Aplicação de redes neurais RBF e MLP na análise de evasão discente do curso de Sistemas de Informação da UFRRJ
| Main Author: | |
|---|---|
| Publication Date: | 2015 |
| Format: | Master thesis |
| Language: | por |
| Source: | Repositório Institucional da UFRRJ |
| Download full: | https://rima.ufrrj.br/jspui/handle/20.500.14407/14328 |
Summary: | A evasão escolar é um problema complexo, por reunir diversos fatores que influenciam na decisão do aluno em permanecer ou não no curso. Identificar as características envolvidas neste processo possibilita traçar o perfil dos alunos propensos à evasão para poder tomar medidas eficazes. Segundo a literatura, os cursos na área de Tecnologia da Informação vêm apresentando altos índices de evasão. Não obstante disto, o curso de Sistemas de Informação da UFRRJ vem apresentando índices preocupantes. Dentre os diversos trabalhos encontrados na literatura para predizer a evasão no Ensino Superior do Brasil, a utilização de técnicas computacionais vem despertando interesse dos pesquisadores, precisamente Redes Neurais Artificiais ARTMAP Fuzzy, Funções de Base Radial (RBF) e Redes Bayesianas, que vem mostrando bons resultados na predição de evasão discente em Instituições de Ensino Superior. O objetivo dessa dissertação é propor um sistema inteligente baseado em redes neurais de Perceptron de Múltiplas Camadas (MLP) e Funções de Base Radial (RBF) na análise de evasão discente do curso de Bacharel em Sistemas de Informação da UFRRJ. O conjunto de dados utilizados corresponde a 148 amostras de alunos matriculados no curso. Para tal estudo foi considerado a evasão até o 3º período, onde foram utilizadas as seguintes variáveis: gênero, origem escolar, desempenho nas disciplinas específicas do 1º período, distância, tempo de ingresso entre o Ensino Médio e o Ensino Superior, desempenho no ENEM (Exame Nacional do Ensino Médio), estado civil e situação com relação à evasão. Foram realizadas 100 simulações, sendo selecionadas as 25 melhores. Os resultados obtidos pelas redes RBF e MLP mostram ser promissores na análise de evasão discente do curso. Sendo que a rede RBF apresentou melhor desempenho (acurácia = 91,03%) do que o modelo MLP, com diferença significativa (p valor<0,05) entre os resultados dos modelos |
| id |
UFRRJ-1_1dfb6c090007a38ea140e39f7954505e |
|---|---|
| oai_identifier_str |
oai:rima.ufrrj.br:20.500.14407/14328 |
| network_acronym_str |
UFRRJ-1 |
| network_name_str |
Repositório Institucional da UFRRJ |
| repository_id_str |
|
| spelling |
Kawase, Kelly Harumi FaustaSilva, Robson Mariano da78591783700http://lattes.cnpq.br/9019994973988827Machado, Lígia Cristina FerreiraGonçalves, Reinaldo Bellini09518287708http://lattes.cnpq.br/85264827914440482023-12-22T02:59:58Z2023-12-22T02:59:58Z2015-10-05KAWASE, K. H. F. Aplicação de redes neurais RBF e MLP na análise de evasão discente do curso de Sistemas de Informação da UFRRJ. 2015. 59 f. Dissertação (Mestrado em Modelagem Matemática e Computacional) - Instituto de Ciências Exatas, Universidade Federal Rural do Rio de Janeiro, Seropédica-RJ, 2015 .https://rima.ufrrj.br/jspui/handle/20.500.14407/14328A evasão escolar é um problema complexo, por reunir diversos fatores que influenciam na decisão do aluno em permanecer ou não no curso. Identificar as características envolvidas neste processo possibilita traçar o perfil dos alunos propensos à evasão para poder tomar medidas eficazes. Segundo a literatura, os cursos na área de Tecnologia da Informação vêm apresentando altos índices de evasão. Não obstante disto, o curso de Sistemas de Informação da UFRRJ vem apresentando índices preocupantes. Dentre os diversos trabalhos encontrados na literatura para predizer a evasão no Ensino Superior do Brasil, a utilização de técnicas computacionais vem despertando interesse dos pesquisadores, precisamente Redes Neurais Artificiais ARTMAP Fuzzy, Funções de Base Radial (RBF) e Redes Bayesianas, que vem mostrando bons resultados na predição de evasão discente em Instituições de Ensino Superior. O objetivo dessa dissertação é propor um sistema inteligente baseado em redes neurais de Perceptron de Múltiplas Camadas (MLP) e Funções de Base Radial (RBF) na análise de evasão discente do curso de Bacharel em Sistemas de Informação da UFRRJ. O conjunto de dados utilizados corresponde a 148 amostras de alunos matriculados no curso. Para tal estudo foi considerado a evasão até o 3º período, onde foram utilizadas as seguintes variáveis: gênero, origem escolar, desempenho nas disciplinas específicas do 1º período, distância, tempo de ingresso entre o Ensino Médio e o Ensino Superior, desempenho no ENEM (Exame Nacional do Ensino Médio), estado civil e situação com relação à evasão. Foram realizadas 100 simulações, sendo selecionadas as 25 melhores. Os resultados obtidos pelas redes RBF e MLP mostram ser promissores na análise de evasão discente do curso. Sendo que a rede RBF apresentou melhor desempenho (acurácia = 91,03%) do que o modelo MLP, com diferença significativa (p valor<0,05) entre os resultados dos modelosCoordenação de Aperfeiçoamento de Pessoal de Nível Superior - CAPESThe school dropout is a complex problem, which gathering various factors that influence the decision of the student to stay or not in the course. The identification of the characteristics involved in this process turned it possible to analyse the profile of the students prone to evasion, and thereby to take effective action. According to the literature, courses in Information Technology area have shown high dropout rates. However, the course of Information Systems of UFRRJ has shown alarming rates. Among the many studies in the literature to predict dropout in higher education in Brazil, the use of computational techniques has aroused the interest of researchers, precisely Artificial Neural Networks ARTMAP Fuzzy, Radial Basis Function (RBF) and Bayesian networks, which has been showing good results in predicting student dropout in higher education institutions. The objective of this dissertation is to propose an intelligent system based on Multilayer Perceptron (MLP) and Radial Basis Function (RBF) in student evasion analysis of the course of Bachelor of Information Systems UFRRJ. The used data set corresponds to 148 samples of students enrolled in the course. For such a study was considered evasion to the 3rd period , where the following variables were used: gender, school origin, performance in the specific subjects of the 1st period, distance, time between high school and higher education, performance in ENEM (National Secondary Education Examination), civil status and situation regarding evasion. It were performed 100 simulations, being selected the top 25. The results obtained by the RBF and MLP networks prove to be promising in the course Student dropout analysis. Since the RBF network performed better (accuracy = 91.03%) than MLP model, with a significant difference (p value<0.05) between the results of the models.application/pdfporUniversidade Federal Rural do Rio de JaneiroPrograma de Pós-Graduação em Modelagem Matemática e ComputacionalUFRRJBrasilInstituto de Ciências ExatasEvasãoSistemas de InformaçãoRedes Neurais ArtificiaisEvasionInformation SystemsArtificial Neural NetworksMatemáticaAplicação de redes neurais RBF e MLP na análise de evasão discente do curso de Sistemas de Informação da UFRRJApplication of neural networks RBF and MLP in student evasion analysis of the Information Systems Course of UFRRJinfo:eu-repo/semantics/publishedVersioninfo:eu-repo/semantics/masterThesisANDIFES. A graduação do Sisu. Disponível em: http://www.andifes.org.br/?p=24734. Acesso em: 04 abr. 2014. BIAZUS Cleber Augusto. Sistema de fatores que influenciam o aluno a evadir se dos cursos de graduação na UFSM e na UFSC: Um estudo no curso de Ciências Contábeis. 2003. 190 f. Tese (Doutorado em Engenharia da Produção). Universidade Federal de Santa Catarina (UFSC), 2003. BISHOP, C, M. Neural Networks for Pattern Recognition. Oxford University Press, 1997. BRAGA, A. P.; CARVALHO, A. C. P. L. F.; LUDEMIR, T. B. Redes Neurais Artificiais Teoria e Aplicações. Ed. 2, p. 225, 2012. BRASSCOM. Procuram se profissionais de TI. Disponível em: http://www.brasscom.org.br/brasscom/Portugues/detNoticia.php?codArea=2&codCategoria=26&codNoticia=400. Acesso em: 01jul 2015. BROOMHEAD, D, S., LOWE, D., "Multivariable functional interpolation and adaptive networks", Complex Systens. v.2, pp. 321-355, 1988 BUENO; J.L.O. A evasão de alunos. Pandéia, FFCLRP USP, Ribeirão Preto, 1993. CAPELATO, R. O que os números revelam sobre o perfil da evasão no ensino superior brasileiro. Palestra. Seminário ABMES: Evasão e retenção: problemas e soluções. Brasília: ABMES, 2011. CERETTA, Raul. Estudo apresenta dados sobre a evasão nas universidades federais. UFSM, 2013. Disponível em: http://site.ufsm.br/noticias/exibir/8800. Acesso em: 04 abr 2014. CUNHA, L. A. (2003). Ensino superior e universidade no Brasil. Em E. M. T. Lopes, L. M. Faria Filho & C. G. Veiga (Orgs.), 500 anos de educação no Brasil (3ª ed.) (pp. 151 204). Belo Horizonte: Autêntica. DA COSTA, S.; CAZELLA, S; RIGO, S. J. Minerando dados sobre o desempenho de alunos de cursos de educação permanente em modalidade EAD: Um estudo de caso sobre evasão escolar na UNA SUS. RENOTE, 2014. v. 12, n. 2. DA SILVA, G. P. Análise de evasão no ensino superior: uma proposta de diagnóstico e seus determinantes. Avaliação: Revista da Avaliação da Educação Superior, Campinas, v. 18, n. 2, p. 311 333, 2013. DIEGUEZ, A. A. Reconhecimento de Caracteres de Placa Veicular Usando Redes Neurais. 2010. 69 f. Trabalho de conclusão de curso. Universidade Federal do Rio de Janeiro, Rio de Janeiro, 2014. 47 DOS SANTOS, R. N.; DE ALBURQUEQUE, C.; SOARES, E. D. Uma Abordagem Genérica de Identificação Precoce de Estudantes com Risco de Evasão em um AVA utilizando Técnicas de Mineração de Dados.TISE. 2014, vol.10,794--799. DURHAM, E.R. O ensino superior no Brasil: público e privado. São Paulo:NUPES/USP, 2003. FIORIN, D.V. et al. Aplicações de redes neurais e previsões de disponibilidade de recursos energéticos solares. Rev. Bras. Ensino Fís. [online]. 2011, vol.33, n.1, pp. 01--20. ISSN 1806--1117. http://dx.doi.org/10.1590/S1806--11172011000100009. GAIOSO, N. P. L. Evasão discente na educação superior: a perspectiva dos dirigentes e dos alunos. 2005. Dissertação (Mestrado em Educação) -- Faculdade de Educação, Universidade Católica de Brasília, Brasília, DF, 2005. GOLDSCHMIDT, R. R.Uma Introdução à Inteligência Computacional: fundamentos, ferramentas e aplicações. 1ª. ed. Rio de Janeiro -- RJ: IST--Rio. 142p. GUARNIERI, R. A. Emprego de Redes Neurais Artificiais e Regressão Linear Múltipla no Refinamento das Previsões de Radiação Solar do Modelo ETA. 171 p. Dissertação (Programa de Pós--graduação em Meteorologia). Instituto Nacional de Pesquisas Espaciais--INPE, 2006. São José dos Campos--SP. HAYKIN, S. Redes Neurais Princípios e Pratica, Ed. 2,p. 902, 2001. HIPÓLITO, O. País perde R$ 9 bilhões com evasão no ensino superior, diz pesquisador. UFCG. Disponível em: http://www.ufcg.edu.br/prt_ufcg/assessoria_imprensa /mostra_noticia.php?codigo=11662. Acesso em: Acesso em: 04 abr 2014. INSTITUTO NACIONAL DE ESTUDOS E PESQUISAS EDUCACIONAIS –– INEP. Sinopses Estatísticas da Educação Superior –– graduação. Disponível em: <http://www.inep.gov.br/>. Acesso em: 05 ago. 2015. IDC BRASIL. IDC Brasil aponta que mercado de TIC deve crescer 5% e movimentar US$ 165,6 bilhões no país em 2015. São Paulo: IDC BRASIL,2015. Disponível em:http://br.idclatin.com/releases/news.aspx?id=1779.Acessoem: 01 abr 2015. KARAMOUZIS, S. T.; VRETTOS, A.An artificial neural network for predictingstudentgraduation outcomes. In: WORLD CONGRESS ON ENGINEERING AND COMPUTER SCIENCE –– WCECS, 2008, San Francisco. Proceedings of the WCECS.San Francisco: Newswood Limited, 2008. p. 991--994. Disponívelem: < http://www.iaeng.org/publication/WCECS2008/WCECS2008_pp991--994.pdf>. Acesso em: 12 nov. 2014. LAMEIRA, R; DA SILVA, R.M. Aplicação de Rede Bayesiana na identificação de fatores que causam a evasão no curso de Sistemas de Informação da UFRRJ. In: Anais da I Escola Regional de Sistemas de Informação do Rio de Janeiro, p. 13--16. Niterói: SBC, 2014. 48 LIMA, R.A.G; MAIA, N.A. PREDIÇÃO DE TRÁFEGO EM DOMÍNIO MPLS UTILIZANDO REDES NEURAIS ARTIFICIAIS DO TIPO RBF.In: Anais do IX Congresso Brasileiro de Redes Neurais. Ouro Preto: SBRN, 2009. LOBO, R. L., et al.A evasão no ensino superior brasileiro. Cadernos de Pesquisa 37.132 (2007): 641--659. LOBO, M.B.C.M. Panorama da Evasão no Ensino Superior Brasileiro: aspectos gerais das causas e soluções. Cadernos 25. ABMES. Brasília, 2012. Evasão no Ensino Superior Brasileiro. 82p. MACHADO, F. W. Modelagem Chuva--Vazão Mensal Utilizando Redes Neurais Artificiais. 174 p. Dissertação (Programa de Pós--graduação em Engenharia de Recursos Hídricos e Ambiental-- Mestre em Engenharia Hidrológica).Universidade Federal do Paraná, 2005. Curitiba--PR. MANHÃES, L. M. B. et al. Previsão de Estudantes com Risco de Evasão Utilizando Técnicas de Mineração de Dados. Anais do XXII SBIE--XVII WIE, Aracaju, 2011. MARTINHO, V. R.C. Sistema inteligente para a predição de grupo de risco de evasão discente. 2014. 145 f. Tese (doutorado) -- Universidade Estadual Paulista Júlio de Mesquita Filho, Faculdade de Engenharia de Ilha Solteira, 2014. MARTINS, C.B.N. Evasão de alunos nos cursos de graduação em uma instituição de ensino superior.2007. 116 f. Dissertação (mestrado). Fundação Pedro Leopoldo, 2007. MCCULLOCH, W.S.;PITTS,W. A Logical Calculus of the Ideas Immanent in Nervous Activity.BulletinofMathematicalBiophysics, 1943. MEC. Relatório da Comissão Especial para Estudos sobre Evasão nas Universidades Públicas Brasileiras. Diplomação, Retenção e evasão nos cursos de graduação em IES públicas. Brasília, 1996. MENDONÇA, A. W. P.C. A universidade no Brasil. Rev. Bras. Educ. [online]. 2000, n.14, pp. 131--150.ISSN 1413--2478. MICHELLI, C. Interpolation of scatterd data: distance matrices and conditionally positive definite functions. ConstructiveAprroximation, v.2, 11-22, 1986. MONARD, M. C; BARANAUSKAS, J. A. Conceitos sobre aprendizado de máquina. Sistemas Inteligentes--Fundamentos e Aplicações, v. 1, p. 1, 2003. MULGREW, B. Applying Radial Basis Functions. IEEE Signal Processing Magazine.pp. 50--65, 1996. NIED, Ademir. Treinamento de redes neurais artificiais baseado em sistemas de estrutura variável com taxa de aprendizado adaptativa.2007.128 p. Tese (doutorado) -- Universidade Federal de Minas Gerais, 2007. 49 POWELL.M.J.D. The Theory of Radial Basis Function Approximation in 1990. Numerical Analysis, University of Cambridge (1990). POGGIO.T; GIROSI.F.Regularization algorithms for learning that are equivalent to multilayer networks. Science, 247 (1990), pp. 978–982. RISTOFF, D. Evasão: Exclusão ou Mobilidade. Santa Catarina, UFSC, 1995 (MIMEO). RODRIGUES, F.S.; DANTE, A.C. Estudo sobre a evasão no curso de Ciência da Computação da UFRGS. UFRGS, 2013. SAVIANI, D. A expansão do ensino superior no Brasil: mudanças e continuidades. Poíesis Pedagógica 8.2 (2011): 4--17. SENA, M.J. Evasão explode após adesão ao Sisu. UFRPE. Disponível em:https://www.ufpe.br/agencia/clipping/index.php?option=com_content&view=article&id=15574:evasao--explode--apos--adesao--ao--sisu&catid=34&Itemid=122. Acesso em: 04 abr 2014. SLHESSARENKO, M. et al. A evasão na educação superior para o curso de bacharelado em sistema de informação. Revista GUAL, Florianópolis, v. 7, n. 1, p. 128--147, jan. 2014. SILVA FILHO, R.L.L.; LOBO, M.B.C.M. Esclarecimentos metodológicos sobre os cálculos de evasão. Disponível em:<http://institutolobo.org.br/imagens/pdf/artigos/art_078. pdf> Acesso em: 09 nov 2014. SOBRAL, F.J.M. Os Desafios do Ensino Superior nos Institutos Federais. Disponível em: http://www.ifc--riodosul.edu.br/secao/capacitacao/artigos/Palestra% 20Rio%20do%20Sul%20II.pdf, Acessado em 10 de junho de 2015. TONTINI, Gérson; WALTER, Silvana Anita. Pode--se identificar a propensão e reduzir a evasão de alunos? Ações estratégicas e resultados táticos para instituições de ensino superior. Avaliação (Campinas), Sorocaba, v. 19, n. 01, março 2014 . Disponível em:<http://educa.fcc.org.br/scielo.php?script=sci_arttext&pid=S141440772014000100005&lng=es&nrm=iso>. Acessoem: 04 dez. 2014. ZOUCAS, F.A.M. Aplicação de Redes Neurais para a Previsão de Séries Temporais em Segmentos Industriais.170 p. Dissertação (Programa de Mestrado de Engenharia Mecânica). Centro Universitário da FEI, 2009. São Bernardo do Campo--SP.https://tede.ufrrj.br/retrieve/11978/2015%20-%20Kelly%20Harumi%20Fausta%20Kawase.pdf.jpghttps://tede.ufrrj.br/retrieve/17154/2015%20-%20Kelly%20Harumi%20Fausta%20Kawase.pdf.jpghttps://tede.ufrrj.br/retrieve/23462/2015%20-%20Kelly%20Harumi%20Fausta%20Kawase.pdf.jpghttps://tede.ufrrj.br/retrieve/29840/2015%20-%20Kelly%20Harumi%20Fausta%20Kawase.pdf.jpghttps://tede.ufrrj.br/retrieve/36214/2015%20-%20Kelly%20Harumi%20Fausta%20Kawase.pdf.jpghttps://tede.ufrrj.br/retrieve/42608/2015%20-%20Kelly%20Harumi%20Fausta%20Kawase.pdf.jpghttps://tede.ufrrj.br/retrieve/48986/2015%20-%20Kelly%20Harumi%20Fausta%20Kawase.pdf.jpghttps://tede.ufrrj.br/retrieve/55436/2015%20-%20Kelly%20Harumi%20Fausta%20Kawase.pdf.jpghttps://tede.ufrrj.br/jspui/handle/jspui/3216Submitted by Celso Magalhaes (celsomagalhaes@ufrrj.br) on 2020-01-07T16:47:55Z No. of bitstreams: 1 2015 - Kelly Harumi Fausta Kawase.pdf: 1441074 bytes, checksum: 0c581f8f8766a7d3b8179b5047c980ab (MD5)Made available in DSpace on 2020-01-07T16:47:55Z (GMT). No. of bitstreams: 1 2015 - Kelly Harumi Fausta Kawase.pdf: 1441074 bytes, checksum: 0c581f8f8766a7d3b8179b5047c980ab (MD5) Previous issue date: 2015-10-05info:eu-repo/semantics/openAccessreponame:Repositório Institucional da UFRRJinstname:Universidade Federal Rural do Rio de Janeiro (UFRRJ)instacron:UFRRJTHUMBNAIL2015 - Kelly Harumi Fausta Kawase.pdf.jpgGenerated Thumbnailimage/jpeg3752https://rima.ufrrj.br/jspui/bitstream/20.500.14407/14328/1/2015%20-%20Kelly%20Harumi%20Fausta%20Kawase.pdf.jpg47db8f267a2e1081cfd6b9878b32b0c8MD51TEXT2015 - Kelly Harumi Fausta Kawase.pdf.txtExtracted Texttext/plain126750https://rima.ufrrj.br/jspui/bitstream/20.500.14407/14328/2/2015%20-%20Kelly%20Harumi%20Fausta%20Kawase.pdf.txt2228fcd5cb07299e0e6faf8d4eb538bdMD52ORIGINAL2015 - Kelly Harumi Fausta Kawase.pdfKelly Harumi Fausta Kawaseapplication/pdf1441074https://rima.ufrrj.br/jspui/bitstream/20.500.14407/14328/3/2015%20-%20Kelly%20Harumi%20Fausta%20Kawase.pdf0c581f8f8766a7d3b8179b5047c980abMD53LICENSElicense.txttext/plain2089https://rima.ufrrj.br/jspui/bitstream/20.500.14407/14328/4/license.txt7b5ba3d2445355f386edab96125d42b7MD5420.500.14407/143282023-12-21 23:59:58.216oai:rima.ufrrj.br:20.500.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Biblioteca Digital de Teses e Dissertaçõeshttps://tede.ufrrj.br/PUBhttps://tede.ufrrj.br/oai/requestbibliot@ufrrj.bropendoar:2023-12-22T02:59:58Repositório Institucional da UFRRJ - Universidade Federal Rural do Rio de Janeiro (UFRRJ)false |
| dc.title.por.fl_str_mv |
Aplicação de redes neurais RBF e MLP na análise de evasão discente do curso de Sistemas de Informação da UFRRJ |
| dc.title.alternative.eng.fl_str_mv |
Application of neural networks RBF and MLP in student evasion analysis of the Information Systems Course of UFRRJ |
| title |
Aplicação de redes neurais RBF e MLP na análise de evasão discente do curso de Sistemas de Informação da UFRRJ |
| spellingShingle |
Aplicação de redes neurais RBF e MLP na análise de evasão discente do curso de Sistemas de Informação da UFRRJ Kawase, Kelly Harumi Fausta Evasão Sistemas de Informação Redes Neurais Artificiais Evasion Information Systems Artificial Neural Networks Matemática |
| title_short |
Aplicação de redes neurais RBF e MLP na análise de evasão discente do curso de Sistemas de Informação da UFRRJ |
| title_full |
Aplicação de redes neurais RBF e MLP na análise de evasão discente do curso de Sistemas de Informação da UFRRJ |
| title_fullStr |
Aplicação de redes neurais RBF e MLP na análise de evasão discente do curso de Sistemas de Informação da UFRRJ |
| title_full_unstemmed |
Aplicação de redes neurais RBF e MLP na análise de evasão discente do curso de Sistemas de Informação da UFRRJ |
| title_sort |
Aplicação de redes neurais RBF e MLP na análise de evasão discente do curso de Sistemas de Informação da UFRRJ |
| author |
Kawase, Kelly Harumi Fausta |
| author_facet |
Kawase, Kelly Harumi Fausta |
| author_role |
author |
| dc.contributor.author.fl_str_mv |
Kawase, Kelly Harumi Fausta |
| dc.contributor.advisor1.fl_str_mv |
Silva, Robson Mariano da |
| dc.contributor.advisor1ID.fl_str_mv |
78591783700 |
| dc.contributor.advisor1Lattes.fl_str_mv |
http://lattes.cnpq.br/9019994973988827 |
| dc.contributor.referee1.fl_str_mv |
Machado, Lígia Cristina Ferreira |
| dc.contributor.referee2.fl_str_mv |
Gonçalves, Reinaldo Bellini |
| dc.contributor.authorID.fl_str_mv |
09518287708 |
| dc.contributor.authorLattes.fl_str_mv |
http://lattes.cnpq.br/8526482791444048 |
| contributor_str_mv |
Silva, Robson Mariano da Machado, Lígia Cristina Ferreira Gonçalves, Reinaldo Bellini |
| dc.subject.por.fl_str_mv |
Evasão Sistemas de Informação Redes Neurais Artificiais |
| topic |
Evasão Sistemas de Informação Redes Neurais Artificiais Evasion Information Systems Artificial Neural Networks Matemática |
| dc.subject.eng.fl_str_mv |
Evasion Information Systems Artificial Neural Networks |
| dc.subject.cnpq.fl_str_mv |
Matemática |
| description |
A evasão escolar é um problema complexo, por reunir diversos fatores que influenciam na decisão do aluno em permanecer ou não no curso. Identificar as características envolvidas neste processo possibilita traçar o perfil dos alunos propensos à evasão para poder tomar medidas eficazes. Segundo a literatura, os cursos na área de Tecnologia da Informação vêm apresentando altos índices de evasão. Não obstante disto, o curso de Sistemas de Informação da UFRRJ vem apresentando índices preocupantes. Dentre os diversos trabalhos encontrados na literatura para predizer a evasão no Ensino Superior do Brasil, a utilização de técnicas computacionais vem despertando interesse dos pesquisadores, precisamente Redes Neurais Artificiais ARTMAP Fuzzy, Funções de Base Radial (RBF) e Redes Bayesianas, que vem mostrando bons resultados na predição de evasão discente em Instituições de Ensino Superior. O objetivo dessa dissertação é propor um sistema inteligente baseado em redes neurais de Perceptron de Múltiplas Camadas (MLP) e Funções de Base Radial (RBF) na análise de evasão discente do curso de Bacharel em Sistemas de Informação da UFRRJ. O conjunto de dados utilizados corresponde a 148 amostras de alunos matriculados no curso. Para tal estudo foi considerado a evasão até o 3º período, onde foram utilizadas as seguintes variáveis: gênero, origem escolar, desempenho nas disciplinas específicas do 1º período, distância, tempo de ingresso entre o Ensino Médio e o Ensino Superior, desempenho no ENEM (Exame Nacional do Ensino Médio), estado civil e situação com relação à evasão. Foram realizadas 100 simulações, sendo selecionadas as 25 melhores. Os resultados obtidos pelas redes RBF e MLP mostram ser promissores na análise de evasão discente do curso. Sendo que a rede RBF apresentou melhor desempenho (acurácia = 91,03%) do que o modelo MLP, com diferença significativa (p valor<0,05) entre os resultados dos modelos |
| publishDate |
2015 |
| dc.date.issued.fl_str_mv |
2015-10-05 |
| dc.date.accessioned.fl_str_mv |
2023-12-22T02:59:58Z |
| dc.date.available.fl_str_mv |
2023-12-22T02:59:58Z |
| 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.citation.fl_str_mv |
KAWASE, K. H. F. Aplicação de redes neurais RBF e MLP na análise de evasão discente do curso de Sistemas de Informação da UFRRJ. 2015. 59 f. Dissertação (Mestrado em Modelagem Matemática e Computacional) - Instituto de Ciências Exatas, Universidade Federal Rural do Rio de Janeiro, Seropédica-RJ, 2015 . |
| dc.identifier.uri.fl_str_mv |
https://rima.ufrrj.br/jspui/handle/20.500.14407/14328 |
| identifier_str_mv |
KAWASE, K. H. F. Aplicação de redes neurais RBF e MLP na análise de evasão discente do curso de Sistemas de Informação da UFRRJ. 2015. 59 f. Dissertação (Mestrado em Modelagem Matemática e Computacional) - Instituto de Ciências Exatas, Universidade Federal Rural do Rio de Janeiro, Seropédica-RJ, 2015 . |
| url |
https://rima.ufrrj.br/jspui/handle/20.500.14407/14328 |
| dc.language.iso.fl_str_mv |
por |
| language |
por |
| dc.relation.references.por.fl_str_mv |
ANDIFES. A graduação do Sisu. Disponível em: http://www.andifes.org.br/?p=24734. Acesso em: 04 abr. 2014. BIAZUS Cleber Augusto. Sistema de fatores que influenciam o aluno a evadir se dos cursos de graduação na UFSM e na UFSC: Um estudo no curso de Ciências Contábeis. 2003. 190 f. Tese (Doutorado em Engenharia da Produção). Universidade Federal de Santa Catarina (UFSC), 2003. BISHOP, C, M. Neural Networks for Pattern Recognition. Oxford University Press, 1997. BRAGA, A. P.; CARVALHO, A. C. P. L. F.; LUDEMIR, T. B. Redes Neurais Artificiais Teoria e Aplicações. Ed. 2, p. 225, 2012. BRASSCOM. Procuram se profissionais de TI. Disponível em: http://www.brasscom.org.br/brasscom/Portugues/detNoticia.php?codArea=2&codCategoria=26&codNoticia=400. Acesso em: 01jul 2015. BROOMHEAD, D, S., LOWE, D., "Multivariable functional interpolation and adaptive networks", Complex Systens. v.2, pp. 321-355, 1988 BUENO; J.L.O. A evasão de alunos. Pandéia, FFCLRP USP, Ribeirão Preto, 1993. CAPELATO, R. O que os números revelam sobre o perfil da evasão no ensino superior brasileiro. Palestra. Seminário ABMES: Evasão e retenção: problemas e soluções. Brasília: ABMES, 2011. CERETTA, Raul. Estudo apresenta dados sobre a evasão nas universidades federais. UFSM, 2013. Disponível em: http://site.ufsm.br/noticias/exibir/8800. Acesso em: 04 abr 2014. CUNHA, L. A. (2003). Ensino superior e universidade no Brasil. Em E. M. T. Lopes, L. M. Faria Filho & C. G. Veiga (Orgs.), 500 anos de educação no Brasil (3ª ed.) (pp. 151 204). Belo Horizonte: Autêntica. DA COSTA, S.; CAZELLA, S; RIGO, S. J. Minerando dados sobre o desempenho de alunos de cursos de educação permanente em modalidade EAD: Um estudo de caso sobre evasão escolar na UNA SUS. RENOTE, 2014. v. 12, n. 2. DA SILVA, G. P. Análise de evasão no ensino superior: uma proposta de diagnóstico e seus determinantes. Avaliação: Revista da Avaliação da Educação Superior, Campinas, v. 18, n. 2, p. 311 333, 2013. DIEGUEZ, A. A. Reconhecimento de Caracteres de Placa Veicular Usando Redes Neurais. 2010. 69 f. Trabalho de conclusão de curso. Universidade Federal do Rio de Janeiro, Rio de Janeiro, 2014. 47 DOS SANTOS, R. N.; DE ALBURQUEQUE, C.; SOARES, E. D. Uma Abordagem Genérica de Identificação Precoce de Estudantes com Risco de Evasão em um AVA utilizando Técnicas de Mineração de Dados.TISE. 2014, vol.10,794--799. DURHAM, E.R. O ensino superior no Brasil: público e privado. São Paulo:NUPES/USP, 2003. FIORIN, D.V. et al. Aplicações de redes neurais e previsões de disponibilidade de recursos energéticos solares. Rev. Bras. Ensino Fís. [online]. 2011, vol.33, n.1, pp. 01--20. ISSN 1806--1117. http://dx.doi.org/10.1590/S1806--11172011000100009. GAIOSO, N. P. L. Evasão discente na educação superior: a perspectiva dos dirigentes e dos alunos. 2005. Dissertação (Mestrado em Educação) -- Faculdade de Educação, Universidade Católica de Brasília, Brasília, DF, 2005. GOLDSCHMIDT, R. R.Uma Introdução à Inteligência Computacional: fundamentos, ferramentas e aplicações. 1ª. ed. Rio de Janeiro -- RJ: IST--Rio. 142p. GUARNIERI, R. A. Emprego de Redes Neurais Artificiais e Regressão Linear Múltipla no Refinamento das Previsões de Radiação Solar do Modelo ETA. 171 p. Dissertação (Programa de Pós--graduação em Meteorologia). Instituto Nacional de Pesquisas Espaciais--INPE, 2006. São José dos Campos--SP. HAYKIN, S. Redes Neurais Princípios e Pratica, Ed. 2,p. 902, 2001. HIPÓLITO, O. País perde R$ 9 bilhões com evasão no ensino superior, diz pesquisador. UFCG. Disponível em: http://www.ufcg.edu.br/prt_ufcg/assessoria_imprensa /mostra_noticia.php?codigo=11662. Acesso em: Acesso em: 04 abr 2014. INSTITUTO NACIONAL DE ESTUDOS E PESQUISAS EDUCACIONAIS –– INEP. Sinopses Estatísticas da Educação Superior –– graduação. Disponível em: <http://www.inep.gov.br/>. Acesso em: 05 ago. 2015. IDC BRASIL. IDC Brasil aponta que mercado de TIC deve crescer 5% e movimentar US$ 165,6 bilhões no país em 2015. São Paulo: IDC BRASIL,2015. Disponível em:http://br.idclatin.com/releases/news.aspx?id=1779.Acessoem: 01 abr 2015. KARAMOUZIS, S. T.; VRETTOS, A.An artificial neural network for predictingstudentgraduation outcomes. In: WORLD CONGRESS ON ENGINEERING AND COMPUTER SCIENCE –– WCECS, 2008, San Francisco. Proceedings of the WCECS.San Francisco: Newswood Limited, 2008. p. 991--994. Disponívelem: < http://www.iaeng.org/publication/WCECS2008/WCECS2008_pp991--994.pdf>. Acesso em: 12 nov. 2014. LAMEIRA, R; DA SILVA, R.M. Aplicação de Rede Bayesiana na identificação de fatores que causam a evasão no curso de Sistemas de Informação da UFRRJ. In: Anais da I Escola Regional de Sistemas de Informação do Rio de Janeiro, p. 13--16. Niterói: SBC, 2014. 48 LIMA, R.A.G; MAIA, N.A. PREDIÇÃO DE TRÁFEGO EM DOMÍNIO MPLS UTILIZANDO REDES NEURAIS ARTIFICIAIS DO TIPO RBF.In: Anais do IX Congresso Brasileiro de Redes Neurais. Ouro Preto: SBRN, 2009. LOBO, R. L., et al.A evasão no ensino superior brasileiro. Cadernos de Pesquisa 37.132 (2007): 641--659. LOBO, M.B.C.M. Panorama da Evasão no Ensino Superior Brasileiro: aspectos gerais das causas e soluções. Cadernos 25. ABMES. Brasília, 2012. Evasão no Ensino Superior Brasileiro. 82p. MACHADO, F. W. Modelagem Chuva--Vazão Mensal Utilizando Redes Neurais Artificiais. 174 p. Dissertação (Programa de Pós--graduação em Engenharia de Recursos Hídricos e Ambiental-- Mestre em Engenharia Hidrológica).Universidade Federal do Paraná, 2005. Curitiba--PR. MANHÃES, L. M. B. et al. Previsão de Estudantes com Risco de Evasão Utilizando Técnicas de Mineração de Dados. Anais do XXII SBIE--XVII WIE, Aracaju, 2011. MARTINHO, V. R.C. Sistema inteligente para a predição de grupo de risco de evasão discente. 2014. 145 f. Tese (doutorado) -- Universidade Estadual Paulista Júlio de Mesquita Filho, Faculdade de Engenharia de Ilha Solteira, 2014. MARTINS, C.B.N. Evasão de alunos nos cursos de graduação em uma instituição de ensino superior.2007. 116 f. Dissertação (mestrado). Fundação Pedro Leopoldo, 2007. MCCULLOCH, W.S.;PITTS,W. A Logical Calculus of the Ideas Immanent in Nervous Activity.BulletinofMathematicalBiophysics, 1943. MEC. Relatório da Comissão Especial para Estudos sobre Evasão nas Universidades Públicas Brasileiras. Diplomação, Retenção e evasão nos cursos de graduação em IES públicas. Brasília, 1996. MENDONÇA, A. W. P.C. A universidade no Brasil. Rev. Bras. Educ. [online]. 2000, n.14, pp. 131--150.ISSN 1413--2478. MICHELLI, C. Interpolation of scatterd data: distance matrices and conditionally positive definite functions. ConstructiveAprroximation, v.2, 11-22, 1986. MONARD, M. C; BARANAUSKAS, J. A. Conceitos sobre aprendizado de máquina. Sistemas Inteligentes--Fundamentos e Aplicações, v. 1, p. 1, 2003. MULGREW, B. Applying Radial Basis Functions. IEEE Signal Processing Magazine.pp. 50--65, 1996. NIED, Ademir. Treinamento de redes neurais artificiais baseado em sistemas de estrutura variável com taxa de aprendizado adaptativa.2007.128 p. Tese (doutorado) -- Universidade Federal de Minas Gerais, 2007. 49 POWELL.M.J.D. The Theory of Radial Basis Function Approximation in 1990. Numerical Analysis, University of Cambridge (1990). POGGIO.T; GIROSI.F.Regularization algorithms for learning that are equivalent to multilayer networks. Science, 247 (1990), pp. 978–982. RISTOFF, D. Evasão: Exclusão ou Mobilidade. Santa Catarina, UFSC, 1995 (MIMEO). RODRIGUES, F.S.; DANTE, A.C. Estudo sobre a evasão no curso de Ciência da Computação da UFRGS. UFRGS, 2013. SAVIANI, D. A expansão do ensino superior no Brasil: mudanças e continuidades. Poíesis Pedagógica 8.2 (2011): 4--17. SENA, M.J. Evasão explode após adesão ao Sisu. UFRPE. Disponível em:https://www.ufpe.br/agencia/clipping/index.php?option=com_content&view=article&id=15574:evasao--explode--apos--adesao--ao--sisu&catid=34&Itemid=122. Acesso em: 04 abr 2014. SLHESSARENKO, M. et al. A evasão na educação superior para o curso de bacharelado em sistema de informação. Revista GUAL, Florianópolis, v. 7, n. 1, p. 128--147, jan. 2014. SILVA FILHO, R.L.L.; LOBO, M.B.C.M. Esclarecimentos metodológicos sobre os cálculos de evasão. Disponível em:<http://institutolobo.org.br/imagens/pdf/artigos/art_078. pdf> Acesso em: 09 nov 2014. SOBRAL, F.J.M. Os Desafios do Ensino Superior nos Institutos Federais. Disponível em: http://www.ifc--riodosul.edu.br/secao/capacitacao/artigos/Palestra% 20Rio%20do%20Sul%20II.pdf, Acessado em 10 de junho de 2015. TONTINI, Gérson; WALTER, Silvana Anita. Pode--se identificar a propensão e reduzir a evasão de alunos? Ações estratégicas e resultados táticos para instituições de ensino superior. Avaliação (Campinas), Sorocaba, v. 19, n. 01, março 2014 . Disponível em:<http://educa.fcc.org.br/scielo.php?script=sci_arttext&pid=S141440772014000100005&lng=es&nrm=iso>. Acessoem: 04 dez. 2014. ZOUCAS, F.A.M. Aplicação de Redes Neurais para a Previsão de Séries Temporais em Segmentos Industriais.170 p. Dissertação (Programa de Mestrado de Engenharia Mecânica). Centro Universitário da FEI, 2009. São Bernardo do Campo--SP. |
| dc.rights.driver.fl_str_mv |
info:eu-repo/semantics/openAccess |
| eu_rights_str_mv |
openAccess |
| dc.format.none.fl_str_mv |
application/pdf |
| dc.publisher.none.fl_str_mv |
Universidade Federal Rural do Rio de Janeiro |
| dc.publisher.program.fl_str_mv |
Programa de Pós-Graduação em Modelagem Matemática e Computacional |
| dc.publisher.initials.fl_str_mv |
UFRRJ |
| dc.publisher.country.fl_str_mv |
Brasil |
| dc.publisher.department.fl_str_mv |
Instituto de Ciências Exatas |
| publisher.none.fl_str_mv |
Universidade Federal Rural do Rio de Janeiro |
| dc.source.none.fl_str_mv |
reponame:Repositório Institucional da UFRRJ instname:Universidade Federal Rural do Rio de Janeiro (UFRRJ) instacron:UFRRJ |
| instname_str |
Universidade Federal Rural do Rio de Janeiro (UFRRJ) |
| instacron_str |
UFRRJ |
| institution |
UFRRJ |
| reponame_str |
Repositório Institucional da UFRRJ |
| collection |
Repositório Institucional da UFRRJ |
| bitstream.url.fl_str_mv |
https://rima.ufrrj.br/jspui/bitstream/20.500.14407/14328/1/2015%20-%20Kelly%20Harumi%20Fausta%20Kawase.pdf.jpg https://rima.ufrrj.br/jspui/bitstream/20.500.14407/14328/2/2015%20-%20Kelly%20Harumi%20Fausta%20Kawase.pdf.txt https://rima.ufrrj.br/jspui/bitstream/20.500.14407/14328/3/2015%20-%20Kelly%20Harumi%20Fausta%20Kawase.pdf https://rima.ufrrj.br/jspui/bitstream/20.500.14407/14328/4/license.txt |
| bitstream.checksum.fl_str_mv |
47db8f267a2e1081cfd6b9878b32b0c8 2228fcd5cb07299e0e6faf8d4eb538bd 0c581f8f8766a7d3b8179b5047c980ab 7b5ba3d2445355f386edab96125d42b7 |
| bitstream.checksumAlgorithm.fl_str_mv |
MD5 MD5 MD5 MD5 |
| repository.name.fl_str_mv |
Repositório Institucional da UFRRJ - Universidade Federal Rural do Rio de Janeiro (UFRRJ) |
| repository.mail.fl_str_mv |
bibliot@ufrrj.br |
| _version_ |
1849138572563578880 |