Please use this identifier to cite or link to this item: https://repositorio.ufpb.br/jspui/handle/123456789/15533
metadata.dc.type: TCC
Title: Predição de desempenho em um ambiente virtual de aprendizagem utilizando algoritmos baseados em árvores de decisão e em regras.
metadata.dc.creator: Santos, Igor Nóbrega dos
metadata.dc.contributor.advisor1: Rêgo, Thaís Gaudencio do
metadata.dc.description.resumo: Mineraçãoo de dados é o processo que auxilia na tomada de decisão, realizando a exploração de grande quantidade de dados buscando encontrar anomalias, padrões e correlações. A utilização de técnicas de mineração de dados permite a construção de modelos preditivos para identificar precocemente um aluno com baixo desempenho acadêmico. Foi utilizado o Ambiente Virtual de Aprendizagem Moodle da UFPB Virtual, uma vez que possui dados reais de estudantes. Para prever o desempenho acadêmico, foram utilizados algoritmos de classificação baseados em regras, e em árvore de decisão. A decisão de tal escolha, é devido a relativa facilidade de entendimento e interpretação das regras de decisões e das árvores produzidas por esses algoritmos. Entre os algoritmos utilizados para a predição, o JRip obteve o melhor desempenho preditivo, com acurácia de 88,9%, a menor acurácia foi obtida pelo REPTree com valor de 80%. Foram também obtidas regras possivelmente úteis na predição de desempenho. A vantagem dessa abordagem é informar aos professores e tutores educacionais quando um aluno tem maior chance de apresentar um desempenho ruim, dessa forma medidas preventivas podem ser adotadas.
Abstract: Data mining is the process that assists in decision making, performing the exploration of large amounts of data seeking to find anomalies, patterns and correlations. The use of data mining techniques allows the construction of predictive models to identify early a student with low academic performance. We used the Virtual Moodle Learning Environment of the Virtual UFPB, since it has real data of students. In order to predict academic performance, classification algorithms based on rules and decision trees were used. The decision of such choice is due to the relative ease of understanding and interpretation of decision rules and trees produced by these algorithms. Among the algorithms used for prediction, JRip obtained the best predictive performance, with accuracy of 88.9 %, the lowest accuracy was obtained by REPTree with a value of 80 %. Possibly useful rules were also obtained in predicting performance. The advantage of this approach is to inform teachers and educational tutors when a student is more likely to perform poorly, so preventive measures can be adopted.
Keywords: Ciência da computação
Ambiente virtual
Educação à distância
Mineração de dados
Predição de desempenho
metadata.dc.subject.cnpq: CNPQ::CIENCIAS EXATAS E DA TERRA::CIENCIA DA COMPUTACAO
metadata.dc.language: por
metadata.dc.publisher.country: Brasil
Publisher: Universidade Federal da Paraíba
metadata.dc.publisher.initials: UFPB
metadata.dc.publisher.department: Informática
metadata.dc.rights: Acesso Aberto
Attribution 3.0 Brazil
metadata.dc.rights.uri: http://creativecommons.org/licenses/by/3.0/br/
URI: https://repositorio.ufpb.br/jspui/handle/123456789/15533
Issue Date: 30-Nov-2017
Appears in Collections:TCC - Ciência da Computação - CI

Files in This Item:
File Description SizeFormat 
INS30112017.pdf1,67 MBAdobe PDFView/Open


This item is licensed under a Creative Commons License Creative Commons