Aplicação de técnicas de mineração de dados e Learning Analytics para predição de evasão de alunos nos cursos de Ciência da Computação e Engenharias da UFPel

• Ano de defesa: 2021
• Autor(a) principal: Costa, Alexandre Gomes da
• Orientador(a): Mattos, Júlio Carlos Balzano de
• Tipo de documento: Dissertação
• Tipo de acesso: Acesso aberto
• Idioma: por
• Instituição de defesa: Universidade Federal de Pelotas
• Programa de Pós-Graduação: Programa de Pós-Graduação em Computação
• Departamento: Centro de Desenvolvimento Tecnológico
• País: Brasil
• Palavras-chave em Português: Computação; Mineração de dados educacionais; Learning analytics; Técnicas de predição; Descoberta de conhecimento em base de dados; Educational data mining; Prediction techniques; Knowledge-discovery in databases
• Área do conhecimento CNPq: CNPQ::CIENCIAS EXATAS E DA TERRA::CIENCIA DA COMPUTACAO::METODOLOGIA E TECNICAS DA COMPUTACAO
• Link de acesso: http://guaiaca.ufpel.edu.br/handle/prefix/7716

Os sistemas de gestão para educação armazenam uma grande quantidade de dados oriundos de diversas modalidades de interação entre alunos e professores, mas também entre os alunos e o ambiente educacional. Analisar e encontrar padrões nesta quantidade de dados manualmente é inviável, por isso a utilização de Mineração de Dados Educacionais (MDE) é largamente utilizada. Este trabalho apresenta modelos de predição de alunos em risco de evasão usando apenas os dados dos três primeiros semestres cursados pelos alunos (N=1514) no curso de Ciência da Computação e alunos (N=6351) de doze cursos de Engenharia da Universidade Federal de Pelotas (UFPel). Ambos conjuntos de dados utilizaram os mesmos atributos, que foi no total de 22 atributos entre socio-econômicos e acadêmicos. Neste trabalho é utilizada a metodologia CRISP-DM e os dados extraídos no sistema acadêmico da UFPel (Cobalto). Foram selecionados Para as duas bases de dados (Ciência da Computação e Engenharias) são apresentados resultados para cinco algoritmos de predição. Para o curso de Ciência da Computação, o melhor resultado foi com o modelo de Regressão Logística que obteve um precisão de 90,16% e uma revocação de 90,34%. Já para os doze cursos de Engenharia, o resultado obtido para o modelo de Floresta Aleatória foi de uma precisão de 83,40% e uma revocação de 79,48%. Em ambas as bases de dados os resultados indicam que é possível criar um modelo de predição utilizando apenas os dados dos três primeiros semestres.