Mineração de dados educacionais: uma análise sobre as variáveis que influenciam na evasão escolar

Detalhes bibliográficos
Autor(a) principal: Santos, Danrley Carvalho dos
Data de Publicação: 2019
Tipo de documento: Trabalho de conclusão de curso
Idioma: por
Título da fonte: Repositório Institucional da Universidade do Estado do Amazonas (UEA)
Texto Completo: https://ri.uea.edu.br/handle/riuea/885
Resumo: 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.
id UEA_cbad0991ae7f84b55279c780a523305e
oai_identifier_str oai:ri.uea.edu.br:riuea/885
network_acronym_str UEA
network_name_str Repositório Institucional da Universidade do Estado do Amazonas (UEA)
repository_id_str
spelling Mineração de dados educacionais: uma análise sobre as variáveis que influenciam na evasão escolarEducational data mining: an analysis of the variables that influence school dropoutEvasão EscolarMineração de Dados EducacionaisAprendizado de MáquinaThe 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.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.Universidade do Estado do AmazonasBrasilUEALiborio Filho, Joao da MataOliveira, Jhonathan AraújoPires, Kayro FigueiraSantos, Danrley Carvalho dos2022-02-23T17:47:03Z2024-08-30T18:47:34Z2020-01-202022-02-23T17:47:03Z2019-12-12info:eu-repo/semantics/publishedVersioninfo:eu-repo/semantics/bachelorThesisapplication/pdfhttps://ri.uea.edu.br/handle/riuea/885porinfo:eu-repo/semantics/openAccessreponame:Repositório Institucional da Universidade do Estado do Amazonas (UEA)instname:Universidade do Estado do Amazonas (UEA)instacron:UEA2024-08-30T18:54:55Zoai:ri.uea.edu.br:riuea/885Repositório InstitucionalPUBhttps://ri.uea.edu.br/server/oai/requestbibliotecacentral@uea.edu.bropendoar:2024-08-30T18:54:55Repositório Institucional da Universidade do Estado do Amazonas (UEA) - Universidade do Estado do Amazonas (UEA)false
dc.title.none.fl_str_mv Mineração de dados educacionais: uma análise sobre as variáveis que influenciam na evasão escolar
Educational data mining: an analysis of the variables that influence school dropout
title Mineração de dados educacionais: uma análise sobre as variáveis que influenciam na evasão escolar
spellingShingle Mineração de dados educacionais: uma análise sobre as variáveis que influenciam na evasão escolar
Santos, Danrley Carvalho dos
Evasão Escolar
Mineração de Dados Educacionais
Aprendizado de Máquina
title_short Mineração de dados educacionais: uma análise sobre as variáveis que influenciam na evasão escolar
title_full Mineração de dados educacionais: uma análise sobre as variáveis que influenciam na evasão escolar
title_fullStr Mineração de dados educacionais: uma análise sobre as variáveis que influenciam na evasão escolar
title_full_unstemmed Mineração de dados educacionais: uma análise sobre as variáveis que influenciam na evasão escolar
title_sort Mineração de dados educacionais: uma análise sobre as variáveis que influenciam na evasão escolar
author Santos, Danrley Carvalho dos
author_facet Santos, Danrley Carvalho dos
author_role author
dc.contributor.none.fl_str_mv Liborio Filho, Joao da Mata
Oliveira, Jhonathan Araújo
Pires, Kayro Figueira
dc.contributor.author.fl_str_mv Santos, Danrley Carvalho dos
dc.subject.por.fl_str_mv Evasão Escolar
Mineração de Dados Educacionais
Aprendizado de Máquina
topic Evasão Escolar
Mineração de Dados Educacionais
Aprendizado de Máquina
description 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.
publishDate 2019
dc.date.none.fl_str_mv 2019-12-12
2020-01-20
2022-02-23T17:47:03Z
2022-02-23T17:47:03Z
2024-08-30T18:47:34Z
dc.type.status.fl_str_mv info:eu-repo/semantics/publishedVersion
dc.type.driver.fl_str_mv info:eu-repo/semantics/bachelorThesis
format bachelorThesis
status_str publishedVersion
dc.identifier.uri.fl_str_mv https://ri.uea.edu.br/handle/riuea/885
url https://ri.uea.edu.br/handle/riuea/885
dc.language.iso.fl_str_mv por
language por
dc.rights.driver.fl_str_mv info:eu-repo/semantics/openAccess
eu_rights_str_mv openAccess
dc.format.none.fl_str_mv application/pdf
dc.publisher.none.fl_str_mv Universidade do Estado do Amazonas
Brasil
UEA
publisher.none.fl_str_mv Universidade do Estado do Amazonas
Brasil
UEA
dc.source.none.fl_str_mv reponame:Repositório Institucional da Universidade do Estado do Amazonas (UEA)
instname:Universidade do Estado do Amazonas (UEA)
instacron:UEA
instname_str Universidade do Estado do Amazonas (UEA)
instacron_str UEA
institution UEA
reponame_str Repositório Institucional da Universidade do Estado do Amazonas (UEA)
collection Repositório Institucional da Universidade do Estado do Amazonas (UEA)
repository.name.fl_str_mv Repositório Institucional da Universidade do Estado do Amazonas (UEA) - Universidade do Estado do Amazonas (UEA)
repository.mail.fl_str_mv bibliotecacentral@uea.edu.br
_version_ 1823241960747433984