Predição de evasão de cursos técnicos em EaD através de técnicas de aprendizado de máquina em duas etapas
A Mineração de Dados Educacionais integra inúmeras técnicas que dão suporte a processamento e análises de dados gerados e coletados nos Ambientes Virtuais de Aprendizagem (AVA). Ela tem o intuito de extrair informações relevantes no ambiente escolar e emprega como principal técnica o Aprendizado de...
| Autor principal: | Tamada, Mariela Mizota |
|---|---|
| Outros Autores: | http://lattes.cnpq.br/3266291168658379 |
| Grau: | Tese |
| Idioma: | por |
| Publicado em: |
Universidade Federal do Amazonas
2022
|
| Assuntos: | |
| Acesso em linha: |
https://tede.ufam.edu.br/handle/tede/9066 |
| id |
oai:https:--tede.ufam.edu.br-handle-:tede-9066 |
|---|---|
| recordtype |
dspace |
| spelling |
oai:https:--tede.ufam.edu.br-handle-:tede-90662022-09-17T05:03:34Z Predição de evasão de cursos técnicos em EaD através de técnicas de aprendizado de máquina em duas etapas Predicting dropout of technical courses at virtual learning with machine learning in two steps Tamada, Mariela Mizota Giusti, Rafael http://lattes.cnpq.br/3266291168658379 http://lattes.cnpq.br/0613781010575440 Oliveira, David Braga Fernandes de http://lattes.cnpq.br/9561812825173697 Nakamura, Fabiola Guerra http://lattes.cnpq.br/9615041048900531 Menezes, Crediné Silva de http://lattes.cnpq.br/5454484334693909 Ensino à distância - Ensino técnico Ensino à distância - Ensino auxiliado por computador Tecnologia educacional Software educacional Realidade virtual na educação Evasão escolar - Prevenção - Ensino técnico CIENCIAS EXATAS E DA TERRA Educação a distância Predição de evasão Modelos de agrupamento e classificação Logs do Moodle Ensino técnico A Mineração de Dados Educacionais integra inúmeras técnicas que dão suporte a processamento e análises de dados gerados e coletados nos Ambientes Virtuais de Aprendizagem (AVA). Ela tem o intuito de extrair informações relevantes no ambiente escolar e emprega como principal técnica o Aprendizado de Máquina. O objetivo geral desta tese é definir uma metodologia que auxilie os gestores educacionais na detecção do risco de evasão de estudantes em EaD, com base nas mudanças das características de comportamento extraídas por técnicas de Aprendizado de Máquina. Devido ao contexto dinâmico do ambiente educacional, os modelos propostos são construídos em diferentes momentos do curso, com dados coletados das interações dos estudantes com o AVA aos 10%, 25%, 50% e 75% dos 2 anos de duração de cursos técnicos. Para uma melhor predição, apresenta-se uma técnica em duas etapas, com abordagem não supervisionada para agrupar estudantes sem definir um número de grupos a priori, e então uma abordagem supervisionada na qual o cluster atribuído a cada estudante é um novo atributo de entrada para um modelo de classificação. As técnicas não supervisionadas também são utilizadas como ferramenta para estudar o domínio dos dados. Como resultados, o algoritmo de agrupamento K-means revelou a presença de quatro grupos coerentes de estudantes pelas suas características de comportamento no AVA aos 10% do andamento do curso, e contribui na melhora de predição dos alunos em risco de evasão, com retorno da métrica F1 acima de 80% nos diferentes classificadores testados. Os resultados mostram alta correlação com a conclusão ou não conclusão do curso e traz insights e novos conhecimentos sobre os estudantes. Este trabalho aborda essas duas técnicas em cascata ou em duas etapas, e não tem se encontrado pesquisas com essa abordagem em Educação a Distância. Além desses resultados, este trabalho é relevante por pesquisar os cursos técnicos, que são considerados de grande importância para o desenvolvimento social e econômico do país, embora sejam escassos pesquisas e estudos que foquem nesse nível de ensino. Educational Data Mining integrates numerous techniques that support the processing and analysis of data generated and collected from Learning Management Systems (LMS). It aims to extract relevant information in the school environment and uses Machine Learning as its main technique. The general objective of this thesis is to define a methodology that helps educational managers in detecting the risk of dropout of students in distance education, based on changes in behavior characteristics extracted by Machine Learning techniques. Due to the dynamic context of the educational environment, the proposed models are built at different times of the course, with data collected from the students’ interactions with the LMS at 10%, 25%, 50% and 75% of the two-year duration of technical courses. To provide better predictors, a two-step technique is presented, with an unsupervised approach to group students without defining a number of groups a priori, and then a supervised approach in which the cluster assigned to each student is a new input attribute to a classification model. Unsupervised techniques are also employed as a tool to study the data domain. As a result, the K-means clustering algorithm revealed the presence of four coherent groups of students according to their behavior toward the LMS, and contributes to the improvement of the prediction of students at risk of dropping out, with a return of the F1 metric above 80% in the different classifiers tested. The results show a high correlation with the completion or non-completion of the course and bring insights and new knowledge about the students. This work addresses these two techniques in cascade or in two stages, and no research with that approach has been found in Distance Education. In addition to these results, this work is relevant due to being focused on technical courses, which are considered of great importance for the social and economic development of the country, despite research and studies focusing on this level of education being scarce. tudo ótimo! 2022-09-16T14:40:03Z 2022-06-27 Tese TAMADA, Mariela Mizota. Predição de evasão de cursos técnicos em EaD através de técnicas de aprendizado de máquina em duas etapas. 2022. 155 f. Tese (Doutorado em Informática) - Universidade Federal do Amazonas, Manaus (AM), 2022. https://tede.ufam.edu.br/handle/tede/9066 por Acesso Aberto application/pdf Universidade Federal do Amazonas Instituto de Computação Brasil UFAM Programa de Pós-graduação em Informática |
| institution |
TEDE - Universidade Federal do Amazonas |
| collection |
TEDE-UFAM |
| language |
por |
| topic |
Ensino à distância - Ensino técnico Ensino à distância - Ensino auxiliado por computador Tecnologia educacional Software educacional Realidade virtual na educação Evasão escolar - Prevenção - Ensino técnico CIENCIAS EXATAS E DA TERRA Educação a distância Predição de evasão Modelos de agrupamento e classificação Logs do Moodle Ensino técnico |
| spellingShingle |
Ensino à distância - Ensino técnico Ensino à distância - Ensino auxiliado por computador Tecnologia educacional Software educacional Realidade virtual na educação Evasão escolar - Prevenção - Ensino técnico CIENCIAS EXATAS E DA TERRA Educação a distância Predição de evasão Modelos de agrupamento e classificação Logs do Moodle Ensino técnico Tamada, Mariela Mizota Predição de evasão de cursos técnicos em EaD através de técnicas de aprendizado de máquina em duas etapas |
| topic_facet |
Ensino à distância - Ensino técnico Ensino à distância - Ensino auxiliado por computador Tecnologia educacional Software educacional Realidade virtual na educação Evasão escolar - Prevenção - Ensino técnico CIENCIAS EXATAS E DA TERRA Educação a distância Predição de evasão Modelos de agrupamento e classificação Logs do Moodle Ensino técnico |
| description |
A Mineração de Dados Educacionais integra inúmeras técnicas que dão suporte a processamento e análises de dados gerados e coletados nos Ambientes Virtuais de Aprendizagem (AVA). Ela tem o intuito de extrair informações relevantes no ambiente escolar e emprega como principal técnica o Aprendizado de Máquina. O objetivo geral desta tese é definir uma metodologia que auxilie os gestores educacionais na detecção do risco de evasão de estudantes em EaD, com base nas mudanças das características de comportamento extraídas por técnicas de Aprendizado de Máquina. Devido ao contexto dinâmico do ambiente educacional, os modelos propostos são construídos em diferentes momentos do curso, com dados coletados das interações dos estudantes com o AVA aos 10%, 25%, 50% e 75% dos 2 anos de duração de cursos técnicos. Para uma melhor predição, apresenta-se uma técnica em duas etapas, com abordagem não supervisionada para agrupar estudantes sem definir um número de grupos a priori, e então uma abordagem supervisionada na qual o cluster atribuído a cada estudante é um novo atributo de entrada para um modelo de classificação. As técnicas não supervisionadas também são utilizadas como ferramenta para estudar o domínio dos dados. Como resultados, o algoritmo de agrupamento K-means revelou a presença de quatro grupos coerentes de estudantes pelas suas características de comportamento no AVA aos 10% do andamento do curso, e contribui na melhora de predição dos alunos em risco de evasão, com retorno da métrica F1 acima de 80% nos diferentes classificadores testados. Os resultados mostram alta correlação com a conclusão ou não conclusão do curso e traz insights e novos conhecimentos sobre os estudantes. Este trabalho aborda essas duas técnicas em cascata ou em duas etapas, e não tem se encontrado pesquisas com essa abordagem em Educação a Distância. Além desses resultados, este trabalho é relevante por pesquisar os cursos técnicos, que são considerados de grande importância para o desenvolvimento social e econômico do país, embora sejam escassos pesquisas e estudos que foquem nesse nível de ensino. |
| author_additional |
Giusti, Rafael |
| author_additionalStr |
Giusti, Rafael |
| format |
Tese |
| author |
Tamada, Mariela Mizota |
| author2 |
http://lattes.cnpq.br/3266291168658379 |
| author2Str |
http://lattes.cnpq.br/3266291168658379 |
| title |
Predição de evasão de cursos técnicos em EaD através de técnicas de aprendizado de máquina em duas etapas |
| title_short |
Predição de evasão de cursos técnicos em EaD através de técnicas de aprendizado de máquina em duas etapas |
| title_full |
Predição de evasão de cursos técnicos em EaD através de técnicas de aprendizado de máquina em duas etapas |
| title_fullStr |
Predição de evasão de cursos técnicos em EaD através de técnicas de aprendizado de máquina em duas etapas |
| title_full_unstemmed |
Predição de evasão de cursos técnicos em EaD através de técnicas de aprendizado de máquina em duas etapas |
| title_sort |
predição de evasão de cursos técnicos em ead através de técnicas de aprendizado de máquina em duas etapas |
| publisher |
Universidade Federal do Amazonas |
| publishDate |
2022 |
| url |
https://tede.ufam.edu.br/handle/tede/9066 |
| _version_ |
1831970106044841984 |
| score |
11.753735 |