Previsão da evasão estudantil em disciplinas introdutórias de programação por meio de mineração de dados sociodemográficos

Pereira, André Fabiano Santos; http://lattes.cnpq.br/6936919290320188

Dissertação

Previsão da evasão estudantil em disciplinas introdutórias de programação por meio de mineração de dados sociodemográficos

A evasão estudantil caracteriza-se como um processo de exclusão do ambiente educacional determinado por fatores motivacionais, estruturais, socioeconômicos, internos e externos às instituições de ensino. A evasão em disciplinas introdutórias de programação, conhecidas como CS1, constitui-se em um de...

ver descrição completa

Autor principal:	Pereira, André Fabiano Santos
Outros Autores:	http://lattes.cnpq.br/6936919290320188
Grau:	Dissertação
Idioma:	por
Publicado em:	Universidade Federal do Amazonas 2022
Assuntos:	Evasão universitária Informática - Estudo e ensino Mineração de dados (Computação) CIENCIAS EXATAS E DA TERRA: CIENCIA DA COMPUTACAO: METODOLOGIA E TECNICAS DA COMPUTACAO Previsão de evasão Evasão estudantil Introdução à programação Mineração de dados educacionais
Acesso em linha:	https://tede.ufam.edu.br/handle/tede/9094

id	oai:https:--tede.ufam.edu.br-handle-:tede-9094
recordtype	dspace
spelling	oai:https:--tede.ufam.edu.br-handle-:tede-90942022-10-08T05:03:51Z Previsão da evasão estudantil em disciplinas introdutórias de programação por meio de mineração de dados sociodemográficos Student dropout prediction in introductory computer programming classes through sociodemograph data mining Pereira, André Fabiano Santos Souto, Eduardo James Pereira http://lattes.cnpq.br/6936919290320188 http://lattes.cnpq.br/3875301617975895 Pio, José Luiz de Souza http://lattes.cnpq.br/1014904168887285 Rodrigues, Rosiane de Freitas http://lattes.cnpq.br/8358219976594707 Evasão universitária Informática - Estudo e ensino Mineração de dados (Computação) CIENCIAS EXATAS E DA TERRA: CIENCIA DA COMPUTACAO: METODOLOGIA E TECNICAS DA COMPUTACAO Previsão de evasão Evasão estudantil Introdução à programação Mineração de dados educacionais A evasão estudantil caracteriza-se como um processo de exclusão do ambiente educacional determinado por fatores motivacionais, estruturais, socioeconômicos, internos e externos às instituições de ensino. A evasão em disciplinas introdutórias de programação, conhecidas como CS1, constitui-se em um desafio frequentemente observado em cursos de ciências exatas e de engenharias. O objetivo deste trabalho é construir um modelo de previsão de evasão de estudantes em disciplinas CS1 destes cursos com uso de dados sociodemográficos, passível de aplicação ainda no início de cada período letivo. A metodologia aplicada foi baseada no processo de mineração de dados CRISP-DM (Cross-Industry Standard Processo of Data Mining), com adaptações ao ambiente educacional, para extração do conhecimento e construção do modelo preditivo de evasão baseada na dimensão sociodemográfica dos estudantes. Com o intuito de validar a metodologia proposta, foram realizados experimentos com dados de ex-estudantes de CS1 dos cursos de ciências exatas e de engenharias da Universidade Federal do Amazonas. A previsão de evasão de estudantes nessas turmas mostrou-se viável, sendo construído um modelo preditivo com uso do classificador AdaBoost facilmente adaptável, permitindo a condução de iniciativas institucionais e pedagógicas mais eficientes de combate à evasão estudantil. Student dropout is characterized as an exclusion process from educational environment determined by motivational, structural, socioeconomic factors, internal and external to educational institutions. Dropout occurrences in introductory computer programming classes, known as CS1, is a challenge often observed in courses in sciences and engineering. The present paper aims to build a student‘s predicting dropout model in CS1 classes of these courses with the use of sociodemographic data and suitable to the application of this model even at the beginning of each academic period. The applied methodology was based on the data mining process CRISP-DM (Cross Industry Standard Process of Data Mining), with adaptations to the educational environment, to extract knowledge and build the dropout predictive model using a student sociodemographic data dimension. In order to validate the proposed methodology, experiments were carried out with data from former students of CS1 from the science and engineering courses at UFAM. The prediction of dropout students in these classes proved to be feasible, being built a predictive model easily adaptable using the AdaBoost classifier, allowing the engagement of more efficient institutional and pedagogical initiatives to combat evasion in an attempt that this probability does not materialize. 2022-10-07T13:58:09Z 2021-04-22 Dissertação PEREIRA, André Fabiano Santos. Previsão da evasão estudantil em disciplinas introdutórias de programação por meio de mineração de dados sociodemográficos. 2021. 81 f. Dissertação (Mestrado em Informática) - Universidade Federal do Amazonas, Manaus (AM), 2021. https://tede.ufam.edu.br/handle/tede/9094 por Acesso Aberto http://creativecommons.org/licenses/by/4.0/ 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	Evasão universitária Informática - Estudo e ensino Mineração de dados (Computação) CIENCIAS EXATAS E DA TERRA: CIENCIA DA COMPUTACAO: METODOLOGIA E TECNICAS DA COMPUTACAO Previsão de evasão Evasão estudantil Introdução à programação Mineração de dados educacionais
spellingShingle	Evasão universitária Informática - Estudo e ensino Mineração de dados (Computação) CIENCIAS EXATAS E DA TERRA: CIENCIA DA COMPUTACAO: METODOLOGIA E TECNICAS DA COMPUTACAO Previsão de evasão Evasão estudantil Introdução à programação Mineração de dados educacionais Pereira, André Fabiano Santos Previsão da evasão estudantil em disciplinas introdutórias de programação por meio de mineração de dados sociodemográficos
topic_facet	Evasão universitária Informática - Estudo e ensino Mineração de dados (Computação) CIENCIAS EXATAS E DA TERRA: CIENCIA DA COMPUTACAO: METODOLOGIA E TECNICAS DA COMPUTACAO Previsão de evasão Evasão estudantil Introdução à programação Mineração de dados educacionais
description	A evasão estudantil caracteriza-se como um processo de exclusão do ambiente educacional determinado por fatores motivacionais, estruturais, socioeconômicos, internos e externos às instituições de ensino. A evasão em disciplinas introdutórias de programação, conhecidas como CS1, constitui-se em um desafio frequentemente observado em cursos de ciências exatas e de engenharias. O objetivo deste trabalho é construir um modelo de previsão de evasão de estudantes em disciplinas CS1 destes cursos com uso de dados sociodemográficos, passível de aplicação ainda no início de cada período letivo. A metodologia aplicada foi baseada no processo de mineração de dados CRISP-DM (Cross-Industry Standard Processo of Data Mining), com adaptações ao ambiente educacional, para extração do conhecimento e construção do modelo preditivo de evasão baseada na dimensão sociodemográfica dos estudantes. Com o intuito de validar a metodologia proposta, foram realizados experimentos com dados de ex-estudantes de CS1 dos cursos de ciências exatas e de engenharias da Universidade Federal do Amazonas. A previsão de evasão de estudantes nessas turmas mostrou-se viável, sendo construído um modelo preditivo com uso do classificador AdaBoost facilmente adaptável, permitindo a condução de iniciativas institucionais e pedagógicas mais eficientes de combate à evasão estudantil.
author_additional	Souto, Eduardo James Pereira
author_additionalStr	Souto, Eduardo James Pereira
format	Dissertação
author	Pereira, André Fabiano Santos
author2	http://lattes.cnpq.br/6936919290320188
author2Str	http://lattes.cnpq.br/6936919290320188
title	Previsão da evasão estudantil em disciplinas introdutórias de programação por meio de mineração de dados sociodemográficos
title_short	Previsão da evasão estudantil em disciplinas introdutórias de programação por meio de mineração de dados sociodemográficos
title_full	Previsão da evasão estudantil em disciplinas introdutórias de programação por meio de mineração de dados sociodemográficos
title_fullStr	Previsão da evasão estudantil em disciplinas introdutórias de programação por meio de mineração de dados sociodemográficos
title_full_unstemmed	Previsão da evasão estudantil em disciplinas introdutórias de programação por meio de mineração de dados sociodemográficos
title_sort	previsão da evasão estudantil em disciplinas introdutórias de programação por meio de mineração de dados sociodemográficos
publisher	Universidade Federal do Amazonas
publishDate	2022
url	https://tede.ufam.edu.br/handle/tede/9094
_version_	1831970111342247936
score	11.753735

Previsão da evasão estudantil em disciplinas introdutórias de programação por meio de mineração de dados sociodemográficos

Registros relacionados