Please use this identifier to cite or link to this item: http://hdl.handle.net/1843/BUBD-A3GGP7
Full metadata record
DC FieldValueLanguage
dc.contributor.advisor1Cristiano Mauro Assis Gomespt_BR
dc.contributor.referee1Angela Maria Ribeiropt_BR
dc.contributor.referee2Enio Galinkin Jelihovschipt_BR
dc.contributor.referee3Alessandra Gotuzo Seabrapt_BR
dc.contributor.referee4Ana Paula Porto Noronhapt_BR
dc.creatorHudson Fernandes Golinopt_BR
dc.date.accessioned2019-08-10T17:33:46Z-
dc.date.available2019-08-10T17:33:46Z-
dc.date.issued2015-03-05pt_BR
dc.identifier.urihttp://hdl.handle.net/1843/BUBD-A3GGP7-
dc.description.abstractThe 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.pt_BR
dc.description.resumoA 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.pt_BR
dc.languagePortuguêspt_BR
dc.publisherUniversidade Federal de Minas Geraispt_BR
dc.publisher.initialsUFMGpt_BR
dc.rightsAcesso Abertopt_BR
dc.subjectNeurociênciaspt_BR
dc.subject.otherNeurociênciaspt_BR
dc.titleModelos complexos de predição aplicados na educaçãopt_BR
dc.typeTese de Doutoradopt_BR
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.