Uma Revisão Bibliográfica sobre Identificação de Perfis de Evasão Escolar Utilizando Técnicas de Inteligência Artificial

Resumo

O presente resumo foi construído a partir de uma pesquisa exploratória que tem por objetivo identificar as principais técnicas e métodos utilizados na identificação de perfis de estudantes que possivelmente evadirão a partir de técnicas de inteligência artificial. Para isso realizou-se uma revisão de literatura. Para a coleta de dados coletou-se trabalhos no banco nacional de teses e dissertações e na plataforma Google Acadêmico utilizando os termos “Mineração de Dados” e “Evasão Escolar” em um recorte temporal de 2018 a 2023. Buscou-se selecionar apenas as teses e dissertações produzidas no Brasil nesse período. Foram encontradas nove Trabalhos que foram analisados por meio da técnica de analise de conteúdo. O trabalho de Sonnenstrahi (2020) utilizou as técnicas de Classificação e Árvore de Decisão com os algoritmos de Naive Bayes, MultiLayer Perceptron, Randon Forest, IBK, SMO, OneR, Árvore de decisão ele identificou os estudantes que a baixa utilização de recursos do Ambiente Virtual de Aprendizagem (AVA) e a visualização de tarefas estão relacionados a evasão dos estudantes. O Trabalho de Melo (2019) Utiliza a Rede Neural/MLP usando um algoritmo de Classification Error e Backpropagation o modelo criado foi eficiente na previsão com uma antecedência de 36 dias antes da evasão mostrando que o registro acadêmico deve ser mantido atualizado. A Pesquisa de Barbosa (2020) utilizou a técnica de Árvore de Decisão com os algoritmos de C4.5, J48 e identificou que a necessidade de deslocamento para o curso presencial, a didática dos professores foram fatores que influenciam a evasão dos estudantes. O trabalho de Lopes Filho (2021) usou análise de regressão, Árvore de decisão e Classificação com os algoritmos Decision Florest e Decision Jungle propuseram um sistema de alerta com a lista dos estudantes mais prováveis de evadir de modo que se possa fazer um trabalho especifico com eles. A Pesquisa de Santos (2020) utilizou rede neural, classificação, Regressão, árvore de decisão com os algoritmos de KNN, SVM, ID3, Randon Forest, MLP, Naive Bayes e identificou que a dificuldade média do aluno e a dificuldade média da turma são fatores importantes para a identificar estudantes que possivelmente evadirão. O trabalho de Soares (2020) utilizou Árvore de decisão, Classificação, Regressão, Rede Neural com os algoritmos de Árvores de Decisão, Florestas Aleatórias, cross validation, Grid Search, mostrou que o uso de tecnologia para identificar a evasão permite o enfrentamento a esse problema de forma mais estratégica e inteligente. A pesquisa de Silva (2019) usou Classificacão, Árvore de decisão com os algoritmos de widget Rank, widget Tree permitiu a identificação dos estudantes com perfil de evadir usando os dados socioeconômicos e de desempenho, mas foram identificados que existem disciplinas que o mal desempenho amplia a probabilidade de evadir. A pesquisa de Vasconcelos (2019) usou Árvore de decisão, Rede Neural, Classificação. Naive Bayes com os algoritmos de SVM, MLP, Random Forest, J48, IBK, SMO apontando quais são os estudantes com perfil de evadir e permitiu a mitigação do problema. O trabalho de Mioranza (2020) utilizou Classificação, Árvore de decisão, com os algoritmos de SVM, KNN, Naive Bayes, Random Forest  e mostrou como este trabalho pode refinar o modelo de identificação utilizado na identificação dos perfis de estudantes que podem evadir. Assim, pode-se notar que o uso de técnicas de classificação, árvores de decisão, Regressão e redes Neurais foram úteis para identificar os principais fatores que levam um estudante a evadir e permitiu a práticas de politicas institucionais que mitiguem o problema da evasão escolar.