Pós-Graduação em Educação

Permanent URI for this communityhttps://repositorio.ufvjm.edu.br/communities/6e04c5af-29a2-4305-bbeb-1cb7813f7adc

PPGED - Programa de Pós-Graduação em Educação Disponíveis também trabalhos do antigo Programa de Pós-Graduação em Gestão de Instituições Educacionais (PPGGIEd).

Browse

Subject: search.filters.subject.Mineração de dados

Search Results

Now showing 1 - 3 of 3
  • Thumbnail Image
    Item
    Análise de dados para identificação do perfil de alunos evadidos do curso Técnico em Informática do IFNMG - Campus Januária
    (UFVJM, 2020) Barbosa, Fábio Rodrigues; Horta, Euler Guimarães; Universidade Federal dos Vales do Jequitinhonha e Mucuri (UFVJM); Horta, Euler Guimarães; Andrade, Paulo César de Resende; Leonel, Marcelino Serretti; Maia, Renato Dourado
    A evasão escolar é um problema que assola vários cursos, níveis e modalidades de ensino nas instituições educacionais em todo o país. Não obstante, o Instituto Federal do Norte de Minas Gerais, Campus Januária vem sofrendo com a crescente evasão dos alunos em seus cursos. A proposta de cursos técnicos na modalidade subsequente ao ensino médio é de uma capacitação para uma inserção rápida ao mercado de trabalho, carente de profissionais. Portanto, quando os alunos abandonam os cursos antes do término, causam problemas não apenas institucionais como sociais. Apesar de haver um esforço institucional e governamental que estimula a permanência e êxito do aluno na escola, ainda assim se mostram insuficientes diante das dificuldades econômicas e sociais pelas quais passa a maioria daqueles que buscam uma capacitação na tentativa de uma melhoria de vida, especialmente aqueles provenientes de regiões mais carentes no tocante a educação de qualidade e a formação profissional. O objetivo desta pesquisa foi realizar uma análise de dados educacionais por meio da Mineração de Dados e Aprendizado de Máquina para identificar os principais motivos de evasão e o perfil dos alunos evadidos do curso Técnico em Informática na modalidade subsequente do Campus Januária. Para tanto, foram coletados dados de 577 alunos que ingressaram no curso entre os anos de 2010 a 2018. A ferramenta utilizada para Mineração de Dados e Aprendizado de Máquina foi o Weka e o algoritmo escolhido foi o J48. Como resultado, após o treinamento e os testes realizados, o algoritmo criou uma árvore de decisão em que, o principal atributo que contribuiu para a evasão do aluno, foi a reprovação seguido de outros atributos que, aliados, criaram um perfil do aluno evadido do curso que foi objeto deste estudo.
  • Thumbnail Image
    Item
    Uma abordagem para detecção automática de estilos de aprendizagem de estudantes utilizando mineração de dados
    (UFVJM, 2019) Abreu, Rafael Miranda; Pitangui, Cristiano Grijó; Universidade Federal dos Vales do Jequitinhonha e Mucuri (UFVJM); Pitangui, Cristiano Grijó; Assis, Luciana Pereira de; Silva, Cristiano Maciel da
    Utilizados pelas Instituições Educacionais os Sistemas de Gerenciamento de Aprendizagem, como o Moodle, são ferramentas importantes no processo de ensino-aprendizagem e a cada dia que passa ganham mais adeptos. Essa popularização deve-se ao fato destes softwares serem em sua maioria intuitivos e de fácil manuseio. No entanto, grande parte desses sistemas, mesmo vindo acompanhados de vários benefícios, possuem uma certa ”deficiência”, uma vez que fornecem os conteúdos de iguais maneiras e formatos a todos os seus usuários. Sendo assim, considerando que indivíduos possuem preferências e características diferentes, a absorção dos conteúdos ofertados através destas plataformas pelos aprendizes pode não ser a ideal. De acordo com diversos estudiosos se o Estilo de Aprendizagem de determinado estudante for conhecido, é possível apresentar as ferramentas e os Objetos de Aprendizagem que melhor se adéquam ao seu perfil de aprendizagem, e provavelmente sua aprendizagem será facilitada. Neste sentido, e baseando-se no Modelo de Estilos de Aprendizagem de Felder e Silverman, esta pesquisa apresenta uma abordagem capaz de descobrir o Estilos de Aprendizagem de alunos automaticamente. Para que o objetivo fosse alcançado, foram aplicados conceitos e técnicas de Mineração de Dados. Os vários testes realizados apresentaram bons resultados, e apontam que a abordagem proposta pode ser promissora na detecção de Estilo de Aprendizagem de estudantes.
  • 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.