Please use this identifier to cite or link to this item: http://hdl.handle.net/1843/BUBD-A3GGP7
Type: Tese de Doutorado
Title: Modelos complexos de predição aplicados na educação
Authors: Hudson Fernandes Golino
First Advisor: Cristiano Mauro Assis Gomes
First Referee: Angela Maria Ribeiro
Second Referee: Enio Galinkin Jelihovschi
Third Referee: Alessandra Gotuzo Seabra
metadata.dc.contributor.referee4: Ana Paula Porto Noronha
Abstract: A presente tese apresenta a compilação de cinco artigos que empregam modelos complexos de predição na solução de problemas relacionados à educação. No primeiro artigo é apresentado os modelos de classification and regression trees, bagging, random forest e boosting. Esses modelos são empregados para montar um sistema preditivo de rendimento acadêmico de alunos do ensino superior de uma faculdade particular, tendo uma série de avaliações cognitivas como preditores. Já o segundo artigo emprega o modelo de random forest para predizer o desempenho escolar de alunos do primeiro ano do ensino médio da rede pública. Uma vez mais, um conjunto de avaliações cognitivas foram utilizadas. Já no terceiro artigo, apresentamos uma nova forma de visualizar a qualidade de predições realizadas utilizando a técnica de random forest. Essa nova técnica de visualização transforma informações estatísticas em um gráfico de redes, que possibilita o emprego de um conjunto de indicadores sobre a qualidade da predição, além dos usualmente empregados. No quarto artigo, apresentamos a técnica de random forest como uma nova forma de realizar imputação de dados faltantes. Investigamos o impacto da imputação no ajuste de itens de um teste cognitivo ao modelo dicotômico de Rasch, assim como na dificuldade estimada dos itens. No quinto e último artigo, comparamos o modelo de classification trees com o modelo Naive Bayes na predição de evasão acadêmica de alunos de uma faculdade pública estadual, tendo como preditores variáveis socioeconômicas. Esses artigos introduzem um conjunto de métodos quantitativos que pode auxiliar na resolução de problemas na área da educação, assim como podem levar a novas descobertas, não possibilitadas por meio de métodos usuais.
Abstract: The current doctoral thesis presents a compilation of five papers employing complex predictive models to solve educational research issues. The first paper presents the classification and regression trees, as well as bagging, random forest and boosting algorithms. They are used to create an academic achievement predictive system, using a set of cognitive assessments/tests as independent variables (or predictors). The second paper, by its turn, uses the random forest algorithm to predict the academic achievement of high-school students. Once again, a set of cognitive assessments/tests were used as predictors. In the third paper, we introduce a new visualization technique that enables to visually inspect the quality of the prediction made using random forest. This technique is based on the plot of statistical information as a weighted graph, enabling the use of additional prediction quality indexes beyond total accuracy, sensitivity and specificity. The fourth paper presents the random forest algorithm as an imputation method, and investigates its impact on item fit to the dichotomous Rasch model and on their difficulty estimate. Finally, the fifth paper compares the classification tree with a Naïve Bayes classifier in the prediction of academic drop-out, using a set of socio-demographic variables as predictors. The papers presented in this doctoral dissertation introduce a set of innovative quantitative methods that have potential to solve a number of issues in the educational research field. They can also led to new discoveries, not allowed by other, more classical, methods.
Subject: Neurociências
language: Português
Publisher: Universidade Federal de Minas Gerais
Publisher Initials: UFMG
Rights: Acesso Aberto
URI: http://hdl.handle.net/1843/BUBD-A3GGP7
Issue Date: 5-Mar-2015
Appears in Collections:Teses de Doutorado

Files in This Item:
File Description SizeFormat 
tese_hudson_golino_completa.pdf10.16 MBAdobe PDFView/Open


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