Look-up in Google Scholar
Title: Portabilidade de modelos através de transferência de conhecimento para predição do rendimento de alunos de graduação
Other Titles: Portabilidad de modelos mediante el uso de la transferencia de aprendizaje para predecir el rendimiento de los estudiantes de pregrado
Advisor(s): Xavier Júnior, João Carlos
OCDE field: https://purl.org/pe-repo/ocde/ford#5.03.01
Issue Date: 2021
Institution: Universidade Federal do Rio Grande do Norte
Abstract: Uno de los grandes desafíos de la educación en los últimos años ha sido predecir de manera precisa y confiable el desempeño de los estudiantes con el fin de aplicar diversas estrategias para mejorar sus deficiencias académicas. Así, el objetivo principal de este trabajo es buscar la portabilidad de los modelos a través de la transferencia de conocimiento, con el fin de predecir el desempeño de los estudiantes de pregrado, lo cual se realizará en base a los registros de Moodle. A través de la metodología experimental aplicada, se evaluarán dos tipos de agrupaciones formadas por las disciplinas y se aplicarán los métodos de evaluación: validación cruzada y hold-out. Los modelos de disciplina se generarán con el algoritmo de clasificación J48. Para la evaluación, se desarrollaron dos escenarios para la ejecución de experimentos, utilizando los índices AUC ROC, F-Measure, Precision y Recall. Los resultados, incluso en la fase de evaluación, nos permiten afirmar que es posible aplicar la transferencia de conocimiento entre modelos de un mismo grupo en algunos casos.

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.
Discipline: Tecnología de la Información
Grade or title grantor: Universidade Federal do Rio Grande do Norte. Instituto Metrópole Digital
Grade or title: Maestro en Tecnología de la Información
Juror: Xavier Júnior, João Carlos; Amorim de Araujo, Daniel Sabino; Ferreira de Andrade, Adja; Damasceno de Melo, Marcelo
Register date: 27-Aug-2021

Files in This Item:
File Description SizeFormat 
RamirezBeltranCA.pdf
  Restricted Access
Disertación (restringida)3.61 MBAdobe PDFView/Open Request a copy
Autorizacion.pdf
  Restricted Access
Autorización del registro183.21 kBAdobe PDFView/Open Request a copy


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