No abstract

No abstract

No abstract

Este artigo utiliza técnicas de mineração de dados para identificar problemas relacionados com alunos que não conseguem completar os seus cursos de graduação. Nessa abordagem, a classificação manipula informações acadêmicas de alunos oriundos de uma grande Universidade Federal Brasileira. Muitas técnicas de mineração de dados foram avaliadas em função da acurácia obtida quando aplicadas a um conjunto de dados dos estudantes universitários. Os resultados demonstram que, mesmo analisando três diferentes classes de alunos, foi possível ter uma precisão global acima de 80%. O modelo Naive Bayes foi usado para visualizar os fatores de que distinguem os alunos que obtêm sucesso ou fracasso em seus cursos.

A pandemia da COVID-19 é uma ameaça global. Se, por um lado, contabilizamos muitas perdas de vidas, por outro lado tem-se acelerado a geração de datasets e demandas analíticas urgentes. Dentre as estratégias de combate, destacam-se a vacinação e as investigações epidemiológicas centradas em dados. Este artigo apresenta o processo de construção de datasets curados e anotados com metadados de proveniência retrospectiva, tendo como base os dados de registro da Campanha de Vacinação contra COVID-19 no Brasil. O dataset contém milhares de registros tratados até Março de 2021. Os dados foram analisados, investigados, tratados e cruzados com outras fontes, de modo a corrigi-los e complementá-los, resultando em datasets curados e alinhados aos princípios FAIR.