Predição da Evasão de Estudantes Ingressantes no IFCE Campus Tianguá Utilizando Técnicas de Aprendizagem de Máquina Supervisionada
DOI:
https://doi.org/10.5753/reic.2026.7215Keywords:
evasão, aprendizado de máquina, análise preditiva, permanência acadêmica, educação superiorAbstract
A evasão no ensino superior público brasileiro compromete a permanência acadêmica e a gestão institucional, gerando implicações sociais e econômicas. Esse contexto demanda estratégias multidisciplinares para promover a permanência dos discentes e otimizar a gestão acadêmica. Neste estudo, busca-se aplicar métodos de aprendizado de máquina na análise de dados educacionais para predizer os estudantes ingressantes do Instituto Federal do Ceará (IFCE), campus Tianguá, em potencial risco de evasão. Utiliza-se registros acadêmicos e sociodemográficos de estudantes, abrangendo o período de 2010.2 a 2025.2. Esses dados foram submetidos a processos de preparação e refinamento. Técnicas de classificação supervisionada foram testadas em diferentes configurações, considerando o desbalanceamento dos dados e ajustes de hiperparâmetros para aprimorar o desempenho dos algoritmos. Os resultados revelam a viabilidade de modelos preditivos em identificar padrões de evasão escolar, auxiliando na implementação de medidas preventivas, o que contribui para políticas mais eficazes de evasão no ambiente educacional.
Downloads
Referências
Amorim, C. C., Branco, U. V. C., and Dias Júnior, J. J. L. (2025). Evasão e retenção no ensino superior: ampliando a compreensão teórico-metodológica. Revista da FAEEBA – Educação e Contemporaneidade, 34(79). DOI: 10.21879/faeeba2358-0194.2025.v34.n79.p77-96.
Arantes, A. R., Rodrigues, L. B., Kagimura, R., Cardoso, B. G. d. S., and Junqueira, M. P. (2021). Evasão e retenção no ensino superior: abordagem baseada em taxas quantitativas. Revista Contemporânea de Educação, 16(36):4–21. DOI: 10.20500/rce.v16i36.42914.
Araújo, G. B. (2025). Análise e discussão da predição de um caso de evasão universitária: Uma abordagem baseada em data mining e machine learning. Master’s thesis, Universidade Federal do Ceará, Fortaleza. Disponível em: [link]. Acesso em: 20 dez. 2025.
Baggi, C. A. d. S. and Lopes, D. A. (2011). Evasão e avaliação institucional no ensino superior: uma discussão bibliográfica. Avaliação: Revista da Avaliação da Educação Superior, 16(2). DOI: 10.1590/S1414-40772011000200007.
Bastos, N., Gomes, L., Silveira, R., and Oliveira, C. (2025). Mapeamento sistemático da mineração de dados educacionais no combate à evasão escolar no brasil. In Anais do IX Congresso sobre Tecnologias na Educação, pages 177–187, Porto Alegre, RS, Brasil. SBC. DOI: 10.5753/ctrle.2025.12545.
Breiman, L. (2001). Random forests. Machine Learning, 45(1):5–32. DOI: 10.1023/A:1010933404324.
Chawla, N. V., Bowyer, K. W., Hall, L. O., and Kegelmeyer, W. P. (2002). Smote: Synthetic minority over-sampling technique. Journal of Artificial Intelligence Research, 16:321–357. DOI: 10.1613/jair.953.
Chen, T. and Guestrin, C. (2016). Xgboost: A scalable tree boosting system. page 785–794. DOI: 10.1145/2939672.2939785.
Goodfellow, I., Bengio, Y., and Courville, A. (2016). Deep learning. MIT Press, Cambridge.
Géron, A. (2019). Mãos à obra: Aprendizado de máquina com Scikit-learn & TensorFlow – conceitos, ferramentas e técnicas para a construção de sistemas inteligentes. Alta Books, Rio de Janeiro, 1 edition. Tradução de Rafael Contatori.
Han, J., Kamber, M., and Pei, J. (2012). Data Mining: Concepts and Techniques. Morgan Kaufmann, San Francisco, 3 edition.
Hastie, T., Tibshirani, R., and Friedman, J. (2009). The elements of statistical learning. Springer, Nova York, 2 edition.
He, H. and Garcia, E. A. (2009). Learning from imbalanced data. IEEE Transactions on Knowledge and Data Engineering, 21(9):1263–1284. DOI: 10.1109/TKDE.2008.239.
IFCE (2017). Plano estratégico de permanência e Êxito dos estudantes do ifce. Fortaleza: IFCE. Disponível em: [link]. Acesso em: 6 dez. 2025.
INEP (2024). Apresentação do censo da educação superior 2024. Disponível em: [link]. Acesso em: 8 dez. 2025.
James, G., Witten, D., Hastie, T., Tibshirani, R., and Taylor, J. (2023). An Introduction to Statistical Learning: with Applications in Python. Springer, New York.
Lemaître, G., Nogueira, F., and Aridas, C. K. (2016). Imbalanced-learn: a python toolbox to tackle the curse of imbalanced datasets in machine learning. The Journal of Machine Learning Research. DOI: 10.5555/3122009.3122026.
Linhares, J. F., Veras, E. d. A., Oliveira, R. d. S., Silveira, R., and Oliveira, C. T. d. (2025). Desenvolvimento de uma ferramenta para mapear os índices acadêmicos de uma instituição de ensino. Anais do 17o Encontro Unificado de Computação do Piauí (ENUCOMPI), pages 29–38. DOI: 10.5753/enucompi.2025.9582.
Malerba, A. (2024). Previsão de evasão universitária com aprendizado de máquina. Master’s thesis, Universidade Federal de Itajubá, Itajubá. Dissertação de Mestrado em Ciência e Tecnologia da Computação. Disponível em: [link]. Acesso em: 20 dez 2025.
Murphy, K. P. (2022). Probabilistic Machine Learning: An Introduction. MIT Press, Cambridge.
Primão, A. P. (2022). Uso de algoritmos de machine learning para prever a evasão escolar no instituto federal de santa catarina (ifsc). Master’s thesis, Universidade Federal de Santa Catarina, Florianópolis. Dissertação de Mestrado em Administração. Disponível em: [link]. Acesso em: 20 dez. 2025. Universitária.
Saccaro, A., França, M. T. A., and Jacinto, P. A. (2024). Fatores associados à evasão no ensino superior brasileiro: um estudo de análise de sobrevivência para os cursos das áreas de ciência, matemática e computação e de engenharia, produção e construção em instituições públicas e privadas. Estudos Econômicos. DOI: 10.1590/0101-41614925amp.
SEMESP (2025). Mapa do ensino superior no brasil: 15a edição. Disponível em: [link]. Acesso em: 6 dez. 2025.
Silva, P. T. d. F. e. and Sampaio, L. M. B. (2022). Políticas de permanência estudantil na educação superior: reflexões de uma revisão da literatura para o contexto brasileiro. Revista de Administração Pública, 56(5):603–631. DOI: 10.1590/0034-761220220034.
Downloads
Published
Como Citar
Issue
Section
Licença
Copyright (c) 2026 Os autores
Este trabalho está licenciado sob uma licença Creative Commons Attribution 4.0 International License.
