Sistema de aprendizado de máquina para apoiar decisões em planos de estudo

• Ano de defesa: 2021
• Autor(a) principal: Gomes, Daniela de Souza
• Tipo de documento: Dissertação
• Tipo de acesso: Acesso aberto
• Idioma: por
• Instituição de defesa: Universidade Federal de Viçosa; Ciência da Computação
• Palavras-chave em Português: Mineração de dados (Computação); Redes neurais (Computação); Aprendizado do computador; Sistema de reconhecimento de padrões; Inteligência artificial - Aplicações educacionais; Ciência da Computação
• Link de acesso: https://locus.ufv.br//handle/123456789/29686; https://doi.org/10.47328/ufvbbt.2021.049

O elevado índice de reprovações é um problema recorrente enfrentado por diversas instituições de ensino superior. Nas universidades públicas, essa questão impacta, principalmente, em termos de logística e alocação de recursos físicos e financeiros, visto que muitos estudantes atrasam suas colações de grau, gerando uma lotação além da prevista de pessoas nos cursos. Conhecendo os riscos e motivações de uma reprovação, é possível traçar um plano de ação para mitigar que tal evento ocorra. Uma forma de avaliar isso é por meio de dados históricos escolares, os quais dão indícios se o estudante terá sucesso ou não em uma disciplina ou revelam padrões que se repetem ao longo da trajetória acadêmica do indivíduo. Neste trabalho, buscou-se explorar dados históricos da Universidade Federal de Viçosa, utilizando mineração de dados, para construir um sistema inteligente capaz de fornecer insumos que auxilia na tomada de decisões de estudantes e professores, no momento de elaboração do plano de estudos para um dado semestre letivo de graduação, a fim de evitar reprovações. Provendo informações que caracterizam os possíveis cenários que o estudante pode encontrar, o sistema fornece um apoio na escolha por caminhos que visam minimizar as chances de insucesso nas disciplinas cursadas. Amparando cada estudante individualmente, com informações direcionadas ao perfil deste, o resultado que se espera é uma queda nos índices de reprovação da universidade. Por fim, vale destacar que a metodologia proposta aqui é um processo replicável para outras instituições de ensino, considerando as semelhanças adotadas nos processos avaliativos do ensino superior. Palavras-chave: Ciência de Dados. Mineração de Dados Educacionais. Mineração de Padrões Frequentes. Regras de Associação. Rede Neural. Caminho Crítico.