Resumen de Predição do Risco de Reprovação no Ensino Superior Usando Algoritmos de Machine Learning

Andréa Ferreira da Silva Silva, Aléssio Tony Cavalcanti de Almeida, Hilton Martins de Brito Ramalho

• português

  Objetivo: esta pesquisa propõe identificar o risco de reprovação de discentes do ensino superior usando algoritmos de Machine Learning (ML). Com base nos registros administrativos e acadêmicos da Universidade Federal da Paraíba (UFPB) e da Plataforma Lattes, para o período de 2010 a 2016 da disciplina de cálculo diferencial e integral I. Metodologia: foi verificado que os modelos com a melhor performance de previsão foram Ridge, Regressão Logística, LASSO e Elastic Net, sem diferenças estatísticas de desempenho entre si. Resultado: a partir da modelagem sobre os dados de treinamento, os resultados encontrados explicitam que, das 1.903 observações que compõem um novo conjunto de dados, o conjunto de teste, a frequência dos alunos com status (reprovados e aprovados) previstos corretamente pela Accuracy foi de 67%, em ambos os modelos. Por sua vez, 65% dos discentes foram previstos corretamente como reprovados (Sensitivity). Contribuição: esses achados ratificam que os algoritmos de ML podem ser instrumentos viáveis para auxiliar ações pedagógicas e gerenciais acadêmicas preventivas que visem a redução dos índices de reprovações no ensino superior.

• English

  Goal: this research proposes to identify the risk of failing higher education students using Machine Learning (ML) algorithms. Based on the administrative records of the Universidade Federal da Paraíba (UFPB) and Plataforma Lattes, for the period 2010-2016 of the discipline of differential and integral calculus I. Methodology: it was verified that the models with the best forecasting performance were Ridge, Logistic Regression, LASSO and Elastic Net, with no statistical differences in performance between them. Result: from the modeling on the training data, the results found explain that, of the 1,903 observations that make up a new data set, the test set, the frequency of students with status (failed and approved) correctly predicted by Accuracy was 69 %, on both models. In turn, 72% of students were correctly predicted as failing (Sensitivity). Contribution: these findings confirm that ML algorithms can be viable instruments to assist preventive academic management and pedagogical actions aimed at reducing failure rates in higher education.