Variáveis para modelos preditivos à evasão na educação superior

Abstract

O objetivo desta tese é propor um conjunto de variáveis a ser considerado na elaboração de modelos preditivos à evasão no Ensino Superior brasileiro em nível de graduação. Inicialmente, foi necessário estabelecer uma definição do que é evasão estudantil, bem como diferenciar o significado dos termos ?causa? e ?variável? no âmbito do tema estudado. A presente pesquisa, a partir do referencial para estudos organizacionais denominado Círculo de Matrizes Epistêmicas de De Paula, apresenta o interesse técnico como o principal interesse cognitivo. Desenvolveu-se uma pesquisa descritiva de abordagem mista, com base na triangulação de dados obtidos a partir de uma revisão sistemática da literatura disponível, de 16 entrevistas com profissionais que atuam na Educação Superior e das respostas a 467 questionários autoaplicados com alunos evadidos de cursos de graduação. A pesquisa foi desenvolvida durante a pandemia da Covid-19, entretanto, os dados coletados dizem respeito, sobremaneira, a contextos fora do período pandêmico. Os dados foram analisados a partir do método de Análise de Conteúdo de Bardin, classificando-se as unidades de registro em categorias, temas e perspectivas, as quais foram associadas às variáveis relacionadas à evasão estudantil, obtidas pela manifestação explícita dos participantes da pesquisa e pela atribuição de significado ao conteúdo analisado. Foram identificadas 90 categorias relacionadas às motivações que levam um estudante de graduação a evadir do seu curso, agrupadas em 35 temas distintos, que, por sua vez, foram organizados nas perspectivas Individual; Sociocultural; Econômica; Acadêmica; e Institucional, sugeridas pelo Projeto Alfa-GUIA. Às categorias, aos temas e às perspectivas, foram associadas 113 variáveis. Identificou-se que um estudante pode evadir do seu curso motivado por uma ou mais causas. Quando são múltiplas, as causas da evasão estudantil podem estar associadas a diferentes temas e perspectivas. Identificou-se, ainda, que o Modelo Longitudinal da Evasão proposto por Vincent Tinto não é suficiente para contemplar as mais variadas situações de um estudante evadido de um curso de graduação no contexto brasileiro. Diante disso, os temas agrupadores das causas da evasão foram organizados em quatro etapas: contexto do aluno; pregresso; ingresso; e decurso, a partir das quais se estabeleceu o Fluxo da Evasão Estudantil, o que permitiu identificar em qual momento cada motivador da evasão se dá e quais as variáveis mais importantes de serem acompanhadas. As variáveis carga horária vigente, desempenho acadêmico, frequência, reprovações, reprovações por frequência e reprovações por nota se mostraram as mais importantes, uma vez que estão associadas a todas as perspectivas da evasão e a todas as etapas do Fluxo. O conjunto de variáveis foi submetido à validação e chancelado por três profissionais que atuam no ensino superior e investigam o fenômeno da evasão estudantil. Ao final da pesquisa, conclui-se que as IES desconhecem todos os potenciais motivos pelos quais seus estudantes evadem. Concluiu-se, ainda, que as IES colhem os frutos da formação deficitária para o magistério superior que elas próprias promovem no processo de formação de mestres e doutores. No que diz respeito ao conjunto de variáveis proposto e sua operacionalização, constatou-se que isso é mais extenso e completo para o contexto brasileiro quando comparado à teoria. Ademais, concluiu-se que a interpretação das variáveis na prática depende de um mergulho qualitativo na realidade do estudante, uma vez que uma mesma variável pode estar associada a mais de uma razão para evadir. Os resultados obtidos nesta tese podem contribuir para que as IES estruturem uma nova forma de realizar a gestão da evasão estudantil, mesmo frente à realidade identificada a respeito da falta de integração dos sistemas, dos processos e dos setores dentro da Instituição. Para pesquisas futuras, sugere-se a operacionalização parcial ou total do conjunto de variáveis, assim como o desenvolvimento de modelos preditivos a partir das variáveis identificadas.

Abstract: The objective of this thesis is to propose a set of variables to be considered in the elaboration of dropout predictive models in Brazilian Higher Education at the undergraduate level. Initially, it was necessary to establish a definition of what is student dropout, as well as to differentiate the meaning of the terms ?cause? and ?variable? in the scope of the studied topic. The present research, based on the reference for organizational studies called Circle of Epistemic Matrices developed by De Paula, presents the technical interest as the main cognitive interest. A descriptive research with a mixed approach was developed, based on the triangulation of data obtained from a systematic review of the available literature, from 16 interviews with professionals working in Higher Education and from the responses to 467 self-administered questionnaires with students who dropped out of undergraduate courses. The research was developed during the Covid-19 pandemic, however, the data collected mainly relate to contexts outside the pandemic period. Data were analyzed using Bardin's Content Analysis method, classifying the recording units into categories, themes and perspectives, which were associated with variables related to student dropout, obtained by the explicit manifestation of the research participants and by the attribution of meaning to the analyzed content. Ninety categories were identified related to the motivations that lead an undergraduate student to drop out of their course, grouped into 35 different themes, which, in turn, were organized in the perspectives: Individual; Sociocultural; Economic; Academic; and Institutional, suggested by the Alfa-GUIA Project. 113 variables were associated with the categories, themes and perspectives. It was identified that a student can drop out of their course motivated by one or more causes. When they are multiple, the causes of student dropout may be associated with different themes and perspectives. It was also identified that the Longitudinal Model of Dropout proposed by Vincent Tinto is not enough to contemplate the most varied situations of a student who dropped out of an undergraduate course in the Brazilian context. In view of this, the grouping themes of the causes of dropout were organized into four stages: student context; background; incoming; and timelapse, from which the Student Dropout Flow was established, which made it possible to identify when each dropout motivator occurs and which are the most important variables to be monitored. The variables current workload, academic performance, frequency, failures, failures by frequency and failures by grade proved to be the most important, since they are associated with all perspectives of evasion and all stages of the Flow. The set of variables was submitted to validation and endorsed by three professionals who work in Higher Education and investigate the phenomenon of student dropout. At the end of the research, it is concluded that HEIs are unaware of all the potential reasons why their students drop out. It was also concluded that the HEIs reap the fruits of the deficient training of professors to Higher Education that they themselves promote in the process of training masters and doctors. With regard to the proposed set of variables and their operationalization, it was found that this is more extensive and complete for the Brazilian context when compared to the theory. Furthermore, it was concluded that the interpretation of variables in practice depends on a qualitative immersion in the student's reality, since the same variable can be associated with more than one reason for dropping out. The results obtained in this thesis can help HEIs to structure a new way of managing student dropout, even in the face of the identified reality regarding the lack of integration of systems, processes and sectors within the Institution. For future research, partial or total operationalization of the set of variables is suggested, as well as the development of predictive models based on the identified variables.