XINFORMAÇÕES SOBRE DIREITOS AUTORAIS
As obras disponibilizadas nesta Biblioteca Digital foram publicadas sob expressa autorização dos respectivos autores, em conformidade com a Lei 9610/98.
A consulta aos textos, permitida por seus respectivos autores, é livre, bem como a impressão de trechos ou de um exemplar completo exclusivamente para uso próprio. Não são permitidas a impressão e a reprodução de obras completas com qualquer outra finalidade que não o uso próprio de quem imprime.
A reprodução de pequenos trechos, na forma de citações em trabalhos de terceiros que não o próprio autor do texto consultado,é permitida, na medida justificada para a compreeensão da citação e mediante a informação, junto à citação, do nome do autor do texto original, bem como da fonte da pesquisa.
A violação de direitos autorais é passível de sanções civis e penais.
As obras disponibilizadas nesta Biblioteca Digital foram publicadas sob expressa autorização dos respectivos autores, em conformidade com a Lei 9610/98.
A consulta aos textos, permitida por seus respectivos autores, é livre, bem como a impressão de trechos ou de um exemplar completo exclusivamente para uso próprio. Não são permitidas a impressão e a reprodução de obras completas com qualquer outra finalidade que não o uso próprio de quem imprime.
A reprodução de pequenos trechos, na forma de citações em trabalhos de terceiros que não o próprio autor do texto consultado,é permitida, na medida justificada para a compreeensão da citação e mediante a informação, junto à citação, do nome do autor do texto original, bem como da fonte da pesquisa.
A violação de direitos autorais é passível de sanções civis e penais.
Coleção Digital
Título: THE APPLICATION OF MACHINE LEARNING FRAMEWORK TO IDENTIFY STUDENTS AT RISK OF DEFAULT IN A HIGHER EDUCATION INSTITUTION Autor: GIOVANNA NISKIER SAADIA
Instituição: PONTIFÍCIA UNIVERSIDADE CATÓLICA DO RIO DE JANEIRO - PUC-RIO
Colaborador(es):
JORGE BRANTES FERREIRA - ADVISOR
Nº do Conteudo: 48281
Catalogação: 26/05/2020 Idioma(s): PORTUGUESE - BRAZIL
Tipo: TEXT Subtipo: THESIS
Natureza: SCHOLARLY PUBLICATION
Nota: Todos os dados constantes dos documentos são de inteira responsabilidade de seus autores. Os dados utilizados nas descrições dos documentos estão em conformidade com os sistemas da administração da PUC-Rio.
Referência [pt]: https://www.maxwell.vrac.puc-rio.br/colecao.php?strSecao=resultado&nrSeq=48281@1
Referência [en]: https://www.maxwell.vrac.puc-rio.br/colecao.php?strSecao=resultado&nrSeq=48281@2
Referência DOI: https://doi.org/10.17771/PUCRio.acad.48281
Resumo:
Título: THE APPLICATION OF MACHINE LEARNING FRAMEWORK TO IDENTIFY STUDENTS AT RISK OF DEFAULT IN A HIGHER EDUCATION INSTITUTION Autor: GIOVANNA NISKIER SAADIA
Nº do Conteudo: 48281
Catalogação: 26/05/2020 Idioma(s): PORTUGUESE - BRAZIL
Tipo: TEXT Subtipo: THESIS
Natureza: SCHOLARLY PUBLICATION
Nota: Todos os dados constantes dos documentos são de inteira responsabilidade de seus autores. Os dados utilizados nas descrições dos documentos estão em conformidade com os sistemas da administração da PUC-Rio.
Referência [pt]: https://www.maxwell.vrac.puc-rio.br/colecao.php?strSecao=resultado&nrSeq=48281@1
Referência [en]: https://www.maxwell.vrac.puc-rio.br/colecao.php?strSecao=resultado&nrSeq=48281@2
Referência DOI: https://doi.org/10.17771/PUCRio.acad.48281
Resumo:
As impressive as the growth rate in the number of enrollments in private
higher education institutions in recent years is the increase in the related default
rate, driven by the deepening economic crisis in Brazil and by the reduction of the
number of vacancies offered by the FIES. Default presents itself as a challenge to
the financial management of educational institutions, since it impacts their
operational costs and ends up being passed on to students in the form of an increase
in tuition. In addition, student dropout is also one of the main consequences of
default, since students with economic difficulties end up abandoning their courses.
Most higher education institutions do not use any type of credit scoring analysis to
predict the risk of their students becoming defaulters, failing to understand which
factors cause it, and, therefore, refraining from planning preventive actions.
Therefore, this study presents a quantitative methodology to predict the default risk
of active students. Models generated by machine learning algorithms were analyzed
based on a historical database of students who were in or not in default. The results
showed a relationship between default and economic, academic and social
characteristics of students. Thus, by employing models such as the ones proposed,
higher education institutions should be able to identify those students who are at
higher risk of defaulting and take specific preventive actions to prevent such an
outcome.
Descrição | Arquivo |
COMPLETE |