Portabilidade de modelos através de transferência de conhecimento para predição do rendimento de alunos de graduação

Detalhes bibliográficos
Ano de defesa: 2021
Autor(a) principal: Beltrán, Carlos Antonio Ramírez
Orientador(a): Xavier Júnior, João Carlos
Banca de defesa: Não Informado pela instituição
Tipo de documento: Dissertação
Tipo de acesso: Acesso aberto
Idioma: por
Instituição de defesa: Universidade Federal do Rio Grande do Norte
Programa de Pós-Graduação: PROGRAMA DE PÓS-GRADUAÇÃO EM TECNOLOGIA DA INFORMAÇÃO
Departamento: Não Informado pela instituição
País: Brasil
Palavras-chave em Português:
Link de acesso: https://repositorio.ufrn.br/handle/123456789/32414
Resumo: Um dos grandes desafios da educação, nos últimos anos, tem sido prever o desempenho dos alunos de forma certa e confiável, a fim de aplicar diversas estratégias para melhorar as suas deficiências acadêmicas. Desse modo, existem muitos trabalhos e pesquisas centrados em encontrar, de forma individual, modelos de Aprendizado de Máquina (AM), mas poucos utilizam-se do conhecimento adquirido de um curso ou disciplina para prever os resultados de outra. Dessa forma, o principal objetivo deste trabalho é buscar a portabilidade de modelos através da Transferência de Conhecimento, para poder prever o rendimento de alunos de graduação, o que será feito baseando-se nos registros do Moodle extraídos de 35 disciplinas. Através da metodologia experimental aplicada, serão avaliados cada um dos dois tipos de agrupamentos formados pelas disciplinas: os formados de acordo com o curso de graduação e os de acordo com as atividades usadas no Moodle. A extração dos dados de cada agrupamento será realizada a partir dos registros do Moodle, utilizando os seguintes métodos de avaliação: validação cruzada e hold-out. Com isso, será possível saber se essas avaliações, todas executadas sobre os modelos preditivos com o algoritmo J48, tendem a mostrar resultados diferentes em relação à portabilidade de modelos de predição. Para avaliação, foram desenvolvidos dois cenários para execução de experimentos, de modo que cada experimento é constituído por duas partes: a escolha dos modelos, utilizando o índice AUC ROC para o Experimento 1, e o F-Measure para o Experimento 2; e a validação dos modelos, utilizando o índice Precision, para o Experimento 1, e o Recall para Experimento 2. Os resultados, mesmo em fase avaliativa, permitem afirmar que é possível aplicar a transferência de conhecimento entre modelos de um mesmo grupo em alguns casos.