Modelagem descritiva e preditiva da mudança de processo seletivo para ingresso no ensino superior

Autores

  • Joel Felipe de Oliveira Gaya Universidade Federal do Rio Grande
  • Sidnei da Fonseca Pereira Jr Universidade Federal do Rio Grande
  • Paula Fernanda Schiavo Universidade Federal do Rio Grande
  • Eduardo Borges Universidade Federal do Rio Grande
  • Silvia Silva da Costa Botelho Universidade Federal do Rio Grande

DOI:

https://doi.org/10.13037/ria.vol13n1.173

Resumo

Um dos desafios para as instituições de ensino superior é obter métricas que auxiliem o acompanhamento do desempenho do discente tendo em vista as constantes transformações do ensino no país. A mineração de dados vem sendo uma das principais ferramentas utilizadas por conseguir extrair informação implícita, previamente desconhecida e potencialmente útil para tomada de decisão. Neste trabalho foi analisada uma base de dados de estudantes do curso de Engenharia de Computação da Universidade Federal do Rio Grande (FURG), onde houve uma mudança na forma de avaliação para o ingresso dos alunos no ensino superior. Foram gerados modelos para avaliar o impacto desta alteração os quais mostram que o desempenho dos alunos diminuiu. Utilizando modelos de dados preditivos, percebeu-se que a idade, as notas de ingresso e o número de repetições nas disciplinas são fatores preponderantes para que aluno conclua o curso.

Downloads

Referências

AGRAWAL, R.; SRIKANT, R. et al. Fast algorithms for mining association rules. In: Proc. 20th int. conf. very large data bases, VLDB. [S.l.: s.n.], 1994. v. 1215, p. 487–499.

BHARGAVA, N. et al. Decision tree analysis on j48 algorithm for data mining. Proceedings of International Journal of Advanced Research in Computer Science and Software Engineering, v. 3, n. 6, 2013.

BOSER, B. E.; GUYON, I. M.; VAPNIK, V. N. A training algorithm for optimal margin classifiers. In: ACM. Proceedings of the Annual Workshop on Computational Learning Theory. [S.l.], 1992. p. 144–152.

BREIMAN, L. Random forests. Machine learning, Kluwer Academic Publishers, v. 45, n. 1, p. 5–32, 2001.

BREIMAN, L. et al. Classification and Regression Trees. Monterey, CA: Wadsworth and Brooks, 1984.

COHEN, W. W. Fast effective rule induction. In: Proceedings of the International Conference on Machine Learning. [S.l.: s.n.], 1995. p. 115–123.

DESHPANDE, S.; THAKARE, V. Data mining system and applications: A review. International Journal of Distributed and Parallel systems (IJDPS), v. 1, n. 1, p. 32–44, 2010.

GAYA, J. O. et al. Vision-based obstacle avoidance using deep learning. Latim America Robotics Symposium, 2016.

HALL, M. et al. The weka data mining software: an update. ACM SIGKDD explorations newsletter, ACM, v. 11, n. 1, p. 10–18, 2009.

HAN, J. Data Mining: Concepts and Techniques. San Francisco, CA, USA: Morgan Kaufmann Publishers Inc., 2005. ISBN 1558609016.

HAYKIN, S. Neural Networks: A Comprehensive Foundation. Upper Saddle River, USA: Prentice-Hall, Inc., 2007. ISBN 0131471392.

JOHN, G. H.; LANGLEY, P. Estimating continuous distributions in bayesian classifiers. In: MORGAN KAUFMANN PUBLISHERS INC. Proceedings of the Conference on Uncertainty in Artificial Intelligence. [S.l.], 1995. p. 338–345.

KABAKCHIEVA, D. Predicting student performance by using data mining methods for classification. Cybernetics and information technologies, v. 13, n. 1, p. 61–72, 2013.

KHAN, B.; KHIYAL, M. S. H.; KHATTAK, M. D. Final grade prediction of secondary school student using decision tree. International Journal of Computer Applications, Foundation of Computer Science, v. 115, n. 21, 2015.

MITCHELL, T. Machine Learning. [S.l.]: McGraw Hill, 1997.

MYSQL, A. MySQL: the world’s most popular open source database. [S.l.]: MySQL AB, 1995.

PANDEY, U. K.; PAL, S. Data mining: A prediction of performer or underperformer using classification. arXiv preprint arXiv:1104.4163, 2011.

PLATT, J. C. Probabilistic outputs for support vector machines and comparisons to regularized likelihood methods. In: Proceedings of the Advances in Large Margin Classifiers. [S.l.]: MIT Press, 1999.

PRASAD, G. N. R.; BABU, A. V. Mining previous marks data to predict students performance in their final year examinations. In: ESRSA PUBLICATIONS. International Journal of Engineering Research and Technology. [S.l.], 2013. v. 2, n. (February-2013).

PRASS, F. S. KKD: Processo de descoberta de conhecimento em bancos de dados. 2004. 10–14 p. Grupo de Interesse Em Engenharia de Software, Florianópolis, v. 1.

QUINLAN, J. R. Discovering rules by induction from large collections of examples. In: MICHIE, D. (Ed.). Expert Systems in the Micro-electronic Age. Edinburgh: Edinburgh University Press, 1979.

QUINLAN, J. R. Induction of decision trees. Mach. Learn., Kluwer Academic Publishers, Hingham, MA, USA, v. 1, n. 1, p. 81–106, 1986. ISSN 0885-6125.

QUINLAN, J. R. Learning with continuous classes. In: Proceedings of the Australian Joint Conference on Artificial Intelligence. Singapore: World Scientific, 1992. v. 92, p. 343–348.

QUINLAN, J. R. C4.5: programs for machine learning. San Francisco, CA, USA: Morgan Kaufmann Publishers Inc., 1993. ISBN 1-55860-238-0.

TAN, P.-N.; STEINBACH, M.; KUMAR, V. Introduction to Data Mining. [S.l.]: Addison-Wesley, 2005.

WITTEN, I. H.; FRANK, E. Data Mining: Practical machine learning tools and techniques. [S.l.]: Morgan Kaufmann, 2011.

YADAV, S. K.; PAL, S. Data mining: A prediction for performance improvement of engineering students using classification. CoRR, abs/1203.3832, 2012. Disponível em: http://arxiv.org/abs/1203.3832.

Downloads

Publicado

2020-05-31

Como Citar

Gaya, J. F. de O., Pereira Jr, S. da F., Schiavo, P. F., Borges, E., & Botelho, S. S. da C. (2020). Modelagem descritiva e preditiva da mudança de processo seletivo para ingresso no ensino superior. Revista De Informática Aplicada, 13(1). https://doi.org/10.13037/ria.vol13n1.173

Edição

v. 13 n. 1 (2017)

Seção

Artigos

Licença

Copyright (c) 2019 Joel Felipe de Oliveira Gaya, Sidnei da Fonseca Pereira Jr, Paula Fernanda Schiavo, Eduardo Borges, Silvia Silva da Costa Botelho

Creative Commons License

Este trabalho está licenciado sob uma licença Creative Commons Attribution-NonCommercial-ShareAlike 4.0 International License.

Os autores que publicam trabalhos na RIA estão de acordo com os seguintes termos:

  1. Autores mantêm seus direitos autorais e concedem à RIA o direito à primeira publicação. Admite-se o compartilhamento do referido trabalho, desde que seja reconhecida sua autoria e publicação inicial nesta revista.
  2. Autores podem fechar contratos adicionais separadamente, para distribuição não exclusiva da versão do trabalho publicado na RIA, com reconhecimento de sua autoria e publicação inicial nesta revista.
  3. Autores podem publicar e distribuir seu trabalho online, antes ou durante o processo editorial.