Navegando por Autor "Bezerra, Wanessa da Silva"
Agora exibindo 1 - 1 de 1
- Resultados por página
- Opções de Ordenação
TCC Indicadores preditivos para análise das taxas de evasão: um estudo de caso no curso de bacharelado em Sistemas de Informação(Universidade Federal do Rio Grande do Norte, 2025-01-23) Bezerra, Wanessa da Silva; Vale, Karliane Medeiros Ovidio; Gorgônio, Flavius Luz e; https://orcid.org/0000-0002-4926-3990; http://lattes.cnpq.br/7375286161719016; https://orcid.org/0000-0001-9845-8156; http://lattes.cnpq.br/7907570677010860; https://orcid.org/0000-0001-7775-0211; https://lattes.cnpq.br/4286250622494169; Guerra, Fabricio Vale de Azevedo; http://lattes.cnpq.br/7860769003807018; Gorgônio, Arthur Costa; https://orcid.org/0000-0002-1824-9600; http://lattes.cnpq.br/8213279977425231O presente estudo tem como objetivo propor índices para prever a evasão de alunos do curso de Bacharelado em Sistemas de Informação da Universidade Federal do Rio Grande do Norte (UFRN), utilizando aprendizado de máquina (AM) e redução de dimensionalidade. Para tanto, foram propostos 4 índices que são promissores para prever a evasão de alunos: permanência, taxa de reprovação, permanência por semestre e quantidade de matrículas. Para analisar tais índices, foram executados 10 algoritmos de classificação em 4 conjuntos de dados distintos (BD1, BD2, BD3 e BD4), gerados a partir de dados abertos disponíveis no portal da UFRN. Além disso, para fins de comparação de resultados, utilizou-se as versões otimizadas com Análise de Componentes Principais (PCA) para os conjuntos BD1, BD2 e BD3, pois não utilizam os índices propostos neste trabalho. Ao comparar o desempenho dos classificadores utilizando o conjunto de dados com os índices propostos neste trabalho em relação às demais bases, os modelos Quadratic Discriminant Analysis (QDA) e Naive Bayes apresentaram destaque, alcançando os melhores resultados em termos de acurácia e índice F1, respectivamente. A análise com SHAP(\textit{SHapley Additive exPlanations}) revelou que os índices permanência e quantidade de matrículas foram os mais relevantes para prever a evasão