Processo de Implementação da Rede MLP

A partir dos resultados deste trabalho, verificou-se a alta eficiência da rede MLP na predição da evasão escolar. Deste modo, propomos um exemplo fictício do funcionamento de um sistema capaz de fazer todo o processo de DCBD, com o uso da rede MLP, a partir da base de dados com informações de inscrição dos alunos ingressantes no Instituto Federal do Pará (IFPA) Campus Belém e que, ao fim, consiga identificar alunos com propensão a evadir. E, com isso, possam ser tomadas medidas, pelos responsáveis do IFPA, a fim de tentar remediar a evasão deste aluno.

O sistema de detecção de alunos propensos a evadir contaria com uma conexão direta com os dados de inscrição dos alunos, no qual, em um primeiro momento se faz o processo de DCBD, como: a seleção dos dados, o tratamento e a escolha dos melhores atributos. E numa segunda etapa, através da aplicação da mineração de dados com o uso da rede neural MLP construiria o modelo desta rede a partir dos atributos da base de dados, tratados anteriormente. Uma vez construído o modelo, esse sistema interligado a base de dados da Instituição de Ensino verificaria a entrada de novos alunos e iria fazer de forma automática a aplicação do modelo da rede MLP construído anteriormente e, ao fim, verificando a possibilidade deste aluno vir a evadir. Se houver a indicação de que o aluno vai evadir, o sistema deve emitir um alerta com informações deste aluno.

As conclusões sobre este trabalho, as sugestões para trabalhos futuros e as limitações estão relatados no próximo capítulo.

6 CONCLUSÃO E TRABALHOS FUTUROS

O desenvolvimento do trabalho implicou em um estudo comparativo entre técnicas de redes neurais artificiais (RNAs), através do uso do processo de Descoberta de Conhecimento em Base de dados, tendo como enfoque a predição da evasão discente.

De uma forma geral, as três técnicas de RNA usadas neste trabalho, responderam satisfatoriamente ao objetivo principal deste trabalho. A capacidade das redes neurais artificiais Perceptron de Múltiplas Camadas (MLP), Redes de Função de Base Radial (RBF) e ARTMAP-Fuzzy em fazer a predição, da evasão de alunos de uma instituição federal de ensino superior pública, com eficiência. No entanto, as redes, obtiveram desempenhos diferentes.

Após realizar os testes com as técnicas, observou-se nos resultados que a rede MLP foi superior em todas as medidas de desempenho usadas neste trabalho. Com 95,3% de acurácia e 91,7% de sensibilidade, a rede MLP ratificou seu excepcional desempenho. A rede RBF alcançou 91% de acurácia e apenas 75% de sensibilidade, ficando na segunda posição. Com 86% de acurácia e somente 50% de sensibilidade, a técnica ARTMAP-Fuzzy, logrou o menor desempenho entre as técnicas.

O desempenho das técnicas, do mesmo modo, foi confrontado pelo uso da área da curva ROC. Que de forma visual, com o uso de um gráfico de Curva ROC, conseguiu-se ilustrar e ratificar a superioridade da performance da rede MLP. Além disso, também foi obtida uma medida escalar para comparar a área da Curva ROC. Com 0,881 de área da Curva ROC, a rede MLP, atingiu o valor mais próximo de um classificador ideal (valor = 1).

Pode-se inferir baseado nos resultados mensuráveis obtidos nesta pesquisa, que a rede neural artificial MLP para predição da evasão demonstrou ser a mais confiável, acurada, precisa e eficiente, dentre as técnicas analisadas. E que, a rede ARTMAP-Fuzzy, apesar do seu desempenho satisfatório, ela não seria a mais profícua para fazer a predição da evasão discente.

Traçando um comparativo entre os resultados da presente pesquisa com alguns trabalhos relacionados, pode-se apontar variações de desempenho. A rede MLP teve neste trabalho desempenho superior, enquanto que, a ARTMAP-Fuzzy, produziu resultados abaixo. Sendo que, a rede RBF, foi a única que apresentou parâmetros similares ao encontrado na literatura. As divergências entre os resultados podem ser

atribuídas as especificidades de cada trabalho, tais como: tipo de atributos e quantidade da base de dados.

Para trabalhos futuros, sugere-se o desenvolvimento de um sistema inteligente com o uso das redes neurais artificiais MLP, que consiga acessar as informações discentes do sistema informatizado de uma Instituição de Ensino e consiga fazer todo o tratamento e seleção da base de dados, conforme descrito na Seção 5.4. Gerando assim, predições que podem auxiliar os profissionais de educação a reduzir a evasão. Bem como, recomenda-se mais trabalhos que comparem as três técnicas usadas neste trabalho com outras técnicas, a fim de encontrar e apontar aquelas que obtiverem os melhores desempenhos para aplicação na predição da evasão discente. Além do uso de uma base de dados maior, contendo vários cursos e mais atributos.

Destaca-se aqui, as limitações deste trabalho. A base de dados usada para os testes que continha apenas 107 registros com 14 atributos, onde 15 registros pertenciam a classe “Evadido” e o restante, pertencentes a classe “Não Evadido”. Um número maior de registros com uma carga mais balanceada entre as duas classes seria o ideal para a realização destes testes. Apesar do tamanho da base dados usada, parecer não ser muita expressiva, foi o suficiente para gerar resultados satisfatórios nos testes realizados.

Outra limitação deste trabalho, segundo alguns autores, está no fato de que a evasão não ser uma ação previamente determinada, por simples informações mensuráveis. Considerando que a evasão é proveniente de decisões, deliberações e do livre-alvedrio comum as pessoas. No entanto, o positivismo, uma corrente de pensamento, admite a possibilidade de mapear questões humanas pelo uso da lógica e de técnicas computacionais e confirmado por diversos estudos que trabalham com inteligência artificial que conseguem com perfeição simular emoções e comportamentos humanos. Deste modo, o positivismo valida o emprego e os resultados logrados pelas técnicas usadas nesta pesquisa.

Por fim, deseja-se que este trabalho reflita em importante contribuição para a área da educação. Além disto, o trabalho aqui desenvolvido se incorpora na lacuna existente nas produções da comunidade científica, no que se refere ao tema em questão, propiciando uma fonte de pesquisa para trabalhos futuros que abranjam as redes neurais artificiais ou áreas afins e que até motive outros discentes a desenvolver uma ferramenta que auxilie os docentes na tomada de decisões em relação a evasão escolar.

REFERÊNCIAS

AMARAL, Fernando. Aprenda Mineração de Dados: Teoria e prática. 1a _{ed. Rio de}

Janeiro: Alta Books. 240p. 2016.

ARORA, Nidhi; SAINI, Jatinderkumar. Predicting Student Academic Performance

using Fuzzy ARTMAP Network. International Journal of Advances in Engineering

Science and Technology, v. 187, 2014.

BEZERRA, Camila et al. Evasão Escolar: Aplicando Mineração de Dados para Identificar Variáveis Relevantes. Brazilian Symposium on Computers in Education (Simpósio Brasileiro de Informática na Educação - SBIE), Mg: Sociedade Brasileira de Computação. v. 27, n. 1, p. 1096, 2016.

BORJA, Izabel Maria França de Souza; MARTINS, Alcina Manuela de Oliveira.

Evasão escolar: desigualdade e exclusão social. Revista Liberato, Novo Hamburgo,

v. 15, n. 23, p.01-104, jan. 2014.

BRAGA, Antônio de Pádua; CARVALHO, André Ponce de Leon Ferreira de; LUDERMIR, Teresa Bernarda. Redes Neurais Artificiais: teoria e aplicações. 2. ed. Rio de Janeiro: LTC. 2007.

CABRAL, Carine Graziele da Luz. EVASÃO ESCOLAR: O QUE A ESCOLA TEM A VER COM ISSO?. Curso de Pós-graduação em Educação e Direitos Humanos: Escola, Violências e Defesa de Direitos, Universidade do Sul de Santa Catarina, Santa Catarina, 2016.

CARNIEL, Mauricio. Aplicação de Algoritmos de Mineração de Dados para

Identificação de Fatores que Influenciam a Evasão de Alunos do Curso de Ciência da Computação da UNIVALI. 2013. 138 f. TCC (Graduação) - Curso de

Ciência da Computação, Centro de Ciências Tecnológicas da Terra e do Mar, Universidade do Vale do Itajaí, Itajaí, 2013.

CARPENTER, Gail A. et al. Fuzzy ARTMAP: A neural network architecture for incremental supervised learning of analog multidimensional maps. IEEE Transactions on Neural Networks. Boston, v. 3, n. 5, p. 698–713. fev. 1992.

CASTRO DA SILVA, Felipe. Análise ROC. São José dos Campos, 2006. Disponível em: < http://www.cin.ufpe.br/~jead/bioInformatica/roc_analyzes.pdf>. Acesso em: 20 ago. 2018.

CORNELIUS JUNIOR, Romeu. Uso da mineração de dados na identificação de

alunos com perfil de evasão do ensino superior. 2015. 138 f. TCC (Graduação) -

Curso de Ciência da Computação, Universidade de Santa Cruz do Sul. 2015.

COSTA, Susane Santos da; CAZELLA, Silvio; RIGO, Sandro José. Minerando dados

sobre o desempenho de alunos de cursos de educação permanente em modalidade EAD: Um estudo de caso sobre evasão escolar na UNA-SUS. RENOTE.

DIGIAMPIETRI, Luciano Antonio; NAKANO, Fabio; LAURETTO, Marcelo de Souza.

Mineração de Dados para Identificação de Alunos com Alto Risco de Evasão:

Um Estudo de Caso. Grad: Revista de Graduação USP, São Paulo, v. 1, n. 1, p. 17– 23, jun. 2016.

GOTTARDO, Ernani; KAESTNER, Celso Antônio Alves; NORONHA, Robinson Vida.

Estimativa de Desempenho Acadêmico de Estudantes: Análise da Aplicação de

Técnicas de Mineração de Dados em Cursos a Distância. Revista Brasileira de Informática na Educação, [s.I.], v. 22, n. 01, p. 45-55, 18 maio 2014.

HAYKIN, Simon. Redes Neurais: princípios e práticas. 2. ed. Porto Alegre: Bookman, 2001.

KAWASE, Kelly Harumi Fausta. Aplicação de Redes Neurais RBF e MLP na Análise

de Evasão Discente do Curso de Sistemas de Informação da UFRRJ. 2015. 71 f.

Dissertação (Mestrado) - Curso de Pós-Graduação em Modelagem Matemática e Computacional, Universidade Federal Rural do Rio de Janeiro, Seropédica, 2015. LAMEIRA, Ramon.; MARIANO DA SILVA, Robson. Aplicação de Rede Bayesiana

na identificação de fatores que causam a evasão no curso de Sistemas de Informação da UFRRJ. Anais da I Escola Regional de Sistemas de Informação do

Rio de Janeiro. Sociedade Brasileira de Computação (SBC). n. 01, p.13-16, Niterói, 2014.

LOPES, Diogo Altoé. Comparação entre duas técnicas de IA para detecção de

potenciais alunos desistentes. 2008. 110 f. TCC (Graduação) - Curso de Ciência da

Computação, Universidade do Vale do Itajaí, Computação e Tecnologia, 2008.

LYKOURENTZOU, Ioanna et al. Dropout prediction in e-learning courses through

the combination of machine learning techniques. Computers & Education, v. 53,

n. 3, p. 950–965, 2009.

MACHADO, Roger Douglas. Mineração de Dados Educacionais: Estudo da Evasão nos Cursos de Graduação Presenciais. 2015. 128 f. Dissertação (Mestrado) - Curso de Pós-graduação em Sistemas e Processos Industriais, Universidade de Santa Cruz do Sul, Santa Cruz do Sul, 2015.

MANHÃES, Laci Mary Barbosa et al. Previsão de Estudantes com Risco de Evasão

Utilizando Técnicas de Mineração de Dados. Anais do XXII SBIE - XVII WIE, v. 1,

n. 1, p. 150-159, 2011.

MANHÃES, Laci Mary Barbosa et al. Identificação dos Fatores que Influenciam a

Evasão em Cursos de Graduação Através de Sistemas Baseados em Mineração de Dados: Uma Abordagem Quantitativa. VIII Simpósio Brasileiro de Sistemas de

Informação: Trilhas técnicas. p. 468-479, 2012.

MARTINHO, Valquíria Ribeiro de Carvalho. Sistema inteligente para a predição de

grupo de risco de evasão discente. 2014. 147 f. Tese (Doutorado) - Curso de Pós-

graduação em Engenharia Elétrica, Faculdade de Engenharia de Ilha Solteira, Ilha Solteira, 2014.

médio, avalia ministro - MEC. 2016. Disponível em: <http://portal.mec.gov.br/ultimas-

noticias/212-educacao-superior-1690610854/40111-altos-indices-de-evasao-na- graduacao-revelam-fragilidade-do-ensino-medio-avalia-ministro>. Acesso em: 7 out. 2017.

MENDES, M. S. Da inclusão à evasão escolar: o papel da motivação no ensino médio. Estudos de Psicologia Campinas, v. 30, n. 2, p. 261–265, 2013.

NUNES BONIFÁCIO, Fernando. Comparação entre as Redes Neurais Artificiais

MLP, RBF e LVQ na Classificação de Dados. 2010. 94 f. Monografia

(Especialização) - Curso de Ciência da Computação, Universidade Estadual do Oeste do Paraná, Cascavel, 2010.

OLIVEIRA JÚNIOR, José Gonçalves de. Identificação de padrões para a análise da

evasão em cursos de graduação usando mineração de dados educacionais.

2015. 87 f. Dissertação (Mestrado) - Curso de Pós-Graduação em Computação Aplicada, Universidade Tecnológica Federal do Paraná, Curitiba, 2015.

PALMEIRA, Luísa Behrens; SANTOS, Matheus Parreiras. Evasão no bacharelado

em Ciência da Computação da Universidade de Brasília: análise e mineração de

dados. 2014. 146 f. Monografia (Especialização) - Curso de Ciência da Computação, Universidade de Brasília, Brasília, 2014.

RIGO, Sandro José et al. Aplicações de Mineração de Dados Educacionais e

Learning Analytics com foco na evasão escolar: oportunidades e desafios. Revista

Brasileira de Informática na Educação, [s.l.], v. 22, n. 01, p.132-146, 18 maio 2014. RIGO, Sandro J.; CAZELLA, Silvio C.; CAMBRUZZI, Wager. Minerando Dados

Educacionais com foco na evasão escolar: oportunidades, desafios e

necessidades. Anais do Workshop de Desafios da Computação Aplicada à Educação, p. 168–177, 2012.

SANTOS, Francisco Lledo. dos. Redes Neurais Artificiais Artmap-Fuzzy aplicadas

ao estudo de agitação marítima e ondas de lagos. 2013. 257 f. Tese (Doutorado) - Curso de Pós-graduação em Engenharia Elétrica, Faculdade de Engenharia de Ilha Solteira da Unesp, Ilha Solteira, 2013.

SANTOS, Manuel Felipe; AZEVEDO, Carla Souza. Data Mining: Descoberta de Conhecimento em Bases de Dados. Lisboa: FCA, 214 p., 2005.

SANTOS, Ramon Nóbrega dos. Uma abordagem temporal para identificação

precoce de estudantes de graduação a distância com risco de evasão utilizando técnicas de mineração de dados. 2015. 147 f. Dissertação (Mestrado) - Curso de

Pós-graduação em Informática, Departamento de Informática, Universidade Federal da Paraíba, João Pessoa, 2015.

SEMESP. Mapa do Ensino Superior no Brasil. 2016. Disponível em: <http://convergenciacom. net/pdf/mapa_ensino_superior_2016.pdf>. Acesso em: 05 abr. 2018.

SILVA, Ivan Nunes da; SPATTI, Danilo Hernane; FLAUZINO, Rogério Andrade.

2010.

TAN, Pang-Ning; STEINBACH, Michael; KUMAR, Vipin. Introdução ao Data Mining: Mineração de Dados. Rio de Janeiro: Ciência Moderna Ltda. 928 p. 2009.

TONTINI, Gérson; WALTER, Silvana Anita. Pode-se identificar a propensão e

reduzir a evasão de alunos? ações estratégicas e resultados táticos para instituições

de ensino superior. Avaliação: Revista da Avaliação da Educação Superior (Campinas), [s.l.], v. 19, n. 1, p.89-110, mar. 2014.

UOL. Brasil tem 3a _{maior taxa de evasão escolar entre 100 países, diz Pnud -} Notícias - UOL Educação. 2013. Disponível em: <https://educacao.uol.com.br/ noticias/2013/03/14/brasil-tem-3-maior-taxa-de-evasao-escolar-entre-100-paises-diz- pnud.htm>. Acesso em: 13 set. 2018.

LISTA DE ANEXOS

A - Sistema de Cotas ... 84

B - Tela de Resultados da Rede MLP ... 85

C - Tela de Resultados da Rede RBF ... 86

ANEXO A - SISTEMA DE COTAS

A Lei nº 12.711, de 20 de agosto de 2012, surgiu para garantir que alunos que tenham feito o ensino médio em escolas públicas tenham uma reserva de 50% de vagas (por curso e turno) em todas as 63 universidades federais, 38 institutos federais e dois centros federais de educação tecnológica.

Os tipos de cotas8 _são:

▪ AC = Exame de Seleção – Ampla Concorrência

▪ L1 = Exame de Seleção – Cota L1 (ESC. PUBL.; RENDA < = 1,5; AUTO DECLARADO) - Candidato autodeclarado preto, pardo, indígena e pessoa com deficiência com renda familiar bruta per capita igual ou inferior a 1,5 salário mínimo e que tenha cursado integralmente o Ensino Fundamental em escola pública (Lei nº 12.711/2012).

▪ L2 = Exame de Seleção – Cota L2 (ESC. PUBL.; RENDA < = 1,5) - Candidato com renda familiar bruta per capita igual ou inferior a 1,5 salário mínimo e que tenha cursado integralmente o Ensino Fundamental em escola pública (Lei nº 12.711/2012).

▪ L3 = Exame de Seleção – Cota L3 (ESC. PUBL.; RENDA > 1,5; AUTO DECLARADO) - Candidato autodeclarado preto, pardo, indígena e pessoa com deficiência com renda familiar bruta per capita superior a 1,5 salário mínimo e que tenha cursado integralmente o Ensino Fundamental em escola pública (Lei nº 12.711/2012).

▪ L4 = Exame de Seleção – Cota L4 (ESC. PUBL.; RENDA > 1,5) - Candidato com renda familiar bruta per capita superior a 1,5 salário mínimo e que tenha cursado integralmente o Ensino Fundamental em escola pública (Lei nº 12.711/2012).

8 _{Fonte: Disponível em: https://pronatec.pro.br/como-funcionam-as-cotas-no-sisu-2018/. Acesso em:} 31/08/2018.

ANEXO B - TELA DE RESULTADOS DA REDE MLP

ANEXO C - TELA DE RESULTADOS DA REDE RBF

ANEXO D - TELA DE RESULTADOS DA REDE ARTMAP-FUZZY