Resumo

Redes neurais para prever desistências nas universidades (tradução livre)

O paper fala sobre o problema da evasão escolar nas universidades, e como um sistema de predição dessa evasão permite que os administradores de universade possam ter um melhor conhecimento sobre a situação num âmbito mais geral, além de permitir que ações mais enfáticas sejam tomadas de forma a evitar esse quadro. A pesquisa apresenta uma abordagem de rede neural através da aplicação de algoritmos de perceptrom multicamada (opens new window) e função de base radial (opens new window), levando em consideração 11 features de entrada que impactam negativamente os alunos.

Trabalho proposto

Fonte: Paper

O trabalho propõe um pipeline que vai desde a obtenção dos dados até a análise dos resultados, utilizando dois algoritmos de aprendizagem profunda. O dataset utilizado corresponde às informações coletadas de 2670 alunos matriculados nos cursos de Administração e Ciencias Humanas de Universidades pública do Equador no período de 2014 a 2017. Após a coleta dos dados há um processo de limpeza dos mesmos, onde dados redundantes e em branco, por exemplo, são removidos para garantir uma melhor qualidade ao processo de predição.

Na sequência dois algoritmos de aprendizado profundo são escolhidos e aplicados: perceptrom multicamada (opens new window) e função de base radial (opens new window), obtendo assim a acurácia para os dois modelos.

Pré-processamento dos dados

As features foram selecionadas com base no peso e importância delas, ambos determinados através de um rankeamento:

--	Atributo:
1	Conhecimento limitado sobre software especializado nas principais universidades
2	Gravidez planejada e / não planejada
3	Compromisso do professor com o aluno
4	Compromisso financeiro do filho primogênito com sua família
5	Assédio moral
6	Sexismo
7	Estudantes adquiriram vícios
8	Número de filhos do aluno
9	Adaptação do aluno à aprendizagem universitária
10	Classificação do major ou da instituição
11	Perspectiva do aluno sobre sua integração no mercado de trabalho

Arquitetura do modelo

Na arquitetura do modelo, foi considerado o número mínimo de unidades da camada oculta 1 e um valor máximo das unidades da camada oculta 50. Para o processo de treinamento da rede neural, foi utilizada a função logarítmica sigmóide. Além disso, a entropia cruzada foi usada como uma função de erro. Já nas camadas ocultas foi utilizada uma função de ativação softmax. Ao final, os seguintes resultados foram obtidos:

Neural Networks	Training	Testing
Perceptrom Multilayer	96,3%	98,6%
Function de Base Radial	96,8%	98,1%

Ou seja, não foram obtidas diferenças perceptivas entre os modelos escolhidos.

Referências

Mayra Alban, David Mauricio - Neural Networks to Predict Dropout at the Universities (opens new window) - International Journal of Machine Learning and Computing, Vol. 9, No. 2, April 2019