Histórico da Página

Para se obter a lista de prováveis evasores é necessário gerar um modelo preditivo. O modelo preditivo é gerado a partir da execução de algoritmos de inteligência artificial, que analisam o comportamento de alguns os dados dos alunos no passado para se , para aprender os padrões de comportamento desses alunos. Após esse aprendizado, o modelo é utilizado para tentar prever o comportamento dos alunos ativos matriculados na instituição de ensino.

Abaixo Na Figura 1 podemos observar em maiores detalhes o processo completo:

Image Removed

este processo, descrito detalhadamente logo abaixo.

Image Added

Figura 1 - Etapas para geração da lista e perfis de prováveis evasores

1) Geração da Base de treinamento e de Teste

Inicialmente, é necessário definir definido o período de interesse que deseja-se deseja prever identificar os prováveis evasores. Supondo que nosso , que vamos chamar de período de interesse. Sabendo-se o período de interesse, as bases de treinamento e de teste são geradas a partir dos dados de matrícula que antecedem esse período.

Supondo que deseja-se classificar os alunos do ano de 2019 (Figura 2), as bases de dados serão construídas da seguinte forma seja o 1º semestre de 2019 (figura 1) :

• a base de treinamento será composta por informações das matrículas dados de matrículas concluídas e canceladas em períodos letivos de alunos que estavam cursando na instituição de 2000 a 2017.  finalizados até o final do ano de 2017.

• a base de teste será composta por informações das matrículas dados de matrículas concluídas ou canceladas em períodos letivos que foram finalizadas ou canceladas em pertencentes ao ano de 2018.

...

Image Added

Figura

...

Posteriormente, as informações da base de treinamento serão utilizadas para treinar o algoritmo de inteligência artificial e gerar o modelo preditivo. Já a base de teste será utilizada para validar o modelo preditivo gerado.

Geração do Modelo de Classificação

Neste momento, é necessário identificar algumas informações da vida acadêmica dos estudantes até o período de interesse definido. Estas informações são utilizadas para se realizar uma análise prévia de alguns aspectos acadêmicos e financeiros e identificar os padrões de comportamento destes alunos (figura 2):

Image Removed

Figura 2 - Atributos analisados na identificação dos padrões de comportamento dos alunos

2 - Representação gráfica das bases de treinamento e de teste

2) Geração do Modelo Preditivo

A partir da base de treinamento criada, são utilizadas para identificação dos padrões de comportamento dos alunos e geração do modelo preditivo as seguintes informações:

• Informações Acadêmicas dos alunos:

a) Notas

b) Ausências

c) Carga de Disciplinas

• Informações Financeiras:

a) Pagamentos de Parcelas

• Quais alunos abandonaram a instituição de ensino.

Observação: Além disso, também é necessário verificar quais alunos da base de treinamento deixaram a Instituição de Ensino. Um estudante é considerado evasor quando seu último período letivo cursado não corresponde ao último período do seu curso. Considerando um curso de Direito com 10 períodos, por exemplo, um aluno que tem como último registro de matrícula o 9º período no 1º semestre de 2018 seria considerado como evasor neste período letivosemestre.

Após esta análise, serão aplicadas técnicas de aprendizagem de máquina na base de treinamento, para que sejam gerados os seguintes modelos de classificação:

...

o treinamento, o modelo preditivo será capaz de fornecer as seguintes informações:

• Classificação, quanto à evasão: onde o modelo preditivo atribui a um estudante uma probabilidade de evasão e determina se ele é um provável evasor;

...

• Classificação, quanto ao perfil evasor: onde o modelo preditivo agrupa os estudantes com perfis semelhantes, considerando suas características acadêmicas e financeiras.

3) Validação do Modelo

...

Preditivo

Uma vez gerado

...

Nesta etapa, o modelo de classificação gerado será preditivo é aplicado na base de teste . Desta forma e os resultados alcançados são comparados com dados reais do passado. Assim, é possível avaliar se o modelo possui alcançou uma boa precisão.

A precisão é calculada da seguinte forma:

Image Added

Onde:

a = matrículas em períodos letivos da base de teste que foram canceladas e identificadas corretamente pelo modelo.

b = todas matrículas em períodos letivos precisão aceitável, pois os alunos da base de teste que abandonaram a instituição já são conhecidosforam canceladas.

4) Aplicação do Modelo

...

Preditivo

...

a lista de prováveis evasores

...

Caso a precisão do modelo de classificação seja aceitável, ele será aplicado aos alunos matriculados no período de interesse.

Como resultado, serão gerados:

alcançada no treinamento seja boa, o modelo preditivo é aplicado nas matrículas do período de interesse, que no nosso exemplo é o ano de 2019.

Com estas informações os gestores da Instituição de Ensino poderão realizar ações para reter estes alunos.

...