Fatores Preditivos na Avaliação da Pós-Graduação em Computação: Uma Análise com Mineração de Dados Educacionais

• Bernardo J. da S. Vieira UERN / UFERSA
• Samuel V. de O. Galdino UERN / UFERSA
• Sebastião E. A. Filho UERN / UFERSA

DOI: https://doi.org/10.5753/wei.2026.22761

Resumo

Este trabalho analisa os fatores que influenciam a nota dos Programas de Pós-Graduação em Ciência da Computação avaliados pela CAPES. Utilizando dados extraídos da coleta de informações da avaliação quadrienal, sintetizados pelo sistema Apoema-PG, e técnicas de Mineração de Dados Educacionais com o algoritmo Extra Trees Regressor, identificam-se as variáveis mais relevantes na predição das notas. Os resultados indicam que o volume de teses concluídas, a produção em periódicos de alto estrato e a participação discente em conferências são os principais determinantes do desempenho dos programas, oferecendo subsídios para melhor gestão acadêmica.

Referências

Baker, R. S. and Yacef, K. (2009) "The state of educational data mining in 2009: A review and future visions", Journal of Educational Data Mining, v. 1, n. 1, p. 3--17.

Breiman, L. (1996) "Bagging predictors", Machine Learning, v. 24, n. 2, p. 123-140.

CAPES (2025). Documento de Área: Ciência da Computação. Coordenação de Aperfeiçoamento de Pessoal de Nível Superior, Brasília, DF. Disponível em: [link].

Cirilo, A. C. S., Santos, I. M. and Mota, M. P. (2025) "AnyLattes: An Application for Continuous Assessment of Lattes Curriculum Information", In: Anais do XXI Simpósio Brasileiro de Sistemas de Informação (SBSI 2025), p. 439-448.

Dietterich, T. G. (2000) "Ensemble Methods in Machine Learning", In: Kittler, J.; Roli, F. (Eds.). Proceedings of the First International Workshop on Multiple Classifier Systems. London: Springer-Verlag, p. 1-15.

Eashwar, K. B., Venkatesan, R. and Ganesh, D. (2017) "Student performance prediction using SVM", International Journal of Mechanical Engineering and Technology, v. 8, n. 11, p. 649–662.

Geurts, P., Ernst, D. and Wehenkel, L. (2006) "Extremely randomized trees", Machine Learning, v. 63, n. 1, p. 3-42.

Gil, A. C. (2002) “Como elaborar projetos de pesquisa”, 4. ed., São Paulo: Atlas.

Gualhano, M. A., Salles, S. A. F. and Hora, H. R. M. da (2018) “Mineração de dados das fichas da Avaliação Quadrienal da Capes dos Programas da área Interdisciplinar: Engenharia, Tecnologia e Gestão”, Meta: Avaliação, v. 10, n. 29, p. 417–442.

Laender, A. H. F. et al. (2008) "Assessing the research and education quality of the top Brazilian Computer Science graduate programs", ACM SIGCSE Bulletin, v. 40, n. 2, p. 135-139.

Manhães, L. M. B., Cruz, S. M. S., Costa, R. J. M., Zavaleta, J. and Zimbrão, G. (2011) "Previsão de Estudantes com Risco de Evasão Utilizando Técnicas de Mineração de Dados", In: Anais do XXII Simpósio Brasileiro de Informática na Educação (SBIE), Aracaju, SE.

Mena-Chalco, J. P. and Cesar Jr., R. M. (2009) "ScriptLattes: An open-source knowledge extraction system from the Lattes platform", Journal of the Brazilian Computer Society, v. 15, n. 4, p. 31-39.

Nunes da Silva, A. J., Breve, M. M., Mena-Chalco, J. P. and Lopes, F. M. (2022) "Analysis of co-authorship networks among Brazilian graduate programs in computer science", PLOS ONE, v. 17, n. 1, e0261200. DOI: 10.1371/journal.pone.0261200.

Romero, C. and Ventura, S. (2020) "Educational Data Mining and Learning Analytics: An Updated Survey", Wiley Interdisciplinary Reviews: Data Mining and Knowledge Discovery, v. 10, n. 3, e1355.

SBC (2024). Grandes Desafios da Computação no Brasil (2024–2034). Sociedade Brasileira de Computação, Porto Alegre, RS.