Machine learning e a evasão escolar: análise preditiva no suporte à tomada de decisão

Abstract

A evasão de alunos é um acontecimento mundial e encontra-se presente nas diversas instituições de ensino brasileiras, sejam elas públicas ou privadas. Os Gestores escolares precisam de ferramentas que possibilite gerar conhecimento da instituição de ensino e assim traçar estratégias para lidar com os desafios no ambiente institucional. Uma técnica que vem se mostrando eficiente e capaz de fornecer conhecimento acerca do passado, presente e futuro da instituição, possibilitando aos gestores promoveres ações eficientes de combate à evasão escolar é a Machine Learning - ML. Neste contexto, o presente trabalho utilizou a metodologia CRISP-DM para a aplicação do processo de ML. O objetivo da pesquisa foi testar e/ou aplicar técnicas de ML na busca de possíveis razões para a evasão escolar. Entende-se como contribuição central deste trabalho a geração de modelos de predição que permita apoiar os gestores em ações de combate à evasão. Foram testados 6 algoritmos de classificação. O melhor algoritmo foi Two-class Boosted Decision Tree que apresentou um Accuracy de 0,964 e uma curva AUC de 0,994. O segundo foi o Two-Class Neural Network que apresentou uma Accuracy de 0,944 e uma curva AUC de 0,988. Assim, a partir deste conhecimento gerado, será possível traçar estratégias de combate à evasão proporcionando uma mudança organizacional significativa na forma de compreender e combater a evasão escolar.

Student dropout is a worldwide event and is present in several Brazilian educational institutions, whether public or private. School managers need tools that make it possible to generate knowledge of the educational institution and thus outline strategies to deal with challenges in the institutional environment. Machine Learning is a technique that has been shown to be efficient and capable of providing knowledge about the past, present and future of the institution, enabling managers to promote efficient actions to combat school dropout. In this context, the present work used the CRISP-DM methodology for the application of the ML process. The objective of the research was to test and/or apply ML techniques in search of possible reasons for school dropout. The central contribution of this work is understood to be the generation of prediction models that allow the support of managers in actions to combat evasion. Six classification algorithms were tested. The best algorithm was "Two-class Boosted Decision Tree"which presented an Accuracy of 0.964 and an AUC curve of 0.994. The second was the "Two-Class Neural Network"which presented an Accuracy of 0.944 and an AUC curve of 0.988. Thus, from this knowledge generated, it will be possible to outline strategies to combat dropout by providing a significant organizational change in the way of understanding and combating school dropout.