Modelo de engenharia do conhecimento para a evasão no ensino superior

Abstract

A evasão é fenômeno e objeto de estudo desde os anos 50. Hoje no Brasil, o MEC e as IES buscam entender e mitigar tal fenômeno que, quando ocorre, afeta diretamente a sociedade: sem o devido retorno social, acadêmico e econômico, além de frustações pessoais. Este trabalho avaliou as publicações de 2015 até 2019 que apontam possíveis causas de evasão e as variáveis associadas. A partir destes, é proposto um modelo de Engenharia do Conhecimento suportado por uma ontologia que auxilia as instituições de ensino superior a direcionar as suas análises sobre a evasão em suas bases de dados estruturadas. Como prova de conceito (PoC), aplicou- se ao modelo o processo KDD ? Knowledge-Discovery in Databases para extrair conhecimentos sobre a correlação entre variáveis e, por meio de machine learning para classificação, a avaliação da capacidade de predição de comportamento futuro de evasão. Como resultado, obteve-se o nível de correlação entre variáveis que direcionam as ações para detalhamento da análise da evasão. No que tange à classificação, dentre os algoritmos de classificação submetidos, redes neurais se mostrou uma escolha promissora para a instituição analisada, com área sobre a curva ROC de 0,91, acurácia de 0,86, precisão 0,86, recall 0,79 e f-score 0,81. Tais conhecimentos extraídos na PoC ? correlação entre variáveis e métricas de capacidade de predição ? realimentaram o modelo proposto por meio de uma extensão da ontologia do modelo. A partir dos resultados alcançados com a PoC, constata-se que o conjunto de causas e variáveis propostas ? identificadas no arcabouço de publicações ? direciona a fase de seleção de dados no processo KDD e promove nível de confiança para correlação e predição. Isto torna o modelo um bom direcionador para a análise de evasão. Como evolução, pretende- se projetar e implantar um SBC baseado no modelo para a instituição de ensino avaliada, auxiliando-a na Gestão do Conhecimento sobre o fenômeno e a identificar discentes com tendência de evasão a fim de mitigar os riscos.

Abstract: Dropping out university has been a phenomenon and object of study since the 1950s. Nowadays, in Brazil, the Ministery of Education (MEC) and the Higher Education Institutions (IES) try to understand and mitigate such a phenomenon which, when occurring, directly affects society: without the expected social, academic and economic return, besides personal frustrations. This work has evaluated some papers published from 2015 to 2019 that identify the possible causes of the dropout and indicate the variables associated to it. Based on those works, a Knowledge Engineering model is proposed, and supported by an ontology that helps the higher education institutions to direct their analysis about dropping out in their structured databases. As a proof of concept (PoC), the KDD - Knowledge-Discovery in Databases ? process was applied to the model to extract knowledge about the correlation among variables and, through machine learning classify and evaluate the ability to predict future possibilities of dropping out. As a result, the level of correlation among the variables that direct the actions to detail the dropping out analysis was obtained. Regarding the classification, among the classification algorithms submitted, neural networks proved to be a promising choice for the analyzed institution, with an area of 0.91 on the ROC curve, 0.86 accuracy, 0.86 precision, 0.79 recall and 0.81 f-score. Such knowledge extracted in the PoC - correlation among variables and metrics of predictive capacity - fed back the proposed model through an extension of the model's ontology. From the results achieved with the PoC, it is possible to say that the set of causes and variables proposed - identified in the publications framework - directs the phase of data selection in the KDD process and promotes a confidence level for correlation and prediction. This makes the model a good driver to analyze the dropping out process. As an upgrade it is intended to design and implement a SBC based on the model for the institution evaluated, assisting it in the Knowledge Management about the phenomenon and also to identify students who tend to drop in order to mitigate the risks.