UM MODELO PREDITIVO PARA ESTUDO DA EVASÃO NA GRADUAÇÃO UTILIZANDO MINERAÇÃO DE DADOS
Resumo
A evasão estudantil é um problema recorrente nos mais diversos níveis educacionais do Brasil, em especial, no ensino superior. Além do abandono por parte dos alunos, os investimentos realizados por órgãos federais são prejudicados, visto que, o retorno deste investimento não é retornado. Buscando entender este cenário o presente trabalho, o presente trabalho analisou os dados de alunos do curso d Engenharia de Computação da Universidade Federal do Rio Grande (FURG), buscando compreender as prováveis motivações para a ocorrência de evasão dos discentes no curso. Para efetivar tal tarefa foi empregada a descoberta de conhecimento em bases de dados com objetivo de descobrir padrões implícitos no conjunto de dados, transformando os dados sem significado em informação e conhecimento útil. Por meio desta análise, pode-se constatar que alunos que possuem bom desempenho a disciplinas ligadas a ciências humanas apresentam uma tendência maior a deixar o curso.
Referências
Faceli, K. (2011). Inteligência Artificial: Uma abordagem de aprendizado de máquina. GrupoGen-LTC.
Fayyad, U. M., Piatetsky-Shapiro, G., Smyth, P., and Uthurusamy, R., editors (1996). Advancesin Knowledge Discovery and Data Mining. American Association for Artificial Intelligence, Menlo Park, CA, USA.
Quinlan, R. (1993).C4.5: Programs for Machine Learning. Morgan Kaufmann Publishers, SanMateo, CA.
Silva Filho, R. L. L., Motejunas, P. R., Hipólito, O., and Lobo, M. (2007). A evasão no ensino superior brasileiro. Cadernos de pesquisa, 37(132):641–659.
Tan, P.-N., Steinbach, M., and Kumar, V. (2009). Introdução ao data mining: mineração de dados. Ciencia Moderna.
Webb, G. I. (1999). Decision tree grafting from the all-tests-but-one partition. InProceedings ofthe 16th International Joint Conference on Artificial Intelligence - Volume 2, pages 702–707, San Francisco, CA, USA. Morgan Kaufmann Publishers Inc.
Witten, I. H. and Frank, E. (2005). Data Mining: Practical machine learning tools and techniques. Morgan Kaufmann
