Algoritmos de aprendizagem de máquina na previsão da evasão nos cursos de engenharia da Universidade Federal de Santa Catarina

Detalhes bibliográficos
Ano de defesa: 2023
Autor(a) principal: Curbani, Fernando
Orientador(a): Zibetti, André Wüst
Banca de defesa: Não Informado pela instituição
Tipo de documento: Dissertação
Tipo de acesso: Acesso aberto
Idioma: por
Instituição de defesa: Não Informado pela instituição
Programa de Pós-Graduação: Não Informado pela instituição
Departamento: Não Informado pela instituição
País: Não Informado pela instituição
Link de acesso: https://repositorio.ufsc.br/handle/123456789/249947
Resumo: Dissertação (mestrado profissional) - Universidade Federal de Santa Catarina, Centro Tecnológico, Programa de Pós-Graduação em Métodos e Gestão em Avaliação, Florianópolis, 2023.
id UFSC_c0c7cdbe106aba4e3f8bb2d89d4d53d0
oai_identifier_str oai:repositorio.ufsc.br:123456789/249947
network_acronym_str UFSC
network_name_str Repositório Institucional da UFSC
repository_id_str
spelling Universidade Federal de Santa CatarinaCurbani, FernandoZibetti, André WüstZanella, Andreia2023-09-01T13:05:39Z2023-09-01T13:05:39Z2023383028https://repositorio.ufsc.br/handle/123456789/249947Dissertação (mestrado profissional) - Universidade Federal de Santa Catarina, Centro Tecnológico, Programa de Pós-Graduação em Métodos e Gestão em Avaliação, Florianópolis, 2023.A evasão universitária é um fenômeno preocupante que ocorre quando estudantes abandonam o ensino superior antes de concluírem seus cursos, essa é uma realidade comum em diversas instituições de ensino no Brasil e do mundo. Este trabalho tem como tema a evasão dos cursos de engenharia de uma universidade federal brasileira. O objetivo do estudo é realizar uma comparação do desempenho de diferentes algoritmos de aprendizagem de máquina na previsão da evasão dos alunos desses cursos. O estudo foi realizado na Universidade Federal de Santa Catarina, com uma amostra inicial de 4394 alunos. Para alcançar esse objetivo, o processo de CRISP-DM (Cross-Industry Standard Process for Data Mining) foi aplicado, utilizando variáveis independentes relacionadas a dados acadêmicos, socioeconômicos e demográficos em três momentos distintos: pré-matrícula, final do primeiro semestre e final do terceiro semestre. Os resultados obtidos revelaram uma Acurácia de 69,20%, 80,47% e 84,52% respectivamente nos três modelos analisados, com uma Sensibilidade máxima de 60,79% no Terceiro Semestre. Além disso, ao equilibrar os dados, a Sensibilidade aumentou para 79,93%. O ajuste do limiar de classificação também possibilitou uma maior capacidade de previsão dos estudantes propensos a evadir. A partir da avaliação dos modelos criados, o algoritmo Random Forest foi selecionado por ter trazido os melhores resultados de previsão.Abstract: University dropout is a concerning phenomenon where students abandon higher education before completing their courses, and it is a common reality in many educational institutions in Brazil and worldwide. This study focuses on dropout in engineering courses at a Brazilian federal university. The objective is to compare the performance of different machine learning algorithms in predicting dropout among students in these courses. The study was conducted at the Federal University of Santa Catarina, with an initial sample of 4394 students. To achieve this goal, the CRISP-DM (Cross-Industry Standard Process for Data Mining) process was applied, using independent variables related to academic, socioeconomic, and demographic data at three different time points: pre-enrollment, end of the first semester, and end of the third semester. The results revealed an accuracy of 69.20%, 80.47%, and 84.52%, respectively, in the three analyzed models, with a maximum sensitivity of 60.79% in the third semester. Furthermore, by balancing the data, sensitivity increased to 79.93%. Adjusting the classification threshold also improved the ability to predict students at risk of dropout. Based on the evaluation of the created models, the Random Forest algorithm was selected as it provided the best prediction results.102 p.| il., gráfs.porCiênciaEvasão universitáriaAprendizado do computadorEngenhariaAlgorítmos computacionaisAlgoritmos de aprendizagem de máquina na previsão da evasão nos cursos de engenharia da Universidade Federal de Santa Catarinainfo:eu-repo/semantics/publishedVersioninfo:eu-repo/semantics/masterThesisreponame:Repositório Institucional da UFSCinstname:Universidade Federal de Santa Catarina (UFSC)instacron:UFSCinfo:eu-repo/semantics/openAccessORIGINALPMGA0068-D.pdfPMGA0068-D.pdfapplication/pdf2444976https://repositorio.ufsc.br/bitstream/123456789/249947/1/PMGA0068-D.pdf4872889a732f233678ca4844e48a4fabMD51123456789/2499472023-09-01 10:05:39.698oai:repositorio.ufsc.br:123456789/249947Repositório InstitucionalPUBhttp://150.162.242.35/oai/requestsandra.sobrera@ufsc.bropendoar:23732023-09-01T13:05:39Repositório Institucional da UFSC - Universidade Federal de Santa Catarina (UFSC)false
dc.title.none.fl_str_mv Algoritmos de aprendizagem de máquina na previsão da evasão nos cursos de engenharia da Universidade Federal de Santa Catarina
title Algoritmos de aprendizagem de máquina na previsão da evasão nos cursos de engenharia da Universidade Federal de Santa Catarina
spellingShingle Algoritmos de aprendizagem de máquina na previsão da evasão nos cursos de engenharia da Universidade Federal de Santa Catarina
Curbani, Fernando
Ciência
Evasão universitária
Aprendizado do computador
Engenharia
Algorítmos computacionais
title_short Algoritmos de aprendizagem de máquina na previsão da evasão nos cursos de engenharia da Universidade Federal de Santa Catarina
title_full Algoritmos de aprendizagem de máquina na previsão da evasão nos cursos de engenharia da Universidade Federal de Santa Catarina
title_fullStr Algoritmos de aprendizagem de máquina na previsão da evasão nos cursos de engenharia da Universidade Federal de Santa Catarina
title_full_unstemmed Algoritmos de aprendizagem de máquina na previsão da evasão nos cursos de engenharia da Universidade Federal de Santa Catarina
title_sort Algoritmos de aprendizagem de máquina na previsão da evasão nos cursos de engenharia da Universidade Federal de Santa Catarina
author Curbani, Fernando
author_facet Curbani, Fernando
author_role author
dc.contributor.none.fl_str_mv Universidade Federal de Santa Catarina
dc.contributor.author.fl_str_mv Curbani, Fernando
dc.contributor.advisor1.fl_str_mv Zibetti, André Wüst
dc.contributor.advisor-co1.fl_str_mv Zanella, Andreia
contributor_str_mv Zibetti, André Wüst
Zanella, Andreia
dc.subject.classification.none.fl_str_mv Ciência
Evasão universitária
Aprendizado do computador
Engenharia
Algorítmos computacionais
topic Ciência
Evasão universitária
Aprendizado do computador
Engenharia
Algorítmos computacionais
description Dissertação (mestrado profissional) - Universidade Federal de Santa Catarina, Centro Tecnológico, Programa de Pós-Graduação em Métodos e Gestão em Avaliação, Florianópolis, 2023.
publishDate 2023
dc.date.accessioned.fl_str_mv 2023-09-01T13:05:39Z
dc.date.available.fl_str_mv 2023-09-01T13:05:39Z
dc.date.issued.fl_str_mv 2023
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 https://repositorio.ufsc.br/handle/123456789/249947
dc.identifier.other.none.fl_str_mv 383028
identifier_str_mv 383028
url https://repositorio.ufsc.br/handle/123456789/249947
dc.language.iso.fl_str_mv por
language por
dc.rights.driver.fl_str_mv info:eu-repo/semantics/openAccess
eu_rights_str_mv openAccess
dc.format.none.fl_str_mv 102 p.| il., gráfs.
dc.source.none.fl_str_mv reponame:Repositório Institucional da UFSC
instname:Universidade Federal de Santa Catarina (UFSC)
instacron:UFSC
instname_str Universidade Federal de Santa Catarina (UFSC)
instacron_str UFSC
institution UFSC
reponame_str Repositório Institucional da UFSC
collection Repositório Institucional da UFSC
bitstream.url.fl_str_mv https://repositorio.ufsc.br/bitstream/123456789/249947/1/PMGA0068-D.pdf
bitstream.checksum.fl_str_mv 4872889a732f233678ca4844e48a4fab
bitstream.checksumAlgorithm.fl_str_mv MD5
repository.name.fl_str_mv Repositório Institucional da UFSC - Universidade Federal de Santa Catarina (UFSC)
repository.mail.fl_str_mv sandra.sobrera@ufsc.br
_version_ 1851759205076172800

Registros relacionados