Predição de evasão escolar em cursos de educação profissional técnicos e tecnológicos : abordagem com automl

Abstract

O trabalho provém de estudos realizados na Linha de Pesquisa Políticas, Gestão e Avaliação, aderente ao projeto de pesquisa Gestão, Avaliação e Organização da Educação Profissional, da Unidade de Pós-Graduação, Extensão e Pesquisa do Centro Paula Souza – CEETEPS - e ao subprojeto desenvolvido junto ao grupo cadastrado no diretório CNPq que aborda práticas de ensino e aprendizagem condizentes com as realidades locais e regionais, inseridas no mundo informatizado, ligadas ao desenvolvimento de competências voltadas à formação profissional e que favoreçam a inserção social. O trabalho aborda a predição de evasão escolar em cursos técnicos e tecnológicos utilizando a abordagem com AutoML. A pesquisa objetiva analisar e desenvolver modelo preditivo que identifica antecipadamente a tendência de não conclusão de novos alunos matriculados nos cursos citados, por meio de IA, com o intuito de auxiliar as instituições de ensino na implementação de medidas preventivas e de intervenção. A fundamentação teórica da pesquisa se baseia em teorias de evasão escolar, aprendizado de máquina e autoaprendizado de máquina. A pesquisa foi realizada por meio da coleta de dados históricos de alunos, aplicação de técnicas de pré-processamento e engenharia de recursos nos dados, e treinamento e avaliação de modelos utilizando ferramentas de AutoML. Como resultado observou-se que o AutoML foi capaz de gerar diferentes algoritmos de aprendizado de máquina, todos capazes de predizer a evasão com acurácia superior a 70%. Também se observou que predições com dados acadêmicos são mais eficazes. O produto gerado por este trabalho é um software para geração de modelos de AM e predição de evasão, desenvolvido em Python, denominado EvaDetect e registrado no Instituo Nacional da Propriedade Industrial sob o número BR512024000219-7.

The work comes from studies carried out in the Policy, Management and Evaluation Research Line, part of the research project Management, Evaluation and Organization of Professional Education, of the Postgraduate, Extension and Research Unit of the Paula Souza Center – CEETEPS - and the subproject developed together with the group registered in the CNPq directory that addresses teaching and learning practices consistent with local and regional reality, inserted in the computerized world, linked to the development of skills specific to professional training and that favor social insertion. The research aims to analyze and develop a predictive model that anticipates the trend of non-completion among new students enrolled in the mentioned courses using AI. The purpose is to assist educational institutions in implementing preventive and intervention measures. The theoretical foundation of the research is based on dropout theories, machine learning and machine self-learning. The research will be carried out by collecting historical data from students, applying pre-processing and feature engineering techniques to the data, and training and evaluating models using AutoML tools. As a result, it was observed that AutoML was able to generate different machine learning algorithms, all capable of predicting dropout with an accuracy exceeding 70%. It was also noted that predictions using academic data are more effective. The product generated by this work is a software for generating ML models and predicting dropout, developed in Python, called EvaDetect, and registered with the National Institute of Industrial Property under the number BR512024000219-7.