Banca de DEFESA: LUCIA MONIQUE HENRIQUE CÂMARA

Uma banca de DEFESA de MESTRADO foi cadastrada pelo programa.
DISCENTE : LUCIA MONIQUE HENRIQUE CÂMARA
DATA : 26/08/2026
HORA: 08:00
LOCAL: Lab 3 do LCC
TÍTULO:

USO DE COMITÊS DE CLASSIFICADORES NA IDENTIFICAÇÃO DE ALUNOS EM RISCO DE EVASÃO ACADÊMICA

 

PALAVRAS-CHAVES:

Evasão Acadêmica. Aprendizado de Máquina. Comitês de Classificadores. Mineração de Dados Educacionais

 

PÁGINAS: 125
RESUMO:

A evasão estudantil no ensino superior representa um dos maiores desafios para a gestão universitária, com impactos diretos na trajetória acadêmica, na economia e na eficácia das políticas públicas. Para enfrentar esse problema, é fundamental identificar precocemente os estudantes em risco e adotar medidas para mitigá-lo. Para apoiar esse processo, a presente dissertação teve como objetivo desenvolver e avaliar modelos preditivos baseados em técnicas de Aprendizado de Máquina (Machine Learning), com foco em arquiteturas de comitês de classificadores, para identificar precocemente os alunos em risco de abandono no curso de Bacharelado em Ciências e Tecnologia da Universidade Federal Rural do Semi-Árido (UFERSA). O percurso metodológico fundamentou-se na Design Science Research e foi guiado pelo modelo CRISP-DM. Inicialmente, conduziu-se uma Revisão Sistemática da Literatura para mapear o estado da arte e identificar os principais algoritmos empregados. Em seguida, procedeu-se à obtenção de dados primários por meio de um questionário aplicado a egressos, alcançando um bom equilíbrio de instâncias (58% evadidos e 42% concluintes), o que mitigou o paradoxo da acurácia comum na literatura. Após o tratamento dos dados, iniciou-se o desenvolvimento computacional que comparou modelos clássicos isolados com abordagens de comitês de classificadores (Bagging, Boosting e Stacking). Os resultados experimentais mostraram que a arquitetura Stacking apresentou o melhor desempenho entre os modelos avaliados, alcançando uma Área sob a Curva ROC (AUC) de 83,71% e um F1-Score de 79,4%, reduzindo significativamente a taxa de falsos positivos na emissão de alertas. Para transpor a barreira da opacidade computacional ("caixa-preta"), integrou-se o framework de explicabilidade SHAP, que permitiu identificar os principais fatores associados à evasão. O modelo revelou que reprovações nos semestres iniciais e a necessidade laboral induzem fortemente o abandono, enquanto o alinhamento vocacional e a assistência estudantil (bolsas) mostraram-se associados à permanência dos estudantes, apresentando resultados consistentes com o modelo clássico de (TINTO, 1997). Conclui-se que a integração entre comitês de classificadores e técnicas de explicabilidade fornece à instituição um modelo preditivo com potencial para apoiar sistemas de alerta precoce, podendo subsidiar intervenções preventivas e apoiar a tomada de decisão institucional.

 

MEMBROS DA BANCA:
Presidente - 1810758 - PAULO GABRIEL GADELHA QUEIROZ
Interna - 1806473 - AMANDA GONDIM DE OLIVEIRA
Interna - 1521615 - ANGELICA FELIX DE CASTRO
Externa à Instituição - KAMILA RIOS DA HORA RODRIGUES - USP