Aplicação de Técnicas de Aprendizado de Máquina Para Predição de Risco de Evasão Escolar em Instituições Públicas de Ensino Superior no Brasil

Abstract

As instituições públicas de ensino superior do Brasil enfrentam taxas de evasão anual preocupantes. Torna-se de extrema importância, então, o reconhecimento do perfil de alunos com maior probabilidade de evadir, levando em consideração características dos estudantes e das universidades em que eles se encontram matriculados, para que planos de medidas públicas sejam construídos de maneira a reduzir estas taxas. Nesse contexto, o presente trabalho tem como objetivo a identificação dos padrões característicos de alunos com maior tendência a abandonar o ensino público superior, assim como a identificação dos atributos mais determinantes nestes padrões. Para isso, foram aplicadas cinco técnicas de aprendizado de máquina nos dados de educação superior do INEP (Instituto Nacional de Estudos e Pesquisas Educacionais Anísio Teixeira): Naive Bayes, K-Nearest Neighbors, Árvores de Decisão, Random Forest e Redes Neurais. Dentre elas, o melhor resultado foi obtido pela técnica Random Forest, que alcançou uma taxa de acerto de aproximadamente 80% das previsões de evasão. O modelo construído indicou que algumas das características mais determinantes na evasão de um aluno são a idade, a participação em atividades extracurriculares e a carga horária total do curso. A principal contribuição do presente trabalho vem na forma da identificação das variáveis mais importantes para a previsão de evasão. Espera-se que os resultados aqui apresentados possibilitem o desenvolvimento de estratégias de redução de evasão focadas no suporte a estudantes que se encontram nos padrões característicos identificados.

Análise da Evasão e do Impacto da Retenção Estudantil no Ensino Superior com Cadeias de Markov Absorventes

“…A análise do comportamento de eventos é muito estudada na literatura, onde o uso de técnicas de análise de desempenho pode ser aplicado em diversos contextos, como pode ser observado nos estudos disponíveis nos anais do WPerformance [Santos et al 2021, Carvalho et al 2021. O uso de técnicas de modela-gem [Araújo 2019, Boumi and Vela 2020, Brezavšček et al 2017, análise de sobrevivência [Campos 2016, Saccaro et al 2019, Costa et al 2018, minerac ¸ão de dados [Carrano et al 2019, Rigo et al 2014, Manhães et al 2012] e aprendizagem de máquina [Beltran et al 2019, De Almeida Teodoro andKappel 2020], permitem analisar fatores que influenciam na retenc ¸ão, evasão, conclusão e vínculo estudantil.…”

“…Alguns algoritmos de aprendizado de máquina, como o Random Forest, SVM e o KNN, são bastante utilizados com o objetivo de monitorar o risco de evasão dos estudantes [Beltran et al 2019, De Almeida Teodoro and Kappel 2020, De Brito et al 2020. Esses algoritmos podem analisar a importância de atributos para identificar os mais relevantes e prever a probabilidade de evasão dos estudantes.…”

Análise de conteúdo das provas do Enade para os alunos do curso de Bacharelado em Ciência da Computação

“…As investigações feitas com o objetivo de análise 'Administrativa' abrangem aspectos de gerenciamento, como o acesso ao Ensino Superior (Guerra, Nakamura & Hruschka, 2014), o impacto que os resultados do Enade têm sobre as questões acadêmicas, como mudanças no currículo e na cultura institucional (Gomes, 2011). Ainda nessa categoria há estudos que fazem predição de risco de evasão escolar em instituições públicas utilizando dados do INEP (Teodoro & Kappel, 2020).…”