Evasão nos cursos de graduação do Instituto Federal Catarinense: um estudo a partir da mineração de dados

Dissertação (mestrado profissional) - Universidade Federal de Santa Catarina, Centro Tecnológico, Programa de Pós-Graduação em Métodos e Gestão em Avaliação, Florianópolis, 2020.

Detalhes bibliográficos
Autor: Mioranza, Diego Trentin
Formato: tesis de maestría
Estado:Versión publicada
Fecha de publicación:2020
País:Brasil
Recursos:Universidade Federal de Santa Catarina (UFSC)
Repositorio:Repositório Institucional da UFSC
Idioma:portugués
OAI Identifier:oai:repositorio.ufsc.br:123456789/216662
Acesso em linha:https://repositorio.ufsc.br/handle/123456789/216662
Access Level:acceso abierto
Palavra-chave:Ciência
Evasão escolar
Evasão universitária
Mineração de dados
id BR_325b30cefe1f7eb7eab80dfd9ad7eaf4
oai_identifier_str oai:repositorio.ufsc.br:123456789/216662
network_acronym_str BR
network_name_str Brasil
repository_id_str
spelling Universidade Federal de Santa CatarinaReis, Marcelo Menezes2020-10-21T21:32:36Z2020-10-21T21:32:36Z2020369639https://repositorio.ufsc.br/handle/123456789/216662Dissertação (mestrado profissional) - Universidade Federal de Santa Catarina, Centro Tecnológico, Programa de Pós-Graduação em Métodos e Gestão em Avaliação, Florianópolis, 2020.Este trabalho tem como tema a evasão discente no ensino superior de um instituto federal de educação, ciência e tecnologia. O objetivo deste estudo é propor uma metodologia para identificar precocemente os alunos com maior propensão a evadir de modo a tornar possível que ações de intervenção sejam tomadas em tempo hábil para mitigar o problema. A pesquisa utiliza técnicas de Mineração de Dados Educacionais (EDM) para classificar os discentes ingressantes de acordo com sua propensão a evadir a partir de dados cadastrais e acadêmicos dos estudantes. Os resultados demonstram que é possível prever, com base nos dados cadastrais obtidos antes do início das aulas, a situação da matrícula dos alunos com 66,04% de acurácia e predizer com acerto de 66,3% os estudantes que têm sua matrícula cancelada. Após o primeiro semestre letivo a previsão se torna mais precisa, com os algoritmos de mineração de dados atingindo 75,52% de acerto geral e 67,53% de acerto das evasões. Além da previsão, foi possível identificar quais as variáveis mais relevantes para a permanência ou não no curso.Abstract: This work has as its theme the student dropout in higher education of a Brazilian federal institute of education, science and technology. The goal of this study is to propose a methodology to identify early the students most likely to dropout the courses, in order to do intervention and mitigate the problem in a short period of time. The research applies Educational Data Mining (EDM) techniques to classify incoming students according to their propensity to evade using students' registration and academic data. The results show that it is possible to predict, based on the registration data obtained before the beginning of classes, the situation of students' enrollment with 66.04% accuracy and predict with 66.3% correctness of students who have their enrollment canceled. After the first semester, the forecast becomes more accurate, with the data mining algorithms reaching 75.52% of general accuracy and 67.53% of dropout accuracy. In addition to the forecast, it was possible to identify which variables are most relevant for student retention.120 p.| il., gráfs., tabs.porCiênciaEvasão escolarEvasão universitáriaMineração de dadosEvasão nos cursos de graduação do Instituto Federal Catarinense: um estudo a partir da mineração de dadosinfo:eu-repo/semantics/publishedVersioninfo:eu-repo/semantics/masterThesisreponame:Repositório Institucional da UFSCinstname:Universidade Federal de Santa Catarina (UFSC)instacron:UFSCinfo:eu-repo/semantics/openAccessMioranza, Diego TrentinORIGINALPMGA0051-D.pdfPMGA0051-D.pdfapplication/pdf2089976https://repositorio.ufsc.br/bitstream/123456789/216662/-1/PMGA0051-D.pdf30fef99e4069c33e9781dd45a76b2c03MD5-1123456789/2166622020-10-21 18:32:36.276oai:repositorio.ufsc.br:123456789/216662Repositório InstitucionalPUBhttp://150.162.242.35/oai/requestsandra.sobrera@ufsc.bropendoar:23732020-10-21T21:32:36Repositório Institucional da UFSC - Universidade Federal de Santa Catarina (UFSC)false
dc.title.none.fl_str_mv Evasão nos cursos de graduação do Instituto Federal Catarinense: um estudo a partir da mineração de dados
title Evasão nos cursos de graduação do Instituto Federal Catarinense: um estudo a partir da mineração de dados
spellingShingle Evasão nos cursos de graduação do Instituto Federal Catarinense: um estudo a partir da mineração de dados
Mioranza, Diego Trentin
Ciência
Evasão escolar
Evasão universitária
Mineração de dados
title_short Evasão nos cursos de graduação do Instituto Federal Catarinense: um estudo a partir da mineração de dados
title_full Evasão nos cursos de graduação do Instituto Federal Catarinense: um estudo a partir da mineração de dados
title_fullStr Evasão nos cursos de graduação do Instituto Federal Catarinense: um estudo a partir da mineração de dados
title_full_unstemmed Evasão nos cursos de graduação do Instituto Federal Catarinense: um estudo a partir da mineração de dados
title_sort Evasão nos cursos de graduação do Instituto Federal Catarinense: um estudo a partir da mineração de dados
dc.creator.none.fl_str_mv Mioranza, Diego Trentin
author Mioranza, Diego Trentin
author_facet Mioranza, Diego Trentin
author_role author
dc.contributor.none.fl_str_mv Universidade Federal de Santa Catarina
dc.contributor.advisor1.fl_str_mv Reis, Marcelo Menezes
contributor_str_mv Reis, Marcelo Menezes
dc.subject.classification.none.fl_str_mv Ciência
Evasão escolar
Evasão universitária
Mineração de dados
topic Ciência
Evasão escolar
Evasão universitária
Mineração de dados
description Dissertação (mestrado profissional) - Universidade Federal de Santa Catarina, Centro Tecnológico, Programa de Pós-Graduação em Métodos e Gestão em Avaliação, Florianópolis, 2020.
publishDate 2020
dc.date.accessioned.fl_str_mv 2020-10-21T21:32:36Z
dc.date.available.fl_str_mv 2020-10-21T21:32:36Z
dc.date.issued.fl_str_mv 2020
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/123456789/216662
dc.identifier.other.none.fl_str_mv 369639
identifier_str_mv 369639
url https://repositorio.ufsc.br/handle/123456789/216662
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 120 p.| il., gráfs., tabs.
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/123456789/216662/-1/PMGA0051-D.pdf
bitstream.checksum.fl_str_mv 30fef99e4069c33e9781dd45a76b2c03
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_ 1853672726186688512
score 15,301629

Registos relacionados