Banca de DEFESA: LAILA DE ARAUJO COSTA

Uma banca de DEFESA de MESTRADO foi cadastrada pelo programa.
DISCENTE : LAILA DE ARAUJO COSTA
DATA : 27/02/2026
HORA: 16:30
LOCAL: Online
TÍTULO:

Uma abordagem preditiva de rotatividade de profissionais de tecnologia da informação baseada em modelos de aprendizado de máquina: Conciliando desempenho preditivo e interpretabilidade 

PALAVRAS-CHAVES:

Predição de rotatividade de empregados,modelagem preditiva, aprendizado de máquina,  gerenciamento de recursos humanos.

PÁGINAS: 30
RESUMO:

A alta rotatividade de profissionais em ambientes de Tecnologia da Informação pode impactar negativamente organizações ou empresas, causando perda de conhecimento, redução de estabilidade da equipe, aumentando custos e atrasos em projetos. Para mitigar esses efeitos, tomadores de decisão de recursos humanos requerem suporte informacional confiável e relevante, habilitando-os a antecipar rotatividade e implementar estratégias de retenção proativa. Enquanto técnicas de aprendizado de máquina oferecem boas soluções para retenção proativa, bases de dados de recursos humanos (RH) são geralmente caracterizadas por terem inerentemente desbalanceamento em suas classes, onde a maioria dos empregados permanece, o que pode levar modelos tradicionais a se tornarem tendenciosos e menos eficazes na identificação da minoria da classe de rotatividade. Nesse contexto, é particularmente essencial que os modelos preditivos forneçam não apenas resultados precisos, mas também insightstransparentes e acionáveis. Neste estudo, é proposta uma abordagem de aprendizado de máquina para prever a rotatividade de funcionários, com ênfase específica no equilíbrio entre desempenho preditivo e interpretabilidade do modelo em cenários de apoio à decisão. Para atingir esse propósito, realizou-se um estudo experimental usando a base de dados de recursos humanos da IBM, sobre a qual foi treinado e avaliado um conjunto diverso de algoritmos, desde os da modalidade single, incluindo Árvores de Decisão, Regressão Logística e Naive Bayes, até os combinadores de classificadores (ensembles), tais como: XGBoost, Random Forest e AdaBoost. Avaliou-se o desempenho destes modelos usando métricas amplamente adotadas, tais como: acurácia, precisão, revocação (recall), F1-score, Cohen’s Kappa e ROC AUC. Em seguida, analisou-se um balanço entre desempenho e interpretabilidade, comparando modelos caixa-branca e caixa-preta. Os resultados indicaram que modelos diretamente interpretáveis ou caixa branca, particularmente Árvores de Decisão, Regressão Logística e Naive Bayes, alcançaram desempenhos preditivos competitivos, ao mesmo tempo em que fornecem informações mais claras e relevantes para os tomadores de decisão.  Para buscar mais detalhes na explicabilidade, foram aplicados os métodos SHAP (SHapley Additive exPlanations) e LIME (Local Interpretable Model-agnostic Explanations) aos modelos com melhores desempenhos, a fim de identificar os fatores mais influentes nas predições e avaliar a transparência das explicações. De modo geral, os resultados mostraram que modelos interpretáveis podem oferecer um equilíbrio eficaz entre capacidade preditiva e transparência nas decisões, favorecendo seu uso em contextos organizacionais que demandam confiança e responsabilidade.

MEMBROS DA BANCA:
Presidente - 1645130 - LEANDRO DIAS DA SILVA
Interno(a) - 2351211 - AYDANO PAMPONET MACHADO
Interno(a) - 1121007 - EVANDRO DE BARROS COSTA
Externo(a) à Instituição - JOSÉ ANTÃO BELTRÃO MOURA - UFCG