Aprendizagem de máquina na predição da evasão no ensino superior

Abstract

Resumo : No Brasil a taxa média de evasão escolar do ensino superior tem se mantido em 21% nos último 10 anos. Os problemas gerados pela evasão são diversos, como desperdício de recursos por parte do aluno e também da universidade. Nesse cenário, mesmo coordenadores de curso com experiência não conseguem prever o abandono por parte dos alunos. Essa predição é bastante complexa de ser feito manualmente devido a grande quantidade de alunos geridos pelo mesmo coordenador. Nesse trabalho, foi realizado uma análise de acompanhamento da trajetória de alunos do curso de graduação em Ciência da Computação da UFPR compreendendo os períodos de 2011 á 2019 utilizando duas técnicas de aprendizado de máquina, regressão logística e árvores de decisão, para prever a evasão. Com as técnicas aplicadas podemos prever a evasão de alunos de ciência da computação de uma base de dados real, onde atingimos até 86% de precisão com os algoritmos de aprendizado de máquina avaliados.

Abstract : remained at 21 % in the last 10 years. The problems generated by evasion are diverse, such as wasted resources by the student and the university. In this scenario, even experienced course coordinators are unable to predict students’ dropout. This prediction is quite complex to be done manually due to the large number of students managed by the same coordinator. In this work, we performed a follow-up analysis of students’ trajectory of the undergraduate course in Computer Science at UFPR, comprising the periods from 2011 to 2019, using two machine learning techniques, logistic regression and decision trees, to predict dropout. The applied techniques show that we can predict the evasion of computer science students from a real database, where we reach up to 86 % accuracy with the evaluated machine learning algorithms.