Classificação de candidatos no IFB através de LSTM e MLP usando cartas de intenção e currículos Lattes

Abstract

Este estudo tem como objetivo explorar a eficácia de técnicas avançadas de aprendizado de máquina, particularmente redes neurais recorrentes LSTM (Long Short-Term Memory) e MLP (Multilayer Perceptron), para prever a classificação na seleção acadêmica de candidatos a programas de especialização baseando-se em suas cartas de intenção e currículos Lattes. Empregando um conjunto de dados de 61 candidatos, o estudo avaliou a capacidade destes modelos em classificar com precisão o potencial acadêmico dos estudantes. Os resultados demonstraram que as rede LSTM apresentam um desempenho moderado, sugerindo uma boa capacidade de identificar os candidatos de sucesso, mas com limitações na discriminação entre os diferentes níveis de desempenho dos candidatos. Notavelmente, a rede MLP superou as redes LSTM em todas as métricas avaliadas, indicando seu potencial como um modelo robusto para a previsão de desempenho acadêmico. Através deste estudo, revela-se a aplicabilidade prática de modelos computacionais avançados na seleção acadêmica, sugerindo que tais técnicas podem ser integradas em processos seletivos para prever eficientemente o sucesso dos candidatos. As descobertas apontam para a relevância de continuar a otimização desses modelos e a pesquisa em novas variáveis para aprimorar a precisão da seleção e acompanhamento dos estudantes em ambientes educacionais.