IDENTIFICACIÓN DE DETERMINANTES INSTITUCIONALES DE LA CALIFICACIÓN TÉCNICA EN LAS IES BRASILEÑAS DESDE UNA PERSPECTIVA MATEMÁTICA Y MÉTODOS DE APRENDIZAJE AUTOMÁTICO
DOI:
https://doi.org/10.56238/arev8n2-117Palabras clave:
Censo de Educación Superior, Modelado Predictivo, Aprendizaje Automático, Matemáticas AplicadasResumen
El objetivo del presente estudio fue identificar los factores institucionales asociados a la presencia de, como mínimo, un 30% de personal técnico con estudios de posgrado en las Instituciones de Educación Superior (IES) brasileñas. Para ello, se utilizaron los microdatos del Censo de la Educación Superior de 2023, disponibilizados por el Instituto Nacional de Estudios e Investigaciones Educativas Anísio Teixeira (INEP), considerando variables institucionales de carácter administrativo, organizativo y estructural. La investigación adoptó la técnica de Árbol de Decisión como método de aprendizaje supervisado, lo que permitió modelar patrones explicativos e interpretar las relaciones entre las variables predictoras y la cualificación técnica institucional. Los resultados evidenciaron que la categoría administrativa de la IES y la cantidad de docentes con título de doctorado constituyeron los factores más relevantes en la discriminación de las instituciones que alcanzan el umbral establecido. Se observó que las instituciones no federales de menor tamaño presentaron una mayor proporción relativa de personal técnico cualificado, mientras que las instituciones de mayor tamaño no siempre demostraron el mismo desempeño proporcional. La evaluación predictiva reveló un desempeño moderado del modelo, con una exactitud superior al azar, aunque con sensibilidad reducida. Se concluye que, si bien la capacidad predictiva es limitada, la técnica empleada demostró ser eficaz para generar resultados interpretables acerca de los factores asociados a la cualificación del personal técnico, contribuyendo a la comprensión estructural del fenómeno analizado.
Descargas
Referencias
BECKER, Gary S. Human capital: a theoretical and empirical analysis, with special reference to education. 3. ed. Chicago: University of Chicago Press, 1993. DOI: https://doi.org/10.7208/chicago/9780226041223.001.0001
BREIMAN, Leo. Random forests. Machine Learning, v. 45, n. 1, p. 5–32, 2001. DOI: https://doi.org/10.1023/A:1010933404324
BREIMAN, Leo; FRIEDMAN, Jerome; OLSHEN, Richard; STONE, Charles. Classification and regression trees. New York: Routledge, 1984.
DIAS SOBRINHO, José. Avaliação da educação superior: democratização, qualidade e crise. Campinas: Autores Associados, 2005.
FAWCETT, Tom. An introduction to ROC analysis. Pattern Recognition Letters, v. 27, n. 8, p. 861–874, 2006. DOI: https://doi.org/10.1016/j.patrec.2005.10.010
HASTIE, Trevor; TIBSHIRANI, Robert; FRIEDMAN, Jerome. The elements of statistical learning. 2. ed. New York: Springer, 2009. DOI: https://doi.org/10.1007/978-0-387-84858-7
JAMES, Gareth; WITTEN, Daniela; HASTIE, Trevor; TIBSHIRANI, Robert. An introduction to statistical learning. New York: Springer, 2013. DOI: https://doi.org/10.1007/978-1-4614-7138-7
KUHN, Max; JOHNSON, Kjell. Applied predictive modeling. New York: Springer, 2013. DOI: https://doi.org/10.1007/978-1-4614-6849-3
MITCHELL, Tom M. Machine learning. New York: McGraw-Hill, 1997.
REZENDE, Solange Oliveira; MARCACINI, Ricardo; MOURA, Maria Fernanda. Mineração de dados. In: REZENDE, Solange Oliveira (org.). Sistemas inteligentes: fundamentos e aplicações. Barueri: Manole, 2011.
SCHULTZ, Theodore W. Investment in human capital. The American Economic Review, v. 51, n. 1, p. 1–17, 1961.
