Responsive image
Universidade Federal de Santa catarina (UFSC)
Programa de Pós-graduação em Engenharia, Gestão e Mídia do Conhecimento (PPGEGC)
Detalhes do Documento Analisado

Centro: Tecnológico

Departamento: Informática e Estatística/INE

Dimensão Institucional: Pesquisa

Dimensão ODS: Social

Tipo do Documento: Projeto de Pesquisa

Título: TÉCNICAS DE MINERAÇÃO DE DADOS EM EDUCAÇÃO APLICADAS À PREDIÇÃO DA EVASÃO NO ENSINO SUPERIOR.

Coordenador
  • ANDREIA ZANELLA
Participante
  • ANDREA CRISTINA KONRATH (D)
  • ANDREIA ZANELLA (D)
  • ANDRE WUST ZIBETTI (D)
  • AUGUSTO PACHECO DA ROCHA
  • FERNANDO CURBANI

Conteúdo

Um dos grandes desafios para as instituições de...um dos grandes desafios para as instituições de ensino superior é garantir a permanência dos alunos até o fim do processo formativo. portanto, aprofundar o entendimento sobre a evasão no ensino superior e ser capaz de prever a evasão é relevante para apoiar os gestores no desenvolvimento de políticas e ações que aumentem as chances de o estudante ter sucesso no seu percurso formativo. no contexto deste trabalho, considera-se que a evasão estudantil no ensino superior se dá quando a trajetória dos estudantes é interrompida, seja por meio de transferência, trancamento ou da desistência do curso. o objetivo geral da presente pesquisa é propor, por meio de técnicas de educational data mining, um modelo de predição para apoiar a gestão da evasão dos cursos de graduação ofertados pela universidade federal de santa catarina (ufsc). para isso, será necessário: (1) revisar a literatura de modo a identificar tanto os fatores mais relevantes para a compreensão da evasão no ensino superior, quanto as técnicas de educational data mining mais apropriadas para a predição da evasão; (2) aplicar e avaliar o desempenho de diferentes algoritmos de mineração de dados para predizer a evasão dos cursos de graduação. a identificação das variáveis mais críticas associadas à evasão fornece insumos aos gestores para discussões de políticas de permanência estudantil. além disso, a proposição de um modelo capaz de identificar casos de estudantes propensos à evasão, permite que os coordenadores de cursos e demais gestores possam intervir antecipadamente de modo a tentar evitar que o estudante evada.

Índice de Shannon: 0.525754

Índice de Gini: 0.108376

ODS 1 ODS 2 ODS 3 ODS 4 ODS 5 ODS 6 ODS 7 ODS 8 ODS 9 ODS 10 ODS 11 ODS 12 ODS 13 ODS 14 ODS 15 ODS 16
0,40% 0,33% 0,36% 94,41% 0,63% 0,24% 0,26% 0,63% 0,40% 0,37% 0,34% 0,29% 0,28% 0,32% 0,33% 0,41%
ODS Predominates
ODS 4
ODS 1

0,40%

ODS 2

0,33%

ODS 3

0,36%

ODS 4

94,41%

ODS 5

0,63%

ODS 6

0,24%

ODS 7

0,26%

ODS 8

0,63%

ODS 9

0,40%

ODS 10

0,37%

ODS 11

0,34%

ODS 12

0,29%

ODS 13

0,28%

ODS 14

0,32%

ODS 15

0,33%

ODS 16

0,41%