Autores

5753
Laci Mary Barbosa Manhães
2654,312,1781
5754
2654,312,1781
5755
Sérgio Manuel Serra da Cruz
(Co-orientador)
2654,312,1781

Informações:

Publicações do PESC

Título
Predição do Desempenho Acadêmico de Graduandos Utilizando Mineração de Dados Educacionais
Linha de pesquisa
Engenharia de Dados e Conhecimento
Tipo de publicação
Tese de Doutorado
Número de registro
Data da defesa
9/2/2015
Resumo
Este trabalho apresenta uma proposta de arquitetura baseada em Mineração de Dados Educacionais (EDM) para predição do desempenho acadêmico de graduandos. O objetivo deste trabalho é fornecer aos gestores educacionais das universidades públicas brasileiras, não especialista em EDM, uma abordagem que oferece informações úteis sobre o desempenho acadêmico dos graduandos e predizer os que estão em risco de abandonar o sistema de ensino. A arquitetura EDM WAVE engloba todo o processo de descoberta de conhecimento em dados (pré-processamento, mineração de dados e pós-processamento). A arquitetura e os modelos propostos foram testados através de estudos experimentais que utilizaram dados do mundo real de graduandos da Universidade Federal do Rio de Janeiro (UFRJ), durante um período de 16 anos.
Nossa abordagem é uma das primeiras que utiliza apenas dados acadêmicos que variam no tempo, armazenados no sistema de gestão acadêmica, nenhum dado social ou econômico é considerado nas análises. Os resultados experimentais mostram que a arquitetura proposta é capaz de predizer o desempenho acadêmico dos graduandos a cada semestre letivo com precisão em torno de 80%. Além da predição, também foi possível identificar as principais variáveis que distinguem os estudantes que obtém sucesso ou não na conclusão do curso de graduação.
Abstract
This thesis presents an architecture based on Educational Data Mining (EDM) for the prediction of academic performance of undergraduate students. The objective of this work is to provide educational managers of Brazilian public universities, non-specialist in EDM, an approach that offers useful information about the academic performance of the students and predicts those students that are at risk of leaving the education system. The architecture encompasses the process of Knowledge Discovery from Data (pre-processing, data mining and post-processing). The EDM WAVE architecture and the data models were developed and tested through experimental studies using real-world data of students from Federal University of Rio de Janeiro (UFRJ), for a period of 16 years. Our approach is one of the first to use only time-varying academic data, stored in the academic management system, no social or economic data is considered in the analyzes. The experimental results show that the architecture is able to predict the academic performance of the students every semester our results present 80% of corrected. In addition to the prediction, it was also possible to identify the main features that distinguish students who succeed or not in the completion of the undergraduate degree course.
Topo