Predictive Models for University Dropout at UNIRIO

Rodrigues, Henrique Soares

DSpace Home
→
Centro de Ciências Exatas e Tecnologia (CCET)
→
Informática Aplicada
→
INAP - Dissertações de Mestrado
→
View Item

dc.contributor.advisor	Moraes, Laura de Oliveira Fernandes
dc.contributor.author	Rodrigues, Henrique Soares
dc.date.accessioned	2026-05-18T21:14:19Z
dc.date.available	2026-05-18T21:14:19Z
dc.date.issued	2025-05-21
dc.identifier.citation	RODRIGUES, Henrique Soares. Predictive Models for University Dropout at UNIRIO. 88f. Dissertação (Mestrado em Informática) - Universidade Federal do Estado do Rio de Janeiro, Rio de Janeiro, 2025.	pt_BR
dc.identifier.uri	http://hdl.handle.net/unirio/15139
dc.description.sponsorship	CAPES	pt_BR
dc.language.iso	Portuguese	pt_BR
dc.rights	openAccess	pt_BR
dc.title	Predictive Models for University Dropout at UNIRIO	pt_BR
dc.type	masterThesis	pt_BR
dc.contributor.referee	Moraes, Laura de Oliveira Fernandes
dc.contributor.referee	Alvares, Reinaldo
dc.contributor.referee	Simões, Jefferson Elbert
dc.contributor.referee	Delgado, Carla
dc.degree.department	CCET	pt_BR
dc.degree.grantor	Universidade Federal do Estado do Rio de Janeiro - UNIRIO	pt_BR
dc.degree.level	Mestrado Acadêmico	pt_BR
dc.degree.local	Rio de Janeiro,RJ	pt_BR
dc.degree.program	Programa de Pós-Graduação em Informática	pt_BR
dc.subject.cnpq	CIÊNCIAS EXATAS E DA TERRA.CIÊNCIA DA COMPUTAÇÃO	pt_BR
dc.subject.en	University Dropout	pt_BR
dc.subject.en	Predictive Models	pt_BR
dc.subject.en	Machine Learning	pt_BR
dc.subject.en	Data Science in Education	pt_BR
dc.subject.en	Educational Data Mining	pt_BR
dc.description.abstracten	This dissertation investigates the application of predictive models to identify the risk of student dropout at the Federal University of the State of Rio de Janeiro (UNIRIO). Using Educational Data Mining and Machine Learning techniques, the study analyzes historical student data to extract patterns and characteristics that precede course abandonment. The work proposes and evaluates different classification algorithms, seeking a balance between precision and interpretability. The results provide a strategic tool for academic management, enabling the implementation of more effective and personalized retention policies for students identified as vulnerable.	pt_BR
dc.degree.country	Brasil	pt_BR
dc.description.sponsordocumentnumber	n/a	pt_BR
dc.description.abstractpt	Esta dissertação investiga a aplicação de modelos preditivos para identificar o risco de evasão de estudantes na Universidade Federal do Estado do Rio de Janeiro (UNIRIO). Utilizando técnicas de Mineração de Dados Educacionais e Aprendizado de Máquina, o estudo analisa dados históricos de alunos para extrair padrões e características que precedem o abandono do curso. O trabalho propõe e avalia diferentes algoritmos de classificação, buscando um equilíbrio entre precisão e interpretabilidade. Os resultados fornecem uma ferramenta estratégica para a gestão acadêmica, permitindo a implementação de políticas de retenção mais eficazes e personalizadas para os perfis de alunos identificados como vulneráveis.	pt_BR
dc.subject.pt	Evasão Acadêmica	pt_BR
dc.subject.pt	Modelos Preditivos	pt_BR
dc.subject.pt	Aprendizado de Máquina	pt_BR
dc.subject.pt	Ciência de Dados na Educação	pt_BR
dc.subject.pt	UNIRIO	pt_BR