IDENTIFICAÇÃO DE DETERMINANTES INSTITUCIONAIS DA QUALIFICAÇÃO TÉCNICA NAS IES BRASILEIRAS SOB UMA PERSPECTIVA MATEMÁTICA E MÉTODOS DE MACHINE LEARNING
DOI:
https://doi.org/10.56238/arev8n2-117Palavras-chave:
Censo da Educação Superior, Modelagem Preditiva, Machine Learning, Matemática AplicadaResumo
O objetivo deste estudo foi identificar quais fatores institucionais estão associados à presença de, no mínimo, 30% de servidores técnicos com pós-graduação nas Instituições de Educação Superior (IES) brasileiras. Para isso, utilizaram-se os microdados do Censo da Educação Superior de 2023, disponibilizados pelo Instituto Nacional de Estudos e Pesquisas Educacionais Anísio Teixeira (INEP), considerando variáveis institucionais de natureza administrativa, organizacional e estrutural. A pesquisa adotou a técnica de Árvore de Decisão como método de aprendizado supervisionado, permitindo modelar padrões explicativos e interpretar relações entre as variáveis preditoras e a qualificação técnica institucional. Os resultados indicaram que a categoria administrativa da IES e a quantidade de docentes com doutorado foram os fatores mais relevantes na discriminação das instituições que atingem o limiar estabelecido. Observou-se que instituições não federais de menor porte apresentaram maior proporção relativa de técnicos qualificados, enquanto instituições maiores nem sempre demonstraram o mesmo desempenho proporcional. A avaliação preditiva revelou desempenho moderado do modelo, com acurácia superior ao acaso, porém com sensibilidade reduzida. Conclui-se que, embora a capacidade preditiva seja limitada, a técnica empregada mostrou-se eficaz para gerar insights interpretáveis acerca dos fatores associados à qualificação do corpo técnico, contribuindo para a compreensão estrutural do fenômeno analisado.
Downloads
Referências
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.
