Previsão do risco de evasão universitária utilizando aprendizado de máquina: Características e dinâmica da evasão nos cursos de Engenharia da UFRJ-Macaé
DOI:
https://doi.org/10.5753/rbie.2025.5196Keywords:
Evasão, Universidade, Engenharia, Desempenho acadêmico, Aprendizado de máquinaAbstract
O fenômeno da evasão universitária tem sido amplamente investigado devido aos prejuízos em recursos financeiros e em mão de obra, por isso, entender sua dinâmica é importante para identificar soluções e estratégias preventivas. Este estudo emprega técnicas de ciência de dados e aprendizado de máquina para prever o risco de evasão universitária e analisar as características e dinâmicas da evasão nos cursos de Engenharia da Universidade Federal do Rio de Janeiro na cidade de Macaé, Brasil. Utilizando a metodologia CRISP-DM, foram treinados modelos de Regressão Logística, Árvore de Decisão e eXtreme Gradient Boosting (XGBoost), sendo otimizados por meio da otimização bayesiana. Conforme os resultados dos modelos, observou-se que o desempenho acadêmico dos alunos no seu primeiro período é suficiente para identificar, com AUC de 0,80, os alunos evadidos do conjunto de testes. Na análise exploratória dos dados também foi revelado que mais alunos evadiram do que se formaram, sendo que 75% das desistências ocorreram nos três primeiros semestres. Além disso, observou-se uma forte correlação entre o baixo desempenho acadêmico e o risco de evasão, com destaque para as disciplinas de Cálculo e Física. Este trabalho evidencia como os dados de uma universidade podem ser explorados para identificar padrões e tendências no comportamento dos alunos e como o aprendizado de máquina pode ser empregado como ferramenta estatística para extrair informações valiosas de grandes volumes de dados, auxiliando na melhoria da qualidade e acessibilidade da educação no ensino superior.
Downloads
Referências
Alharbi, M. (2020). The Economic Effect of Coronavirus (COVID-19) on Higher Education in Jordan: An Analytical Survey. International Journal of Economics and Business Administration, 8, 521–532. Disponível em: [link].
Aulck, L., Nambi, D., Velagapudi, N., Blumenstock, J., & West, J. (2019). Mining University Registrar Records to Predict First-Year Undergraduate Attrition. International Educational Data Mining Society. [GS Search]
Banachewicz, K., & Massaron, L. (2022). The Kaggle book: Data analysis and machine learning for competitive data science (First edition). Packt Publishing. [GS Search]
Bergstra, J., & Bengio, Y. (2012). Random Search for Hyper-Parameter Optimization. Journal of Machine Learning Research, 13(10), 281–305. [GS Search]
Bielschowsky, C. E., & Amaral, N. C. (2022). O custo do aluno das 2.537 instituições de educação superior brasileiras: cai um mito? Educação & Sociedade, 43 https://doi.org/10.1590/ES.243866 [GS Search]
Carvalhaes, F., Senkevics, A., & Costa Ribeiro, C. (2022). A interseção entre renda, raça e desempenho acadêmico no acesso ao ensino superior brasileiro. Social Science Research Network. [GS Search]
Chapman, P. (2000). CRISP-DM 1.0: Step-by-step data mining guide. Disponível em: [link]
Christo, M. M. S., Resende, L. M. M. d., & Kuhn, T. d. C. G. (2018). Por que os alunos de engenharia desistem de seus cursos – um estudo de caso. Nuances: Estudos sobre Educação, 29. https://doi.org/10.32930/nuances.v29i1.4391 [GS Search]
Coimbra, C. L., Silva, L. B. e., & Costa, N. C. D. (2021). A evasão na educação superior: definições e trajetórias. Educação e Pesquisa, 47, e228764. https://doi.org/10.1590/S1678-4634202147228764 [GS Search]
Crawford, J., Butler-Henderson, K., Rudolph, J., Malkawi, B., Glowatz, M., Burton, R., Magni, P. A., & Lam, S. (2020). COVID-19: 20 countries’ higher education intra-period digital pedagogy responses. Journal of Applied Learning and Teaching, 3(1), 09-28. https://doi.org/10.37074/jalt.2020.3.1.7 [GS Search]
da Silva, I. C. (2023). Mapeamento das experiências dos discentes dos cursos de Engenharia para redução da evasão: Um estudo de caso em uma Universidade Federal no interior do Rio de Janeiro [Trabalho de Conclusão de Curso da Universidade Federal do Rio de Janeiro].
Diaz-Pace, J. A., Cian Berrios, R., Tommasel, A., & Vazquez, H. C. (2022). A Metrics-based Approach for Assessing Architecture-Implementation Mappings. Anais Do XXV Congresso Ibero-Americano Em Engenharia de Software (CIbSE 2022), 16–30. https://doi.org/10.5753/cibse.2022.20960 [GS Search]
Ebner, M., Schön, S., Braun, C., Ebner, M., Grigoriadis, Y., Haas, M., Leitner, P., & Taraghi, B. (2020). COVID-19 Epidemic as E-Learning Boost? Chronological Development and Effects at an Austrian University against the Background of the Concept of “E-Learning Readiness”. Future Internet, 12(6), 94. https://doi.org/10.3390/fi12060094 [GS Search]
Esposito, C., Landrum, G. A., Schneider, N., Stiefl, N., & Riniker, S. (2021). GHOST: Adjusting the Decision Threshold to Handle Imbalanced Data in Machine Learning. Journal of Chemical Information and Modeling, 61(6), 2623–2640. https://doi.org/10.1021/acs.jcim.1c00160 [GS Search]
Godoy, E. V., & Almeida, E. d. (2017). A evasão nos cursos de Engenharia e a sua relação com a Matemática: uma análise a partir do COBENGE. Educação Matemática Debate, 1(3), 339–361. https://doi.org/10.24116/emd25266136v1n32017a05 [GS Search]
Gomes, L. B. (2021). Elaboração de modelo de previsão da evasão universitária na Universidade Federal Fluminense através de métodos de aprendizado de máquina. Disponível em: [link]
Hastie, T., Tibshirani, R., & Friedman, J. (2009). The Elements of Statistical Learning: Data Mining, Inference, and Prediction (2ª ed.). Springer. [GS Search]
Hernández-de-Menéndez, M., Morales-Menendez, R., Escobar, C. A., & Ramírez Mendoza, R. A. (2022). Learning analytics: state of the art. International Journal on Interactive Design and Manufacturing (IJIDeM), 16(3), 1209–1230. https://doi.org/10.1007/s12008-022-00930-0 [GS Search]
Izbicki, R., & dos Santos, T. M. (2020). Aprendizado de máquina: uma abordagem estatística. [GS Search]
Jesus, J. A. d., & Gusmão, R. P. d. (2024). Investigação da Evasão Estudantil por meio da Mineração de Dados e Aprendizagem de Máquina: Um Mapeamento Sistemático. Revista Brasileira de Informática na Educação, 32, 807–841. https://doi.org/10.5753/rbie.2024.3466 [GS Search]
Klitzke, M., & Carvalhaes, F. (2023). Fatores associados à evasão de curso na UFRJ: Uma análise de sobrevivência. Educação em Revista, 39. https://doi.org/10.1590/0102-469837576 [GS Search]
Kuhn, M., & Johnson, K. (2013). Applied Predictive Modeling. Springer. [GS Search]
Le, T., Vo, M. T., Vo, B., Lee, M. Y., & Baik, S. W. (2019). A Hybrid Approach Using Over-sampling Technique and Cost-Sensitive Learning for Bankruptcy Prediction. Complexity, 2019, 1–12. https://doi.org/10.1155/2019/8460934 [GS Search]
Lobo, M. B. C. d. M. (2012). Panorama da evasão no ensino superior brasileiro: Aspectos gerais das causas e soluções. Associação Brasileira de Mantenedoras do Ensino Superior, 23. [GS Search]
Manhães, L. M. B., da Cruz, S. M. S., Costa, R. J. M., Zavaleta, J., & Zimbrão, G. (2012). Previsão de Estudantes com Risco de Evasão Utilizando Técnicas de Mineração de Dados. Brazilian Symposium on Computers in Education (Simpósio Brasileiro de Informática na Educação - SBIE), 1. [GS Search]
Mienye, I. D., & Sun, Y. (2022). A Survey of Ensemble Learning: Concepts, Algorithms, Applications, and Prospects. IEEE Access, 10, 99129–99149. https://doi.org/10.1109/ACCESS.2022.3207287 [GS Search]
Murphy, M. P. A. (2020). COVID-19 and emergency eLearning: Consequences of the securitization of higher education for post-pandemic pedagogy. Contemporary Security Policy, 41(3), 492–505. https://doi.org/10.1080/13523260.2020.1761749 [GS Search]
Nagy, M., & Molontay, R. (2018). Predicting Dropout in Higher Education Based on Secondary School Performance. 2018 IEEE 22nd International Conference on Intelligent Engineering Systems (INES), 389–394. https://doi.org/10.1109/INES.2018.8523888 [GS Search]
de Oliveira, C. F., Sobral, S. R., Ferreira, M. J., & Moreira, F. (2021). How Does Learning Analytics Contribute to Prevent Students’ Dropout in Higher Education: A Systematic Literature Review. Big Data and Cognitive Computing, 5(4), 64. https://doi.org/10.3390/bdcc5040064 [GS Search]
Oliveira, R. d. S., & Medeiros, F. P. A. d. (2024). Modelo de Predição de Evasão Escolar com Base em Dados de Autoavaliação de Cursos de Graduação. Revista Brasileira de Informática na Educação, 32, 1–21. https://doi.org/10.5753/rbie.2024.3542 [GS Search]
Oliveira Júnior, J. G. d. (2015, dezembro 8). Identificação de padrões para a análise da evasão em cursos de graduação usando mineração de dados educacionais. Dissertação de Mestrado - Universidade Tecnológica Federal do Paraná. [GS Search]
Raju, V. N. G., Lakshmi, K. P., Jain, V. M., Kalidindi, A., & Padma, V. (2020). Study the Influence of Normalization/ Transformation process on the Accuracy of Supervised Classification. 2020 Third International Conference on Smart Systems and Inventive Technology (ICSSIT), 729–735. https://doi.org/10.1109/ICSSIT48917.2020.9214160 [GS Search]
Regehr, C., & Goel, V. (2020). Managing COVID-19 in a Large Urban Research-Intensive University. Journal of Loss and Trauma, 25, 1–17. https://doi.org/10.1080/15325024.2020.1771846 [GS Search]
Semesp. (2022). Mapa do Ensino Superior. Semesp. Disponível em: [link]
Shekhar, S., Bansode, A., & Salim, A. (2021). A Comparative study of Hyper-Parameter Optimization Tools. 2021 IEEE Asia-Pacific Conference on Computer Science and Data Engineering (CSDE), 1–6. https://doi.org/10.1109/CSDE53843.2021.9718485 [GS Search]
Silva, H. R. B., & Adeodato, P. J. L. (2012). A data mining approach for preventing undergraduate students’ retention. The 2012 International Joint Conference on Neural Networks (IJCNN), 1–8. https://doi.org/10.1109/IJCNN.2012.6252437 [GS Search]
Solis, M., Moreira, T., Gonzalez, R., Fernandez, T., & Hernandez, M. (2018). Perspectives to Predict Dropout in University Students with Machine Learning. 2018 IEEE International Work Conference on Bioinspired Intelligence (IWOBI), 1–6. https://doi.org/10.1109/IWOBI.2018.8464191 [GS Search]
Teodoro, L. d. A., & Kappel, M. A. A. (2020). Aplicação de Técnicas de Aprendizado de Máquina Para Predição de Risco de Evasão Escolar em Instituições Públicas de Ensino Superior no Brasil. Revista Brasileira de Informática na Educação, 28, 838–863. https://doi.org/10.5753/rbie.2020.28.0.838 [GS Search]
Zhihao, P., Fenglong, Y., & Xucheng, L. (2019). Comparison of the Different Sampling Techniques for Imbalanced Classification Problems in Machine Learning. 2019 11th International Conference on Measuring Technology and Mechatronics Automation (ICMTMA), 431–434. https://doi.org/10.1109/ICMTMA.2019.00101 [GS Search]
Arquivos adicionais
Published
Como Citar
Issue
Section
Licença
Copyright (c) 2025 Pedro Andrietta Chagas, Janaína Sant'Anna Gomide, Laura Emmanuella Alves dos Santos Santana
Este trabalho está licenciado sob uma licença Creative Commons Attribution-NonCommercial-NoDerivatives 4.0 International License.
