Skip navigation
Please use this identifier to cite or link to this item: http://repositorio.unb.br/handle/10482/47829
Files in This Item:
File SizeFormat 
EdmilsonCosmeDaSilva_DISSERT.pdf5,55 MBAdobe PDFView/Open
Title: Previsão da evasão acadêmica no ensino superior : o caso dos cursos de graduação presencial da Universidade de Brasília
Authors: Silva, Edmilson Cosme da
Orientador(es):: Freitas, Sergio Antônio Andrade de
Assunto:: Evasão universitária
Indicadores educacionais
Aprendizagem de máquina
Universidade de Brasília - alunos
Issue Date: 21-Feb-2024
Citation: SILVA, Edmilson Cosme da. Previsão da evasão acadêmica no ensino superior: o caso dos cursos de graduação presencial da Universidade de Brasília. 2023. xvii, 106 f. Dissertação (Mestrado Profissional em Computação Aplicada) — Universidade de Brasília, Brasília, 2023.
Abstract: Já há algum tempo, pesquisadores (inter)nacionais têm estudado a evasão nos cursos de ensino superior, classificando-a em dois tipos: estudantes que abandonam a universidade; e estudantes que abandonam o ensino superior. Ambas as situações causam danos à instituição, aos alunos e à sociedade em geral. A partir de 1995, com a criação da ANDIFES, os estudos começaram a se tornar mais frequentes no Brasil. Essa comissão elaborou relatórios que analisaram os índices de diplomação, retenção e evasão nos cursos de graduação nas Universidades Brasileiras. A evasão institucional foi um dos temas de estudo, sendo descrita como a saída do aluno de seu curso de origem, sem finalizar o curso. A Universidade de Brasília (UnB), tendo em vista a problemática que envolve a evasão do curso pelos estudantes, tem criado mecanismos que permitam aumentar a permanência dos estudantes nos cursos de graduação. O objetivo deste trabalho foi elaborar e avaliar um modelo de análise que permita utilizar os dados acadêmicos para previsão de evasão nos cursos de graduação presencial. A Revisão Sistemática da Literatura foi realizada com o propósito de identificar os fatores que impactam na evasão, a partir desses fatores, definir indicadores que possam ser extraídos dos sistemas acadêmicos da UnB. Ela também contribuiu na para selecionar algoritmos/ferramentas que deram suporte nas análises. O principal resultado da revisão sistemática foi a identificação de 29 fatores usados pelos pesquisadores, onde a pontuação média, gênero, notas do curso foram os mais utilizados. Sobre as ferramentas, a Regressão, a Árvore de Decisão e a Rede Neural foram os algoritmos mais usados. A partir desse resultado preliminar, foi criado o Modelo de Análise na Graduação (MAGRA), que utiliza os indicadores existentes nos sistemas acadêmicos da UnB em conjunto com ferramentas de aprendizagem de máquina para prever alunos com potencial de risco de evasão. A pesquisa se desenvolveu em um ambiente que contempla dois cenários. O primeiro foi desenvolvido na Faculdade do Gama (FGA), que serviu de protótipo para a criação do MAGRA, e o segundo na UnB. Nas etapas de testes, nas quais foram usadas somente as disciplinas cursadas pelos alunos, mostrou-se que o número de vezes que os alunos cursam uma disciplina pode ser um indicador da dificuldade desse aluno em cumprir a disciplina no tempo determinado. Empregando as novas variáveis, houve um aumento no número de modelos válidos e, consequentemente, um aumento nos cursos e turmas analisados, o que resultou em um número maior de previsões. A situação foi percebida ao conduzir os estudos na Faculdade do Gama e na Universidade de Brasília. Para melhorar a identificação precoce dos alunos com características de evasão, é necessário criar mecanismos de feedback por parte dos coordenadores de cursos, incluir novos sistemas, melhorar a qualidade dos dados e ajustar os parâmetros dos algoritmos.
Abstract: For some time now, (inter)national researchers have been studying dropout rates in higher education courses, classifying it into two types: students who drop out of university; students dropping out of higher education. Both situations cause harm to the institution, students and society in general. From 1995, with the creation of ANDIFES, studies began to become more frequent in Brazil. This commission prepared reports that analyzed the graduation, retention and dropout rates in undergraduate courses in Brazilian Universities. Institutional dropout was one of the topics of study, being described as the exit of the student from his course of origin, without finishing the course. The Universidade de Brasília (UnB), considering the problem that involves the evasion of the course by students, has created mechanisms that allow increasing the permanence of students in undergraduate courses. The objective of this work was to elaborate and evaluate an analysis model that allows the use of academic data to predict dropout in undergraduate courses. The Systematic Review of the Literature was carried out with the purpose of identifying the factors that impact on dropout, from these factors, to define indicators that can be extracted from the academic systems of the UnB. She also contributed to the selection of algorithms/tools that supported the analyses. The main result of the systematic review was the identification of 29 factors used by the researchers, where the average score, gender, course grades were the most used. About the tools, the Regression, the Decision Tree and the Neural Network were the most used algorithms. From this preliminary result, the Undergraduate Analysis Model (MAGRA) was created, which uses the existing indicators in the academic systems of the UnB in conjunction with machine learning tools to predict students with potential risk of dropping out. The research was developed in an environment that contemplates two scenarios. The first was developed at the Faculdade do Gama, which served as a prototype for the creation of MAGRA, and the second at the UnB. In the stages of tests, in which only the subjects taken by the students were used, it was shown that the number of times that the students take a course can be an indicator of the difficulty of this student in fulfilling the discipline in the determined time. With the use of the new variables, there was an increase in the number of valid models and, consequently, an increase in the courses and classes analyzed, which resulted in a higher number of predictions. The situation was perceived while conducting studies at the Faculdade do Gama and the Universidade de Brasília. To improve the early identification of students with dropout characteristics, it is necessary to create feedback mechanisms by course coordinators, include new systems, improve data quality and adjust algorithm parameters.
metadata.dc.description.unidade: Instituto de Ciências Exatas (IE)
Departamento de Ciência da Computação (IE CIC)
Description: Dissertação (mestrado) — Universidade de Brasília, Instituto de Ciências Exatas, Departamento de Ciência da Computação, 2023.
metadata.dc.description.ppg: Programa de Pós-Graduação em Computação Aplicada, Mestrado Profissional
Licença:: A concessão da licença deste item refere-se ao termo de autorização impresso assinado pelo autor com as seguintes condições: Na qualidade de titular dos direitos de autor da publicação, autorizo a Universidade de Brasília e o IBICT a disponibilizar por meio dos sites www.unb.br, www.ibict.br, www.ndltd.org sem ressarcimento dos direitos autorais, de acordo com a Lei nº 9610/98, o texto integral da obra supracitada, conforme permissões assinaladas, para fins de leitura, impressão e/ou download, a título de divulgação da produção científica brasileira, a partir desta data.
Agência financiadora: Coordenação de Aperfeiçoamento de Pessoal de Nível Superior (CAPES).
Appears in Collections:Teses, dissertações e produtos pós-doutorado

Show full item record " class="statisticsLink btn btn-primary" href="/jspui/handle/10482/47829/statistics">



Items in DSpace are protected by copyright, with all rights reserved, unless otherwise indicated.