ANÁLISE DE DADOS COM MACHINE LEARNING

Classificação de Alunos em Risco de Evasão Escolar utilizando Modelos de Machine Learning

Resumo

Neste artigo, exploramos o uso de modelos de aprendizado de máquina para classificar alunos em risco de evasão escolar, um problema complexo e historicamente relevante no Brasil. O aprendizado de máquina, uma subárea da inteligência artificial, é empregado para identificar os principais atributos que podem levar um aluno a evadir de um curso superior. O aprendizado de máquina é definido como um campo que vai além da inteligência humana, focando não apenas na compreensão, mas também na construção de entidades inteligentes. O problema da evasão escolar é multifacetado, abrangendo questões financeiras, sociais e psicológicas, variando de acordo com o contexto educacional. É destacada a gravidade da evasão escolar no ensino superior e sua influência negativa na qualidade da educação e na sociedade. O objetivo principal do artigo é demonstrar como modelos de aprendizado de máquina podem ser aplicados para prevenir a evasão escolar, com foco na identificação de alunos em risco. Os objetivos específicos incluem a apresentação de diferentes modelos de aprendizado de máquina e o levantamento bibliográfico acerca da utilização destes modelos na análise do problema de evasão. A metodologia aplicada terá como foco a utilização de recursos que estarão disponíveis através do cenário de Mineração de Dados Educacionais, as variáveis que serão analisadas, irão ser recolhidas de diversas bases de dados públicas, pré-processadas e interpretadas através de algoritmos de mineração diferentes para que assim seja possível demonstrar qual dos algoritmos exibidos terão um desempenho melhor em comparação. A pesquisa utiliza técnicas avançadas de análise de dados, incluindo a seleção de atributos relevantes, a criação de modelos de machine learning e a avaliação de métricas de desempenho. Os modelos são alimentados com dados educacionais, como desempenho acadêmico, características socioeconômicas e demográficas. A análise desses dados revela padrões e tendências que indicam quais alunos estão em maior risco de evasão. A importância desse estudo reside na capacidade de instituições de ensino adotarem estratégias proativas para apoiar alunos em risco, oferecendo orientação acadêmica, suporte financeiro ou intervenções psicológicas. A aplicação eficiente de modelos de aprendizado de máquina na prevenção da evasão escolar pode melhorar significativamente as taxas de conclusão dos cursos e mitigar o impacto negativo da evasão na sociedade. Este artigo destaca a relevância do aprendizado de máquina na solução de problemas educacionais complexos, como a evasão escolar. O estudo apresenta uma abordagem promissora para identificar alunos em risco e fornece insights valiosos para aprimorar a qualidade do ensino superior, ressaltando o potencial contínuo do aprendizado de máquina em diversas áreas, incluindo a educação.