Banca de DEFESA: LUCAS MARCHISOTTI DE SOUZA

Uma banca de DEFESA de MESTRADO foi cadastrada pelo programa.
DISCENTE : LUCAS MARCHISOTTI DE SOUZA
DATA : 08/04/2024
HORA: 15:00
LOCAL: https://meet.google.com/eva-tdvh-wdw
TÍTULO:
PALAVRAS-CHAVES:

Evasão estudantil. COVID-19. CRISP-DM. Aprendizado de Máquina. Árvore de Decisão. Floresta Aleatória

PÁGINAS: 82
RESUMO:

A evasão estudantil consiste no abandono dos estudos por parte de estudantes formalmente matriculados. Este fenômeno é influenciado por diferentes fatores, como a perda de interesse, dificuldades financeiras, falta de investimentos e políticas adequadas, entre outros. Os impactos da evasão alcançam diferentes níveis, desde a formação interrompida do estudante, o desperdício de recursos e até a sociedade, que perde um futuro profissional. Embora a análise da evasão seja uma tarefa complexa, o avanço de técnicas computacionais como inteligência artificial tem possibilitado a análise e inferência a partir de dados, visando a compreensão e até predição desse fenômeno. Este trabalho tem como objetivo prever a evasão no contexto do ensino superior da Universidade Federal de São João del-Rei (UFSJ) considerando períodos antes e durante a pandemia da COVID-19, através da aplicação de técnicas de aprendizado de máquina. Além disso, avaliar as principais variáveis relacionadas ao fenômeno da evasão em ambos os períodos em busca de diferenças. Dados de estudantes formados e evadidos entre os anos de 2018 e 2021 dos cursos de graduação presencial da UFSJ são incluídos na análise e criação dos modelos de predição. Variáveis sociodemográficas, informações relacionadas ao curso e desempenho do estudante são selecionadas como possíveis preditoras. A análise inicial dos dados permitiu avaliar a qualidade dos dados disponíveis, a distribuição de frequência das variáveis e realizar sua preparação. A base de dados após a preparação conta com 7.305 registros e 23 variáveis além da classe alvo. A metodologia CRISP-DM comandou o processo de entendimento sobre o negócio e sobre os dados, na preparação dos dados, criação dos modelos e avaliação. Baseada em trabalhos semelhantes, a utilização dos algoritmos de Árvore de Decisão e Random Forest apresentaram taxas de acurácia, precisão, AUC e F1-score próximo ou acima dos 90%, revelando o Random Forest como detentor dos melhores resultados. Analisando a relevância das variáveis nos resultados, atributos de desempenho acadêmico e de assistência social/financeira eram esperados como importantes e confirmaram a expectativa em ambos os períodos analisados. Outros atributos já mostraram movimentos de ganho ou perda na transição ou mesmo baixa significância entre os períodos. Em suma, os resultados deste estudo revelam um desempenho promissor do modelo proposto na análise da evasão estudantil na UFSJ. Além disso, os insights obtidos sobre as características dos alunos fornecem uma base para o desenvolvimento de estratégias preventivas e de suporte aos estudantes.

MEMBROS DA BANCA:
Interno - 2058929 - ELDER JOSE REIOLI CIRILO
Presidente - 1857559 - FERNANDA SUMIKA HOJO DE SOUZA
Externo à Instituição - RAFAEL ALVES BONFIM DE QUEIROZ - UFOP