Evasão nos Cursos de Graduação em Computação no Brasil
Notice bibliographique
Résumé
Motivação: A evasão na educação superior tem impactos sociais, econômicos, institucionais e pessoais. Dados os históricos altos níveis de evasão nos cursos de tecnologia de informação, seus efeitos negativos são potencialmente ainda mais graves, devido à demanda crescente por profissionais qualificados. Entretanto, são raros os estudos que investigam a evasão nos cursos da área de computação de forma abrangente, comparando tipos de curso e perfil de estudantes em um período de tempo significativo. Objetivos: Apresentar um panorama da evasão nos cursos de graduação da área de Computação no Brasil no período de 2015 e 2019 com base em dados do Censo da Educação Superior do Instituto Nacional de Estudos e Pesquisas Educacionais Anísio Teixeira (INEP), investigando potenciais diferenças na evasão entre cursos, tipos de estudantes e períodos de ensino. Método: Foram extraídos dos microdados do INEP os dados de cursos e estudantes da área de Computação no período de interesse e computadas diferenças na evasão entre cursos e perfis de interesse de grupos diferentes de estudantes (e.g., cotistas, homens e mulheres). Resultados: Os resultados apontam que a diferença na evasão em diferentes tipos de curso é muito pequena. A maior diferença na evasão está entre os estudantes que fazem ou não uso de financiamento estudantil. Além disso, diferenças significativas também foram encontradas entre estudantes de instituições públicas e privadas, entre bolsistas e não-bolsistas, e entre estudantes de diferentes turnos. Diferenças menores foram encontradas entre os estudantes que recebem e os que não recebem apoio social, entre cotistas e não-cotistas, e entre estudantes de cursos presenciais e a distância. Discussão: Os resultados encontrados apontam para a importância de fatores socioeconômicos na evasão. Entretanto, fatores como gênero e raça/etnia, quando observados isoladamente, não impactaram de forma substancial a evasão dos estudantes nos cursos de tecnologia, contrastando com os resultados apresentados em estudos realizados em outros países.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,003 | 0,016 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,003 | 0,006 |
| Études des sciences et des technologies | 0,002 | 0,002 |
| Communication savante | 0,004 | 0,002 |
| Science ouverte | 0,001 | 0,003 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,006 | 0,001 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».