Investigação do uso de análise de sentimentos como indicador para apoio à permanência estudantil

Abstract

Os índices de evasão no contexto educacional têm sido considerados elevados, principalmente nos cursos das áreas de tecnologia e engenharias, acarretando consequências adversas tanto pessoais quanto institucionais. Esse fenômeno constitui uma problemática significativa que demanda abordagens eficazes para sua mitigação. Nesse contexto, a pesquisa apresentada neste trabalho investiga se o sentimento do estudante pode ser utilizado como um indicador à permanência estudantil. A pesquisa é resultado de um projeto de Iniciação Científica, conduzida em turmas da área de computação de uma universidade federal pública e comunitária. A coleta de dados é quanti-qualitativa e foi realizada por meio de questionário aberto elaborados em formulários do Google Forms, ou por meio da plataforma MOODLE, anônimos, com questões de respostas abertas, abrangendo o período do segundo semestre de 2022 até o segundo semestre de 2024. Em seguida, desenvolveu-se um modelo de rede neural automatizado com métodos de processamento de linguagem natural e análise de sentimento para classificar os dados coletados em categorias de positivo e negativo para, por fim, realizar análise da relação dos índices de desistência das disciplinas com os sentimentos identificados pelo modelo automatizado. Os principais resultados obtidos nesta pesquisa demonstraram que as taxas de desistência variaram entre 4,35% e 37,21%. O modelo de classificação que apresentou o melhor desempenho alcançou acurácia de 72,5%, com sensibilidade de 78,5% e precisão de 83,85% na classificação de itens positivos. Apesar disso, não foi possível estabelecer uma correlação direta entre o índice de respostas negativas e as taxas de evasão. Ainda assim, os resultados indicam que a análise de sentimento pode ser um indicador relevante quando utilizado em conjunto com outros métodos. Além disso, foi possível construir uma base de dados estruturada com os dados obtidos ao longo da pesquisa.

High dropout rates in the educational context have been considered significant, especially in technology and engineering courses, leading to adverse consequences both at the personal and institutional levels. This phenomenon constitutes a significant problem that requires effective approaches for mitigation. In this context, the research presented in this work investigates whether the students' sentiments can be used as an indicator for student retention. The research is the result of an Ungraduated Project conducted in computing classes at a federal public university and a community private university. Data collection is quantitative and qualitative and was carried out through open-ended questionnaires created on Google Docs forms, or by MOODLE platform, ensuring anonymity, and with discursive answers. The questions covered the period from the second semester of 2022 to the second semester of 2024. Subsequently, an automated neural network model was developed using natural language processing and sentiment analysis methods to classify the collected data into positive and negative categories. Finally, an analysis of the relationship between dropout rates and the sentiments identified by the automated model was conducted. The main results of this research showed that dropout rates ranged from 4.35% to 37.21%. The best-performing classification model achieved an accuracy of 72.5%, with a sensitivity of 78.5% and a precision of 83.85% for the classification of positive items. However, it was not possible to establish a direct correlation between the rate of negative responses and dropout rates. Still, the findings suggest that sentiment analysis can serve as a valuable indicator when combined with other methods. Additionally, a structured database was developed using the data collected throughout the research.