01. Universidade Federal Rural de Pernambuco - UFRPE (Sede)
URI permanente desta comunidadehttps://arandu.ufrpe.br/handle/123456789/1
Navegar
Item De vilão a solução: o sobreajuste na geografia da desigualdade oculta do ENEM(2026-02-19) Silva, Carlos Vinícius Martins da; Albuquerque Junior, Gabriel Alves de; http://lattes.cnpq.br/1399502815770584; http://lattes.cnpq.br/9995481931022767O ENEM é uma base essencial para a análise educacional brasileira, mas aplicações de aprendizado de máquina na área costumam ter como objetivo a predição. Este trabalho propõe uma abordagem distinta: utiliza modelos interpretáveis para mapear padrões de desempenho e perfis socioeconômicos. A metodologia combina estatística descritiva com árvores de decisão submetidas ao sobreajuste (overfitting) intencional. O objetivo não é a generalização, mas a exaustão descritiva da base original, utilizando a renda familiar como alvo (target) instrumental para extrair regras que influenciam o desempenho em cada estrato social. Para quantificar a relevância dos fatores, aplicou-se a técnica SHAP (XAI) em cenário multiclasse. Os resultados confirmam que o desempenho acadêmico cresce proporcionalmente à renda, mas revelam nuances críticas: embora a posse de automóvel seja o principal determinante global de renda, a exclusão digital superou a imobilidade física como principal marcador de vulnerabilidade no estrato rural feminino em 2023. Adicionalmente, candidatos rurais têm maior dificuldade em converter renda em notas superiores, embora mulheres nesse contexto apresentem maior eficiência nessa conversão que homens. Conclui-se que esta abordagem revela desigualdades interseccionais que modelos preditivos convencionais ocultam.Item Uma análise de vieses de gênero, raça e localização geográfica em modelos de predição de evasão em IES com foco na área de STEM(2026-02-12) Pacheco, Melissa Araújo; Albuquerque Junior, Gabriel Alves de; http://lattes.cnpq.br/1399502815770584A evasão no ensino superior é crítica, e modelos de Machine Learning usados para combatê-la podem replicar desigualdades. Este trabalho audita um modelo de predição de evasão treinado com dados reais, utilizando métricas de justiça e Explainable AI (SHAP). Apesar da acurácia global de 87%, detectou-se uma dicotomia de erros: um viés punitivo contra estudantes de STEM (altos falsos positivos) e um viés de negligência em relação a mulheres (altos falsos negativos), invisibilizando alunas em risco real. O SHAP confirmou que gênero e localização influenciam indevidamente as decisões, evidenciando que a validação ética é indispensável para evitar a exclusão automatizada na gestão acadêmica.