O uso de aprendizado de máquina para identificar alunos em risco de evasão na educação a distância

• Ano de defesa: 2020
• Autor(a) principal: Oliveira, Myke Morais de
• Orientador(a): Espíndula, Danúbia Bueno, Pias, Marcelo Rita
• Tipo de documento: Dissertação
• Tipo de acesso: Acesso aberto
• Idioma: por
• Palavras-chave em Português: Modelo preditivo; Aprendizado de máquina; Deep learning; Evasão na educação a distância; Dados do Moodle; Predictive model; Machine learning; Dropout in distance education; Moodle data
• Link de acesso: http://repositorio.furg.br/handle/1/9858

Identificar alunos em risco de evasão tornou-se um importante objeto de pesquisa, visto que é um problema que ocasiona danos sociais, acadêmicos e financeiros. Diante desse cenário, surgiram diversas pesquisas na literatura que propõem soluções para ajudar na identificação prévia de estudantes em risco de evasão. Muitas delas utilizam algoritmos convencionais de aprendizado de máquina sobre dados educacionais, com o objetivo de detectar padrões que denunciem o perfil de um aluno que evade. No entanto, existem maneiras mais avançadas na atualidade, que poderiam explorar melhor, em termos de desempenho e qualidade, os dados educacionais para gerar um modelo preditivo mais robusto, como Deep Learning. Assim, nesta dissertação, apresentam-se duas abordagens para ajudar no processo de identificação prévia de alunos em risco de evasão. Na primeira abordagem, oito algoritmos convencionais de aprendizado de máquina foram utilizados para explorar o dataset que foi construído com dados da plataforma Moodle de dois cursos a distância, e avalia-lo no processo de modelagem preditiva. Essa abordagem resultou em dois experimentos que foram essenciais para a implementação da segunda abordagem, em que utilizou-se Deep Learning para a implementação de uma Recurrent Neural Network que, com células de LSTM em sua arquitetura, tem uma grande capacidade de aprendizagem. Com esta abordagem, realizou-se um terceiro experimento, em que pode ser observado o potencial de uma LSTM para lidar com a natureza dos dados dessa pesquisa.