MODELOS PREDITIVOS DA EVASÃO DE ESTUDANTES
COMPARATIVO ENTRE REGRESSÃO LOGÍSTICA, REDES NEURAIS E ALGORITMOS GENÉTICOS
DOI:
https://doi.org/10.24325/issn.2446-5763.v10i30p182-195Palavras-chave:
Modelos preditivos, Machine Learning, Gestão EducacionalResumo
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
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
Como Citar
Edição
Seção
Licença
Copyright (c) 2024 Diogo Martins Gonçalves de Morais, Dallas Kelson Francisco de Souza

Este trabalho está licenciado sob uma licença Creative Commons Attribution-NonCommercial-ShareAlike 4.0 International License.