Os atributos variantes propostos para os Modelos de Previsão de Evasão aos finais de um período n (Modelos nB) possibilitaram a identificação precoce de um aluno com risco de evasão, já ao final do primeiro período, sendo portanto, validados. Foram utilizados apenas dados variantes no tempo com a obtenção de
desempenhos preditivos crescentes ao longo dos períodos. Os atributos mais importantes identificados foram: o CRE, quantidade de créditos cursados e as médias de algumas das disciplinas de cada período. Os atributos quantidade de disciplinas reprovadas, quantidade de disciplinas aprovadas e quantidade de disciplinas interrompidas não apareceram nas regras descobertas. Acredita-se que foi devido a esses atributos serem correlacionados com os atributos créditos e créditos acumulados.
Os desempenhos preditivos obtidos neste trabalho foram compatíveis com os trabalhos da literatura, onde ao final do primeiro período de um modelo balanceado, foi obtida acurácia média pelos algoritmos JRip, OneR, PART e Ridor de 81%, próxima a de dois trabalhos relacionados, tomando como referência a medida preditiva acurácia utilizada no trabalho de Manhães (2011) (mostrado na seção 3.4.2) e Delen (2010) (mostrado na seção 3.4.4), em que foram obtidas acurácias médias de 80%. Já ao final do segundo período, foi obtida uma acurácia de 86,6% com o modelo 2CB (Modelo Curso Balanceado do segundo período).
Conforme desempenhos preditivos encontrados, percebe-se que os modelos preditivos, de maneira geral, possuem desempenhos preditivos crescentes, da mesma forma que o obtido por Kotsiantis et al. (2010), conforme trabalho mostrado na seção 3.4.6.
A utilização da abordagem temporal proposta foi demonstrada a partir da aplicação de modelos preditivos ao longo de quatro períodos, utilizando-se da base de dados do curso de Letras da UFPB Virtual.
De forma geral, as escolhas dos atributos propostos (partições) que obtiveram os melhores desempenhos preditivos foram as partições que utilizaram os atributos “média no período” e “CRE”.
Os melhores desempenhos evolutivos médios, de forma geral, tanto nos Modelos Semestre como nos Modelos Curso foram os obtidos no segundo período. Assim, esse resultado sugere que a aplicação dos modelos preditivos tem grande efetividade nesse período.
Foram identificadas as partições e os algoritmos com os melhores desempenhos preditivos, através da aplicação da abordagem temporal proposta. Os algoritmos que obtiveram os melhores desempenhos preditivos foram os algoritmos JRip e PART. Os melhores desempenhos preditivos evolutivos foram obtidos no segundo período.
A partir do uso de algoritmos de classificação baseados em regras foi possível a identificação das disciplinas e dos melhores limites de notas que mais influenciam na evasão, considerando o curso completo de graduação a distância. Foi possível a identificação de um aluno com risco de evasão durante todo o curso. Com a descoberta das regras aos finais dos períodos pelos Modelos nB, os Modelos nA podem ser aplicados ao longo de todos os períodos, possibilitando a predição indireta da evasão ao longo de todo o curso (não somente aos finais dos períodos). Também foi possível a predição de um aluno com risco de evasão pelos Modelos nB, de forma direta, aos finais dos períodos.
Foi demonstrada a utilização da abordagem temporal para a identificação de um estudante com risco de evasão ao longo de todo o curso, mostrando-se útil na geração de regras que possibilitam a previsão de um estudante com risco de evasão e que identificam as disciplinas que mais influenciam na evasão, podendo assim utilizar, de forma indireta, modelos de predição de desempenho em um AVA (Modelos nB) para realizar a predição da evasão de um curso de graduação a distância.
Como grande vantagem desta abordagem, está à descoberta da evolução dos melhores desempenhos preditivos ao longo do tempo, o que prova que a abordagem temporal possui grande potencial de ser aplicada, pois possibilita que um aluno que ainda está vinculado ao curso possa ser monitorado a partir de vários modelos preditivos no decorrer do tempo. Dessa forma, esses modelos preditivos têm o potencial de predizer um aluno com risco de evasão em diferentes momentos do curso de graduação a distância, não se limitando apenas ao final do primeiro período.
Com a proposta das partições foi possível à descoberta de diferentes tipos de regras, conforme cada partição era aplicada. De maneira geral, o algoritmo JRip gera uma quantidade menor de regras com maiores coberturas e menores precisões, pois as regras são mais gerais. Já o algoritmo PART gera uma quantidade maior de regras com menores coberturas e maiores precisões, pois as regras são mais especializadas.
Do presente trabalho, concluí-se que a hipótese do trabalho é válida. Ou seja, a partir da utilização de uma abordagem temporal para identificação de alunos com risco de evasão, foi possível a identificação das disciplinas mais impactantes na evasão e os melhores limites de notas relacionados com a evasão para melhor
definição das classes de desempenhos dos modelos preditivos aplicados a um AVA, tornando assim, os modelos de predição de desempenho em AVAs aptos a predizer a evasão. Ou seja, possibilitando a aplicação antecipada dos modelos de predição de evasão de um curso de graduação a distância de maior duração. De fato, com a identificação das disciplinas que mais influenciam na evasão ao longo dos períodos e dos limites de notas, as predições dessas disciplinas em um AVA podem ser utilizadas, de forma indireta, para prever a evasão de um curso de graduação a distância de maior duração.