700ª defesa de dissertação de mestrado do PGC – aluno: Carlos Eduardo Santana Azevedo, em 05/09/2024, às 15h, por videoconferência.
Link para defesa: meet.google.com/aqb-hgje-kzn
Análise da Evasão Escolar no Instituto Federal de Rondônia Aplicando Técnicas de Aprendizado de Máquina
Resumo:
A evasão escolar é um desafio persistente que afeta as instituições de ensino no Brasil e no mundo, demandando análises aprofundadas e estratégias eficazes para garantir o direito fundamental à educação. No contexto do Instituto Federal de Educação, Ciên- cia e Tecnologia de Rondônia (IFRO), este problema se manifesta de forma preocupante com taxas de evasão elevadas, impactando negativamente o aproveitamento dos recursos educacionais e o sucesso dos estudantes. O presente estudo investiga a aplicabilidade de modelos de Aprendizado de Máquina (AM) para a predição da evasão escolar nos cur- sos técnicos do IFRO, visando a identificação precoce de alunos em risco e a formulação de intervenções personalizadas. A pesquisa utiliza dados reais coletados dos sistemas institucionais, compreendendo informações demográficas, socioeconômicas e acadêmicas dos alunos. Os algoritmos selecionados, incluindo Árvores de Decisão, Florestas Aleató- rias, KNN, Naives Bayes, LIGTHGBM, SVM, RNA-MLP, XGBOOST, Ensemble Vote Classifier, Dummy e Naive Bayes Bernoulli, foram aplicados em diferentes cenários de classificação, considerando a natureza binária e multiclasses dos dados e a influência de técnicas de pré-processamento como normalização e balanceamento. Os resultados da pesquisa demonstram que os algoritmos do tipo Ensemble, especificamente XGBOOST e LIGTHGBM, apresentaram a melhor performance em termos de acurácia média, supe- rando os demais algoritmos avaliados. A robustez e a capacidade de generalização desses algoritmos foram evidenciadas em diferentes cenários, consolidando-os como ferramentas eficazes para a predição da evasão escolar. O LIGTHGBM, em particular, se destacou por sua eficiência de tempo, tornando-se uma alternativa atrativa para cenários com restrições computacionais.
Abstract:
School dropout is a persistent challenge that affects educational institutions in Brazil and around the world, demanding in-depth analysis and effective strategies to guarantee the fundamental right to education. In the context of the Federal Institute of Education, Sci- ence and Technology of Rondônia (IFRO), this problem manifests itself in a worrying way, with high dropout rates, negatively impacting the use of educational resources and the success of students. The present study investigates the applicability of Machine Learning (ML) models for the prediction of school dropout in IFRO technical courses, aiming at the early identification of students at risk and the formulation of personalized interventions. The research uses real data collected from institutional systems, comprising demographic, socioeconomic and academic information of the students. The selected algorithms, in- cluding Decision Trees, Random Forests, KNN, Naives Bayes, LIGTHGBM, SVM, RNA- MLP, XGBOOST, Ensemble Vote Classifier, Dummy, and Naive Bayes Bernoulli, were applied in different classification scenarios, considering the binary and multiclass nature of the data and the influence of pre-processing techniques such as normalization and balancing. The results of the research demonstrate that the Ensemble algorithms, speci- fically XGBOOST and LIGTHGBM, presented the best performance in terms of average accuracy, surpassing the other algorithms evaluated. The robustness and generalization capacity of these algorithms were evidenced in different scenarios, consolidating them as effective tools for predicting school dropout. LIGTHGBM, in particular, stood out for its time efficiency, making it an attractive alternative for computationally constrained scenarios.
Banca examinadora:
Prof. Leandro Santiago de Araújo, UFF – Presidente
Prof.ª Flavia Cristina Bernardini, UFF
Prof. Clodis Boscarioli, UNIOESTE