MODELOS PREDITIVOS DA EVASÃO DE ESTUDANTES

COMPARATIVO ENTRE REGRESSÃO LOGÍSTICA, REDES NEURAIS E ALGORITMOS GENÉTICOS

Autores

  • Diogo Martins Gonçalves de Morais Faculdade Engenheiro Salvador Arena/Instituto de Tecnologia e Liderança
  • Dallas Kelson Francisco de Souza Universidade Estadual de Campinas

DOI:

https://doi.org/10.24325/issn.2446-5763.v10i30p182-195

Palavras-chave:

Modelos preditivos, Machine Learning, Gestão Educacional

Resumo

O presente estudo tem como objetivo realizar uma análise técnica e comparativa da acurácia de modelos preditivos de evasão de estudantes, explorando três abordagens distintas: algoritmo genético, redes neurais e regressão logística. Uma pesquisa aplicada e exploratória foi conduzida, envolvendo uma revisão da literatura para validar a relevância dos algoritmos em contextos educacionais e avaliar as variáveis influenciadoras da evasão no ensino superior. O resultado da revisão da literatura permitiu constatar uma significativa presença desses algoritmos em modelos preditivos de evasão e confirmou a pertinência das variáveis utilizadas. Além disso, o estudo detalhou como os três algoritmos foram operacionalizados e apresentou uma análise comparativa do desempenho dos modelos, utilizando dados de 447 estudantes de Administração e Engenharia de uma instituição privada, abrangendo 11 variáveis influenciadoras da evasão. Os resultados indicam uma acurácia de 90% para o modelo elaborado com regressão logística, 84,4% para o modelo elaborado com Redes Neurais, e 76% para o modelo elaborado com algoritmo genético, evidenciando uma maior eficiência do modelo logístico em prever evasão de estudantes na amostra da presente pesquisa.

Downloads

Não há dados estatísticos.

Biografia do Autor

Diogo Martins Gonçalves de Morais, Faculdade Engenheiro Salvador Arena/Instituto de Tecnologia e Liderança

Licenciatura em Matemática pela Universidade Estadual Paulista, doutorado em Administração pela Universidade Municipal de São Caetano do Sul e pós-doutorado em Engenharia e Gestão da Inovação pela Universidade Federal do ABC. Atualmente é professor de graduação e coordenador dos cursos de pós-graduação da Faculdade Engenheiro Salvador Arena, professor de graduação no Instituto de Tecnologia e Liderança (Inteli), além de avaliador de cursos de graduação do Ministério da Educação. Tem experiência em modelagem matemática para Big Data, Cálculo Diferencial e Integral, Estatística, Matemática Financeira e Pesquisa Operacional.

Dallas Kelson Francisco de Souza, Universidade Estadual de Campinas

Doutorando em Desenvolvimento Econômico pelo Instituto de Economia da Universidade Estadual de Campinas (Unicamp) na área de Economia Aplicada, Agrícola e do Meio Ambiente. Mestre em Economia Aplicada pela Universidade Federal de São Carlos (UFSCar/2018) e Bacharel em Ciências Econômicas pela Universidade Estadual de Montes Claros (Unimontes/2014). Atua como Professor Orientador no MBA em Data Science e Analytics na Escola Superior de Agricultura Luiz de Queiroz da Universidade de São Paulo (USP/ESALQ-PECEGE). É Gerente Financeiro e Contábil na Gestão Macrorregional do SAMU de Belo Horizonte/MG. Tem experiência na área de Economia Aplicada em pesquisas voltadas a Microeconomia, Organização Industrial, Econometria, Economia Agrícola e Comércio Internacional.

Referências

FÁVERO, L.P.; BELFIORE, P. Data science for business and decision making. Academic Press: Cambridge, 2019.

FÁVERO, L. P.; BELFIORE, P. Manual de análise de dados. LTC: Rio de Janeiro, 2020.

GIL, Antônio Carlos. Como elaborar projetos de pesquisa. 6. ed. Atlas: São Paulo, 2017.

HAIR, J. F., BLACK, W. C., BABIN, B. J., ANDERSON, R. E. Multivariate Data Analysis. Cengage: London, 2019.

HOLLAND, John H. Adaptation in Natural & Artificial Systems: an Introductory Analysis with Applications to Biology, Control, and Artificial Intelligence. Cambridge: MIT Press, 1992.

Instituto Nacional de Estudos e Pesquisas Educacionais Anísio Teixeira [INEP]. 2024. Censo da Educação Superior. Disponível em: <https://www.gov.br/inep/pt-br/areas-de-atuacao/pesquisas-estatisticas-e-indicadores/censo-da-educacao-superior > Acesso em: 8 de agosto de 2024.

LOPES FILHO, J. A. B.; SILVEIRA, I. F. Detecção precoce de estudantes em risco de evasão usando dados administrativos e aprendizagem de máquina. Revista Ibérica de Sistemas e Tecnologias de Informação, v. 40, n. 1, 2021.

MORAIS, D. M. G. DE; SOUZA, A. A. M. DE; CASSONI, V. Um modelo preditivo da evasão de estudantes no ensino superior. FTT Journal of Engineering and Business, v. 1, n. 5, fev. 2020.

OSORIO, J. K. H.; SANTACOLOMA, G. D. Predictive Model to Identify College Students with High Dropout Rates. Revista Electrónica de Investigación Educativa, v.25, n.13, 2023.

SKANSI, S. Introduction to Deep Learning: From Logical Calculus to Artificial Intelligence. New York: Springer Publishing Company Incorporated, 2018.

SILVA, F. C.; CABRAL, T. L. O.; PACHECO, A. S. V. Evasão ou permanência? Modelos preditivos para a gestão do Ensino Superior. Arquivos Analíticos de Políticas Educativas, v. 28, n. 149, out. 2020.

SILVA, J. J. Uma comparação de técnicas de Aprendizado de Máquina para a predição de evasão de estudantes no ensino público superior. 2022. 77 f. Dissertação de Mestrado - Universidade de São Paulo, São Paulo.

SIMPÓSIO BRASILEIRO DE INFORMÁTICA NA EDUCAÇÃO, 30, 2019. Brasília. Anais [...]. Brasília: Congresso Brasileiro de Informática na Educação, 2019. 10 p. Tema: A Computação na perspectiva da diversidade, inclusão e inovação na educação para o século XXI.

Downloads

Publicado

2024-12-21

Como Citar

Martins Gonçalves de Morais, D., & Kelson Francisco de Souza, D. (2024). MODELOS PREDITIVOS DA EVASÃO DE ESTUDANTES: COMPARATIVO ENTRE REGRESSÃO LOGÍSTICA, REDES NEURAIS E ALGORITMOS GENÉTICOS. South American Development Society Journal, 10(30), 182. https://doi.org/10.24325/issn.2446-5763.v10i30p182-195

Artigos Semelhantes

> >> 

Você também pode iniciar uma pesquisa avançada por similaridade para este artigo.