PPGED - Mestrado Profissional em Educação (Dissertações)

Permanent URI for this collectionhttps://repositorio.ufvjm.edu.br/collections/7dace26e-c209-4368-bebd-d4b441715786

Browse

Filters

20161

Settings

Author: search.filters.author.Santos, Rodrigo Magalhães Mota dosSubject: search.filters.subject.Education

Search Results

Now showing 1 - 1 of 1
  • Thumbnail Image
    Item
    Técnicas de aprendizagem de máquina utilizadas na previsão de desempenho acadêmico
    (UFVJM, 2016) Santos, Rodrigo Magalhães Mota dos; Pitangui, Cristiano Grijó; Universidade Federal dos Vales do Jequitinhonha e Mucuri (UFVJM); Pitangui, Cristiano Grijó; Andrade, Alessandro Vivas; Assis, Luciana Pereira de; Santin, Rafael
    A tecnologia, presente cada vez mais no ambiente educacional, tem contribuído para o aumento da oferta de cursos à distância. Grande parte dos cursos ofertados nesta modalidade utilizam os Ambientes Virtuais de Aprendizagem (AVA). Estes ambientes ganham espaço no cotidiano dos educadores devido ao fácil manuseio e a grande diversidade de ferramentas disponibilizadas. Tais ferramentas permitem, de forma geral, a administração de cursos totalmente à distância com oferta de múltiplas mídias e recursos (fóruns de discussão, chats, dentre outros) para interações entre professores e alunos. Tais interações criam enormes volumes de dados que podem ser analisados através da aplicação de técnicas de Mineração de Dados Educacionais. Com a aplicação destas técnicas pode-se realizar a previsão de desempenho acadêmico que pode ter grande utilidade para Instituições de Ensino no sentido de auxiliá-las a tomar, de forma antecipada, decisões pedagógicas que possam ajudar os estudantes. Este trabalho apresenta um estudo de métodos como Seleção de Atributos utilizando a abordagem Wrapper e Classificador em Cascata, ainda não empregados em trabalhos correlatos pesquisados, que visam melhorar os resultados obtidos pelas técnicas de Mineração de Dados Educacionais utilizadas na previsão de desempenho acadêmico de estudantes. Os resultados experimentais indicam uma melhora no desempenho dos algoritmos classificadores utilizados (alguns alcançando a notável marca de 90,2% de acurácia), bem como apontam quais os recursos utilizados no AVA possuem maior influência no desempenho dos estudantes.