Predição do Risco de Reprovação no Ensino Superior Usando Algoritmos de Machine Learning

Abstract

Objetivo: esta pesquisa propõe identificar o risco de reprovação de discentes do ensino superior usando algoritmos de Machine Learning (ML). Com base nos registros administrativos e acadêmicos da Universidade Federal da Paraíba (UFPB) e da Plataforma Lattes, para o período de 2010 a 2016 da disciplina de cálculo diferencial e integral I. Metodologia: foi verificado que os modelos com a melhor performance de previsão foram Ridge, Regressão Logística, LASSO e Elastic Net, sem diferenças estatísticas de desempenho entre si. Resultado: a partir da modelagem sobre os dados de treinamento, os resultados encontrados explicitam que, das 1.903 observações que compõem um novo conjunto de dados, o conjunto de teste, a frequência dos alunos com status (reprovados e aprovados) previstos corretamente pela Accuracy foi de 67%, em ambos os modelos. Por sua vez, 65% dos discentes foram previstos corretamente como reprovados (Sensitivity). Contribuição: esses achados ratificam que os algoritmos de ML podem ser instrumentos viáveis para auxiliar ações pedagógicas e gerenciais acadêmicas preventivas que visem a redução dos índices de reprovações no ensino superior.