Aplicação de técnicas de aprendizado de máquina para classificar alunos de cursos de idiomas com relação à possibilidade de evasão

• Autor(a) principal: Lima, Monique Tamara de
• Data de Publicação: 2019
• Tipo de documento: Trabalho de conclusão de curso
• Idioma: por
• Título da fonte: Repositório Institucional da UTFPR (da Universidade Tecnológica Federal do Paraná (RIUT))
• Texto Completo: http://repositorio.utfpr.edu.br/jspui/handle/1/12285
• topic: CNPQ::ENGENHARIAS::ENGENHARIA DE PRODUCAO; Aprendizado do computador; Inteligência artificial; Línguas modernas; Evasão escolar; Machine learning; Artificial intelligence; Languages, Modern; Dropouts

O aumento da competitividade no mercado de trabalho tem levado as pessoas a buscarem novas habilidades e conhecimentos, dentre os quais se destacam os cursos de idiomas. Entretanto os cursos vêm sofrendo com os altos índices de evasão, sendo este causado por múltiplos fatores, os quais possuem relacionamentos complexos que dificultam a elaboração de modelos de classificação. Sob este contexto, a atual pesquisa propõe a utilização de técnicas de Aprendizado de Máquina capazes de analisar grandes e complexos bancos de dados, tendo como propósito identificar antecipadamente um aluno que seja propenso a evadir do curso de idioma, possibilitando assim a tomada de medidas para reduzir a taxa de evasão. Para estudar esse problema foi realizado um levantamento na literatura sobre os fatores que podem causar a evasão dos alunos e, em seguida, elaborou-se um questionário usando o Google Forms. Os questionários foram pré-processados e 7 técnicas de aprendizado de máquina foram utilizadas no estudo de dois modelos de classificação, cada um com duas configurações distintas. O primeiro modelo visava buscava prever se o aluno estava cursando, se havia evadido ou se tinha concluído o curso de idioma, enquanto o segundo tinha como propósito prever apenas se o estudante evadiu ou não. Os resultados foram satisfatórios, com destaque para as técnicas Máquina de Vetores de Suporte e Florestas Aleatórias que obtiveram um índice máximo de acuracidade de 91% e 88%, respectivamente.