Use este identificador para citar ou linkar para este item: https://repositorio.ufrn.br/jspui/handle/123456789/19928
Título: Utilizando comitês de classificadores para predição de rendimento escolar
Autor(es): Nogueira, Priscilla Suene de Santana
Palavras-chave: Mineração de dados educacionais;Comitês de classificadores;Moodle
Data do documento: 6-Fev-2015
Editor: Universidade Federal do Rio Grande do Norte
Citação: NOGUEIRA, Priscilla Suene de Santana. Utilizando comitês de classificadores para predição de rendimento escolar. 2015. 160f. Dissertação (Mestrado em Sistemas e Computação) - Centro de Ciências Exatas e da Terra, Universidade Federal do Rio Grande do Norte, Natal, 2015.
Resumo: Educational Data Mining is an application domain in artificial intelligence area that has been extensively explored nowadays. Technological advances and in particular, the increasing use of virtual learning environments have allowed the generation of considerable amounts of data to be investigated. Among the activities to be treated in this context exists the prediction of school performance of the students, which can be accomplished through the use of machine learning techniques. Such techniques may be used for student’s classification in predefined labels. One of the strategies to apply these techniques consists in their combination to design multi-classifier systems, which efficiency can be proven by results achieved in other studies conducted in several areas, such as medicine, commerce and biometrics. The data used in the experiments were obtained from the interactions between students in one of the most used virtual learning environments called Moodle. In this context, this paper presents the results of several experiments that include the use of specific multi-classifier systems systems, called ensembles, aiming to reach better results in school performance prediction that is, searching for highest accuracy percentage in the student’s classification. Therefore, this paper presents a significant exploration of educational data and it shows analyzes of relevant results about these experiments.
metadata.dc.description.resumo: A mineração de dados educacionais (MDE) é um domínio de aplicação na área de Inteligência artificial que tem sido bastante explorado na atualidade. Os avanços tecnológicos e em especial, a crescente utilização dos ambientes virtuais de aprendizagem têm permitido a geração de consideráveis quantidades de dados a serem investigados. Dentre as atividades a serem tratadas nesse contexto está a predição de rendimento escolar de estudantes, a qual pode ser realizada através do emprego de técnicas de aprendizado de máquina. Tais técnicas podem ser utilizadas para classificação dos estudantes em rótulos previamente definidos. Uma das estratégias para aplicação dessas técnicas consiste em combiná-las no projeto de sistemas multiclassificadores, cuja eficiência pode ser comprovada por resultados já alcançados em outros trabalhos realizados em diversas áreas, tais como: medicina, comércio e biometria. Os dados utilizados nos experimentos foram obtidos por meio das interações entre estudantes em um dos mais utilizados ambientes virtuais de aprendizagem denominado moodle. Diante desse breve panorama, o presente trabalho apresenta resultados de diversos experimentos que incluem o emprego de sistemas multiclassifcadores específicos, denominados comitês de classificadores, desse modo visando alcançar melhores resultados na predição de rendimento escolar, ou seja, na busca por maiores percentuais de acurácia na classificação dos estudantes; apresentando uma significativa exploração de dados educacionais e análises relevantes advindas desses experimentos.
URI: http://repositorio.ufrn.br/handle/123456789/19928
Aparece nas coleções:PPGSC - Mestrado em Sistemas e Computação

Arquivos associados a este item:
Arquivo Descrição TamanhoFormato 
PriscillaSueneDeSantanaNogueira_DISSERT.pdf2,92 MBAdobe PDFThumbnail
Visualizar/Abrir


Os itens no repositório estão protegidos por copyright, com todos os direitos reservados, salvo quando é indicado o contrário.