Título do Trabalho: Predictive Models for University Dropout at UNIRIO
Resumo: Instituições de Ensino Superior (IES) almejam o sucesso acadêmico e profissional de seus alunos e egressos, porém, estas instituições enfrentam o problema da evasão de alunos, isto é, quando os alunos abandonam em definitivo os seus cursos. A evasão de alunos do ensino superior pode causar problemas no âmbito pessoal do aluno, na esfera universitária e na esfera social. No âmbito social a evasão pode ocasionar uma menor renda para o evadido, na esfera universitária, pode ocasionar perda de recursos e em esfera social pode ocasionar escassez de profissionais. O objetivo desta pesquisa é usar técnicas de ciência de dados e Inteligência Artificial (IA) preditiva para ajudar a compreender o fenômeno da evasão universitária nos cursos de ciências exatas da Universidade Federal do Estado do Rio de Janeiro (UNIRIO). Para alcançar tais objetivos foram conduzidos quatro estudos: um Mapeamento Sistemático da Literatura (MSL) sobre algoritmos de IA para prever evasão de estudantes de ensino superior, um MSL sobre algoritmos de IA para prever performance acadêmica, um estudo primário para prever evasão no curso de Bacharelado em Sistemas de Informação (BSI) usando Decision Tree e apenas dados do Sistema de Informações para o Ensino (SIE) e um estudo primário sobre prever evasão nos cursos de ciências exatas, que são oferecidos pelo Centro de Ciências Exatas e Tecnologia (CCET) da UNIRIO, que além do BSI engloba também os cursos de Licenciatura em Matemática e o Bacharelado em Engenharia de Produção, usando Gradient Boosting com os dados do SIE, da Receita Federal e da Relação Anual de Informações Sociais (RAIS) para entender se há influência de fatores financeiros como a presença de emprego formal e empreendedorismo até o quarto período na evasão. Resultados demonstram que os principais fatores preditivos para a evasão ou a graduação são a performance acadêmica e que não há influência da presença de emprego e empreendedorismo na evasão.
Banca Examinadora:
- Laura de Oliveira Fernandes Moraes, UNIRIO, http://lattes.cnpq.br/3138892444406479
- Reinaldo Viana Alvares, UNIRIO, http://lattes.cnpq.br/1606128499503996
- Jefferson Elbert Simões, UNIRIO, http://lattes.cnpq.br/6938694286834426
- Carla Amor Divino Moreira Delgado, UFRJ, http://lattes.cnpq.br/3831909651244142
Data e Hora da Defesa: 21/01/2025 às 18:00
Local da Defesa: Auditório PPGI (CCET)
