Evasão nos Cursos de Graduação em Computação no Brasil
Bibliographic record
Abstract
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.
Fetched live from OpenAlex and de-inverted. Abstracts are not stored in this database: the inverted indexes are 8.6 GB of the frame’s 9.3 GB of text, and the host has 13 GB free.
How this classification was reachedexpand
Full frame distilled prediction
Teacher imitationNot calibrated prevalence, not ground truth. Human validation pending. Learned from the 10,348 direct Codex labels and 10,348 direct Gemma labels. Candidate is the union of thresholded teacher heads; consensus is their intersection. These outputs are machine_predicted_unvalidated and are not human labels or direct frontier model labels.
Codex and Gemma teacher scores by category
| Category | Codex | Gemma |
|---|---|---|
| Metaresearch | 0.002 | 0.001 |
| Meta-epidemiology (narrow) | 0.000 | 0.000 |
| Meta-epidemiology (broad) | 0.000 | 0.000 |
| Bibliometrics | 0.000 | 0.001 |
| Science and technology studies | 0.001 | 0.000 |
| Scholarly communication | 0.001 | 0.001 |
| Open science | 0.001 | 0.000 |
| Research integrity | 0.001 | 0.001 |
| Insufficient payload (model declined to judge) | 0.012 | 0.012 |
Machine scores (provisional)
The two teacher heads of the student model, read on this work. A score orders the frame for review; it never asserts a category, and the validation status ships verbatim with every row.
Baseline scores from an immature model (maturity gate not passed, 7 training rounds). Scores rank; they never assert a category.
score_only:v0-immature-baseline · verbatim from the scoring run: score_only means the number may rank works, and no category label ships from itClassification
machine, unvalidatedMachine predicted; both teacher heads agree on what is shown here.
How this classification was reached, model by model and score by score, is at the end of the page under "How this classification was reached".