Use this identifier to cite or link to this item: http://hdl.handle.net/10737/2847
Full metadata record
DC FieldValueLanguage
dc.contributor.authorRockenbach, Vinícius-
dc.date.accessioned2020-10-27T23:00:52Z-
dc.date.available2020-10-27T23:00:52Z-
dc.date.issued2020-06-
dc.date.submitted2020-07-09-
dc.identifier.citationROCKENBACH, Vinícius. Análise e predição de evasão na Educação a Distância de uma Universidade Comunitária utilizando técnicas de mineração de dados. 2020. Monografia (Graduação em Engenharia da Computação) – Universidade do Vale do Taquari - Univates, Lajeado, 09 jul. 2020. Disponível em: http://hdl.handle.net/10737/2847. pt_BR
dc.identifier.urihttp://hdl.handle.net/10737/2847-
dc.description.abstractA Mineração de dados vem crescendo nos últimos anos juntamente com o interesse das mais diversas áreas de atuação na descoberta de dados que auxilie a alcançar uma vantagem no mercado e, dentro da área da educação, o comportamento dos estudantes muitas vezes indica seus interesses e motivações. Esta pesquisa tem o objetivo de relacionar estes dois extremos aplicando técnicas de mineração de dados e aprendizado de máquina em dados provenientes do banco de dados de uma universidade comunitária do interior do Rio Grande do Sul explorando os conceitos da mineração de dados educacional para verificar a tendência dos alunos a evadirem dos cursos da modalidade EaD, dentro de um período de dois anos. Os resultados obtidos através dos experimentos utilizando diferentes técnicas de mineração de dados são comparados para se encontrar a forma mais eficiente de prever a evasão dos alunos. Após o treinamento dos modelos preditivos e a aplicação deles sobre o conjunto de teste, ficou constatado que os algoritmos Random Tree e Decision Tree obtiveram os melhores resultados, atingindo percentuais superiores a 98% nos melhores resultados. Os resultados também são comparados com outros resultados observados em estudos dentro do mesmo campo de pesquisa ou que também se utilizam das técnicas de mineração de dados educacionais, verificando-se resultados semelhantes em alguns deles.pt_BR
dc.description.abstractData mining has been growing in recent years along with the great interest of the most diverse areas of activity in the discovery of data that helps on achieving some advantage in the market and, within the area of education, the behavior of students often indicates their interests and motivations. This research aims to relate these two extremes by applying data mining and machine learning techniques to data from the database of a community university in the interior of Rio Grande do Sul state exploring the concepts of educational data mining to verify the trend of students to evade on distance education courses, within a period of two years. The results obtained through the experiments using different data mining techniques are compared to find the most efficient way to predict students' dropout. After training the predictive models and applying them to the test set, it was found that the Random Tree and Decision Tree algorithms obtained the best results, reaching percentages greater than 98% in the best results. The results are also compared with other results observed in studies within the same research field or studies that also use educational data mining techniques, with similar results being seen in some of them.pt_BR
dc.language.isopt_BRpt_BR
dc.rightsopenAccesspt_BR
dc.subjectEducação a distânciapt_BR
dc.subjectAmbiente Virtual de Aprendizagempt_BR
dc.subjectMineração de dadospt_BR
dc.subjectDistance Educationpt_BR
dc.subjectVirtual Learning Environmentpt_BR
dc.subjectData Miningpt_BR
dc.titleAnálise e predição de evasão na Educação a Distância de uma Universidade Comunitária utilizando técnicas de mineração de dadospt_BR
dc.typebachelorThesispt_BR
mtd2-br.advisor.instituationUniversidade do Vale do Taquari - Univatespt_BR
mtd2-br.advisor.latteshttp://lattes.cnpq.br/2547339011790564pt_BR
mtd2-br.advisor.nameAhlert, Edson Moacir-
bdu.cnpq.areaCETpt_BR
Appears in Collections:Engenharia da Computação

Files in This Item:
File Description SizeFormat 
2020ViniciusRockenbach.pdf1,69 MBAdobe PDFThumbnail
View/Open


This item is licensed under a Creative Commons License Creative Commons