Banca de defesa - PABLO OLIVEIRA DE OLIVEIRA

O presente trabalho, Dissertação para o Mestrado Profissional em Informática na Educação do Instituto Federal de Educação, Ciência e Tecnologia do Rio Grande do Sul (IFRS) - Campus Porto Alegre, tem como objetivo principal analisar a vida acadêmica dos estudantes para monitorar o desempenho escolar e identificar o risco de evasão, retenção e abandono. O monitoramento contínuo do andamento das atividades dos estudantes é essencial para o acompanhamento e a permanência nas instituições de ensino. A pesquisa visa gerar conhecimento acionável que possa ser utilizado na gestão de iniciativas para melhorar a eficiência educacional, combatendo a evasão que, em 2021, registrou uma taxa de desistência acumulada de 59% para os ingressantes de 2012 em cursos de graduação no Brasil. A metodologia empregada é uma abordagem de 10 fases derivada do modelo Cross Industry Standard Process for Data Mining (CRISP-DM). A pesquisa utiliza dados históricos e atuais extraídos de sistemas acadêmicos e do Ambiente Virtual de Aprendizagem (AVA) Moodle. Inicialmente, a pesquisa previa o uso do SGDB MariaDB para o desenvolvimento, mas, devido a incompatibilidades com o Apache Spark, foi substituído pelo PostgreSQL. O PostgreSQL foi escolhido por sua robustez, conformidade com o padrão SQL, suporte a dados complexos como JSON e a capacidade de integração com ferramentas de análise. Para o processamento e execução dos algoritmos, o Apache Spark foi selecionado em detrimento de outras ferramentas como WEKA, Orange e Knime, por sua maior velocidade no processamento em memória RAM. O fluxo de trabalho inclui a coleta de dados de sistemas como o Sistema Integrado de Gestão de Atividades Acadêmicas - SIGAA da UFRN , que serão extraídos e importados através de um webservice com autenticação de segurança. A ferramenta de extração foi semi-automatizada para facilitar a coleta das tabelas de dados. Os dados são separados em duas partes: a primeira contém dados mínimos para identificação do estudante, curso e turmas, e a segunda parte é o conhecimento minerado sobre riscos de evasão, retenção e desempenho. Os resultados da análise serão disponibilizados para a construção de painéis informacionais (dashboards) e outras aplicações que possam utilizar este conhecimento. A solução conta com interfaces em Streamlit para visualização dos resultados e gerenciamento dos modelos, permitindo a comparação de desempenho de diferentes algoritmos.

MEMBROS DA BANCA: