Identificando Padrões em Dados Socioeconômicos de Estudantes Universitários: Uma Abordagem de Agrupamento e Regras de Associação na Universidade Federal de Alagoas
DOI:
https://doi.org/10.5753/rbie.2026.6052Keywords:
Assistência Estudantil, Aprendizado de Máquina, Aprendizado Não Supervisionado, Ciência de Dados, Agrupamento, Regras de Associação, Redução da EvasãoAbstract
A Assistência Estudantil desempenha um importante papel no combate à evasão, mas sua eficácia exige maior compreensão dos perfis de vulnerabilidade dos estudantes. Este estudo investiga padrões socioeconômicos de estudantes universitários da Universidade Federal de Alagoas (UFAL) utilizando técnicas de aprendizado não supervisionado, com ênfase em agrupamento e regras de associação. A análise foi conduzida com dados provenientes de inscrições em programas de assistência estudantil, contemplando informações sobre renda, transporte, escolaridade dos pais, identificação racial e participação em programas sociais. Para o agrupamento, empregou-se o algoritmo K-Modes, adequado a dados majoritariamente categóricos, utilizando a distância de Hamming como medida de dissimilaridade. A definição do número de grupos foi orientada por diferentes métricas de validação e por análises visuais, como projeção via t-SNE e dendrogramas. Os resultados apontaram a formação de grupos distintos, com destaque para perfis relacionados a dificuldades de transporte e menor renda familiar. Na análise de regras de associação, a renda per capita, a origem da renda e a inserção em programas sociais emergiram como fatores centrais, reforçando sua relevância na caracterização da vulnerabilidade socioeconômica. Observou-se ainda a associação entre escolaridade dos pais e identificação racial. Os padrões identificados podem subsidiar políticas de assistência estudantil mais focadas e eficazes, contribuindo para a promoção da permanência acadêmica. O trabalho também sugere a ampliação futura da análise com a inclusão de dados acadêmicos e a avaliação da evolução dos perfis ao longo do tempo.
Downloads
Referências
Agrawal, R., Imielinski, T., & Swami, A. (1993). Mining association rules between sets of items in large databases. Proceedings of the 1993 ACM SIGMOD international conference on Management of data, 207–216. https://doi.org/10.1145/170035.170072 [GS Search].
Alpaydin, E. (2020). Introduction to machine learning. MIT press. [GS Search].
Bennasar-Veny, M., Yañez, A. M., Pericas, J., Ballester, L., Fernandez-Dominguez, J. C., Tauler, P., & Aguilo, A. (2020). Cluster analysis of health-related lifestyles in university students. International journal of environmental research and public health, 17(5), 1776. https://doi.org/10.3390/ijerph17051776 [GS Search].
Brasil. (1988). Constituição da República Federativa do Brasil de 1988. Recuperado agosto 25, 2024, de [Link]
Brasil. (2010). Decreto Nº 7.234, de 19 de julho de 2010. Diário Oficial [da] República Federativa do Brasil. Recuperado agosto 25, 2024, de [Link]
Cao, F., Liang, J., & Bai, L. (2009). A new initialization method for categorical data clustering. Expert Systems with Applications, 36(7), 10223–10228. https://doi.org/10.1016/j.eswa.2009.01.060 [GS Search].
Costa, S. G. (2009). A permanência na educação superior no Brasil: uma análise das políticas de assistência estudantil. Colóquio Internacional sobre Gestão Universitária na América do Sul, 9, 1–13. [Link] [GS Search].
Cunningham, P., Cord, M., & Delany, S. J. (2008). Supervised learning. Em Machine learning techniques for multimedia: case studies on organization and retrieval (pp. 21–49). Springer. https://doi.org/10.1007/978-3-540-75171-7_2 [GS Search].
de Vos, N. J. (2015–2024). kmodes categorical clustering library. [Link]
Dias, S. M. B., & Costa, S. L. (2015). A permanência no ensino superior e as estratégias institucionais de enfrentamento da evasão. Jornal de políticas educacionais, 9(17/18). https://doi.org/10.5380/jpe.v9i17/18.38650 [GS Search].
Dutra, N. G. R., & Santos, M. F. S. (2017). Assistência estudantil sob múltiplos olhares: a disputa de concepções. Ensaio: avaliação e políticas públicas em educação, 25, 148–181. https://doi.org/10.1590/S0104-40362017000100006 [GS Search].
Ghahramani, Z. (2003). Unsupervised learning. Em Summer school on machine learning (pp. 72–112). Springer. https://doi.org/10.1007/978-3-540-28650-9_5 [GS Search].
Han, J., Kamber, M., & Pei, J. (2012). Data mining: concepts and techniques (3ª ed.). Morgan Kaufmann. [Link] [GS Search].
Huang, Z. (1998). Extensions to the k-means algorithm for clustering large data sets with categorical values. Data mining and knowledge discovery, 2(3), 283–304. https://doi.org/10.1023/A:1009769707641 [GS Search].
Imperatori, T. K. (2017). A trajetória da assistência estudantil na educação superior brasileira. Serviço Social & Sociedade, 285–303. https://doi.org/10.1590/0101-6628.109 [GS Search].
James, G., Witten, D., Hastie, T., Tibshirani, R., & Taylor, J. (2023). An introduction to statistical learning: With applications in Python. Springer Nature. https://doi.org/10.1007/978-3-031-38747-0 [GS Search].
Janiesch, C., Zschech, P., & Heinrich, K. (2021). Machine learning and deep learning. Electronic Markets, 31(3), 685–695. https://doi.org/10.1007/s12525-021-00475-2 [GS Search].
Matz, S. C., Bukow, C. S., Peters, H., Deacons, C., Dinu, A., & Stachl, C. (2023). Using machine learning to predict student retention from socio-demographic characteristics and app-based engagement metrics. Scientific Reports, 13(1), 5705. https://doi.org/10.1038/s41598-023-32484-w [GS Search].
McKinney, W. (2010). Data Structures for Statistical Computing in Python. Em S. van der Walt & J. Millman (Ed.), Proceedings of the 9th Python in Science Conference (pp. 56–61). https://doi.org/10.25080/Majora-92bf1922-00a [GS Search].
Mohamed Nafuri, A. F., Sani, N. S., Zainudin, N. F. A., Rahman, A. H. A., & Aliff, M. (2022). Clustering analysis for classifying student academic performance in higher education. Applied Sciences, 12(19), 9467. https://doi.org/10.3390/app12199467 [GS Search].
Monard, M. C., & Baranauskas, J. A. (2003). Conceitos sobre aprendizado de máquina. Em S. O. Rezende (Ed.), Sistemas inteligentes: Fundamentos e aplicações. Manole. [Link] [GS Search].
Oyewole, G. J., & Thopil, G. A. (2023). Data clustering: application and trends. Artificial Intelligence Review, 56(7), 6439–6475. https://doi.org/10.1007/s10462-022-10325-y [GS Search].
Raschka, S. (2018). MLxtend: Providing machine learning and data science utilities and extensions to Python's scientific computing stack. The Journal of Open Source Software, 3(24). https://doi.org/10.21105/joss.00638 [GS Search].
Russell, S. J., & Norvig, P. (2016). Artificial intelligence: a modern approach. Pearson. [GS Search].
Santos, F. D., Bercht, M., Wives, L., & Cazella, S. (2015). Análise de evidências do estado de ânimo desanimado de alunos de um AVEA: uma proposta a partir da aplicação de regras de associação. Anais dos Workshops do Congresso Brasileiro de Informática na Educação, 4(1), 1054. [Link] [GS Search].
Satopaa, V., Albrecht, J., Irwin, D., & Raghavan, B. (2011). Finding a "kneedle" in a haystack: Detecting knee points in system behavior. 31st International Conference on Distributed Computing Systems Workshops, 166–171. https://doi.org/10.1109/ICDCSW.2011.20 [GS Search].
Silva, L. A., Morino, A. H., & Sato, T. M. C. (2014). Prática de mineração de dados no Exame Nacional do Ensino Médio. Anais dos Workshops do Congresso Brasileiro de Informática na Educação, 3(1), 651. [Link] [GS Search].
Silva, V. A. A., Moreno, L. L. O., Gonçalves, L. B., Soares, S. S. R. F., & Souza Júnior, R. R. (2020). Identificação de Desigualdades Sociais a partir do desempenho dos alunos do Ensino Médio no ENEM 2019 utilizando Mineração de Dados. Anais do XXXI Simpósio Brasileiro de Informática na Educação, 72–81. https://doi.org/10.5753/cbie.sbie.2020.72 [GS Search].
Simon, A., & Cazella, S. (2017). Mineração de Dados Educacionais nos Resultados do ENEM de 2015. Anais dos Workshops do Congresso Brasileiro de Informática na Educação, 6(1), 754. [Link] [GS Search].
Soares, G. C. (2020). SAM: uma abordagem específica de mineração de dados socioeconômicos de alunos do IF Amazonas para apoio ao processo de concessão de assistência estudantil [diss. de mestr., Universidade Federal de Pernambuco]. [Link] [GS Search].
Sun, Y., Li, Z., Li, X., & Zhang, J. (2021). Classifier selection and ensemble model for multi-class imbalance learning in education grants prediction. Applied Artificial Intelligence, 35(4), 290–303. https://doi.org/10.1080/08839514.2021.1877481 [GS Search].
Sutton, R. S., & Barto, A. G. (2018). Reinforcement learning: An introduction. MIT Press. [GS Search].
Tinto, V. (2012). Leaving college: Rethinking the causes and cures of student attrition. University of Chicago Press. [GS Search].
Vasconcelos, N. B. (2010). Programa Nacional de Assistência Estudantil: uma análise da evolução da assistência estudantil ao longo da história da educação superior no Brasil/National Student Assistance Program: an analysis of the evolution of student assistance along the history of. Ensino em Re-vista. [Link] [GS Search].
Villar, A., & Andrade, C. R. V. (2024). Supervised machine learning algorithms for predicting student dropout and academic success: a comparative study. Discover Artificial Intelligence, 4(1), 2. https://doi.org/10.1007/s44163-023-00079-z [GS Search].
Virtanen, P., Gommers, R., Oliphant, T. E., Haberland, M., Reddy, T., Cournapeau, D., Burovski, E., Peterson, P., Weckesser, W., Bright, J., van der Walt, S. J., Brett, M., Wilson, J., Millman, K. J., Mayorov, N., Nelson, A. R. J., Jones, E., Kern, R., Larson, E., ... SciPy 1.0 Contributors. (2020). SciPy 1.0: Fundamental Algorithms for Scientific Computing in Python. Nature Methods, 17, 261–272. https://doi.org/10.1038/s41592-019-0686-2 [GS Search].
Waskom, M. L. (2021). seaborn: statistical data visualization. Journal of Open Source Software, 6(60), 3021. https://doi.org/10.21105/joss.03021 [GS Search].
Zhang, C., & Zhang, S. (2002). Association rule mining: models and algorithms. Springer. https://doi.org/10.1007/3-540-46027-6 [GS Search].
Zhao, Q., & Bhowmick, S. S. (2003). Association rule mining: A survey. Nanyang Technological University, Singapore, 135, 18. [GS Search].
Arquivos adicionais
Published
Como Citar
Issue
Section
Licença
Copyright (c) 2026 Wellington Batalha dos Santos, Bruno Almeida Pimentel
Este trabalho está licenciado sob uma licença Creative Commons Attribution-NonCommercial-NoDerivatives 4.0 International License.
