Please use this identifier to cite or link to this item: https://repositorio.ufu.br/handle/123456789/28415
Full metadata record
DC FieldValueLanguage
dc.creatorDutra, Bruna Luiza-
dc.date.accessioned2020-01-21T12:39:06Z-
dc.date.available2020-01-21T12:39:06Z-
dc.date.issued2019-12-18-
dc.identifier.citationDUTRA, Bruna Luiza. Mineração de dados para identificação de fatores de reprovação no ensino superior. 2019. 52 f. Trabalho de Conclusão de Curso (Graduação em Sistemas de Informação) – Universidade Federal de Uberlândia, Uberlândia, 2020.pt_BR
dc.identifier.urihttps://repositorio.ufu.br/handle/123456789/28415-
dc.description.abstractBrazil and several countries are facing the problem of students dropout in the universities. Particularly, dropout rates of computer science related courses are among the highest ones, with approximately one of three students receiving the diploma. For example, recent studies showed that some classes of the Information Systems course at Federal University of Uberlândia achieved dropout rates greater than 70%. Among the several reasons for students dropout, one of the most cited in the literature is students retention. In this sense, Data Mining methods can be adopted to find indicators that contribute to student dropout or retention, which can be a relevant tool to alleviate this problem. By considering a data set of technical, social and economic features of students from the Information Systems course at Monte Carmelo Campus, this work aims at evaluating data classification techniques in the problem of predicting the students final performance regarding the discipline of Introduction to Computer Programming. The present study also seeks to identify the factors that most contribute to a student's poor performance. The experiments were performed with the Weka tool. A total of six classification techniques were considered, in addition to two database situations: with and without missing attributes. To compare the results we adopted two metrics: accuracy and F1. Statistical tests attested the good results of the JRIP rule induction model in comparison with the other techniques. Among the indicators that stand out are: family per capita income, average math grade in high school, distance from parents city to the university city, distance from where student lives to the campus, type of school attended in high school and with who the student resides. It is expected that such indicators can assist course managers in the early identification of students who are most likely to fail and also in the planning of actions to reduce dropout rates.pt_BR
dc.languageporpt_BR
dc.publisherUniversidade Federal de Uberlândiapt_BR
dc.rightsAcesso Abertopt_BR
dc.rights.urihttp://creativecommons.org/licenses/by-nc-nd/3.0/us/*
dc.subjectEvasãopt_BR
dc.subjectMineração de dadospt_BR
dc.subjectClassificaçãopt_BR
dc.subjectFatores de reprovaçãopt_BR
dc.subjectDropoutpt_BR
dc.subjectData miningpt_BR
dc.subjectData classificationpt_BR
dc.subjectRetention factorspt_BR
dc.titleMineração de dados para identificação de fatores de reprovação no ensino superiorpt_BR
dc.typeTrabalho de Conclusão de Cursopt_BR
dc.contributor.advisor1Carneiro, Murillo Guimarães-
dc.contributor.advisor1Latteshttp://lattes.cnpq.br/8158868389973535pt_BR
dc.contributor.referee1Gabriel, Paulo Henrique Ribeiro-
dc.contributor.referee1Latteshttp://lattes.cnpq.br/3181954061121790pt_BR
dc.contributor.referee2Paiva, José Gustavo de Souza-
dc.contributor.referee2Latteshttp://lattes.cnpq.br/4981210260282182pt_BR
dc.description.degreenameTrabalho de Conclusão de Curso (Graduação)pt_BR
dc.description.resumoO Brasil e diversos países vêm enfrentando o problema da evasão no ensino superior. Especificamente, as taxas de evasão dos cursos da área de computação estão entre as maiores, sendo que aproximadamente um a cada três alunos que ingressam recebe o diploma. No curso noturno de Sistemas de Informação da Universidade Federal de Uberlândia, por exemplo, um estudo recente apontou que houve turmas com taxas de evasão maior do que 70%. Entre os vários motivos para a evasão, um dos mais citados na literatura é a reprovação em disciplinas do curso. Nesse sentido, métodos de Mineração de Dados podem ser adotados para encontrar os fatores que contribuem para o aluno evadir ou reprovar, o que pode ser um ferramenta relevante para a amenização desse problema. Desse modo, partindo de uma bases de dados contendo registros técnicos, sociais e econômicos de alunos do curso de Sistemas de Informação do Campus Monte Carmelo, o objetivo deste trabalho é avaliar técnicas de classificação de dados no problema de predizer o desempenho final do aluno em relação à disciplina de Introdução à Programação de Computadores. O presente estudo também busca identificar os fatores que mais contribuem para o desempenho ruim de um aluno. Os experimentos foram realizados com a ferramenta Weka. Um total de seis técnicas de classificação foram consideradas, além de duas situações da base de dados: com e sem atributos faltantes. Para a comparação dos resultados foram utilizadas as métricas acurácia e medida F1. Através de testes estatísticos, é possível afirmar que o modelo de indução de regras JRIP se destacou dentre as demais técnicas. Entre os indicadores que se destacaram estão a renda per capita familiar, nota média em matemática no ensino médio, distância da cidade dos pais até a cidade da universidade, distância da localidade em que o aluno mora até o campus, tipo de escola que cursou no ensino médio e com quem o aluno reside. Espera-se que esses fatores auxiliem os gestores do curso na identificação precoce dos alunos com mais chances de reprovar e permita também o planejamento de ações a fim de reduzir as taxas de evasão.pt_BR
dc.publisher.countryBrasilpt_BR
dc.publisher.courseSistemas de Informaçãopt_BR
dc.sizeorduration52pt_BR
dc.subject.cnpqCNPQ::CIENCIAS EXATAS E DA TERRA::CIENCIA DA COMPUTACAOpt_BR
dc.orcid.putcode67671957-
dc.description.embargo2021-12-18-
Appears in Collections:TCC - Sistemas de Informação (Monte Carmelo)

Files in This Item:
File Description SizeFormat 
MineracaoDadosIdentificacao.pdfTCC3.08 MBAdobe PDFThumbnail
View/Open


This item is licensed under a Creative Commons License Creative Commons