Mineração de dados educacionais para identificação de padrões de evasão no Programa de Pós-Graduação em Ciência da Computação (PPGCC) do Instituto Federal do Ceará (IFCE)

Abstract

Aevasãonapós-graduaçãostrictosensuconstituiumfenômenocomplexo,comimpactosacadêmicos e institucionais relevantes, especialmente em instituições públicas. No Programa de Pós-GraduaçãoemCiênciadaComputação(PPGCC)doInstitutoFederaldoCeará(IFCE),compreender os fatores associados à permanência e à evasão é fundamental para subsidiar políticas de acompanhamento discente. Nesse contexto, esta pesquisa aplica técnicas de Mineração de Dados Educacionais e Aprendizado de Máquina para identificar padrões associados à evasão no programa. A metodologia está estruturada em 7 etapas: (i) entendimento do domínio de estudo,(ii)coletadosdados,(iii)análisevisualdosdados,(iv)pré-processamentodosdados,(v) treinamento dos modelos, (vi) avaliação dosmodelos e (vii) aplicação prática do melhor modelo. A base analisada contempla 255 matrículas registradas entre 2014/2 e 2025/1, contendo inicialmente 144 atributos acadêmicos, demográficos e socioeconômicos. A análise visual da base forneceuumaprimeiravisãosistemáticasobreoconjuntodedados,permitindoaidentificaçãode limitaçõesintrínsecas(ex: presença devaloresausenteseinconsistências) eacaracterizaçãodos atributosdisponíveisparaoestudo. Apósopré-processamento,foramtreinadoseavaliadostrês modelossupervisionadosdeclassificação(DecisionTree,RandomForest eXGBoost),queforam combinadoscomdiferentestécnicasdeseleçãodeatributos,imputaçãodedadosebalanceamento dedados. Umtotalde3.600experimentosfoirealizado. Omelhordesempenhofoiobtidocomo modeloXGBoost combinadocomPrincipalComponentAnalysis(PCA),alcançandoAcurácia globalde0,8810eparaos“EgressossemÊxito”Precisãode0,84,Recallde0,9545eF1-score de0,8936. Osresultadosindicamqueaevasãoestáassociadaafatoresinterdependentes,sendo melhorcapturadapor representaçõesqueexploramcombinaçõeslatentesdos atributos. Embora ousodePCAlimiteainterpretaçãodireta,aanálisedeimportânciadosatributos,realizadacom um modelo interpretável (sem a utilização do PCA) de desempenho competitivo, revelou três dimensõesprincipais: (i)acadêmica(níveldeinstrução,matrizcurriculareanosapósagraduação); (ii) institucional (instituiçãode origem); e (iii) socioeconômica (tipode cota, profissão e contexto geográfico, incluindo naturalidade). A idade também se destaca como uma variável relevante para caracterizar o perfil e o êxito dos estudantes. Como contribuição prática, foi desenvolvida umaaplicação que integrao modelo treinado, permitindoestimar a probabilidade deevasãoeapoiardecisõesinstitucionaisbaseadasemdados