Banca de QUALIFICAÇÃO: FERNANDA FERREIRA DO NASCIMENTO

Uma banca de QUALIFICAÇÃO de MESTRADO foi cadastrada pelo programa.
DISCENTE: FERNANDA FERREIRA DO NASCIMENTO
DATA: 29/09/2021
HORA: 08:30
LOCAL: Google Meet
TÍTULO:

Avaliação de Técnicas de Mineração de Dados e Aprendizado de Máquina aplicados à detecção de estudantes em risco de evasão escolar

PALAVRAS-CHAVES:

Evasão escolar, Mineração de Dados Educacionais (EDM), Machine Learning(ML)

PÁGINAS: 49
GRANDE ÁREA: Ciências Exatas e da Terra
ÁREA: Ciência da Computação
RESUMO:

A evasão escolar é um dos problemas que vem atraindo atenção de pesquisadores em nível mundial, dado o importante papel da educação no processo de desenvolvimento da sociedade. A desistência dos estudantes ocasiona externalidades negativas em âmbitos sociais, acadêmicos, econômicos e ambientais, refletindo negativamente no desenvolvimento social e de políticas públicas voltadas para a educação, devido à falta de retorno positivo dos recursos já investidos. Devido a esses prejuízos, identificar as causas da evasão escolar em todos os níveis de ensino, tornou-se um tema de grande interesse e tem desencadeado pesquisas nacionais e internacionais. Uma alternativa para auxiliar na investigação das causas da evasão escolar é a Mineração de Dados Educacionais ou Educational Data Mining - EDM e, dentre as áreas da computação que se aliam à EDM destaca-se o Aprendizado de Máquina (do inglês Machine Learning -ML). Portanto, o objetivo geral deste trabalho é desenvolver e avaliar modelos utilizando técnicas de Machine Learning capazes de realizar a predição de estudantes com alto risco de evasão escolar, nos cursos de Engenharia Agrícola e Ambiental, Bacharelado em Ciência e Tecnologia, e Biotecnologia da UFERSA. Uma Revisão Sistemática de Literatura foi realizada e identificou-se um considerável número de trabalhos que propuseram a utilização de abordagens preditivas com intuito de avaliar as características dos estudantes, identificar fatores de indutores de evasão escolar e as principais técnicas ML abordadas para este contexto. Portanto, com a realização deste trabalho espera-se encontrar novas variáveis relevantes para identificar, o mais precocemente possível, casos de estudantes em risco de evasão, conseguir melhorar o percentual de acerto dos algoritmos já implementados com a adição das novas variáveis sugeridas no MSL e disponibilizar o modelo desenvolvido de modo a auxiliar a UFERSA na identificação dos estudantes com maior probabilidade abandonar o curso.

MEMBROS DA BANCA:
Interno - 1521615 - ANGELICA FELIX DE CASTRO
Interno - 1631848 - ARAKEN DE MEDEIROS SANTOS
Externo ao Programa - 1823981 - KATIA CILENE DA SILVA MOURA
Presidente - 1810758 - PAULO GABRIEL GADELHA QUEIROZ