DCCMAPI/CCET

Uma banca de PROPOSTA DE TESE/DISSERTAÇÃO de DOUTORADO foi cadastrada pelo programa.
DISCENTE: FRANCISCO DA CONCEICAO SILVA
DATA: 11/08/2025
HORA: 08:30
LOCAL: https://meet.google.com/wcb-mzcz-sik
TÍTULO: Abordagem de Inteligência Artificial Explicável para investigação de indicadores de evasão escolar.
PALAVRAS-CHAVES: nteligência Artificial Explicável, XAI, Aprendizado de Máquina, Mineração de Dados Educacionais, Indicadores de evasão.
PÁGINAS: 106
GRANDE ÁREA: Ciências Exatas e da Terra
ÁREA: Ciência da Computação
SUBÁREA: Metodologia e Técnicas da Computação
ESPECIALIDADE: Sistemas de Informação
RESUMO: A evasão escolar permanece um desafio persistente em instituições de ensino em todo o mundo, afetando tanto modalidades presenciais quanto a distância. As altas taxas de evasão e reprovação são preocupantes e podem ser influenciadas por fatores como questões pessoais, acadêmicas e socioeconômicas, que podem impactar negativamente o desempenho dos alunos. Embora modelos de Machine Learning (ML), como redes neurais, sejam eficazes na identificação precoce de alunos em risco, sua natureza de caixa-preta limita a interpretabilidade dos resultados - obstáculo crítico para a tomada de decisões educacionais. Este estudo propõe um processo metodológico baseado em Inteligência Artificial Explicável (XAI) para identificar indicadores-chave de desempenho associados à evasão escolar. A metodologia, fundamentada em uma revisão de literatura abrangente, assegura robustez e confiabilidade, incluindo desde o pré-processamento de dados até a aplicação e análise comparativa de métodos de XAI em modelos de ML. Para validar a abordagem proposta, foi conduzido um estudo de caso com dados de cursos técnicos de uma instituição de ensino. Os resultados demonstraram que variáveis como renda, local de residência e frequência escolar exercem influência significativa sobre a evasão, em consonância com a literatura existente. A aplicação dos métodos de XAI (SHAP, LIME e ANCHOR) reforçou essa influência ao confirmar, de forma consistente, a relevância de fatores como frequência e renda familiar na predição da evasão, evidenciando seu papel central na identificação de estudantes em situação de risco. Além de validar esses indicadores, o estudo propõe um processo de apoio à tomada de decisão orientado pela transparência e reprodutibilidade, tornando os modelos de ML mais confiáveis e aplicáveis ao contexto educacional. A pesquisa contribui, dentre outras coisas, com: (1) um framework para análise de evasão, (2) explicações interpretáveis de ML, e (3) um sistema de validação de explicações (em desenvolvimento). Esses avanços permitem traduzir dados complexos em ações práticas, como programas de assistência estudantil direcionados, demonstrando o potencial da XAI para enfrentar desafios educacionais.
MEMBROS DA BANCA:
Presidente - 751.764.243-04 - VINICIUS PONTE MACHADO
Interno - 024.700.053-10 - FLÁVIO HENRIQUE DUARTE DE ARAÚJO
Interno - 998.971.133-04 - GUILHERME AMARAL AVELINO
Externo à Instituição - JOSÉ MARIA PARENTE DE OLIVEIRA - ITA
Externo à Instituição - VLÁDIA CÉLIA MONTEIRO PINHEIRO - UNIFOR