Resumo: A evasão é um dos principais problemas enfrentados pelas instituições de ensino superior. Ela é preocupante pois gera prejuízos sociais e econômicos tanto para o estudante quanto para a sociedade. Uma maneira de reduzir os impactos da evasão é identificar quais são as possíveis causas do problema por meio das bases de dados disponíveis nas instituições de ensino. Para isso, pode-se usar técnicas de mineração de dados, que consiste em uma área interdisciplinar que usa técnicas computacionais e estatísticas para compreender o cenário educacional a partir das bases de dados das instituições de ensino. A grande quantidade de atributos presentes nessas bases dificultam a construção dos modelos de previsão. Para resolver esse problema, é comum fazer uso da seleção de atributos. A seleção de atributo é um conjunto de técnicas capaz de identificar quais são os atributos mais relevantes em uma base de dados extensa e simplificá-la de forma que seja possível expressar a informação com um volume menor de dados. Com isso, é possível realizar análises de bases de dados menores e mais limpas, o que facilita o entendimento do problema e melhora o desempenho computacional tanto em relação ao tempo de processamento quanto à qualidade do modelo gerado. Ademais, identificar os atributos mais importantes é uma forma de compreender quais são as possíveis causas e consequências do problema. O trabalho a ser apresentado buscou encontrar os principais fatores que impactam na evasão do ensino superior brasileiro por meio de uma análise comparativa de técnicas de seleção de atributos utilizando os dados do Censo de Ensino Superior, fornecido pelo governo brasileiro, que reúne informações sobre todos os estudantes de ensino superior do país. Uma nova abordagem para seleção de atributos também foi proposta com algoritmo genético para permitir maior flexibilidade e especificidade no cenário educacional, chamada FlexAG.

Biografia: Danielle é graduada em engenharia de produção e mestre em ciência da computação pela instituição CEFET/RJ. Atualmente trabalha como cientista de dados na consultoria EY. Possui 3 anos de experiência em análise de dados, planejamento e controle de operações de seguros e 7 meses de experiência em ciência de dados em simulação estatística para previsão de produção. Atua com extração, modelagem, simulação, previsão e análise de grandes bases de dados com foco de pesquisa científica em redução de dimensionalidade para aprendizado de máquina em dados educacionais.