
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


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%