Árvore de decisão aplicado a evasão escolar

Abstract

Resumo: A evasão escolar pode ser definida como a descontinuação de um estudante no seu ensino, podendo ocorrer de diferentes formas e, esse fenômeno, está cada vez mais presente no cenário do ensino superior. Torna-se importante então buscar maneiras de reduzir a taxa de evasão. As técnicas de aprendizagem de máquina permitem identificar padrões e gerar modelos computacionais que podem predizer se um aluno será um evasor. Este trabalho usou modelos de classificação de árvore de decisão e randon forest para predizer quais alunos estão em risco de evasão, assim como identificar os atributos mais determinantes utilizando dados do SIGA (Sistema de Gestão Acadêmica) da Universidade Federal do Paraná, que contempla informações sobre matrícula, cursos, professores, disciplinas, frequências, notas, entre outras. As variáveis mais significativas foram índice de rendimento acadêmico, carga curricular e setor de estudo. O melhor resultado de predição foi obtido pelo algoritmo randon forest com uma acurácia de 0,78 e AUC de 0,87.

Abstract: School dropout can be defined as the discontinuation of a student’s education, which can occur in different ways, and this phenomenon is increasingly present in the higher education scenario. It is therefore important to look for ways to reduce the dropout rate. Machine learning techniques allow us to identify patterns and generate computational models that can predict whether a student will be a truant. This work used decision tree and randon forest classification models to predict which students are at risk of dropping out, as well as to identify the most determinant attributes using data from SIGA (Academic Management System) of the Federal University of Paraná, which includes information about enrollment, courses, professors, subjects, frequencies, grades, among others. The most significant variables were academic performance index, course load, and study sector. The best prediction result was obtained by the randon forest algorithm with an accuracy of 0.78 and AUC of 0.87.