Portabilidade de modelos através de transferência de conhecimento para predição do rendimento de alunos de graduação
dc.contributor.advisor | Xavier Júnior, João Carlos | |
dc.contributor.advisorID | pt_BR | |
dc.contributor.author | Beltrán, Carlos Antonio Ramírez | |
dc.contributor.authorID | pt_BR | |
dc.contributor.referees1 | Araújo, Daniel Sabino Amorim de | |
dc.contributor.referees1ID | pt_BR | |
dc.contributor.referees2 | Andrade, Adja Ferreira de | |
dc.contributor.referees2ID | pt_BR | |
dc.contributor.referees3 | Melo, Marcelo Damasceno de | |
dc.contributor.referees3ID | pt_BR | |
dc.date.accessioned | 2021-05-06T00:28:32Z | |
dc.date.available | 2021-05-06T00:28:32Z | |
dc.date.issued | 2021-03-24 | |
dc.description.abstract | In recent years, one of the major challenges in education has been to predict students’ performance in a certain and reliable way in order to apply different strategies to improve their academic deficiencies. In this way, there are many works focused on finding Machine Learning (ML) models individually, but few use the knowledge acquired from student data of a course degree to predict the students’ outcome of other curses’s degree. Therefore, the main goal of this work is to analise the portability of ML models by using Transfer Learning (TL) in students’ logs extracted form the Moodle system, aiming to predict undergraduate students performance in different courses. Through the applied experimental methodology, each of the two types of groupings formed by the disciplines will be evaluated: those formed according to the undergraduate course and those according to the activities used in Moodle. The data extraction of each group will be performed from the Moodle logs, using the following evaluation methods: cross-validation and hold-out. With this, it will be possible to know whether these evaluations, all performed on the predictive models with the J48 algorithm, tend to show different results in relation to the portability of forecasting models. For evaluation, two scenarios were developed for the execution of experiments, so that each experiment consists of two parts: the choice of models, using the AUC ROC index for Experiment 1 and the F-Measure for Experiment 2; and the validation of the models, using the Precision index for Experiment 1 and the Recall for Experiment 2. The results, even in the evaluation phase, allow us to affirm that it is possible to apply transfer learning between models of the same group in some cases. | pt_BR |
dc.description.resumo | Um dos grandes desafios da educação, nos últimos anos, tem sido prever o desempenho dos alunos de forma certa e confiável, a fim de aplicar diversas estratégias para melhorar as suas deficiências acadêmicas. Desse modo, existem muitos trabalhos e pesquisas centrados em encontrar, de forma individual, modelos de Aprendizado de Máquina (AM), mas poucos utilizam-se do conhecimento adquirido de um curso ou disciplina para prever os resultados de outra. Dessa forma, o principal objetivo deste trabalho é buscar a portabilidade de modelos através da Transferência de Conhecimento, para poder prever o rendimento de alunos de graduação, o que será feito baseando-se nos registros do Moodle extraídos de 35 disciplinas. Através da metodologia experimental aplicada, serão avaliados cada um dos dois tipos de agrupamentos formados pelas disciplinas: os formados de acordo com o curso de graduação e os de acordo com as atividades usadas no Moodle. A extração dos dados de cada agrupamento será realizada a partir dos registros do Moodle, utilizando os seguintes métodos de avaliação: validação cruzada e hold-out. Com isso, será possível saber se essas avaliações, todas executadas sobre os modelos preditivos com o algoritmo J48, tendem a mostrar resultados diferentes em relação à portabilidade de modelos de predição. Para avaliação, foram desenvolvidos dois cenários para execução de experimentos, de modo que cada experimento é constituído por duas partes: a escolha dos modelos, utilizando o índice AUC ROC para o Experimento 1, e o F-Measure para o Experimento 2; e a validação dos modelos, utilizando o índice Precision, para o Experimento 1, e o Recall para Experimento 2. Os resultados, mesmo em fase avaliativa, permitem afirmar que é possível aplicar a transferência de conhecimento entre modelos de um mesmo grupo em alguns casos. | pt_BR |
dc.identifier.citation | BELTRÁN, Carlos Antonio Ramírez. Portabilidade de modelos através de transferência de conhecimento para predição do rendimento de alunos de graduação. 2021. 145f. Dissertação (Mestrado Profissional em Tecnologia da Informação) - Escola de Ciências e Tecnologia, Universidade Federal do Rio Grande do Norte, Natal, 2021. | pt_BR |
dc.identifier.uri | https://repositorio.ufrn.br/handle/123456789/32414 | |
dc.language | pt_BR | pt_BR |
dc.publisher | Universidade Federal do Rio Grande do Norte | pt_BR |
dc.publisher.country | Brasil | pt_BR |
dc.publisher.initials | UFRN | pt_BR |
dc.publisher.program | PROGRAMA DE PÓS-GRADUAÇÃO EM TECNOLOGIA DA INFORMAÇÃO | pt_BR |
dc.rights | Acesso Aberto | pt_BR |
dc.subject | Transferência de conhecimento | pt_BR |
dc.subject | Aprendizado de máquina | pt_BR |
dc.subject | Desempenho acadêmico | pt_BR |
dc.subject | Moodle | pt_BR |
dc.title | Portabilidade de modelos através de transferência de conhecimento para predição do rendimento de alunos de graduação | pt_BR |
dc.title.alternative | Portability of models by using transfer learning to predict undergraduate students performance | pt_BR |
dc.type | masterThesis | pt_BR |
Arquivos
Pacote Original
1 - 1 de 1
Nenhuma Miniatura disponível
- Nome:
- Portabilidademodelosatraves_Beltran_2021.pdf
- Tamanho:
- 12.39 MB
- Formato:
- Adobe Portable Document Format
Nenhuma Miniatura disponível