Estratégias de acolhimento versus evasão discente no primeiro ano: uma abordagem envolvendo cursos superiores na área de computação da Universidade Federal de Viçosa

Abstract

A evasão no ensino superior é um dos principais desafios enfrentados pelas instituições, com impactos acadêmicos, sociais e financeiros significativos. Entre as áreas de conhecimento, os cursos da área de computação merecem destaque por apresentarem elevadas taxas de evasão, em grande parte devido à dificuldade nos primeiros períodos, quando disciplinas introdutórias como Programação são ofertadas. Nos últimos anos, observa-se uma crescente utilização de técnicas de análise exploratória e de aprendizado de máquina para identificar padrões e prever a evasão, geralmente com base em atributos de dados pessoais, desempenho acadêmico e quantidade de reprovações. No entanto, esses atributos dependem de informações obtidas após certo tempo de curso, o que limita sua utilidade em ações preventivas. Dessa forma, torna-se relevante investigar fatores disponíveis desde o ingresso do estudante, como as estratégias de acolhimento, que surgem como alternativas promissoras, especialmente no primeiro ano do curso, mas ainda pouco exploradas na literatura. Assim, o objetivo desta pesquisa é avaliar se as estratégias de acolhimento adotadas nos cursos de computação da Universidade Federal de Viçosa (UFV) possuem impacto na evasão no primeiro ano. Os resultados indicaram que a adoção progressiva dessas estratégias esteve associada a reduções de até 20 pontos percentuais nas taxas médias de evasão. Além disso, a integração dos dados acadêmicos e sociodemográficos com os atributos sobre acolhimento elevou o desempenho de modelos de aprendizado de máquina, com destaque para a Regressão Logística e o Support Vector Machine (SVM). Esses resultados indicam que tais atributos podem funcionar como indicadores precoces de evasão e, ao mesmo tempo, sugerem uma possível relação com o fortalecimento do sentimento de pertencimento dos calouros, fornecendo suporte para intervenções mais direcionadas por parte das instituições de ensino. Palavras-chave: evasão no ensino superior; aprendizado de máquina; estratégias de acolhimento; cursos de computação; evasão no primeiro ano

Dropout in higher education remains one of the main challenges faced by institutions, with significant academic, social, and financial impacts. Among the different fields of knowledge, computing programs deserve special attention due to their high dropout rates, largely related to the difficulties encountered in the first semesters, when introductory courses such as Programming are offered. In recent years, there has been a growing use of exploratory analysis and machine learning techniques to identify patterns and predict dropout, usually based on attributes such as personal data, academic performance, and the number of course failures. However, these attributes depend on information collected only after some time in the program, which limits their usefulness in preventive actions. Therefore, it becomes relevant to investigate factors available since students’ entry into the university, such as onboarding strategies, which have emerged as promising alternatives, especially in the first year, but are still little explored in the literature. The objective of this research is to evaluate whether the onboarding strategies adopted in the computing programs at the Federal University of Viçosa (UFV) have an impact on first-year dropout. The results indicated that the progressive adoption of these strategies was associated with reductions of up to 20 percentage points in the average dropout rates. Furthermore, the integration of academic and sociodemographic data with information on onboarding strategies improved the performance of machine learning models, especially for Logistic Regression and Support Vector Machine (SVM). These findings suggest that such attributes can serve as early indicators of dropout and may also be related to the strengthening of freshmen’s sense of belonging, thus supporting targeted institutional interventions. Keywords: dropout in higher education; machine learning; onboarding strategies; computing programs; first year dropout