Please use this identifier to cite or link to this item: https://rima.ufrrj.br/jspui/handle/20.500.14407/22029
Full metadata record
DC FieldValueLanguage
dc.contributor.authorSilva, Vanessa Alexandre-
dc.date.accessioned2025-05-30T14:30:52Z-
dc.date.available2025-05-30T14:30:52Z-
dc.date.issued2025-02-25-
dc.identifier.citationSILVA, Vanessa Alexandre. O Uso da Inteligência Artificial para Auxiliar na Predição de Abandono de Alunos em uma Escola de Ensino Regular. 2025. 47 f. Dissertação (Mestrado em Modelagem Matemática e Computacional) - Instituto de Ciências Exatas, Universidade Federal Rural do Rio de Janeiro, Seropédica, 2025.pt_BR
dc.identifier.urihttps://rima.ufrrj.br/jspui/handle/20.500.14407/22029-
dc.description.abstractA evasão escolar é um desafio para os sistemas educacionais em todo o mundo[10]. Compreender e prever os fatores que levam os alunos a abandonar os seus estudos é fundamen- tal para o desenvolvimento de estratégias eficazes de prevenção e intervenção. A Inteligência Artificial (IA), especialmente por meio de técnicas de Aprendizado de Máquina, tem a capaci- dade de analisar dados do passado para prever eventos futuros [1]. Entre os diversos algoritmos utilizados para essa finalidade, destacam-se as Redes Neurais Artificiais, Árvore de Decisão, K-Nearest Neighbor(KNN) e Support Vector Machine (SVM). O objetivo deste estudo é desenvolver um modelo preditivo, utilizando vários métodos, para identificar alunos que estejam em risco de abandonar a escola. Para isso, será necessário investigar as causas subjacentes à evasão escolar. Como parte deste processo, foi elaborado um questionário direcionado aos alunos, com o intuito de coletar informações relevantes, uma vez que as escolas geralmente carecem de dados detalhados que permitam a identificação precisa desse problema. A pesquisa foi realizada com a colaboração de estudantes da Educação de Jovens e Adultos do Novo Ensino Médio (EJANEM), que em algum momento de suas trajetórias escola- res interromperam os estudos, bem como com a participação de alunos do ensino regular, tanto do ensino médio quanto do ensino fundamental. A participação desses grupos permitiu uma análise das diversas razões que podem conduzir à evasão escolar.pt_BR
dc.description.sponsorshipCoordenação de Aperfeiçoamento de Pessoal de Nível Superior - CAPESpt_BR
dc.languageporpt_BR
dc.publisherUniversidade Federal Rural do Rio de Janeiropt_BR
dc.subjectEvasão Escolarpt_BR
dc.subjectInteligência Artificialpt_BR
dc.subjectAprendizado de Máquinapt_BR
dc.subjectRedes Neuraispt_BR
dc.subjectModelo de Classificaçãopt_BR
dc.subjectAprendizado Supervisionadopt_BR
dc.subjectSchool Dropoutpt_BR
dc.subjectArtificial Intelligencept_BR
dc.subjectMachine Learningpt_BR
dc.subjectClassification Modelpt_BR
dc.subjectSupervised Learningpt_BR
dc.subjectNeural Networkspt_BR
dc.titleO Uso da Inteligência Artificial para Auxiliar na Predição de Abandono de Alunos em uma Escola de Ensino Regularpt_BR
dc.title.alternativeThe use of artificial intelligence to assist in the prediction of student dropout in a regular education schoolen
dc.typeDissertaçãopt_BR
dc.description.abstractOtherSchool dropout is a significant challenge for educational systems worldwide. Understanding and predicting the factors that lead students to abandon their studies is essential for developing effective prevention and intervention strategies. Artificial Intelligence (AI), particularly through Machine Learning techniques, has the capability to analyze historical data to predict future events. Among the various algorithms used for this purpose, Artificial Neural Networks stand out. The objective of this study is to develop a predictive model using Artificial Neural Net- works to identify students at risk of dropping out of school. To achieve this, it is necessary to investigate the underlying causes of school dropout. As part of this process, a questionnaire will be developed for students to collect relevant information, given that schools often lack detailed data necessary for accurately identifying this issue. The research will be conducted with the collaboration of students from the Education for Youth and Adults in the New High School (EJANEM) program, who at some point in their edu- cational journeys interrupted their studies, as well as with the participation of regular education students, both from high school and elementary school. The involvement of these groups will enable a comprehensive and in-depth analysis of the various reasons that may lead to school dropouten
dc.contributor.advisor1Cruz, Marcelo Dib-
dc.contributor.advisor1IDhttps://orcid.org/0000-0002-0380-144Xpt_BR
dc.contributor.advisor1Latteshttp://lattes.cnpq.br/7385995443437070pt_BR
dc.contributor.advisor-co1Gregório, Ronaldo Malheiros-
dc.contributor.advisor-co1IDhttps://orcid.org/0000-0003-2229-0523pt_BR
dc.contributor.advisor-co1Latteshttp://lattes.cnpq.br/4502104424266743pt_BR
dc.contributor.referee1Cruz, Marcelo Dib-
dc.contributor.referee1IDhttps://orcid.org/0000-0002-0380-144Xpt_BR
dc.contributor.referee1Latteshttp://lattes.cnpq.br/7385995443437070pt_BR
dc.contributor.referee2Reyna Vera-Tudela, Carlos Andrés-
dc.contributor.referee2Latteshttp://lattes.cnpq.br/6509989261742578pt_BR
dc.contributor.referee3Gregório, Ronaldo Malheiros-
dc.contributor.referee3IDhttps://orcid.org/0000-0003-2229-0523pt_BR
dc.contributor.referee3Latteshttp://lattes.cnpq.br/4502104424266743pt_BR
dc.contributor.referee4Cabral, Lucidio dos Anjos Formiga-
dc.contributor.referee4IDhttps://orcid.org/0000-0002-6117-5571pt_BR
dc.contributor.referee4Latteshttp://lattes.cnpq.br/6699185881827288pt_BR
dc.creator.Latteshttp://lattes.cnpq.br/8364037377701132pt_BR
dc.publisher.countryBrasilpt_BR
dc.publisher.departmentInstituto de Ciências Exataspt_BR
dc.publisher.initialsUFRRJpt_BR
dc.publisher.programPrograma de Pós-Graduação em Modelagem Matemática e Computacionalpt_BR
dc.relation.references1 RUSSEL, S.; NORVIG, P. Inteligência Artificial. 3. ed. Rio de Janeiro: Editora Elsevier, 2013. 2 BISHOP, Christopher M. Neural Networks for Pattern Recognition. Oxford University Press, 1995. 3 MITCHELL, T. M. Machine Learning. McGraw-Hill, 1997. 4 BENGIO, Y.; COURVILLE, A.; VINCENT, P. Representation Learning: A Review and New Perspectives. IEEE Transactions on Pattern Analysis and Machine Intelligence, v. 35, n. 8, p. 1798–1828, 2013. 5 HASTIE, Trevor; TIBSHIRANI, Robert; FRIEDMAN, Jerome. The Elements of Statistical Learning: Data Mining, Inference, and Prediction. Springer, 2009. 6 GÉRON, A. Hands-On Machine Learning with Scikit-Learn, Keras, and TensorFlow. O’Reilly Media, 2019. 7 CARVALHO, Marta Maria Chagas de. Evasão Escolar no Brasil: Uma Perspectiva Multidimensional. 2014. 8 MENDES, L. S.; SOUZA, F. C. Análise das Causas da Evasão Escolar no Ensino Fundamental. Educação em Foco, v. 25, n. 2, p. 89-102, 2021. DOI: 10.5752/P.2317- 788X.2021v25n2p89. 9 DUTRA, Renan Martins. O uso de inteligência artificial para predição de evasão na rede Doctum de ensino. 2015. Trabalho de Conclusão de Curso (Ciência da Computação) - Instituto Doctum de Educação e Tecnologia, Faculdades Integradas de Caratinga – FIC, Caratinga. 10 BITENCOURT, W. A.; SILVA, D. M.; XAVIER, G. C. Pode a inteligência artificial apoiar ações contra evasão escolar universitária? Ensaio: Avaliação e Políticas Públicas em Educação, 2021. SciELO Brasil. 11 FILHO, R. B. S.; ARAÚJO, R. M. DE L. Evasão e abandono escolar na educação básica no Brasil: fatores, causas e possíveis consequências. Educação Por Escrito, v. 8, n. 1, p. 35–48, 2017. 12 LINO, Ellen Rízia Oliveira. A problemática da evasão escolar: uma revisão bibliográfica integrativa. 2020. Monografia (Graduação em Ciências Biológicas - Licenciatura) - Pontifícia Universidade Católica de Goiás, Escola de Ciências Agrárias e Biológicas, Curso de Ciências Biológicas Licenciatura, Goiânia. 13 GOODFELLOW, I.; BENGIO, Y.; COURVILLE, A. Deep Learning. MIT Press, 2016. 14 BOWERS, A. J.; SPROTT, R. Examining the multiple predictors of student dropout: A survival analysis approach. Journal of Educational Research, v. 105, n. 3, p. 176–195, 2012. DOI: 10.1080/00220671.2011.552075. 15 KOTSIANTIS, S. B.; PIERRAKEAS, C.; PINTELAS, P. Predicting students’ performance in distance learning using machine learning techniques. Applied Artificial Intelligence, v. 18, n. 5, p. 411-426, 2004. DOI: 10.1080/08839510490442058. 16 CHOLLET, F. Deep Learning with Python. Manning Publications, 2018. 17 ROMERO, C.; VENTURA, S. Educational data mining: A review of the state of the art. IEEE Transactions on Systems, Man, and Cybernetics, Part C (Applications and Reviews), v. 40, n. 6, p. 601-618, 2010. DOI: 10.1109/TSMCC.2010.2053532. 18 BAKER, R. S. J. d. Data mining for education. In: MCGAW, B.; PETERSON, P.; BAKER, E. (Eds.). International Encyclopedia of Education. 3. ed. Elsevier, 2010, p. 112-118. 19 POWERS, D. M. W. Evaluation: From precision, recall and F-measure to ROC, informedness, markedness & correlation. Journal of Machine Learning Technologies, v. 2, n. 1, p. 37-63, 2011. 20 FAWCETT, T. An introduction to ROC analysis. Pattern Recognition Letters, v. 27, n. 8, p. 861-874, 2006. DOI: 10.1016/j.patrec.2005.10.010. 21 DOMINGOS, P. A few useful things to know about machine learning. Communications of the ACM, v. 55, n. 10, p. 78-87, 2012. 22 QUINLAN, J. R. Induction of Decision Trees. Machine Learning, v. 1, n. 1, p. 81-106, 1986. 23 CORTES, C.; VAPNIK, V. Support-Vector Networks. Machine Learning, v. 20, n. 3, p. 273-297, 1995. 24 LECUN, Y.; BENGIO, Y.; HINTON, G. Deep Learning. Nature, v. 521, n. 7553, p. 436-444, 2015pt_BR
dc.subject.cnpqMatemáticapt_BR
Appears in Collections:Mestrado em Modelagem Matemática e Computacional

Se for cadastrado no RIMA, poderá receber informações por email.
Se ainda não tem uma conta, cadastre-se aqui!

Files in This Item:
File Description SizeFormat 
VANESSA ALEXANDRE SILVA.pdf1.57 MBAdobe PDFThumbnail
View/Open


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