04:00:18Biblioteca Digital de Teses e Dissertações da UFTM - Universidade Federal do Triangulo Mineiro (UFTM)false |
| dc.title.none.fl_str_mv |
Uso da técnica de mineração de dados como uma ferramenta de gestão da evasão no ensino superior |
| title |
Uso da técnica de mineração de dados como uma ferramenta de gestão da evasão no ensino superior |
| spellingShingle |
Uso da técnica de mineração de dados como uma ferramenta de gestão da evasão no ensino superior MELO, Alan Lopes Sistema de gestão acadêmica. Evasão. Mineração de dados. Redes neurais artificiais. Alerta de evasão. Academic management system. Evasion. Data mining. Artificial neural networks. Avoidance alert. Ciência da Computação |
| title_short |
Uso da técnica de mineração de dados como uma ferramenta de gestão da evasão no ensino superior |
| title_full |
Uso da técnica de mineração de dados como uma ferramenta de gestão da evasão no ensino superior |
| title_fullStr |
Uso da técnica de mineração de dados como uma ferramenta de gestão da evasão no ensino superior |
| title_full_unstemmed |
Uso da técnica de mineração de dados como uma ferramenta de gestão da evasão no ensino superior |
| title_sort |
Uso da técnica de mineração de dados como uma ferramenta de gestão da evasão no ensino superior |
| author |
MELO, Alan Lopes |
| author_facet |
MELO, Alan Lopes |
| author_role |
author |
| dc.contributor.none.fl_str_mv |
GONÇALVES, Julio Cesar de Souza Inácio 32715545878 http://lattes.cnpq.br/3449617170299224 |
| dc.contributor.author.fl_str_mv |
MELO, Alan Lopes |
| dc.subject.por.fl_str_mv |
Sistema de gestão acadêmica. Evasão. Mineração de dados. Redes neurais artificiais. Alerta de evasão. Academic management system. Evasion. Data mining. Artificial neural networks. Avoidance alert. Ciência da Computação |
| topic |
Sistema de gestão acadêmica. Evasão. Mineração de dados. Redes neurais artificiais. Alerta de evasão. Academic management system. Evasion. Data mining. Artificial neural networks. Avoidance alert. Ciência da Computação |
| description |
Para este estudo é proposta uma pesquisa aplicada ex post facto, do tipo quantitativa e descritiva, com base nas informações sobre os alunos existentes na base de dados do Sistema Acadêmico (SISCAD) da UFTM. Esta pesquisa tem por objetivo identificar um padrão de informações a respeito dos alunos que pode ser relacionado à possibilidade de evasão do ensino superior. Com este estudo, foi possível a criação de uma ferramenta automatizada, baseada na técnica de mineração de dados utilizando-se redes neurais artificiais, capazes de identificar os alunos com tendência à evasão. O modelo criado foi capaz de identificar 63,8% dos alunos que evadiram. Dentre todos os alunos analisados durante a validação do modelo, este foi capaz de identificar corretamente a situação de 70,5% dos alunos (entre evadidos e não evadidos). Também foi possível definir que o modelo consegue identificar os alunos com tendência à evasão com 36 dias de antecedência da ocorrência da evasão, na média. Foi proposto um mecanismo de geração de alertas, mediante a produção de um relatório que pode ser disponibilizado diretamente na ferramenta de gestão acadêmica (SISCAD). Dessa forma, os agentes da Instituição, como os coordenadores de curso e os servidores da Pró-Reitoria de Assuntos Comunitários e Estudantis (PROACE) da UFTM, poderão atuar junto aos alunos com essa tendência de evasão e tentar revertê-la. |
| publishDate |
2019 |
| dc.date.none.fl_str_mv |
2019-07-10T18:09:49Z 2019-02-14 |
| dc.type.status.fl_str_mv |
info:eu-repo/semantics/publishedVersion |
| dc.type.driver.fl_str_mv |
info:eu-repo/semantics/masterThesis |
| format |
masterThesis |
| status_str |
publishedVersion |
| dc.identifier.uri.fl_str_mv |
MELO, Alan Lopes. Uso da técnica de mineração de dados como uma ferramenta de gestão da evasão no ensino superior. 2019. 94f . Dissertação (Mestrado em Inovação Tecnológica) - Programa de Mestrado Profissional em Inovação Tecnológica - Universidade Federal do Triângulo Mineiro, Uberaba, 2019 . http://bdtd.uftm.edu.br/handle/tede/753 |
| identifier_str_mv |
MELO, Alan Lopes. Uso da técnica de mineração de dados como uma ferramenta de gestão da evasão no ensino superior. 2019. 94f . Dissertação (Mestrado em Inovação Tecnológica) - Programa de Mestrado Profissional em Inovação Tecnológica - Universidade Federal do Triângulo Mineiro, Uberaba, 2019 . |
| url |
http://bdtd.uftm.edu.br/handle/tede/753 |
| dc.language.iso.fl_str_mv |
por |
| language |
por |
| dc.relation.none.fl_str_mv |
AGGARWAL, Charu C. Data mining. Cham: Springer International Publishing, 2015. BAGGI, Cristiane Aparecida dos Santos; LOPES, Doraci Alves. Evasão e avaliação institucional no ensino superior: uma discussão bibliográfica. Avaliação, Campinas; Sorocaba, SP, v. 16, n. 2, p. 355-374, 2011. Disponível em: <http://www.scielo.br/pdf/aval/v16n2/a07v16n2.pdf>. Acesso em: 14 jan. 2019. BRAMER, Max. Principles of data mining. 3. ed. London: Springer London, 2016. BRASIL. Decreto nº 6.096, de 24 de abril de 2007. Institui o Programa de Apoio a Planos de Reestruturação e Expansão das Universidades Federais – REUNI. Diário Oficial da União, Brasília, DF, 25 abr. 2007. Disponível em: <http://www.planalto.gov.br/ccivil_03/_ato2007-2010/2007/decreto/d6096.htm>. Acesso em: 14 jan. 2019. ______. Lei nº 12.711, de 29 de agosto de 2012. Dispõe sobre o ingresso nas universidades federais e nas instituições federais de ensino técnico de nível médio e dá outras providências. Diário Oficial da União, Brasília, DF, 3 ago. 2012. Disponível em: <http://www.planalto.gov.br/ccivil_03/_ato2011- 2014/2012/lei/l12711.htm>. Acesso em: 14 jan. 2019. ______. Ministério da Educação – MEC. Portaria nº 315, de 4 de abril de 2018. Dispõe sobre os procedimentos de supervisão e monitoramento de instituições de educação superior integrantes do sistema federal de ensino e de cursos superiores de graduação e de pós-graduação lato sensu, nas modalidades presencial e a distância. Diário Oficial da União, Brasília, DF, 5 abr. 2018. Disponível em: <http://www.in.gov.br/web/guest/materia/- /asset_publisher/Kujrw0TZC2Mb/content/id/9177560/do1-2018-04-05-portaria-n-315- de-4-de-abril-de-2018-9177556>. Acesso em: 15 dez. 2018a. ______. Ministério da Educação – MEC. Portaria nº 1.095, de 25 de outubro de 2018. Dispõe sobre a expedição e o registro de diplomas de cursos superiores de graduação no âmbito do sistema federal de ensino. Diário Oficial da União, Brasília, DF, 26 out. 2018. Disponível em: <http://www.in.gov.br/materia/- /asset_publisher/Kujrw0TZC2Mb/content/id/47330359>. Acesso em: 15 dez. 2018b. BUENO, José Lino Oliveira. A evasão de alunos. Paidéia, Ribeirão Preto, SP, n. 5, p. 9-16 ago. 1993. Disponível em: <http://www.scielo.br/scielo.php?script=sci_arttext&pid=S0103- 863X1993000200002&lng=pt&nrm=iso>. Acesso em: 14 jan. 2019. BURGOS, Concepción; CAMPANARIO, María L.; PEÑA, David de la; LARA, Juan A.; LIZCANO, David; MARTÍNEZ, María A. Data mining for modeling students’ performance: a tutoring action plan to prevent academic dropout. Computers & Electrical Engineering, 18 mar. 2017. Disponível em: <https://www.sciencedirect.com/science/article/pii/S0045790617305220>. Acesso em: 14 jan. 2019. CNPQ. Tabela de áreas do conhecimento. Disponível em: <http://www.cnpq.br/documents/10157/186158/TabeladeAreasdoConhecimento.pdf> . Acesso em: 14 jan. 2019. COMISSÃO DE PLANEJAMENTO AVALIAÇÃO. Grupo de trabalho indicadores. 2015. Disponível em: <http://www.uff.br/sites/default/files/indicadores_do_forplad.pdf>. Acesso em: 14 jan. 2019. COMISSÃO ESPECIAL DE ESTUDOS SOBRE A EVASÃO NAS UNIVERSIDADES PÚBLICAS BRASILEIRAS – ANDIFES/ABRUEM/SESu/MEC. Diplomação, retenção e evasão nos cursos de graduação em instituições de ensino superior públicas. 1996. Disponível em: <http://www.andifes.org.br/wpcontent/ files_flutter/Diplomacao_Retencao_Evasao_Graduacao_em_IES_Publicas- 1996.pdf>. Acesso em: 14 jan. 2019. DAHAL, Paras. Classification and loss evaluation: softmax and cross entropy loss. DeepNotes. Disponível em: <https://deepnotes.io/softmax-crossentropy>. Acesso em: 14 jan. 2019. DUCATI, Erves; ALBERTON, LUIZ. Evasão, custos e avaliação de desempenho: caso da UFSC. 2016. Disponível em: <https://repositorio.ufsc.br/xmlui/bitstream/handle/123456789/172074/OK - 101_00519 - OK.pdf?sequence=1&isAllowed=y>. Acesso em: 14 jan. 2019. GILIOLI, Renato de Sousa Porto. Evasão em instituições federais de ensino superior no Brasil: expansão da rede, SISU e desafios. 2016. Disponível em: <http://www2.camara.leg.br/documentos-e-pesquisa/publicacoes/estnottec/areas-daconle/ tema11/2016_7371_evasao-em-instituicoes-de-ensino-superior_renato-gilioli>. Acesso em: 14 jan. 2019. GÓMEZ, Magela Reny Fonticiella; TORRES, Julio Cesar. Discutindo o acesso e a permanência no ensino superior no contexto do SISU (Sistema de Seleção Unificada). Organizações e Democracia, Marília, SP, n. 1, v. 16, 2015. Disponível em: <http://www2.marilia.unesp.br/revistas/index.php/orgdemo/article/view/5162>. Acesso em: 14 jan. 2019. INSTITUTO NACIONAL DE ESTUDOS E PESQUISAS EDUCACIONAIS ANÍSIO TEIXEIRA – INEP. Sinopse estatística da educação superior. Brasília: Inep, 2017. Disponível em: <http://portal.inep.gov.br/web/guest/sinopses-estatisticas-daeducacao- superior>. Acesso em: 14 jan. 2019. KASSAI, José Roberto; Oliveira, Amanda Yamashiro Campos de; Silva, Carlos Eduardo Alves da; Carvalho, Luiz Nelson Guedes de. Reflexões sobre o nível de evasão e o custo anual per capita das unidades de ensino da USP com base no método Inquired Balance Sheet. XXXIV Encontro da ANPAD, Rio de Janeiro, RJ, 25 a 29 de setembro de 2010. Disponível em: <http://www.anpad.org.br/admin/pdf/epq1533.pdf>. Acesso em: 14 jan. 2019. KATZ, Guy; BARRETT, Clark; DILL, David; JULIAN, Kyle; KOCHENDERFER, Mykel. Reluplex: an efficient SMT solver for verifying deep neural networks. 3 fev. 2017. Disponível em: <https://arxiv.org/pdf/1702.01135.pdf>. Acesso em: 14 jan. 2019. KROTON EDUCACIONAL S.A. Formulário de Referência 2017 – Documentos Entregues à CVM. [S.l: s.n.], 2017. Disponível em: <http://ri.kroton.com.br/wpcontent/ uploads/sites/44/2018/01/Kroton_FRE_2017_v11.pdf>. Acesso em: 14 jan. 2019. ______. Formulário de Referência 2018 – Documentos Entregues à CVM. [S.l: s.n.], 2018. Disponível em: <https://s3.amazonaws.com/mz-filemanager/e1110a12- 6e58-4cb0-be24-ed1d5f18049a/289489cb-f726-4900-9ac1- ceb5b4585188_KROTON_FRE_2018_V9.pdf>. Acesso em: 14 jan. 2019. KUMAR, Pardeep; SEHGAL, Vivek Kumar; CHAUHAN, Durg Singh. A benchmark to select data mining based classification algorithms for business intelligence and decision support systems. International Journal of Data Mining & Knowledge Management Process (IJDKP), v. 22, n. 55, 2012. Disponível em: <https://arxiv.org/ftp/arxiv/papers/1210/1210.3139.pdf>. Acesso em: 14 jan. 2019. MACHADO, Roger Douglas; NARA, Elpidio; SCHREIBER, Jacques Nelson Corleta; SCHWINGEL, Guilherme Augusto. Estudo bibliométrico em mineração de dados e evasão escolar. Research Gate, 2015. Disponível em: <https://www.researchgate.net/publication/281034791_ESTUDO_BIBLIOMETRICO_ EM_MINERACAO_DE_DADOS_E_EVASAO_ESCOLAR>. Acesso em: 14 jan. 2019. MCCAFFREY, James. Machine learning: exploring the microsoft CNTK machine learning tool. Microsoft Magazine, jan. 2017. Disponível em: <https://msdn.microsoft.com/en-us/magazine/mt791798.aspx>. Acesso em: 14 jan. 2019. MCCULLOCH, Warren S.; PITTS, Walter H. A logical calculus of the ideas immanent in nervous activity. Bulletin of Mathematical Biophysics, v. 5, p. 115-133, 1943. Disponível em: <http://www.cse.chalmers.se/~coquand/AUTOMATA/mcp.pdf>. Acesso em: 14 jan. 2019. MICROSOFT. Microsoft cognitive toolkit. Disponível em: <https://www.microsoft.com/en-us/cognitive-toolkit/>. Acesso em: 14 jan. 2019a. ______. Loss functions and metrics. Disponível em: <https://docs.microsoft.com/en-us/cognitive-toolkit/Loss-Functions-and-Metrics>. Acesso em: 14 jan. 2019b. NG, Andrew. The problem of overfitting: regularization. Coursera. Disponível em: <https://www.coursera.org/lecture/machine-learning/the-problem-of-overfitting- ACpTQ>. Acesso em: 14 jan. 2019. NIKAM, Sagar S. A comparative study of classification techniques in data mining algorithms. Orient.J. Comp. Sci. and Technol, v. 8, n. 1, p. 13-19, 2015. Disponível em: <http://www.computerscijournal.org/?p=1592>. Acesso em: 14 jan. 2019. OPREA, Cristina; POPESCU, Delia Mioara; PETRESCU, Anca Gabriela; BARBU, Irina. A data mining based model to improve university management: EBSCOhost. Journal of Science and Arts, ano 17, v. 2, n. 39, p. 285-296, 2017. Disponível em: <http://www.icstm.ro/DOCS/josa/josa_2017_2/a_09_Oprea.pdf>. Acesso em: 14 jan. 2019. ORACLE. Data mining concepts: contents. Disponível em: <https://docs.oracle.com/cd/B28359_01/datamine.111/b28129/toc.htm>. Acesso em: 14 jan. 2019. POPELKA, Ondřej; HŘEBÍČEK, Jiří; ŠTENCL, Michael; HODINKA, Michael; TRENZ, Oldřich. Comparison of different non-statistical classification methods. 30th International Conference Mathematical Methods in Economics, p. 727-732, 2012. Disponível em: <http://mme2012.opf.slu.cz/proceedings/pdf/125_Popelka.pdf>. Acesso em: 14 jan. 2019. RASCHKA, Sebastian. What is the role of the activation function in a neural network? How does this function in a human neural network system? Quora, 2017. Disponível em: <https://www.quora.com/What-is-the-role-of-the-activationfunction- in-a-neural-network-How-does-this-function-in-a-human-neural-networksystem/ answer/Sebastian-Raschka-1>. Acesso em: 14 jan. 2019. ROMERO, Cristóbal; VENTURA, Sebastián; ESPEJO, Pedro G.; MARTÍNEZ, César Hervás. Data mining algorithms to classify students. Educational data mining 2008. The 1st International Conference on Educational Data Mining, Montréal, Québec, Canada, June 20-21, 2008, Proceedings. Disponível em: <http://citeseerx.ist.psu.edu/viewdoc/download?doi=10.1.1.217.4114&rep=rep1&type =pdf>. Acesso em: 14 jan. 2019. ROSENBLATT, Frank. The perceptron: a probabilistic model for information storage and organization in the brain. Psychological Review, v. 65, n. 6, p. 19-8, 1958. Disponível em: <http://www.ling.upenn.edu/courses/cogs501/Rosenblatt1958.pdf>. Acesso em: 14 jan. 2019. SILVA FILHO, Roberto Leal Lobo e; MOTEJUNAS, Paulo Roberto; HIPÓLITO, Oscar; LOBO, Maria Beatriz de Carvalho Melo. A evasão no ensino superior brasileiro. Cadernos de Pesquisa, v. 37, n. 132, p. 641-659, set./dez. 2007. Disponível em: <http://www.scielo.br/pdf/cp/v37n132/a0737132.pdf>. Acesso em: 14 jan. 2019. SILVA FILHO, Roberto Leal Lobo e; LOBO, Maria Beatriz de Carvalho Melo. Esclarecimentos metodológicos sobre os cálculos de evasão. 2012. Disponível em: <http://www.institutolobo.org.br/imagens/pdf/artigos/art_078.pdf>. Acesso em: 14 jan. 2019. SILVA, Ivan Nunes da; SPATTI, Danilo Hernane; FLAUZINO, Rogério Andrade. Redes neurais artificiais para engenharia e ciências aplicadas: curso prático. São Paulo: Artliber, 2010. SILVA, Hércules Ferrari Domingues da. Evasão na educação superior: um estudo em uma ies privada do médio tietê. Dissertação (Mestrado em Educação) – Programa de Pós-Graduação em Educação, Pró-Reitoria Acadêmica, Universidade de Sorocaba, Sorocaba, SP, 2015. Disponível em: <http://educacao.uniso.br/prod_cientifica/alunos/2015/hercules-silva.pdf>. Acesso em: 14 jan. 2019. SPENCE, A Michael. Signaling in retrospect and the informational structure of markets. 2001. Disponível em: <http://www.nobelprize.org/nobel_prizes/economicsciences/ laureates/2001/spence-lecture.pdf>. Acesso em: 24 abr. 2017. TONTINI, Gérson; WALTER, Anita. Pode-se identificar a propensão e reduzir a evasão de alunos? Ações estratégicas e resultados táticos para instituições de ensino superior. Avaliação: Revista da Avaliação da Educação Superior, v. 19, n. 1, p. 89-110, 2014. Disponível em: <http://www.redalyc.org/pdf/2191/219130127005.pdf>. Acesso em: 14 jan. 2019. UNIVERSIDADE FEDERAL DO TRIÂNGULO MINEIRO – UFTM. Resolução nº 10, de 27 de novembro de 2012, do Conselho Universitário da UFTM. Aprova o novo Regulamento dos Cursos de Graduação da UFTM. Uberaba/MG: [s.n.], 2012. Disponível em: <http://sistemas.uftm.edu.br/integrado/?to=N29zTFVkdGh2bjcyeC9odGFlSlRIRGthNj Z1VWY5Z1N1blFtdTJLUnFmbDdkU0V1YzVvZEtjbkZhTyt2UFBaeXRFSnpFbEMweit JNWV6NXR3RWZBVGE2T2dYMityc3JqbVp5UitkT3Z4LzFiNFNtNHdwU2ZNRTQ0R 3RCVURjenluR0hnVzE4Ynd2T0psYkdwZFJUeHRpTXBUQmVDVFNyM1FZZFM1Mz d4VHpDcXp0bkppNEYyd0VjUkFKaS9TNllt&secret=uftm>. Acesso em: 16 dez. 2018. ______. SISCAD 30 out. 2017. Base de Dados em PostgreSQL. Acesso em: 4 nov. 2017. ______. SISCAD abr./dez. 2018. Base de Dados em PostgreSQL. Acesso em: 15 dez. 2018. VAN VEEN, Fjodor. The neural network zoo. The Asimov Institute, 2016. Disponível em: <http://www.asimovinstitute.org/neural-network-zoo/>. Acesso em: 14 jan. 2019. ZENTUT. Data mining processes. Disponível em: <http://www.zentut.com/datamining/ data-mining-processes/>. Acesso em: 14 jan. 2019. |
| dc.rights.driver.fl_str_mv |
http://creativecommons.org/licenses/by-nc-nd/4.0/ info:eu-repo/semantics/openAccess |
| rights_invalid_str_mv |
http://creativecommons.org/licenses/by-nc-nd/4.0/ |
| eu_rights_str_mv |
openAccess |
| dc.format.none.fl_str_mv |
application/pdf application/pdf |
| dc.publisher.none.fl_str_mv |
Universidade Federal do Triângulo Mineiro Instituto de Ciências Tecnológicas e Exatas - ICTE::Programa de Mestrado Profissional em Inovação Tecnológica Brasil UFTM Programa de Mestrado Profissional em Inovação Tecnológica |
| publisher.none.fl_str_mv |
Universidade Federal do Triângulo Mineiro Instituto de Ciências Tecnológicas e Exatas - ICTE::Programa de Mestrado Profissional em Inovação Tecnológica Brasil UFTM Programa de Mestrado Profissional em Inovação Tecnológica |
| dc.source.none.fl_str_mv |
reponame:Biblioteca Digital de Teses e Dissertações da UFTM instname:Universidade Federal do Triangulo Mineiro (UFTM) instacron:UFTM |
| instname_str |
Universidade Federal do Triangulo Mineiro (UFTM) |
| instacron_str |
UFTM |
| institution |
UFTM |
| reponame_str |
Biblioteca Digital de Teses e Dissertações da UFTM |
| collection |
Biblioteca Digital de Teses e Dissertações da UFTM |
| repository.name.fl_str_mv |
Biblioteca Digital de Teses e Dissertações da UFTM - Universidade Federal do Triangulo Mineiro (UFTM) |
| repository.mail.fl_str_mv |
bdtd@uftm.edu.br||bdtd@uftm.edu.br |
| _version_ |
1797221188393500672 |