A evasão é um problema frequente nas universidades brasileiras. Além da perda do aluno no meio acadêmico, pode provocar gastos universitários ineficientes uma vez que orçamento universitário não consegue atingir seu objetivo de formar o aluno. Técnicas de mineração de dados com auxílio de algoritmos podem auxiliar na identificação do possível aluno em evasão. Diversos algoritmos podem ser utilizados entre eles o Random Forest. Este trabalho visa identificar, com a ajuda deste algoritmo, a relevância de características pessoais nos alunos em associação com características demográficas no processo de evasão. O trabalho foi realizado nos dados de uma universidade pública federal em conjunto com dados do censo demográfico brasileiro. Os resultados alcançados, avaliados entre as duas bases de dados, permitem verificar quais características estão associadas aos alunos evadidos nesta universidade.
A demanda por turmas extras em cursos de ensino superior pode ser ocasionada por diversos fatores, dentre os principais está o alto índice de retenção nos períodos iniciais. Essa necessidade tende a gerar custos extras para as universidades, que já possuem um orçamento limitado. Este trabalho implementou um modelo de simulação do progresso estudantil para analisar o impacto causado pela inclusão de vagas extras em disciplinas com índice de retenção elevado nos períodos iniciais de um curso de graduação. O modelo foi construído utilizando o simulador OMNET++, no qual foram utilizados dados de um curso de tecnologia da informação para a simulação. Os resultados apontaram que a inclusão de 30 vagas extras nos 3 períodos iniciais foi capaz de eliminar a fila de espera, que chegou a alcançar uma média 210 estudantes, sem impactar nos índices de evasão do curso.
The advancement of technology and the growing number of applications available to network users have increased the demand for services hosted in cloud environments. In 2020, more than 4 billion of people access these services through the Internet, a value 7% higher in comparison to the same period in 2019. To support the demand for such services, an environment that provides such conditions for applications available whenever needed has grown in importance. These environments are generally available from large data centers, which consume large amounts of electricity to provide such demand service capacity. In this context, this work proposes an integrated and dynamic strategy that demonstrates the impact of the availability on the energyconsumption of the devices that compose the data center system architecture. In order to accomplish this, colored Petri net models were proposed for quantifying the cost, environmental impact and availability of the electric energy infrastructure ofdata centers. The models presented in this work are supported by the developed prototype. Two case studies illustrate the applicability of the proposed models and strategy. Significant results were obtained, showing an increase close to 100% in the system availability, with practically the same operational cost and environmental impact.
In learning processes, feedback given by instructors is essential to guide students and help them improve from their mistakes. However, in higher education, instructors feel unable to give quality and timely feedback due to work overload and lack of time. As online classes became dominant due to the Covid 19 pandemic, and with increasing numbers of students per class, giving feedback beyond grades is even less realistic. Software tools to support feedback processes typically focus on automatic messages, which is not ideal as they lack personalization. Aligned with more recent research which suggests a broader perspective on the feedback process, we propose a software tool to help instructors construct quality written feedback efficiently. Through iterative user-centered design and applying artificial intelligence techniques, we developed functionalities that support correction of activities and allow building personalized written feedback, thus allowing instructors to give quality feedback to large groups, within realistic time frames.
O Plano Nacional de Educação (PNE) define metas e indicadores relacionados à educação, que devem ser observados pelos gestores dos entes federados do Brasil. No caso do gestor municipal, observar práticas de município com características parecidas e que tenham obtido resultados melhores nos indicadores do PNE, pode auxiliar na decisão sobre a utilização dos recursos. Este trabalho propõe um método inovador que é dividido em duas etapas: (1) Agrupamento das municipalidades brasileiras com aprendizado não-supervisionado com base em métricas sociodemográficas; (2) Comparação de métricas educacionais entre o município e os demais municípios do seu grupo. Este estudo mostrou uma melhora no Coeficiente de Silhueta, atestando que o método proposto criou grupos mais coesos. A fim de exemplificar esta abordagem, foi analisado o Indicador 1A da Meta 1 do PNE, para o município de Salvador. Foi observado que os bons resultados para algumas métricas educacionais não refletiram um aumento significativo no indicador do PNE avaliado.
O Plano Nacional de Educação (PNE) tem como objetivo central orientar o desenvolvimento da educação no país e seu monitoramento se caracteriza como uma atividade fundamental para a gestão educacional. Para realizar esse monitoramento se fazem necessárias soluções que forneçam um conjunto de dados confiável e capaz de auxiliar na tomada de decisão baseada em evidências. Diante disso, este artigo apresenta uma arquitetura de dados educacionais que utiliza dados abertos governamentais para apoiar uma gestão educacional inteligente. Esta disponibiliza diversos dados públicos para o acompanhamento da situação da educação municipal e estadual com base nas metas e indicadores do PNE da versão 2014-2024. Esta também possibilita o cruzamento de dados de diversas fontes para encontrar fatores que influenciem no alcance de tais metas. A fim de garantir a construção de evidências confiáveis, a arquitetura proposta conta com o uso de bases de dados censitárias, como o Censo Educacional, coordenado pelo Instituto Nacional de Estudos e Pesquisas Educacionais Anísio Teixeira (INEP). O presente estudo também apresenta um estudo de caso que demonstra uma das aplicações possíveis dessa arquitetura e evidencia o valor potencial no uso dela para a gestão educacional no país. Concluímos assim, que a arquitetura proposta é um instrumento útil para suportar plataformas de avaliação e acompanhamento de políticas públicas educacionais, contribuindo para a construção de um Governo Inteligente e para promover melhorias na qualidade da educação brasileira.
A evasão e a retenção são problemas recorrentes em cursos de graduação. A análise de sobrevivência permite verificar a influência de eventos, como a evasão, conclusão e vínculo estudantil, de acordo com o tempo e a probabilidade de ocorrência. Ela permite buscar soluções para resolver esses problemas com antecedência e evitar prejuízos às universidades. Este trabalho tem como objetivo propor um modelo de Cadeia de Markov para realizar a análise de sobrevivência dos estudantes ao longo de cursos de graduação. Neste trabalho, foram analisados dois cursos de graduação da área de computação de uma universidade pública brasileira, onde foi identificado que a evasão entre os dois cursos possui um comportamento diferente. As análises realizadas mostraram que o controle da retenção nos primeiros períodos é a ação mais importante para a redução da evasão dos cursos.
scite is a Brooklyn-based organization that helps researchers better discover and understand research articles through Smart Citations–citations that display the context of the citation and describe whether the article provides supporting or contrasting evidence. scite is used by students and researchers from around the world and is funded in part by the National Science Foundation and the National Institute on Drug Abuse of the National Institutes of Health.
hi@scite.ai
10624 S. Eastern Ave., Ste. A-614
Henderson, NV 89052, USA
Copyright © 2024 scite LLC. All rights reserved.
Made with 💙 for researchers
Part of the Research Solutions Family.