Previsão automática de evasão estudantil: um estudo de caso na UFCG.

• Ano de defesa: 2016
• Autor(a) principal: MELO, Allan Sales da Costa.
• Tipo de documento: Dissertação
• Tipo de acesso: Acesso aberto
• Idioma: por
• Instituição de defesa: Universidade Federal de Campina Grande; Brasil; Centro de Engenharia Elétrica e Informática - CEEI; PÓS-GRADUAÇÃO EM CIÊNCIA DA COMPUTAÇÃO; UFCG
• Palavras-chave em Português: Evasão Estudantil; Probabilidade de Evasão - Estudantes - Universidades; Learning Analytics; Educational Data Mining; Dissertação - Ciência da Computação; Ciências; Ciência da Computação
• Link de acesso: http://dspace.sti.ufcg.edu.br:8080/jspui/handle/riufcg/800

A evasão estudantil é uma das maiores preocupações dos institutos de ensino superior brasileiros já que ela pode ser uma das causas de desperdício de recursos da Universidade. A previsão dos estudantes com alta probabilidade de evasão, assim como o entendimento das causas que os levaram a evadir, são fatores cruciais para a definição mais efetiva de ações preventivas para o problema. Nesta dissertação, o problema da detecção de evasão foi abordado como um problema de aprendizagem de máquina supervisionada. Utilizou-se uma amostra de registros acadêmicos de estudantes considerando-se todos os 76 cursos da Universidade Federal de Campina Grande com o objetivo de obter e selecionar atributos informativos para os modelos de classificação e foram criados dois tipos de modelos, um que separa os estudantes por cursos e outro que não faz distinção de cursos. Os dois modelos criados foram comparados e pôde-se concluir que não fazer distinção de alunos por curso resulta em melhores resultados que fazer distinção de alunos por curso.