Análise de dados educacionais do Instituto Federal do Pará Campus Altamira utilizando algoritmo de clusterização Farthtest First

A evasão acadêmica é um problema grave que afeta o direito à educação, especialmente na região norte do Brasil. Este estudo tem como objetivo identificar o melhor algoritmo de aprendizado de máquina para prever a evasão de estudantes no Instituto Federal do Pará (IFPA) Campus Altamira, utilizando dados coletados entre os anos de 2018 e 2021. Após a etapa de preparação dos dados, que incluiu limpeza e transformação no formato adequado, foram testados cinco algoritmos de classificação no software WEKA. Os algoritmos escolhidos foram avaliados com base em quatro métricas principais: F1-score, acurácia, sensibilidade e especificidade. A partir das matrizes de confusão geradas em cada teste, essas métricas foram calculadas e comparadas. Entre os algoritmos testados, o J48 apresentou o melhor desempenho, com uma acurácia de 97,76% e um F1-score de 94,2%, destacando-se como o mais eficiente para a tarefa de previsão de evasão. Ao final, o estudo demonstrou que algoritmos de classificação são ferramentas eficazes para prever a evasão acadêmica, ajudando gestores a tomar decisões informadas para mitigar esse problema.

Avaliação de algoritmos de aprendizado de máquina na previsão de evasão escolar: estudo de caso no IFPA campus Altamira

Machado,

Ferraz,

Sousa

et al. 2024

Análise de dados dos Planos de Desenvolvimento Institucional do Instituto Federal do Pará (2009-2023) utilizando o algoritmo de aprendizado de máquina K-means

Alves,

Albuquerque,

Sousa

et al. 2024

As instituições de ensino produzem um grande volume de dados, que muitas vezes carecem de meios eficazes para processar e interpretar as informações. Este artigo tem como objetivo analisar dados dos Planos de Desenvolvimento Institucional (PDI) do Instituto Federal do Pará (IFPA), abrangendo o período de 2009 a 2023. Utilizando o algoritmo de agrupamento K-means, busca-se identificar padrões e tendências que possam apoiar a tomada de decisões e aprimorar o planejamento estratégico. A metodologia envolve a coleta e pré-processamento de dados dos PDIs do IFPA, aplicação do Método do Cotovelo (Elbow Method) para determinar o número ideal de clusters e, em seguida, a clusterização dos dados com o K-means. Os resultados fornecem precepções sobre as tendências na oferta de cursos entre diferentes campi, modalidades de ensino e outros atributos, contribuindo para uma gestão institucional mais informada. Esta análise demonstra a utilidade de técnicas de aprendizado de máquina, como o K-means, para lidar com grandes conjuntos de dados e gerar padrões significativos para a tomada de decisões.

Comparação de algoritmos de aprendizado de máquina baseados em árvores de decisão na previsão de nível de escrita do ensino básico: estudo de caso em escolas do município de Vitória do Xingu - Pará

Guedes,

Oliveira,

Albuquerque

et al. 2024

A análise de dados educacionais utilizando ferramentas computacionais é de grande valia para os gestores tomadores de decisão de instituições de ensino. O objetivo deste trabalho é a coleta e o pré-processamento de dados educacionais do ensino básico fundamental no município de Vitória do Xingu, estado do Pará, Brasil, com a finalidade de aplicá-los em algoritmos de aprendizado de máquina baseado em Árvores de Decisão, visando à comparação e análise de desempenho entre diferentes modelos. Foram aplicados em cinco algoritmos Decision Stump, Hoeffding Tree, J48, Random Forest e Random Tree. A avaliação do desempenho dos modelos foi feita utilizando as métricas F1-score, acurácia e estatística Kappa, além da análise das Matrizes de Confusão. Os resultados mostraram que os algoritmos Hoeffding Tree e J48 apresentaram os melhores desempenhos, com 100% de acurácia e F1-score, além de estatísticas Kappa perfeitas. Conclui-se que algoritmos mais complexos como Hoeffding Tree e J48 são os mais indicados para a classificação de dados educacionais, enquanto métodos mais simples, como o Decision Stump, podem ser úteis em cenários onde a simplicidade e a velocidade são prioridades.