Previsão de evasão em cursos de graduação da Universidade Federal Fluminense com mineração de dados

• Autor(a) principal: Santos, Thales Athayde
• Data de Publicação: 2019
• Tipo de documento: Trabalho de conclusão de curso
• Idioma: por
• Título da fonte: Repositório Institucional da Universidade Federal Fluminense (RIUFF)
• Texto Completo: http://app.uff.br/riuff/handle/1/25811
• topic: Mineração de Dados; Predição de Evasão de Alunos; Árvore de Decisão; XGBoost; Mineração de dados (Computação); Árvore de decisão; Evasão escolar; Estudante universitário; Data Mining; Student dropout prediction; Decision Tree

A evasão de alunos no ensino superior é um problema comumente enfrentado em diversos países no mundo. No Brasil, esse problema é especialmente crítico quando ocorre em instituições federais e estaduais. Isso se deve ao fato que os gastos que o governo teve com esse aluno não terão retorno, uma vez que a chance de ingresso no mercado de trabalho desses alunos é reduzida, e, por consequência, há dificuldade de suprir a demanda interna necessária pelas empresas, importante para o desenvolvimento do país. Então, encontrar formar de auxiliar os alunos para evitar a evasão é essencial para evitar os gastos sem retorno por culpa da evasão. Porém, se essa ajuda for direcionada para todos os alunos, independente de terem chance de eles evadirem ou não, isso ainda traria um gasto adicional para a verba das universidades. Com essa motivação, essa monografia tem o foco de comparar diferentes técnicas clássicas de mineração de dados para verificar a eficácia de cada uma, de forma a prover uma possível solução de detecção precoce de evasão. Ao usar uma técnica automática para prever os prováveis alunos a evadir, pode-se focar recursos para auxiliar esses alunos específicos e assim ter um retorno melhor dos investimentos do governo. Nessa monografia, foram usados métodos usuais de (1) pré-processamento, a saber, um Normalizador e um Padronizador para tratamento de dados, (2) redução de dimensionalidade, a saber, PCA e Qui-Quadrado , e (3) métodos para geração de classificadores baseados em categorias diversas, a saber, KNN, SVM, MLP, CART e XGBoost . Com os resultados experimentais obtidos, foi possível comparar os resultados e elencar o método de Padronização, PCA e XGBoost, como tendo os melhores resultados, atingindo acima de 91% de Acurácia e 0.9542 de F1-Measure para o curso de Física.