Detecção de estudantes em risco de evasão escolar usando aprendizagem de máquina

Página do item simplificado
dc.contributor.advisorSilveira, Ismar Frango
dc.contributor.authorLopes Filho, José Ahirton Batista
dc.date.accessioned2022-05-20T17:42:11Z
dc.date.available2022-05-20T17:42:11Z
dc.date.issued2021-11-03
dc.description.abstractA evasão escolar é um problema em vários países do globo, tanto na educação privada quanto pública, e costuma ter um impacto negativo em todos os perfis envolvidos: sejam eles estudantes, instituições e o público em geral. Não obstante o deficit educacional do aluno que evade, há também a perda monetária para o sistema em questão, o estigma social e os sentimentos de não adequação que podem estar associados a evasão. Neste trabalho é apresentado um sistema desenvolvido para a detecção precoce de estudantes em risco de evasão (um EDS, do inglês, early detection system), se utilizando de dados administrativos de alunos dos ensinos fundamental (anos finais) e médio de escolas públicas estaduais. São demonstrados resultados se utilizando de Decision Jungle, Decision Forest, Regressão Logística e Bayes Point Machines a partir de dados 2018 advindos da Secretaria de Educação do Estado de São Paulo. O EDS construído é uma ferramenta de suporte a decisão a qual está integrada no dia a dia de profissionais da educação de todo o Estado atendendo a seus mais de 3,4 milhões de alunos matriculados.pt_BR
dc.description.sponsorshipIPM - Instituto Presbiteriano Mackenziept_BR
dc.identifier.urihttps://dspace.mackenzie.br/handle/10899/29264
dc.language.isopt_BRpt_BR
dc.language.isoenpt_BR
dc.publisherUniversidade Presbiteriana Mackenzie
dc.rightsAttribution-NonCommercial-NoDerivs 3.0 Brazil*
dc.rights.urihttp://creativecommons.org/licenses/by-nc-nd/3.0/br/*
dc.subjectaprendizagem de máquinapt_BR
dc.subjectevasão escolarpt_BR
dc.subjectferramentas de suporte a decisãopt_BR
dc.titleDetecção de estudantes em risco de evasão escolar usando aprendizagem de máquinapt_BR
dc.typeTesept_BR
local.contributor.advisorLatteshttp://lattes.cnpq.br/3894359521286830pt_BR
local.contributor.advisorOrcidhttps://orcid.org/0000-0001-8029-072Xpt_BR
local.contributor.authorLatteshttp://lattes.cnpq.br/9352504362541995pt_BR
local.contributor.authorOrcidhttps://orcid.org/0000-0001-9651-8215pt_BR
local.contributor.board1Bezerra, Luis Naito Mendes
local.contributor.board1Latteshttp://lattes.cnpq.br/2561707241770340pt_BR
local.contributor.board2Lopes, Fábio Silva
local.contributor.board2Latteshttp://lattes.cnpq.br/2302666201616083pt_BR
local.contributor.board2Orcidhttps://orcid.org/0000-0001-8274-7682pt_BR
local.contributor.board3Coelho, Orlando Bisacchi
local.contributor.board3Latteshttp://lattes.cnpq.br/7904738562111617pt_BR
local.contributor.coadvisorPimentel, Edson Pinheiro
local.contributor.coadvisorLatteshttp://lattes.cnpq.br/6163089025212520pt_BR
local.description.abstractenDropping out of school is a problem in several countries around the globe, both in private and public education, and usually has a negative impact on all profiles involved: be they students, institutions and the general public. Notwithstanding the educational deficit of the student whom dropouts, there is also the monetary loss to the system in question, the social stigma and feelings of inadequacy that can be associated with dropout. This work presents a system developed for the early detection of students at risk of dropping out (an early detection system - EDS), using administrative data from elementary and high school students in state public schools. Results are shown using Decision Jungle, Decision Forest, Logistic Regression and Bayes Point Machines from 2018 data from the São Paulo State Department of Education. The built EDS is a decision support tool which is integrated into the daily lives of education professionals across the state, serving its more than 3.4 million enrolled students.pt_BR
local.keywordsmachine learningpt_BR
local.keywordsschool dropoutpt_BR
local.keywordsdecision support toolspt_BR
local.publisher.countryBrasil
local.publisher.departmentEscola de Engenharia Mackenzie (EE)pt_BR
local.publisher.initialsUPM
local.publisher.programEngenharia Elétrica e Computaçãopt_BR
local.subject.cnpqCNPQ::CIENCIAS EXATAS E DA TERRApt_BR
Arquivos
Pacote Original
Agora exibindo 1 - 1 de 1
Imagem de Miniatura
Nome:
JOSE AHIRTON BATISTA LOPES FILHO - protegido.pdf
Tamanho:
3.72 MB
Formato:
Adobe Portable Document Format
Descrição:
José Ahirton Batista Lopes Filho
Baixar
Licença do Pacote
Agora exibindo 1 - 1 de 1
Imagem de Miniatura
Nome:
license.txt
Tamanho:
1.95 KB
Formato:
Item-specific license agreed upon to submission
Descrição:
Baixar
Coleções
Engenharia Elétrica e Computação - Teses - EE Higienópolis