Identificando Padrões em Dados Socioeconômicos de Estudantes Universitários: Uma Abordagem de Clusterização e Regras de Associação na Universidade Federal de Alagoas
Assistência Estudantil. Aprendizado de Máquina. Aprendizado Não Supervisio-
nado. Ciência de Dados. Agrupamento. Regras de Associação.
A assistência estudantil desempenha um papel crucial na promoção da inclusão e na redução
da evasão acadêmica, especialmente em instituições públicas como a Universidade Federal
de Alagoas (UFAL). Para melhorar a eficácia desses programas, é essencial compreender
os perfis socioeconômicos dos estudantes e identificar padrões que indiquem suas principais
necessidades. Nesse contexto, o Aprendizado de Máquina, especialmente o Aprendizado Não
Supervisionado, surge como uma ferramenta poderosa para analisar grandes volumes de dados
complexos e não rotulados. Este estudo investiga a aplicação de técnicas de Aprendizado de
Máquina não supervisionado, como Regras de Associação e Agrupamento (clusterização), para
explorar os dados socioeconômicos dos estudantes da UFAL. Essas técnicas permitem identificar
relações frequentes entre variáveis e segmentar os alunos em grupos com características similares,
possibilitando uma análise mais detalhada das necessidades de cada perfil. Os resultados esperados
incluem a descoberta de padrões que possam guiar a alocação mais eficiente de recursos e a
formulação de políticas de assistência mais direcionadas. Dessa forma, a pesquisa busca contribuir
para a criação de estratégias que promovam um ambiente acadêmico mais inclusivo, equitativo e
com menor evasão.