USO APLICADO DE MACHINE LEARNING COM RANDOM FOREST E SELF-ORGANIZING MAP COMO MODELO PREDITIVO PARA EVASÃO DE ALUNOS

Resumen

Este artigo é um recorte de uma dissertação de mestrado desenvolvida no Programa de Pós-Graduação em Ciência, Tecnologia e Inovação da Universidade Federal do Rio Grande do Norte (UFRN). Com o objetivo de investigar fatores relacionados à evasão no ensino superior por meio de técnicas de Mineração de Dados Educacionais (MDE) e Machine Learning (ML). O estudo busca explorar os dados do curso Interdisciplinar em Ciências e Tecnologia (C&T) da própria universidade, considerando os alunos ingressantes entre os anos de 2014 a 2023, com o objetivo de desenvolver modelos analíticos que identifiquem características de intervenção para o desenvolvimento acadêmico dos estudantes. O estudo combina algoritmos de ML, como Random Forest (classificação) e Self-Organizing Maps (clustering), em uma abordagem híbrida, aplicada à MDE. O resultado é um modelo preditivo capaz de identificar atributos que impactam a evasão, utilizando a explicabilidade da técnica SHapley Additive exPlanations para  encontrar um conjunto de características explicáveis e ao mesmo tempo, fornecer uma melhoria significativa no poder preditivo do modelo.