Raquel Silveira

A evasão no ensino superior público brasileiro compromete a permanência acadêmica e a gestão institucional, gerando implicações sociais e econômicas. Esse contexto demanda estratégias multidisciplinares para promover a permanência dos discentes e otimizar a gestão acadêmica. Neste estudo, busca-se aplicar métodos de aprendizado de máquina na análise de dados educacionais para predizer os estudantes ingressantes do Instituto Federal do Ceará (IFCE), campus Tianguá, em potencial risco de evasão. Utiliza-se registros acadêmicos e sociodemográficos de estudantes, abrangendo o período de 2010.2 a 2025.2. Esses dados foram submetidos a processos de preparação e refinamento. Técnicas de classificação supervisionada foram testadas em diferentes configurações, considerando o desbalanceamento dos dados e ajustes de hiperparâmetros para aprimorar o desempenho dos algoritmos. Os resultados revelam a viabilidade de modelos preditivos em identificar padrões de evasão escolar, auxiliando na implementação de medidas preventivas, o que contribui para políticas mais eficazes de evasão no ambiente educacional.

A previsão de variáveis climáticas é essencial para o planejamento agrícola, especialmente em regiões com grande variação na precipitação. Este trabalho avalia o desempenho de algoritmos de aprendizado de máquina na predição de temperatura, precipitação e umidade relativa do ar, utilizando dados climáticos mensais de Sobral-CE no período de 1973 a 2019. Foram analisados modelos como Decision Tree, Random Forest, XGBoost, KNN e MLP em cenários sem e com memória temporal. Os resultados indicam que a inclusão de memória temporal melhora o desempenho dos modelos, com destaque para os métodos de ensemble. A temperatura apresentou maior previsibilidade, enquanto a precipitação se mostrou mais desafiadora, devido a sua alta variabilidade. Como contribuição, o estudo apresenta uma análise comparativa integrada em uma série histórica extensa, evidenciando o potencial do aprendizado de máquina na previsão de variáveis climáticas, contribuindo para o planejamento agrícola regional.

O ensino de programação apresenta desafios significativos, especialmente para estudantes iniciantes, devido à necessidade de desenvolver habilidades como raciocínio lógico e pensamento computacional. Nesse contexto, o avanço da Inteligência Artificial (IA), em especial da IA generativa, tem despertado crescente interesse por seu potencial de apoio ao processo de aprendizagem. Este trabalho apresenta um Mapeamento Sistemático da Literatura sobre o uso de Inteligência Artificial generativa no ensino de programação. A busca em repositórios científicos nacionais e internacionais resultou inicialmente em 1.048 estudos, dos quais 66 foram selecionados após a aplicação de critérios de inclusão e exclusão. Os resultados indicam que o ChatGPT é a ferramenta mais utilizada e que o ensino superior é o nível educacional de maior uso dessas ferramentas. Entre os principais benefícios encontrados estão a geração de código, explicação de conceitos e apoio ao desenvolvimento do pensamento computacional. Porém, surgem desafios como dependência excessiva, erros gerados pela IA e necessidade de supervisão. O estudo destaca tendências e limitações para pesquisas futuras, contribuindo para uma compreensão sobre o apoio dessas tecnologias no processo de aprendizagem.

Este trabalho apresenta o Observatório de Cotas do Instituto Federal do Ceará (IFCE), uma ferramenta web desenvolvida para monitorar o impacto da Lei de Cotas na instituição, analisando comparativamente as trajetórias de estudantes Cotistas e Não Cotistas. Utilizando o Power BI, o Observatório apresenta uma análise visual interativa dos dados do sistema acadêmico do IFCE, oferecendo painéis e visualizações estratégicas que permitem múltiplas segmentações (por ensino, procedência, perfil e evasão).A metodologia compreende quatro etapas principais: (1) fundamentação e delimitação do objeto de estudo, (2) aquisição de dados através de uma view do banco de dados acadêmico, (3) análise descritiva e preparação dos dados, e (4) desenvolvimento de visualizações e diálogo institucional. As visualizações são baseadas em 159.841 matrículas de ingressantes de janeiro de 2012 até fevereiro de 2025. Os resultados obtidos evidenciam avanços na inclusão proporcionados pelas políticas de cotas, mas também revelam desafios persistentes, como a alta taxa de evasão, a sub-representação de pretos, amarelos e indígenas, além de fragilidades nos registros acadêmicos. Conclui-se que a ferramenta é promissora para apoiar a permanência e êxito estudantil, com potencial para servir como modelo para outras instituições que buscam aprimorar suas políticas de inclusão.

A Mineração de Dados Educacionais (MDE) tem se consolidado como uma abordagem eficaz para investigar desafios no contexto educacional. A evasão escolar, por sua vez, é um fenômeno recorrente que afeta diversas instituições de ensino e tem sido amplamente estudada com o apoio de técnicas de MDE e Machine Learning. A qualidade das análises realizadas depende, em grande parte, da escolha de bases de dados adequadas — que sejam abrangentes, acessíveis, ricas em atributos relevantes e com volume suficiente. Neste contexto, este trabalho propõe mapear e caracterizar as fontes de dados utilizadas em estudos de MDE voltados à evasão escolar. São considerados aspectos como o tamanho das bases, quantidade de atributos, disponibilidade (pública ou privada) e os tipos de dados analisados.

Este trabalho apresenta uma análise comparativa de dois modelos de linguagem pré-treinados, BERT e ChatGPT, para o reconhecimento de entidades nomeadas em textos jurídicos. O objetivo é avaliar o desempenho desses modelos em uma tarefa essencial para a extração de informações relevantes e específicas de documentos legais não estruturados. O modelo BERT é treinado com o dataset LENER-BR, que contém textos jurídicos anotados com as seguintes categorias de entidades: Jurisprudência, Legislação, Local, Organização, Pessoa e Tempo. O modelo ChatGPT é utilizado sem treinamento adicional, aproveitando o seu conhecimento prévio de linguagem natural. As métricas utilizadas para a avaliação são acurácia, precisão, cobertura e F1-score. Os resultados mostram que o modelo BERT supera o ChatGPT no NER no dataset LENER-BR em todas as métricas. O trabalho contribui para a comunidade de PLN ao fornecer uma análise dos modelos e suas limitações, bem como sugestões para trabalhos futuros.

Este artigo propõe o desenvolvimento do RODI (Robô da Organização Didática Inteligente), um chatbot destinado a auxiliar os estudantes do Instituto Federal do Ceará, campus Tianguá. As orientações desse chatbot são em relação aos processos acadêmicos, com foco específico nos procedimentos estabelecidos pelo Regulamento de Organização Didática (ROD). O chatbot foi criado para facilitar o acesso às informações acadêmicas por meio de tecnologias de conversação, eliminando a necessidade de deslocamento até a coordenação ou busca em grupos nas redes sociais. Adicionalmente, foi realizada uma avaliação de usabilidade do RODI, que revelou uma percepção positiva por parte dos usuários em relação à eficácia e facilidade de uso do chatbot.