AVALIAÇÃO DE MODELOS PREDITIVOS BASEADOS EM APRENDIZAGEM DE MÁQUINA NO CONTEXTO DA EVASÃO ESCOLAR CONSIDERANDO UM CENÁRIO MULTICAMPI

Abstract

Resumo A evasão escolar e os diversos fatores relacionados a esse comportamento despontam como um dos grandes desaĄos ao pleno desenvolvimento da educação em muitos países. No Brasil, estima-se que 27% do total de alunos matriculados não concluem o percurso formativo previsto nas respectivas ofertas. Delimitando-se na proposta da Rede Federal de Educação ProĄssional, CientíĄca e Tecnológica (RFEPCT), especiĄcamente na Educação ProĄssional Técnica de Nível Médio (EPTNM), esse estudo identiĄcou um decréscimo no número de concluintes nos últimos cinco anos, conforme estatísticas oĄciais da Plataforma Nilo Peçanha (PNP), sistema do Ministério da Educação alimentado pelas instituições integrantes da RFEPCT. Assim, a identiĄcação de forma prévia da tendência à evasão certamente contribui como subsídio para o direcionamento de estratégias proativas visando a permanência e êxito discente. Nesse sentido, o uso da inteligência artiĄcial, especiĄcamente na subárea aprendizagem de máquina, apresenta-se como importante recurso de apoio à gestão educacional. É nessa perspectiva que se deĄne a proposta deste trabalho em avaliar classiĄcadores quanto a ocorrência da evasão no âmbito do ensino técnico multicampi. Para tanto, foram aplicados os algoritmos de Decision Tree (DT), Random Forest (RF), Gradient Boost (GB), Multi-Layer Perceptron (MLP) e Support Vector Machine (SVM). Os modelos utilizados foram submetidos a análises comparativas a partir de estudos de casos com dados extraídos unicamente da PNP. Os resultados dos modelos melhor avaliados (DT e RF) apresentam médias superiores a 90% quando consideradas todas as unidades da instituição em testes segmentados e agrupados, destacando ainda uma tendência de evolução nas performances que favorece o potencial escalável da proposta. Os resultados apresentados expressam a sensibilidade (recall ) e a precisão (precision) com suas relevâncias equiparadas e resumidas pela métrica F-score.

Abstract School dropout and the various factors related to this behavior emerge as one of the greatest challenges to the full development of education in many countries. In Brazil, it is estimated that 27% of the total number of students enrolled do not complete the training path provided for in the respective ofers. Delimited by the proposal of the Federal Network for Professional, ScientiĄc and Technological Education (RFEPCT), speciĄcally in Secondary Technical Professional Education (EPTNM), this study identiĄed a decrease in the number of graduates in the last Ąve years, according to oicial statistics from the Platform Nilo Peçanha (PNP), a system from the Ministry of Education fed by the institutions that are members of the RFEPCT. Thus, the prior identiĄcation of the tendency to drop out certainly contributes to support proactive strategies aimed at student retention and success. In this sense, the use of artiĄcial intelligence, speciĄcally in the machine learning subarea, presents itself as an important resource to support educational management. It is from this perspective that the proposal of this work is deĄned to evaluate classiĄers regarding the occurrence of dropout in the context of multicampi technical education. To this end, the Decision Tree (DT), Random Forest (RF), Gradient Boost (GB), Multi-Layer Perceptron (MLP) and Support Vector Machine (SVM). The models used were subjected to comparative analyzes based on case studies with data extracted solely from the PNP. The results of the best evaluated models (DT and RF) present averages above 90% when considering all units of the institution in segmented and grouped tests, also highlighting a trend of evolution in performances that favors the scalable potential of the proposal. The results presented express sensitivity (recall ) and precision (precision ) with their relevance equated and summarized by the F-score metric.