Aplicação de Modelos de Aprendizado de Máquina na Predição da Desistência Acadêmica em Cursos de TI do IFPE

• Verlaynne Kelley da Hora Rocha Araujo IFPE
• Yanka Mirelly Ayala de Sales Silva IFPE
• Maria Fernanda De Lima Oliveira Sales IFPE
• Diogo Lopes da Silva IFPE

DOI: https://doi.org/10.5753/latinoware.2025.16609

Resumo

A evasão acadêmica constitui um dos principais desafios enfrentados pelas instituições de ensino, especialmente nos cursos de Ciências Exatas, que apresentam altos índices de desistência. Este estudo, aplicado ao contexto do IFPE, propõe a utilização de técnicas de aprendizado de máquina para prever a evasão estudantil, com base em dados acadêmicos, demográficos e socioeconômicos de alunos entre os períodos de 2001.1 e 2025.1. Após o pré-processamento dos dados, que incluiu codificação de variáveis, tratamento de valores ausentes e balanceamento das classes com SMOTE, foram treinados três modelos supervisionados: Decision Tree, Extra Tree e Multilayer Perceptron (MLP). Os modelos foram ajustados via Grid Search e avaliados por métricas como acurácia, precisão, recall e F1-score. O MLP apresentou o melhor desempenho, destacando-se pela capacidade de identificar com maior precisão os alunos propensos à evasão. Os resultados demonstram o potencial da inteligência artificial como ferramenta de apoio à gestão educacional, favorecendo a adoção de medidas preventivas mais eficazes.

Palavras-chave: Redes neurais artificiais, Decision Tree, Extra Trees, Evasão acadêmica, Aprendizado de máquina, IFPE

Referências

L. M. L. da Silva Garcia and R. S. Gomes, “Causas da evasão em cursos de ciências exatas: uma revisão da produção acadêmica,” Revista Educar Mais, vol. 6, pp. 937–957, 2022, [Online]. Available: [link]. Accessed: Feb. 21, 2025.

E. Souza and L. F. Freitas, “Um estudo sobre a evasão nos cursos de graduação dos institutos federais,” Revista Brasileira da Educação Profissional e Tecnológica, vol. 1, no. 20, p. e10757, 2021.

A. Salata, “Razões da evasão: abandono escolar entre jovens no brasil,” Interseções: Revista de Estudos Interdisciplinares, vol. 21, no. 1, 2019, [Online]. Available: [link]. Accessed: Jun. 11, 2025.

G. S. et al., “Siog2024-1-oa-004 predicting early mortality in older adults with stomach cancer: a machine learning (ml) approach incorporating comprehensive geriatric assessment (cga) and clinical data (cd),” Journal of Geriatric Oncology, vol. 15, no. 7, p. 101848, 2024.

A. Gonzalez-Nucamendi, J. Noguez, L. Neri, V. Robledo-Rella, and R. M. G. García-Castelán, “Predictive analytics study to determine undergraduate students at risk of dropout,” Frontiers in Education, vol. 8, 2023.

F. P. et al., “Scikit-learn: Machine learning in python,” Journal of Machine Learning Research, vol. 12, pp. 2825–2830, 2011.

W. S. McCulloch and W. Pitts, “A logical calculus of the ideas immanent in nervous activity,” Bulletin of Mathematical Biophysics, vol. 5, pp. 115–133, 1943.

V. R. C. Martinho, C. Nunes, and C. R. Minussi, “A new method for prediction of school dropout risk group using neural network fuzzy artmap,” in Proc. Int. Conf. Artificial Intelligence (ICAI), 2013.

K. H. F. Kawase, “Aplicação de redes neurais rbf e mlp na análise de evasão discente do curso de sistemas de informação da ufrrj,” Master’s thesis, Univ. Federal Rural do Rio de Janeiro, Instituto de Ciências Exatas, Seropédica, RJ, 2015.