Mineração de dados educacionais: uma análise sobre as variáveis que influenciam na evasão escolar
| dc.contributor.advisor | Liborio Filho, Joao da Mata | |
| dc.contributor.author | Santos, Danrley Carvalho dos | |
| dc.contributor.referee | Oliveira, Jhonathan Araújo | |
| dc.contributor.referee | Pires, Kayro Figueira | |
| dc.date.accessioned | 2022-02-23T17:47:03Z | |
| dc.date.accessioned | 2024-08-30T18:47:34Z | |
| dc.date.available | 2020-01-20 | |
| dc.date.available | 2022-02-23T17:47:03Z | |
| dc.date.issued | 2019-12-12 | |
| dc.description.abstract | The school evasion is a big problem that concerns the Brazilian educational scenario. This paper presents some factors that cause this concern, and a solution to part of the problem is presented by using Educational Data Mining. The objective is to identify variables related to school dropout of elementary school students from Amazonas State schools and to create a model for predicting the probability of dropout using machine learning methods. The methodology was based on the CRISP-DM model, widely used for data mining. Three prediction learning models were trained and evaluated: Logistic Regression, Decision Trees and Random Forests. Among the variables used, it is noteworthy that most of them correspond to school location data, school equipment and student age. | pt_BR |
| dc.description.resumo | A evasão escolar é um grande problema que preocupa o cenário educacional brasileiro. Neste trabalho é apresentado alguns fatores que causam essa preocupação, e uma solução para parte do problema é apresentada com a utilização de Mineração de Dados Educacionais. O objetivo consiste na identificação de variáveis relacionadas com a evasão escolar de alunos do ensino fundamental de escolas do Estado do Amazonas e para a criação de um modelo de predição da probabilidade de evasão destes alunos utilizando métodos de aprendizagem de máquina. A metodologia foi baseada no modelo CRISP-DM, bastante utilizado para mineração de dados. Foram treinados e avaliados três modelos de aprendizado para predição: Regressão Logística, Árvores de decisão e Florestas Aleatórias. Dentre as variáveis utilizadas, é notável que grande parte delas correspondem a dados de localização das escolas, equipamentos das mesmas e a faixa etária dos alunos. | pt_BR |
| dc.identifier.uri | https://ri.uea.edu.br/handle/riuea/885 | |
| dc.language | por | pt_BR |
| dc.publisher | Universidade do Estado do Amazonas | pt_BR |
| dc.publisher.country | Brasil | pt_BR |
| dc.publisher.initials | UEA | pt_BR |
| dc.rights | Acesso Aberto | pt_BR |
| dc.subject | Evasão Escolar | pt_BR |
| dc.subject | Mineração de Dados Educacionais | pt_BR |
| dc.subject | Aprendizado de Máquina | pt_BR |
| dc.title | Mineração de dados educacionais: uma análise sobre as variáveis que influenciam na evasão escolar | pt_BR |
| dc.title.alternative | Educational data mining: an analysis of the variables that influence school dropout | pt_BR |
| dc.type | Trabalho de Conclusão de Curso | pt_BR |