Export ???item.export.type.endnote??? ???item.export.type.bibtex???

Please use this identifier to cite or link to this item: https://bdtd.ucb.br:8443/jspui/handle/tede/2318
Type: Dissertação
Title: Predição de evasão na educação a distância como subsídio à tomada de decisão
Author(s): Sepúlvida, Weslley Rodrigues 
First Advisor: Ferneda, Edilson
First co-advisor: Hello, Fernando Antonio
Summary: A educação a distância (EAD) tem crescido nos últimos anos. Várias instituições de ensino têm ofertado cursos que vão desde aperfeiçoamentos e capacitações internas até cursos de extensão, graduação e pós-graduação. Com o crescimento da oferta de cursos e o aumento significativo dos estudantes, as instituições educacionais se colocam frente a novos desafios, entre eles o combate das altas taxas de evasão, comum em cursos na modalidade EAD. Nesse sentido, a Mineração de Dados é uma das abordagens que vem sendo explorada para o desenvolvimento de métodos preditivos de evasão. O presente trabalho propõe uma análise da evasão no contexto da EAD de uma tradicional universidade do Centro Oeste. O estudo busca identificar comportamentos dos estudantes que abandonaram cursos de graduação nessa modalidade, de maneira a fornecer subsídios preditivos para os atores envolvidos no processo de ensino-aprendizagem de forma a apoiar a tomada de decisões preventivas a respeito da evasão. Parte-se do pressuposto de que intervenções junto aos estudantes propensos a evadir podem acarretar mudança no comportamento via Ambiente Virtual de Aprendizagem (AVA) que contribuem para minimizar a evasão. Este trabalho é dividido em quatro partes: (i) uma revisão da literatura, para embasamento teórico, sobre evasão no âmbito da EAD, ambientes virtuais de aprendizagem (AVA), knowledge Discovery in Database (KDD) e Education Data Mining; (ii) análise da base de dados do AVA utilizado pela instituição aplicando técnicas de KDD, para identificação do comportamento de abandono do curso; (iii) geração e validação de um modelo para identificação preditiva de estudantes propensos a evadir; (iv) Ações Gerenciais propostas para mitigação do problema. Os resultados mostram que ao aplicar o KDD nos dados variantes no tempo, com 30 dias após o início das aulas, é possível predizer evasão com precisão significativa. A partir dos resultados obtidos, gerou-se um modelo de predição de evasão bem como um modelo de tomada de decisão e ações de combate à evasão.
Abstract: Distance Education has grown along the years. Several educational institutions have been offering courses of internal improvement and qualification, as well as extension, undergraduate and postgraduate courses. The increase in the number of courses and the significant raise in the number of students result in new challenges to the educational institutions. The high dropout rates, common in Distance Education courses, is one of the crucial problems the institutions have to deal with. In this context, Data Mining is one of the main approaches for the development of predictive methods of evasion. The present paper aims an analysis of the Distance Education evasion in a traditional Midwest Brazilian University. The study intends to identify the behavior of the students who have dropped out undergraduate courses, in order to provide subsidies for the subjects involved in the teaching-learning process. As a preventive solution to the evasion issue, it is understood that proper communication with the students who are about to evade can lead to changes that contribute to minimize the problem. This study is presented in four parts: (i) literature review based on theoretical framework on Distance Education evasion, Virtual Learning Environments, Knowledge Discovery in Database (KDD) and Education Data Mining; (ii) an analysis of the Virtual Learning Environment institution database applying KDD techniques to identify the course abandonment behavior; (iii) development and validation of a model for predictive identification of students prone to evade; (iv) management actions to mitigate the problem. The results show that, when applying KDD to the variant data in time, 30 days after the beginning of the classes, it is possible to significantly predict evasion. From the results, an evasion prediction model was developed, as well as an evasion combat model.
Keywords: Ensino a distância
Mineração de dados educacionais
Ambientes virtuais de aprendizagem
Predição de evasão
CNPq: CNPQ::CIENCIAS SOCIAIS APLICADAS::CIENCIA DA INFORMACAO
Language: por
Parents: Brasil
Publisher: Universidade Católica de Brasília
Institution Abbreviation: UCB
Department: Escola de Educação, Tecnologia e Comunicação
Program: Programa Strictu Sensu em Gestão do Conhecimento e da Tecnologia da Informação
Citation: SEPÚLVIDA, Weslley Rodrigues. Predição de evasão na educação a distância como subsídio à tomada de decisão. 2016. 103 f. Dissertação (Programa Stricto Sensu em Gestão do Conhecimento e da Tecnologia da Informação) - Universidade Católica de Brasília, Brasília, 2016.
Access Type: Acesso Aberto
URI: https://bdtd.ucb.br:8443/jspui/handle/tede/2318
Document date: 29-Aug-2016
Appears in Collections:Programa de Pós-Graduação em Gestão do Conhecimento e da Tecnologia da Informação

Files in This Item:
File Description SizeFormat 
WeslleyRodriguesSepulvidaDissertacao2016.pdfDissertação1.6 MBAdobe PDFThumbnail

Download/Open Preview


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