Use este identificador para citar ou linkar para este item: http://repositorio.utfpr.edu.br/jspui/handle/1/16010
Título: Big Data Analytics para a classificação do risco de abandono escolar em cursos do ensino superior
Autor(es): Franco, Tiago Sanches
Orientador(es): Koscianski, André
Palavras-chave: Evasão escolar
Ensino superior
Algorítmos
Organização da informação
Big data
Dropouts
Education, Higher
Algorithms
Information organization
Data do documento: 27-Mar-2019
Editor: Universidade Tecnológica Federal do Paraná
Câmpus: Ponta Grossa
Citação: FRANCO, Tiago Sanches. Big Data Analytics para a classificação do risco de abandono escolar em cursos do ensino superior. 2019. 61 f. Trabalho de Conclusão de Curso (Bacharelado em Ciência da Computação) - Universidade Tecnológica Federal do Paraná, Ponta Grossa, 2019.
Resumo: O abandono escolar é uma constante preocupação das instituições de ensino superior, com divergentes e complexos fatores relatados por diversos autores. Conseguimos notar que este problema é bastante abrangente e explorado, já sendo possível encontrar nas instituições setores especializados ou programas de auxílio como psicólogos, auxílio moradia, programa de monitoria, entre outros, buscando minimizar a quantidade de alunos desistentes. Entretanto estas propostas dependem do próprio aluno a buscar ajuda necessária, abrindo uma lacuna para aqueles que não se sentem confortáveis a procurar ou não possuem total conhecimento do próprio caso. Este trabalho propõe um modelo para a identificação prévia dos alunos desistentes, com objetivo de tornar as instituições de ensino aptas a entender melhor os casos de abandono e se possível encaminhá-los a setores especializados. Para tal, utilizamos o Instituto Politécnico de Bragança como estudo de caso que nos forneceu mais 200 milhões de registros relacionados aos alunos matriculados entre 2008 a 2017. Analisamos e processamos a Big Data fornecida com a finalidade de moldá-la como parâmetros de entrada de algoritmos de machine learning. Inicialmente testamos três algoritmos e descobrimos que o random forest demonstra ser o mais eficiente neste contexto. A partir disso, aproveitamos do volume de dados para identificar qual seria melhor ciclo de treino e obtemos que o período de 4 anos consegue atingir melhores resultados. No aprimoramento do modelo adicionamos mais 2 atributos buscando realçar a trajetória escolar do aluno. Para implementação e visualização do modelo, desenvolvemos uma ferramenta de extração de dados e uma aplicação Web, que através de diferentes níveis de acesso, além de conseguir identificar os alunos em risco de abandono, também possibilita aos usuários efetuar análises comparativas entre escolas e cursos por meio de uma página personalizada com estatísticas transformadas em gráficos e tabelas. O estudo se apresenta como uma boa solução para identificação prévia dos alunos em risco de abandono, possibilitando análises e encaminhamentos. O modelo ainda pode ser ampliado a mais parâmetros e tende a obter melhores resultados ao longo dos anos aperfeiçoando através do reforço os atributos criados.
Abstract: School dropout is a constant concern of higher education institutions, with divergent and complex factors reported by various authors. We can note that this problem is quite broad and exploited, since it is possible to find specialized sectors or assistance programs such as psychologists, housing assistance, monitoring programs, among others, in order to minimize the number of students dropping out. However, these proposals depend on the student himself to seek necessary help, opening a gap for those who do not feel comfortable to seek or do not have full knowledge of the case itself. This work proposes a model for the prior identification of dropouts, with the aim of making higher education institutions able to understand cases of dropout and, if possible, refer them to specialized sectors. For that, we use as a case study the Instituto Politécnico de Bragança, which provided 200 million records related to students enrolled between 2008 and 2017. We analyze and process the Big Data provided for molding it as input parameters of machine learning algorithms. We first tested three algorithms and found that random forest proves to be the most efficient in this context. From this, we take advantage of the data volume to identify which would be the best training cycle and obtain that the period of 4 years can achieve better results. In the improvement of the model we added two more attributes to highlight the trajectory of the student. For the implementation and visualization of the model, we developed a data extraction tool and a Web application, which through different levels of access, besides being able to identify students at risk of abandonment, also allows users to make comparative analysis between schools and courses by of a custom page with statistics transformed into graphs and tables. The study presents as a good solution for the prior identification of students at risk of dropout, enabling analysis and referrals. The model can still be extended to more parameters and tends to obtain better results over the years by improving by enhancing the attributes created.
URI: http://repositorio.utfpr.edu.br/jspui/handle/1/16010
Aparece nas coleções:PG - Ciência da Computação

Arquivos associados a este item:
Arquivo Descrição TamanhoFormato 
PG_COCIC_2019_1_13.pdf1,41 MBAdobe PDFThumbnail
Visualizar/Abrir


Os itens no repositório estão protegidos por copyright, com todos os direitos reservados, salvo quando é indicado o contrário.