UM SISTEMA INTELIGENTE USANDO REDES NEURAIS ARTMAP-FUZZY PARA PREDIÇÃO DO GRUPO DE RISCO DE EVASÃO DISCENTE EM CURSOS SUPERIORES PRESENCIAIS

Transcrição

1 UM SISTEMA INTELIGENTE USANDO REDES NEURAIS ARTMAP-FUZZY PARA PREDIÇÃO DO GRUPO DE RISCO DE EVASÃO DISCENTE EM CURSOS SUPERIORES PRESENCIAIS VALQUÍRIA R. DE C. MARTINHO 1, CLODOALDO NUNES 2, CARLOS R. MINUSSI Departamento de Eletro-Eletrôna, Insttuto Federal de Mato Grosso - IFMT - Campus Cuá Rua Zulmra Canavarros, 93 - Centro - Cuá / MT, Brasl - CEP: Departamento de Informáta, Insttuto Federal de Mato Grosso - IFMT - Campus Cuá Rua Zulmra Canavarros, 93 - Centro - Cuá / MT, Brasl - CEP: Loratóro de Sstemas Intelgentes, Fauldade de Engenhara Elétra de Ilha soltera - UNESP Av. Prof. osé Carlos Ross, Ilha Soltera / SP, Brasl - CEP: vrbero@terra.om.br, nefet@gmal.om, mnuss@dee.fes.unesp.br Abstrat Shool dropout permeates the varous levels and teahng modaltes and has generated soal, eonom, poltal, aadem and fnanal damage to all nvolved n the eduatonal proess. Data out shool dropout n hgher eduaton ourses show the worryng state of fatgue and weakness of Brazlan hgher eduaton. Therefore, t s fundamental to develop effent methods for predton, assessment and montorng of the students at rsk of droppng out, makng the plannng and adopton of proatve atons possble to mnmze the stuaton. In ths ontext, ths work ams to present the potentaltes of an ntellgent system developed for the predton of the group of students at rsk of droppng out n hgher eduaton lassroom ourses. The system was developed usng a Fuzzy-ARTMAP Neural Network, one of the artfal ntellgene tehnques, whh makes the ontnued learnng of the system possble. It was mplemented n the tehnology ourses of the Federal Insttute of Mato Grosso, based on the aadem and sooeonom reords of the students. The results, showng a suess rate of the dropout group around 95% and overall auray over 76%, hghlghts the rellty and auray of the system. Furthermore, t s noteworthy that the strength and boldness of ths researh les n the possblty of dentfyng early the emnent shool dropout usng only the enrollment data. KeywordsDropout predton, Intellgent System, Fuzzy-ARTMAP Neural Network, Proatvty. Resumo A evasão esolar permea os város níves e modaldades de ensno e tem gerado preuízos soas, eonômos, polítos, aadêmos e fnaneros a todos os envolvdos no proesso eduaonal. Os dados sobre evasão nos ursos superores demonstram o preoupante estado de fadga e fragldade que se enontra a eduação superor braslera. Portanto, torna-se mpresndível o desenvolvmento de métodos efentes para predção, avalação e aompanhamento de estudantes em rso de evasão, possbltando o planeamento e adoção de meddas proatvas para mnmzar a stuação. Nesse ontexto, este tralho obetva apresentar as potenaldades de um sstema ntelgente desenvolvdo para predzer o grupo de estudantes em rso de evasão, em ursos superores presenas. O sstema fo desenvolvdo utlzando uma Rede Neural ARTMAP-Fuzzy, uma das ténas da ntelgêna artfal, om possbldade de aprendzado ontnuado. Implementou-se este sstema nos ursos superores de tenologa do Insttuto Federal de Mato Grosso, baseado nos regstros aadêmos e sooeonômos dos estudantes. Dante dos resultados, aerto do grupo evasvo em torno de 95% e aerto global superor a 76%, evdena-se a fdedgndade e auráa do sstema. Ressalta-se, anda, que a puança e a audáa desta pesqusa enontra-se na possbldade dentfar preoemente a mnente evasão usando somente os dados da nsrção. Palavras-have Predção da Evasão Esolar, Sstema Intelgente, Rede Neural ARTMAP-Fuzzy, Proatvdade. 1 Introdução Ao longo da hstóra da Eduação, o fenômeno da evasão esolar permea os város níves e modaldades de ensno e tem gerado preuízos soas, eonômos, polítos, aadêmos e fnaneros a todos os envolvdos no proesso eduaonal. É um problema omplexo e rual (Martnho, 2012), advndo da superposção de fatores endógenos e exógenos da nsttução de ensno, além de varáves demográfas e atrbutos ndvduas que nfluenam na desão do estudante unverstáro de permaneer ou andonar o urso. O preoupante estado de fadga e fragldade que se enontra a eduação superor braslera é ratfado pelos índes da evasão no ensno superor, em torno de 20,5% entre as nsttuções de ensno superor públas e prvadas, de aordo om o relatóro do Censo da Eduação Superor Não obstante, por meo de um estudo estatísto no Curso Superor de Tenologa (CST) em Automação Industral, do Insttuto Federal de Mato Grosso (IFMT), lous de desenvolvmento desta pesqusa, no período de , onstatou-se que dos 389 estudantes matrulados no urso, 233 estão evaddos, representando um índe de 62,46% de evasão (Barbosa, 2010). O IFMT assumu uma meta desafadora de reduzr para 10% o índe de evasão na nsttução até Nesse ontexto, dante da omplexdade do fenômeno e a neessdade de enontrar soluções, é mpresndível realzar estudos sstemátos, observar os snas de evasão mnente, desenvolver estratégas para dentfar prevamente os estudantes propensos à evasão. Isso, om o ntuto de possbltar a artulação de um onunto de meddas e ações proatvas destnadas a manter o estudante na nsttução. Os métodos predtores da evasão são fatíves de serem empregados de manera oletva. Porém, a

2 ação em prol da permanêna do estudante deve ser ndvdualzada, atendendo suas neessdades espeífas. Esta onvção va ao enontro do que enfatza a UNESCO, de que a evasão pode onsttur-se em fenômeno oletvo, mas é sempre num proesso ndvdual. As varáves envolvdas no proesso da evasão guardam em s uma gama de espefdades nerentes aos dferentes níves de ensno, ursos e nsttuções que se possa analsar, são omplexas, subetvas, não-lneares e nter-relaonadas. Uma possbldade fatível para representar stuações de omplexdade, não-lneardade e subetvdade, omo o aso da evasão esolar, é a utlzação de Redes Neuras Artfas (RNAs) (Haykn, 2009), um dos paradgmas da Intelgêna Artfal (IA) (Nlsson, 1998). As Redes Neuras são sstemas omputaonas que emulam o érebro humano na nterpretação e proessamento das nformações e, também, aprendem através de experênas, tornando-as apazes de fazer generalzações mas onfáves. Essa apadade permte o desenvolvmento de sstemas om hldade para proessar problemas ntratáves, ldar om varáves não-lneares, mperfetas e faltantes, nteragr om dados rudosos e, mesmo assm, apresentar rapdez e presão nos resultados. Na lteratura, foram enontradas pouas referênas pertnentes a análse e predção da evasão esolar dsente, em ursos presenas do ensno superor, utlzando redes neuras artfas. Os tralhos mas próxmos foram o de Lykourentzou et al. (2009) que nvestga o grupo de rso de estudantes om propensão à evasão em ursos e-learnng. Utlza-se a ombnação de três ténas de aprendzagem de máquna, entre elas a rede neural ART- MAP-Fuzzy e, o de Mustafa (2012) que utlza árvore de regressão e lassfação para dentfar a evasão dsente, partndo dos dados da nsrção do estudante em um urso presenal. Ele onlu que os dados esolhdos onferem um baxo nível de presão nos resultados. Desse modo, este artgo tem o propósto de apresentar um sstema ntelgente apaz de realzar a predção de grupos de rso de evasão dsente em ursos superores presenas, nferdo de manera fdedgna sobre as ondções dos estudantes quanto à evasão (Martnho, 2012). O sstema fo desenvolvdo utlzando uma das ténas da ntelgêna artfal, a Rede Neural ARTMAP-Fuzzy (Carpenter et al., 1992a; Carpenter et al., 1992b; Carpenter and Grossberg, 1992), que apresenta a possbldade de trenamento ontnuado (Marhor et al., 2011). Ressalta-se que, para além das sngulardades á desrtas deste sstema, frente aos tralhos entífos sobre evasão, a puança e a audáa desta pesqusa enontram-se na possbldade de usar somente os dados da nsrção dos estudantes, para dentfar preoemente a mnente evasão. Após a ntrodução, na Seção 2 apresenta-se a delmtação da pesqusa e a onstrução da base de dados. As redes neuras ART e ARTMAP-Fuzzy são ordadas na Seção 3. Na Seção 4 desreve-se o desenvolvmento do sstema neural ARTMAP-Fuzzy proposto para a predção da evasão dsente. A mplementação do sstema, os resultados e as análses das smulações são apresentados na Seção 5. As onsderações mas relevantes deste estudo estão na Seção 6. 2 Delmtação da Pesqusa e Construção da Base de Dados Esta pesqusa fo desenvolvda om estudantes do Insttuto Federal de Eduação, Cêna e Tenologa de Mato Grosso - IFMT, matrulados nos Cursos Superores de Tenologa (CST) em Automação Industral e Controle, Controle de Obras e Sstemas para Internet. Os ursos ordados são de aráter presenal. Haa vsta que o foo da nvestgação é o fenômeno da evasão esolar nos ursos presenas do ensno superor. Parte dos dados utlzados nesta pesqusa são as respostas dos questonáros sooeonômos, preenhdos pelos estudantes no ato da nsrção para o exame de seleção. Esses dados estão armazenados no Q-Seleção, um gerenador de dados dos proessos seletvos da nsttução. O questonáro sooeonômo é omposto por 23 questões, das quas 13 delas são seleonadas omo araterístas predtoras para a análse da evasão. Além dos dados do questonáro, são onsderadas araterístas omo a dstâna entre a resdêna e a esola e o turno de estudo. Essas nformações são oletadas no Q-Aadêmo, o gerenador dos dados aadêmos. Os dados oletados para análse ompreende um período de sete anos, de 2004/2 a 2011/2. O vetor de entrada da rede neural é omposto por 16 parâmetros e a saída da rede onsttuída por duas lasses, evasão e não-evasão. Os pares de vetores entrada-saída deseada são representados na odfação bnára. O vetor de entrada é omposto por 41bts e, as saídas deseadas representadas por 1 bt. Os nomes dos estudantes foram suprmdos para preservar sua dentdade. Na planlha fnal são dentfados om números (Martnho, 2012). 3 Redes Neuras ART-Fuzzy e ARTMAP-Fuzzy No modelo ARTMAP-Fuzzy dos módulos ART estão nterlgados, através de um módulo nter-art, denomnado Mapa de Campo. Este módulo dspõe de um meansmo autorregulador denomnado math trakng, que busa asamentos entre as ategoras dos módulos ART a e ART b, om obetvo de

3 elevar o grau de generalzação e dmnur o erro da rede. A rede neural ART-Fuzzy utlza a teora dos onuntos nebulosos (Carpenter et al., 1991), possbltando o tratamento de padrões de entradas bnáros e analógos, em um ntervalo [0, 1], e aumentando a hldade de generalzação da rede. 3.1 Algortmo de uma Rede Neural ART-Fuzzy Consste, fundamentalmente, na sequêna axo, desrta a partr de Carpenter et al. (1991) e utlzada em Martnho et al. (2013). I) Normalzação dos dados de entrada Os dados de entrada são representados pelo vetor a = [a 1 a 2 a 3... a M ]. A normalzação desse vetor deve ser onforme (1): a M a, sendo : a a a sendo: a : vetor de entrada normalzado; a : norma do vetor de entrada a; II) Codfação do vetor de entrada É realzada, de aordo om (2), para preservar a ampltude da nformação. sendo: a a 1 a : elemento omplementar do elemento do vetor de entrada normalzado; a : vetor omplementar da entrada normalzada. Assm, o vetor de entrada da rede será o vetor I, apresentado em (3). a a III) Vetor de atvdade I Indado por y = [ y 1 y 2 y 3... y N ], sendo N o número de ategoras radas em F 2. Assm, tem-se: y 1, se o nó de F2 é atvo, se 0, aso ontráro, se IV) Parâmetros da rede neural ART-Fuzzy Parâmetro de esolha (α > 0 ) : atua na seleção de ategoras da rede neural; Parâmetro de trenamento (β [ 0, 1 ] ) : ontrola a taxa de trenamento e adaptação da rede; Parâmetro de vglâna (ρ [ 0, 1 ] ) : ontrola a ressonâna da rede. V) Inalzação dos pesos Inalmente, todos os pesos possuem valores guas a 1, omo em (4): w 0 ) w ( 0 )... w (0) 1 1 ( 2 NM VI) Esolha de uma ategora A esolha da ategora em F 2 atende à função de esolha T defnda em (5): T I w ( I ) w sendo: : operador AND Fuzzy, defndo por (6): I w mn ( I, w ) O sstema esolhe a ategora orrespondente ao nó atvo, onforme (7): VII) Ressonâna ou Reset 1,..., N arg max T A ressonâna oorre se o rtéro de vglâna, (8), for satsfeto. I w I Se o rtéro de vglâna, (8), não for satsfeto, oorre o reset. VIII) Aprendzado (Atualzação dos pesos) Após o estado de ressonâna, oorre o proesso de trenamento e aprendzado e, onsequentemente, a modfação do vetor dos pesos, dada por (9). w novo β ( I w velho ) (1 β ) w velho sendo: : ategora atva; novo w : vetor peso atualzado, velho w : vetor peso referente à atualzação anteror. Se β = 1, tem-se o trenamento rápdo. 3.2 Algortmo de uma Rede Neural ARTMAP-Fuzzy O proessamento de uma rede neural ARTMAP- Fuzzy segundo Carpenter et al. (1992b) e aplado em Martnho et al. (2013), é mostrado axo: I) Dados de entrada Os vetores de entrada da rede ARTMAP-Fuzzy são representados por: a a1 a2... a P : entrada ART a, amostra dos dados; b b1 b2... b P : entrada ART b, saída deseada; sendo: P : o número de subvetores dos vetores a e b. II) Matrzes de pesos Todas as matrzes de pesos da rede são nadas om valores guas a 1, mostrando que não exste nenhuma ategora atva. III) Parâmetros da rede Os parâmetros usados no proessamento da rede ARTMAP-Fuzzy são os mesmos usados na rede ART-Fuzzy. Porém ada módulo ART a e ART b ree-

4 be um padrão espeífo. A dferença é o parâmetro de vglâna do módulo Inter-ART (ρ [ 0, 1 ]). IV) Math trakng (busa de asamento) Na rede neural ARTMAP-Fuzzy os módulos ART a e ART b, são proessados e, após a ressonâna ser onfrmada em ada um deles, tem-se que: ategora atva para o módulo ART a : ategora atva para o módulo ART b : K Após a onfrmação da ressonâna em ada módulo é realzado o teste do math trakng, dado por (10): x y w y Pelo rtéro de vglâna, tem-se que: Se, ser onfrmado; Se, x - o par de trenamento deve x - deve-se busar outro índe, até que o rtéro de vglâna sea satsfeto. Se o rtéro de vglâna não for satsfeto, fazse um pequeno nremento no parâmetro de vglâna do módulo ART a, que se repetrá até que o rtéro de vglâna sea satsfeto. V) Aprendzado (atualzação dos pesos) O aprendzado é realzado após oorrer o estado de ressonâna, proedendo-se a modfação do vetor peso, dada por (11) e (12), respetvamente, módulos ARTa e ARTb e, por (13) e (14) módulo Inter-ART. w w a (novo) a (velho) β I w ) ( 1 β ) b (novo) K (novo) w K (novo) w K ( w b (velho) K a (velho) β ( I w ) (1 β ) w 0, para k 1,2,..., N, 1, para k 1,2,..., N, b (velho) K k K k K 4 Sstema Neural ARTMAP-Fuzzy Proposto para Predção da Evasão Nesta pesqusa, o modelo de sstema ntelgente proposto fo desenvolvdo utlzando uma rede neural ARTMAP-Fuzzy assoada a um módulo da Lóga Fuzzy (Zadeh, 1965) e, em uma segunda smulação, um módulo que emprega a Teora de Evdêna de Dempster-Shafer - TDS (Barnett, 1981). Essa omposção possbltou dentfar de manera preoe, aurada e fdedgna o grupo de rso de evasão esolar dsente, em ursos presenas do ensno superor do IFMT, om uma base de dados extraída das nformações no ato da nsrção do estudante para o exame de seleção. A estrutura do sstema de predção proposto e a sequêna de desenvolvmento deste tralho estão representadas no fluxograma da Fgura 1. Fgura 1. Fluxograma do proesso de desenvolvmento do sstema neural proposto. Na fase prelmnar delmta-se a pesqusa, defne-se o método e a base de dados. Em seguda, na fase de pré-proessamento, realza-se a lmpeza e a fltragem dos dados brutos seleonados, a ategorzação das araterístas dos estudantes e o tratamento das nformações, semelhante ao proposto por (Slvera, 2011). As bases de dados analógos são onvertdas em bases de dados bnáros (para o trenamento e para o dagnósto). A onepção de um sstema neural essenalmente bnáro apresenta um omportamento mas efente, om maor rapdez e melhor presão nas respostas, e permte a extração do onhemento de forma ontínua (Marhor et al., 2011), busando uma melhor adaptação às ondções da nsttução e o aperfeçoamento om o passar do tempo. Após a bnarzação as nformações são dspostas em lnhas. Em ada lnha estão ontdas as araterístas dos estudantes, que ompõem o vetor de entrada (41 bts) da rede neural e representam uma amostra. A saída deseada da rede, também bnára (1 bt), é formada pelo status do estudante (não evadu (0) ou evadu (1)) fornedo pela base de dados. Os vetores de entrada e saída deseada são apresentados às entradas dos módulos ARTa e ARTb, respetvamente, para o proessamento das nformações. Conluído o proessamento dos dados, hega-se à fase de nterpretação, análse e avalação dos resultados. Nessa fase, se na saída da rede neural a resposta em relação à evasão for negatva (lasse 0 ), nenhuma ação é adotada, apenas é realzado o regstro da referda nformação. Se a resposta de evasão for postva (lasse 1 ), essa nformação passa pelo módulo Fuzzy, para uma melhor dsrmnação sobre a qualdade da nformação (análse fna). O fnal do proesso é a fase da Ação. Dante dos

5 resultados, propõe-se ações ndvdualzadas (ação proatva), para atender as neessdades de ada estudante, proporonando ondções para sua permanêna na nsttução. Ressalta-se que a proatvdade depende fortemente da atuação da nsttução. 5 Aplação e Análse dos Resultados Nesse estudo, em espeífo, a entrada da rede AR- TMAP-Fuzzy proposta é representa pelo vetor a (entrada ARTa) e sua respetva saída deseada, na fase de trenamento, representada pelo vetor b (entrada ARTb), sendo estes desrtos da segunte manera: a = [a 1 a 2... a 16 ] e b = [ b ], sendo: b= 0 ou 1 Os subvetores a 1, a 2,... a 16 do vetor a (Tela 1) são vetores lnhas que ontêm a representação bnára das araterístas dos estudantes. Cada bt orresponde a um omponente do vetor assoado. A saída da rede é representada pelo vetor atvdade da amada F2 (y) e fornee respostas na odfação bnára om 1 bt (Tela 1), assm defndo: y = [ y ] (saída da rede ARTMAP-Fuzzy) Varáves do Vetor de Entrada (a) da Rede Vetor Saída (y) Tela 1. Composção dos Vetores de Entrada e Saída. Caraterístas dos Subvetores de a e y Posção Nome Abrev. Tam. a 1 Sexo Sx 1 bt a 2 Faxa etára FxEt 3 bts a 3 Etna Etn 3 bts a 4 Estado Cvl EstCv 3 bts a 5 Nº pessoas/asa PesCs 3 bts a 6 Renda Famlar Rfam 3 bts a 7 Tem Computador Comp 1 bt a 8 Esolardade pas EsPas 3 bts a 9 Esola de Orgem EsOrg 3 bts a 10 Auto avalação AAval 3 bts a 11 Proedêna Prod 1 bt a 12 Dst. Es.- Resd. DstER 3 bts a 13 Meo Transporte Transp 3 bts a 14 Stuação Tralho Tr 3 bts a 15 Turno de Estudo Turno 2 bts a 16 Alunos/ Sala Al/Sl 3 bts y Não-Evasão Evasão NEv Ev 1 bt Na fase de valdação e dagnósto do sstema neural ARTMAP-Fuzzy foram utlzadas, para este estudo, uma amostra do CST em Automação om 389 lnhas e 41 olunas, era de 30% do total das amostras do trenamento. Os dados das olunas de 1 a 41 representam os atrbutos orrespondentes ao vetor a, entrtrada do módulo ARTa. Na oluna 42 estão representas as saídas deseadas, vetor b (entrada ARTb) da rede neural ARTMAP-Fuzzy. Os parâmetros utlzados no proessamento dos dados estão espefados na Tela 2. Os parâmetros apresentados foram os que proporonaram o melhor desempenho do sstema, defndos através do resultado das smulações. Tela 2 - Espefação dos parâmetros da rede neural ARTMAP-Fuzzy. Parâmetros e Valores de Referêna Parâmetros Valores Parâmetro de esolha (α > 0) 0,001 Taxa de trenamento (β ϵ [0,1]) 1,0 Parâmetro de vglâna módulo ART a ( a ϵ [0,1]) 0,2 Inremento do parâmetro de vglâna a () 0,05 Parâmetro de vglâna módulo ART b ( b ϵ [0,1]) 0,999 Parâm. vglâna módulo nter-art ( ϵ [0,1]) 0,7 Parâm. vglâna no math trakng ( amat ϵ [0,1]) 0,75 Após o trenamento da rede foram realzadas no smulações, om a base de dados para o dagnósto, para a valdação do modelo proposto. Os resultados das smulações foram omparados e analsados, utlzando-se o rtéro de votação [Carpenter et al., 1992b], fo verfada a saída 0 ou 1 de maor ndêna para ada uma das entradas. O resultado de maor ndêna onsttuu-se na saída da rede neural. Conluída a etapa do proessamento através do sstema neural ARTMAP-Fuzzy e das análses pertnentes à ompreensão do omportamento da rede quanto à evasão dsente, os resultados foram omplados e, suntamente, demonstrados na Tela 3. Tela 3 - Resultado do dagnósto da evasão dsente: evasão total no período de CST em Automação. Dagnósto Evasão Total Saída Rede - Valores Quanttatvos e Perentuas Evasão Não-Evasão Total Amostras 2004/2010 Qtd. % Qtd. % Qtd. % Amostras Aertos , , ,1 Erros 12 4,9 11 7,5 23 5,9 A nterpretação e análse dos resultados demonstra que o sstema dentfou 231 possbldades de evasão e gnorou 12, de um total de 243 estudantes evaddos, obtendo um índe de aerto de 95,1%. Dentre as 146 amostras de estudantes não evaddos, 135 foram reonhedas, aertando 92,5% dos asos. Nesta smulação, o sstema neural ARTMAP-Fuzzy alançou um perentual de aerto global de 94,1%. Os resultados quanttatvos e em perentuas do dagnósto de evasão podem ser perebdos, om maor lareza, nos gráfos da Fgura 2. Em outra smulação, em que se onsderou apenas os estudantes evaddos no 1º semestre do urso, no período de 2004 a Obteve-se um índe de aerto de 97,8% om relação aos estudantes evaddos e um perentual de aerto global de 76,7% (Martnho et al., 2013), orroborando os índes de auráa do sstema proposto. Consderando os testes realzados e a onsstêna dos resultados obtdos, pode-se nferr que o sstema ntelgente proposto, utlzando rede neural ARTMAP-Fuzzy, é um modelo om sgnfatvo grau de onfldade e exprme fdedgnamente a

6 stuação que se enontra os estudantes analsados. Fgura 2 - Resultado quanttatvo e perentual da predção da evasão total em CST a Consderações Fnas Este tralho está alerçado em uma pesqusa que tem omo obetvo propor um método novador para dentfar, de manera proatva, ontnuada e aurada os estudantes onsderados do grupo de rso de evasão dsente, em ursos superores presenas, om uma base de dados omposta pelas nformações da nsrção. Para esse propósto fo mplementado um sstema neural ARTMAP-Fuzzy assoado om um módulo Fuzzy e um módulo da Teora de Evdêna de Dempster-Shafer. Com a análse dos resultados obtdos é possível nferr que o sstema proposto é robusto, efaz e om sgnfatvo grau de onfldade, alançou um índe de aerto global entre 76% e 94% na dentfação antepada do grupo de rso evasvo. O onfronto dos resultados obtdos neste estudo om aqueles desrtos por (Mustafa et al., 2012), om a aplação de árvores de desão (entre 28% e 38% de aertos), para dentfar a evasão om base nos dados da nsrção dos estudantes, demonstra a qualdade e relevâna do sstema neural ARTMAPFuzzy proposto. Portanto, evdena-se que o do sstema neural ARTMAP-Fuzzy é uma poderosa, arroada e novadora ferramenta para a predção de grupos de rso de evasão dsente, em ursos superores presenas, nserndo-se na launa exstente nas produções da omundade entífa mundal, no que tange o tema em questão, ontrbundo desta forma om algo que sea útl para a soedade. Pos, om uma ação proatva, onsegur om que um estudante, om potenal de evadr, tenha suesso é uma mssão nobre. Agradementos Ao Insttuto Federal de Mato Grosso pela dsponblzação das bases de dados para essa pesqusa, bem omo, a CAPES pelo apoo fnanero. Referênas Bblográfas Barbosa,. O. (2010). Identfação e Análse dos Fatores Preponderantes e Determnantes da Evasão Esolar no CST em Automação Industral no IFMT Relatóro Interno, 40 p. Barnett,. A. (1981). Computatonal Methods for a Mathematal Theory of Evdene. Proeedngs of the 7th Internatonal ont Conferene on Artfal Intellgene. Vanouver. Carpenter, G. A. and Grossberg, S. (1992). A SelfOrganzng Neural Network for Supervsed Learnng, Reognton, and Predton. Communatons Magazne, vol. 30, pp Carpenter, G. A.; Grossberg, S. and Izuka, K. (1992a). Comparatve Performane Measures of Fuzzy ARTMAP, Learned Vetor Quantzaton, and Bak Propagaton for Handwrtten Charater Reognton. Internatonal ont Conferene on Neural Networks - ICNN. vol.1, pp Carpenter, G. A.; Grossberg, S. and Rosen, D. B. (1991). Fuzzy ART: Fast Stle Learnng and Categorzaton of Analog Patterns by an Adaptve Resonane System. Neural Network, vol. 4, pp Carpenter, G. A.; Grossberg, S.; Markuzon, N.; Reynolds,. H. and Rosen, D. B. (1992b). Fuzzy ARTMAP: A Neural Network Arhteture for Inremental Supervsed Learnng of Analog Multdmensonal Maps. Neural Networks, IEEE Transatons on, vol. 3, pp Haykn, S. S. (2009). Neural Networks and Learnng Mahnes. Prente Hall. 906p. Lykourentzou, I.; gannoukos, I.; nkolopoulos, V. et al. (2009). Dropout Predton n E-Learnng Courses through the Combnaton of Mahne Learnng Tehnques. ournal Computers & Eduaton, vol. 53, nº. 3, pp Marhor, S. C.; Slvera; M. C. G. da; Mnuss, C. R. et al. (2011). Neural Network Based on Adaptve Resonane Theory wth Contnuous Tranng for Mult-Confguraton Transent Stlty Analyss of Eletr Power Systems. Appled Soft Computng, vol. 11, pp Martnho, V. R. C. (2012). Sstema Intelgente para Predção do Grupo de Rso de Evasão Dsente. UNESP, Fauldade de Engenhara. 58p. Martnho, V. R. C.; Nunes, C. and Mnuss, C. R. (2013). A New Method for Predton of Shool Dropout Rsk Group Usng Neural Network Fuzzy. 15th ICAI Las Vegas, USA: Proeedngs of the ICAI 13. (no prelo) Mustafa, M. N.; Chowdhury, L. and Kamal, S. (2012). Students Dropout Predton for Intellgent System from Tertary Level n Developng Country. Internatonal Conferene on Informats, Eletrons & Vson. Dhaka, Bangladesh: IEEE. Nlsson, N.. (1998). Artfal Intellgene: A New Synthess, Morgan Kaufman Publ Inorporated. Slvera, M. C. G. (2011). Sstema de Gerenamento de Base de Dados para Aplação em Ambentes de Sstemas Elétros de Potêna. UNESP, Departamento de Engenhara Elétra. Zadeh, L. A. (1965). Fuzzy Sets. Informaton and Control, vol. 8, nº. 3, pp