Revista Meta: Avaliação

Este estudo visa comparar modelos de regressão logística, árvores de decisão e redes neurais na classificação da permanência dos estudantes nos cursos presenciais da UFMT. Foram analisados dados das matrículas de estudantes que iniciaram a graduação presencial nos anos de 2016, 2017 e 2018, nos cinco campi da universidade. Os resultados indicam desempenhos semelhantes entre os modelos, com a regressão logística apresentando maior acurácia e sensibilidade. Além disso, a regressão logística demonstrou maior flexibilidade na definição de um limiar para a classificação dos estudantes. Essas informações podem subsidiar políticas de ingresso e permanência na UFMT, visando a melhoria do ensino, permanência e conclusão dos estudantes.

ALPAYDIN, E. Introduction to machine learning. 4. ed. Cambridge: MIT press, 2020.

BREIMAN, L.; FRIEDMAN, J.; OLSHEN, R. A.; STONE, C. J. Classification and regression trees. Nova York: CRC Press, 2017.

CARRANO, D.; ALBERGARIA, E. T. de; INFANTE, C.; ROCHA, L. Combinando técnicas de mineração de dados para melhorar a detecção de indicadores de evasão universitária. In: SIMPÓSIO BRASILEIRO DE INFORMÁTICA NA EDUCAÇÃO, 30., 2019, Brasília, DF. Anais [...]. Brasília: [s. n.], 2019.

COIMBRA, C. L.; SILVA, L. B. e; COSTA, N. C. D. A evasão na educação superior: definições e trajetórias. Educação e Pesquisa, São Paulo, v. 47, 2021. DOI: https://doi.org/10.1590/S1678-4634202147228764. Disponível em: https://www.scielo.br/j/ep/a/WRKk9JVNBnJJsnNyNkFfJQj/#. Acesso em: 20 ago. 2023.

DORILEO, B. P. Ensino superior em Mato Grosso: até a implantação da UFMT. Campinas, SP: Komedi, 2005.

DORILEO, B. P. Universidade, o fazejamento. Cuiabá: Ed. UFMT, 1977.

DUTRA, J. F.; SOUZA, J. P. L. de; FERNANDES, D. Y. de S. Classificação de estudantes com potencial à evasão: aplicando mineração de dados no contexto de cursos técnicos subsequentes do IFPB. Revista Principia - Divulgação Científica e Tecnológica do IFPB, João Pessoa, v. 59, n. 3, p. 1009-1027, 2022. DOI: http://dx.doi.org/10.18265/1517-0306a2021id5488. Disponível em: https://periodicos.ifpb.edu.br/index.php/principia/article/view/5488/1795. Acesso em: 20 ago. 2023.

IBGE. Pesquisa nacional por amostra de domicílios contínua anual: tabela 6408: população residente, por sexo e cor ou raça 2018. Rio de Janeiro: IBGE, 2018. Disponível em: https://sidra.ibge.gov.br/Tabela/6408. Acesso em: 8 set. 2022.

HAYKIN, S. Neural networks: a comprehensive foundation. 2. ed. Upper Saddle River, NJ: Prentice Hall, 1999.

IZBICKI, R.; SANTOS, T. M. dos. Aprendizado de máquina: uma abordagem estatística. São Carlos, SP: Rafael Izbicki, 2020.

JAMES, G.; WITTEN, D.; HASTIE, T.; TIBSHIRANI, R. An introduction to statistical learning: with applications in R. Nova York: Springer, 2013.

JESUS, H. O.; RODRIGUES, L. C.; COSTA JUNIOR, A. de O. Predição de evasão escolar na licenciatura em computação. Revista Brasileira de Informática na Educação, Florianópolis, v. 29, p. 255-272, 2021. DOI: https://doi.org/10.5753/rbie.2021.29.0.255. Disponível em: https://journals-sol.sbc.org.br/index.php/rbie/article/view/2997. Acesso em: 20 ago. 2022.

KUHN, M. Caret: classification and regression training: R package version 6.0-90. [S. l.]: [s. n.], 2020.

LANES, M.; ALCÂNTARA, C. Predição de alunos com risco de evasão: estudo de caso usando mineração de dados. In: SIMPÓSIO BRASILEIRO DE INFORMÁTICA NA EDUCAÇÃO, 29., 2018, Fortaleza. Anais [...]. Brasília: [s. n.], 2018.

LUNARDON, N.; MENARDI, G.; TORELLI, N. Rose: a package for binary imbalanced learning. The R Journal, [S. l.], v. 6, n. 1, p. 79-89, 2014.

MALANGE, F. C. V.; NOGUEIRA, P. S.; ZARDO, L. A. R. O acesso à educação superior pública no Brasil sob ótica dos dados nacionais. REVELLI - Revista de Educação, Linguagem e Literatura, Anápolis, v. 13, p. 1-23, 2021. DOI: https://doi.org/10.51913/revelli.v13i0.12176. Disponível em: https://www.revista.ueg.br/index.php/revelli/article/view/12176. Acesso em: 20 ago. 2023.

MCCULLAGH, P.; NELDER, J. A. Generalized linear models. 2. ed. Nova York: Chapman and Hall, 2019.

NASCIMENTO, F. F. do; DANTAS, L. C. de O.; CASTRO, A. F. de; QUEIROZ, P. G. G. Técnicas de mineração de dados e aprendizado de máquina aplicados à evasão estudantil: um mapeamento sistemático da literatura. Revista Brasileira de Informática na Educação, Florianópolis, v. 32, p. 270–294, 2024. DOI: https://doi.org/10.5753/rbie.2024.3296. Disponível em: https://journals-sol.sbc.org.br/index.php/rbie/article/view/3296. Acesso em: 20 ago. 2023.

R CORE team: R: a language and environment for statistical computing. Vienna, Austria: [s. n.], 2020.

ROKACH, L.; MAIMON, O.; SHMUELI, E. (ed.). Machine learning for data science handbook: data mining and knowledge discovery handbook. 3. ed. Berlim: Springer Nature, 2023.

SABRY, F. Multilayer perceptron: fundamentals and applications for decoding neural networks. [S. l.]: One Billion Knowledgeable, 2023.

SANTOS JUNIOR, J. da S.; REAL, G. C. M. Fator institucional para a evasão na educação superior: análise da produção acadêmica no Brasil. Revista Internacional de Educação Superior, Campinas, SP, v. 6, 2019. DOI: https://doi.org/10.20396/riesup.v6i0.8656028. Disponível em: https://periodicos.sbu.unicamp.br/ojs/index.php/riesup/article/view/8656028. Acesso em: 20 ago. 2023.

TEIXEIRA, M. D. de J.; QUITO, F. de M. Taxas longitudinais de diplomação, evasão e trancamento: método para análise da trajetória discente na educação superior. Avaliação: Revista da Avaliação da Educação Superior, Campinas, SP, v. 26, n. 2, p. 546-567, 2021.

TEODORO, L. de A.; KAPPEL, M. A. A. Aplicação de técnicas de aprendizado de máquina para predição de risco de evasão escolar em instituições públicas de ensino superior no Brasil. Revista Brasileira de Informática na Educação, Porto Alegre, v. 28, 2020. DOI: https://doi.org/10.5753/rbie.2020.28.0.838. Disponível em: http://milanesa.ime.usp.br/rbie/index.php/rbie/article/view/v28p838. Acesso em: 20 ago. 2023.

UNIVERSIDADE FEDERAL DE MATO GROSSO. Pró-Reitoria de Planejamento. Anuário estatístico 2020: ano base 2019. Cuiabá: UFMT, 2020.

UNIVERSIDADE FEDERAL DE MATO GROSSO. Pró-Reitoria de Planejamento. Série histórica de cursos e vagas (Reuni). Cuiabá: UFMT, 2018.

UNIVERSIDADE FEDERAL DE MATO GROSSO. Pró-Reitoria de Planejamento. Sistema de Informações de Gestão Acadêmica. Lista e descrição das variáveis de entrada e seus respectivos níveis de mensuração. Documento interno. Cuiabá: UFMT, 2024.