Análise discriminante e probabilidade de evasão dos alunos de engenharia de produção na UFSJ

Felizardo, Luiz Flávio; Silva, Vanessa de Souza; Gualberto, Daniel Rocha; Antonialli, Luíz Marcelo

doi:10.7769/gesec.v14i1.1545

Cited by 1 publication

(1 citation statement)

References 2 publications

Supporting

Mentioning

Contrasting

Unclassified

Order By: Relevance

“…Avanços significativos têm sido registrados na literatura sobre evasão escolar e o emprego de tecnologias de inteligência artificial para prever tais fenômenos (DE ANDRADE et al, 2023). Estudos tanto qualitativos (BORDINI, 2021) quanto quantitativos (FELIZARDO et al, 2023) já foram realizados, estabelecendo fundamentos teóricos sobre os fatores que influenciam a decisão dos estudantes de permanecer ou abandonar suas instituições. Também é conhecido que frequentemente a aplicação de Mineração de Dados Educacionais (MDE) e Redes Neurais Artificiais (RNA) estão sendo utilizados para a previsão de evasão escolar (JIN, 2023;NIYOGISUBIZO et al, 2022).…”

Section: Introductionunclassified

Redes neurais artificiais em ambientes educacionais: business intelligence aplicado à pedagogia

Felizardo,

Gualberto,

Carrano

2024

Cad. Pedagógico

View full text Add to dashboard Cite

A retenção de alunos é um desafio crítico para as instituições de ensino superior, com implicações profundas tanto para as universidades quanto para os estudantes envolvidos. A evasão escolar não apenas afeta negativamente a sustentabilidade financeira das instituições, mas também compromete o desenvolvimento acadêmico e profissional dos alunos. Neste estudo, abordamos essa questão através de uma solução que integra técnicas de inteligência artificial. Assim, desenvolvemos e implementamos um modelo preditivo para analisar a probabilidade de abandono escolar no curso de Pedagogia de uma universidade federal no Brasil. O modelo foi alimentado por dados históricos de alunos abrangendo aspectos como desempenho acadêmico, frequência, entre outros. A implementação do modelo envolveu uma fase detalhada de preparação dos dados, onde variáveis significativas foram codificadas e normalizadas para garantir a eficácia do treinamento da rede neural. A rede foi configurada com uma camada de entrada, uma camada oculta e uma camada de saída, utilizando a função de ativação tangente hiperbólica e o algoritmo de otimização ADAM. A acurácia do modelo alcançada foi de 98.7%, demonstrando uma capacidade notável de prever desistências antes que elas ocorram. Ademais, uma validação final de tipo longitudinal em nosso estudo revelou que, dos alunos identificados com mais de 25% de probabilidade de evasão em 2019, aproximadamente 90% abandonaram o curso até 2024, confirmando ainda mais a relevância das previsões fornecidas. Assim, a ferramenta permite intervenções estratégicas e personalizadas por parte dos gestores para aumentar a retenção estudantil. Desta forma, este trabalho evidencia a eficácia das Redes Neurais Artificiais em prever a evasão escolar e destaca o papel transformador que técnicas de Business Intelligence e Inteligência Artificial podem desempenhar no aprimoramento das práticas pedagógicas e administrativas em universidades.

show abstract