Análise Experimental de Modelos Preditivos para a Previsão da Demanda por Vagas na Rede Pública de Ensino

• Lucas Bruno F. Praxedes Universidade Federal Rural do Semiárido (UFERSA) / Universidade do Estado do Rio Grande do Norte (UERN) http://orcid.org/0009-0005-6835-3763
• Lenardo Chaves e Silva Universidade Federal Rural do Semiárido (UFERSA) / Universidade do Estado do Rio Grande do Norte (UERN) https://orcid.org/0000-0002-4509-8270
• Breno Jacinto Duarte da Costa Universidade Federal de Alagoas (UFAL)
• Nicholas Joseph Tavares da Cruz Universidade Federal de Alagoas (UFAL)
• Rafael de Amorim Silva Universidade Federal de Alagoas (UFAL)
• Bruno Almeida Pimentel Universidade Federal de Alagoas (UFAL)

DOI: https://doi.org/10.5753/bresci.2025.248243

Resumo

Este estudo foca na validação de modelos de machine learning para a previsão de demanda na educação básica, através de uma análise de erro em várias dimensões diferentes. Comparando algoritmos lineares e de comitês, a avaliação não se limitou a simples acurácia, concentrando também na magnitude dos erros por meio de um conjunto de métricas (MAE, RMSE, MAPE). Os resultados comprovam que o LightGBM possui não apenas alta precisão, mas também erros consistentemente baixos, o que atesta sua confiabilidade. Conclui-se que esta metodologia de avaliação rigorosa do erro é importante para transformar modelos preditivos em ferramentas práticas para a tomada de decisão na gestão educacional.

Palavras-chave: Previsão de Demanda, Aprendizado de Máquina, Mineração de Dados Educacionais, Gestão Educacional

Referências

BREIMAN, L. Random Forests. Machine Learning, v. 45, n. 1, p. 5–32, 2001.

COVER, T. M.; THOMAS, J. A. Elements of Information Theory. 2. ed. Hoboken, NJ: Wiley-Interscience, 2006.

HOERL, A. E.; KENNARD, R. W. Ridge Regression: Biased Estimation for Nonorthogonal Problems. Technometrics, v. 12, n. 1, p. 55–67, 1970.

FUNDAÇÃO ROBERTO MARINHO; INSPER. Consequências da Violação do Direito à Educação. Rio de Janeiro: Fundação Roberto Marinho, 2021.

KOHAVI, R. A Study of Cross-Validation and Bootstrap for Accuracy Estimation and Model Selection. In: Proceedings of the 14th International Joint Conference on Artificial Intelligence - Volume 2. Montreal, Canada: Morgan Kaufmann Publishers Inc., 1995. p. 1137–1143.

KOTSIANTIS, S. B. Supervised Machine Learning: A Review of Classification Techniques. Informatica, v. 31, n. 3, p. 249–268, 2007.

SHAO, L. et al. Machine Learning Methods for Course Enrollment Prediction. Strategic Enrollment Management Quarterly SOUZA, A. M. et al. Beyond scores: A machine learning approach to comparing educational system effectiveness. PLOS ONE, v. 18, n. 10, p. e0289260, 2023.

LUNDBERG, S. M.; LEE, S.-I. A Unified Approach to Interpreting Model Predictions. In: Advances in Neural Information Processing Systems 30 (NIPS 2017), 2017.