Por favor, use este identificador para citar o enlazar este ítem: http://www.monografias.ufop.br/handle/35400000/6477
Título : Proposta, desenvolvimento e validação de uma estratégia para predição de desempenho de discentes na plataforma TôSabendo.
Autor : Oliveira, Gabriel Catizani Faria
metadata.dc.contributor.advisor: Assis, Guilherme Tavares de
metadata.dc.contributor.referee: Fortes, Reinaldo Silva
Ribeiro, Rodrigo Geraldo
Assis, Guilherme Tavares de
Palabras clave : Estratégia de predição
Plataforma TôSabendo
Modelos de predição
Desempenho de discentes
Fecha de publicación : 2024
Citación : OLIVEIRA, Gabriel Catizani Faria. Proposta, desenvolvimento e validação de uma estratégia para predição de desempenho de discentes na plataforma TôSabendo. 2024. 95 f. Monografia (Graduação em Ciência da Computação) - Instituto de Ciências Exatas e Biológicas, Universidade Federal de Ouro Preto, Ouro Preto, 2024.
Resumen : Modelos de predição que utilizam algoritmos de classificação, como árvores de decisão, KNNs, Naive Bayes e RNAs, são constantemente utilizados na educação para previsão de desempenho de discentes, seja no ensino médio ou no âmbito acadêmico, a fim de compreender como os mesmos podem sair-se em provas, exames ou atividades extracurriculares, a partir de uma série de fatores, como, por exemplo, notas passadas, sua idade, seu gênero, a duração de um semestre ou a disciplina que está cursando ou cursou. Uma das possíveis aplicações desses modelos de predição na educação é no ensino online. Assim, considerando o ensino online, a plataforma gamificada, TôSabendo, foi criada baseando-se em Quizzes (jogos de perguntas e respostas) no intuito de gerar experiências envolventes em Instituições de Ensino Superior buscando favorecer um ambiente de desafio para o jogador, motivando-o a aprender os conceitos apresentados em cada questão e dando a ele uma sensação de progressão naquela tarefa que está realizando. Entretanto, a mesma ainda não apresenta uma estratégia de predição utilizando modelos de predição a fim dos professores compreenderem, por meio do conhecimento previsto, como determinado discente pode se sair na plataforma, no intuito de aperfeiçoar o ensino e as atividades de conteúdos programáticos de disciplinas em sala de aula e também na própria TôSabendo. Assim, desejou se propor, desenvolver e validar uma estratégia para predição de desempenho de discentes na plataforma TôSabendo. Com a estratégia de predição proposta e desenvolvida, para validá-la, foi realizada uma experimentação prática envolvendo diferentes modelos de predição e conjuntos de dados sintéticos, onde se avaliou inicialmente o modelo que se sairia melhor com 10 diferentes conjuntos de dados, um para discentes novatos e outro para veteranos. Em seguida, os modelos que obtiveram os melhores resultados nesse primeiro experimento, passaram por uma avaliação de diferentes hiperparâmetros. De uma forma geral, após as avaliações dos modelos, as árvores de decisão foram as que apresentaram os resultados mais satisfatórios tanto para novatos quanto para veteranos e, aperfeiçoando mais esse modelo com treinamentos com diferentes hiperparâmetros, foram obtidos resultados de acurácia e precisão próximos ou igual a 100% de acerto, um valor que deve ser analisado e avaliado futuramente por conta da necessidade da criação de dados sintéticos, o que sugere um possível overfitting.
metadata.dc.description.abstracten: Prediction models that use classification algorithms, such as decision trees, KNNs, Naive Bayes, and ANNs, are consistently employed in education for predicting the performance of students, whether in high school or in academic settings. The goal is to understand how they may perform in exams, tests, or extracurricular activities based on various factors such as past grades, age, gender, semester duration, or the discipline they are currently enrolled in or have completed. One of the potential applications of these prediction models in education is in online learning. Considering online education, the gamified platform "TôSabendo" was created based on quizzes (question and answer games) with the aim of generating engaging experiences in Higher Education Institutions. The intention is to create a challenging environment for the player, motivating them to learn the concepts presented in each question and giving them a sense of progression in the task at hand. However, the platform currently lacks a prediction strategy using prediction models to help teachers understand, through predicted knowledge, how a particular student may perform on the platform. This understanding would be valuable for improving teaching methods and the content activities of classroom subjects, both in the traditional classroom setting and on the TôSabendo platform itself. Therefore, the goal was to propose, develop, and validate a strategy for predicting student performance on the TôSabendo platform. With the proposed and developed prediction strategy, a practical experimentation was conducted involving different prediction models and fictitious datasets. The evaluation initially assessed the model that would perform best with 10 different datasets, one for novice students and another for veterans. Subsequently, the models that achieved the best results in this first experiment underwent an evaluation of different hyperparameters. Overall, after evaluating the models, decision trees yielded the most satisfactory results for both novices and veterans. By further refining this model through training with different hyperparameters, accuracy and precision results close to or equal to 100% were obtained, a value that must be analyzed and evaluated in the future due to the need to create synthetic data, which suggests a possible overfitting.
URI : http://www.monografias.ufop.br/handle/35400000/6477
Aparece en las colecciones: Ciência da Computação

Ficheros en este ítem:
Fichero Descripción Tamaño Formato  
MONOGRAFIA_PropostaDesenvolvimentoValidacao.pdf4,26 MBAdobe PDFVisualizar/Abrir


Los ítems de DSpace están protegidos por copyright, con todos los derechos reservados, a menos que se indique lo contrario.