Análise preditiva do desempenho acadêmico de alunos de graduação da UnB utilizando mineração de dados

Abstract

A evasão de alunos de graduação na Universidade de Brasília (UnB) traz consequências acadêmicas, sociais e econômicas negativas. A UnB notifica aqueles alunos que estão em risco de serem desligados e que precisam cumprir condição para evitar o desligamento. Esses alunos em condição estabelecem um plano que devem cumprir, sob a orientação de um docente do curso do aluno. Pensando em melhorar tal abordagem, a pesquisa em questão objetiva a concepção de um sistema previsor capaz de indicar quais alunos estão com maior risco de não conseguirem formar. Desse modo, o sistema permitiria a UnB agir antes de um aluno entrar em condição e agir de acordo com o risco de evasão apresentado por cada aluno. Para o desenvolvimento do sistema previsor, dados descaracterizados de alunos de graduação de cursos da área de computação que ingressaram de 2000 até 2016 e já saíram da universidade foram utilizados. Algoritmos de aprendizagem de máquina foram usados (Naive Bayes, ANN, SVR, Regressor Linear e Random Forests) para induzir modelos que tiveram seu desempenho analisado. Os modelos obtidos testados tiveram, em geral, bom desempenho. O melhor desempenho foi para modelos induzidos com regressão linear. Os resultados obtidos apontam a viabilidade da utilização de mineração de dados para análise preditiva de alunos em risco de evasão na UnB nos cursos da área de computação. Como a metodologia utilizada não empregou nenhum conceito específico dessa área do conhecimento, pode-se usá-la para outros cursos de graduação da UnB.