INSTITUTOFEDERALDEEDUCAO,CINCIAE

TECNOLOGIADEMATOGROSSODOSULCAMPUSCOXIM

CURSOSUPERIORDETECNOLOGIAEMSISTEMASPARAINTERNET

CleberGarciaChagas

DesenvolvimentodeumWebServiceparaApoioaoControle
deEvasoUtilizandoAprendizadodeMquina

CoximMS
Dezembro/2016
 CleberGarciaChagas

DesenvolvimentodeumWebServiceparaApoioao
ControledeEvasoUtilizandoAprendizadodeMquina

Trabalho de Concluso de Curso

apresentado ao Instituto Federal de
Educao, Cincia e Tecnologia de Mato
GrossodoSul,CampusCoxim,comoparte
dos requisitos para a concluso do curso
superior de Tecnologia em Sistemas para
Internet,soborientaodoprofessorGilson
SaturninodosSantos.

CoximMS
Dezembro/2016
 DesenvolvimentodeumWebServiceparaApoioao
ControledeEvasoUtilizandoAprendizadodeMquina
CleberGarciaChagas,GilsonSaturninodosSantos

CursoSuperiordeTecnologiaemSistemasParaInternetInstitutoFederalde
Educao,CinciaeTecnologiadoMatoGrossodoSul(IFMS)CampusdeCoxim
CaixaPostal79400000CoximMSBrasil
cleberchagas07@gmail.com, gilson.santos@ifms.edu.br,

Abstract.Schooldropoutisaproblemthatdoesnothaveasinglesolutionor
causeandcanbecausedbyproblemsinternalandexternaltotheinstitution.
InthisworkaRESTWebservicewithanAPIwasdevelopedthatallowsto
identify in advance the students that have risk of evasion, based on their
socioeconomicdata.Thiscanallowaninstitutiontocreateguidelinesforthe
followupandpermanenceofthestudents.
Resumo.Aevasoescolarumproblemaquenopossuiumanicasoluo
oucausaepodeocorrerporfatoresinternoseexternosinstituio.Neste
trabalhofoidesenvolvidoumWebServiceRESTcomaAPIdoWekaoqual
permiteidentificarantecipadamenteestudantesquepossuemriscodeevaso,
apartirdeseusdadossocioeconmicos.Istopodepermitirqueainstituio
crieestratgiasparaacompanhamentoepermannciadestesalunos.

1
1.Introduo
Aevasoocorreporfatoresinternoseexternossinstituiesdeensino,provocando
umimpactosocialeeconmico.umtemadeextremaimportnciaqueestudado
comointuitodepropormedidaspreventivasparacontribuircomapermannciado
alunonainstituio,colaborandoassimcomsuaformaosocialeprofissional.
Contudo,seriainteressanteparaainstituiodeensinoidentificarosestudantes
com probabilidade de desistir de seus cursos para aplicar essas medidas
preventivas.
Uma possvel soluo para identificar estes estudantes seria a utilizao de
conceitos e ferramentas de Minerao de Dados, com intuito de extrair
conhecimentosdeumconjuntodeinformaesdosestudantes.Sendoassim,neste
trabalhopropostoaelaboraodeumsoftwarequeidentifiqueestudantesque
podemevadirdeseuscursosnoIFMScampusCoxim.
Para execuo deste trabalho foram utilizadas informaes socioeconmicas de
estudantes dos cursos tcnicos de Informtica e Alimentos do IFMS campus
Coxim, em conjunto com a ferramenta de Minerao de Dados Weka. As
implementaes de algoritmos utilizadas foram J48, Naive Bayes, SMO e
Multilayer Perceptron, avaliando os classificadores obtidos por meio da
metodologia Stratified CrossValidation em 10 partes. Neste caso durante o
aprendizadoeavaliaodoclassificadoroWekadivideoconjuntodeexemplosem
10partes,fazotreinamentocomnove(9)partese,realizaotestecomadecima
partedoconjuntodeexemplos,esteprocessorepetidopordez(10)vezese,acada
repetioconsideradoumapartediferentepararealizarostestes.
ComosresultadosobtidosfoipossvelodesenvolvimentodeumWebService
dotipo Representational State Transfer (REST), para quepossaserconsumido por
aplicaespeloIFMSCampusCoxim.

2.FundamentaoTerica
Nestaseoserapresentadooreferencialtericosobreaevasoescolar,Aprendizado
deMquina(AM)eWebServices.

2.1EvasoEscolar

2
Aevasoescolarumfenmenosocialcomplexo,definidocomointerruponociclo
deestudos[GAIOSO2005].umproblemaenfrentadoporinstituiesdeensino
pblicaseprivadas,tantonoensinomdiocomonosuperior,ocorrendoporvrios
fatores internos e externos instituio de ensino. Entre eles podese citar o
aumentononmerodevagas[TONTINI2013],afaltaderecursosfinanceirosdos
estudantes pordesligamentodocurso,transferncia ouexcluso pornormas da
instituio.Entreosproblemasprovocadospelaevasopodesecitarodesperdcio
social,econmicoeacadmico,emqueainstituiodeensinoinutilizaespaos
fsicoseprofessores[PRIMEFVERO2013,SILVAFILHO2007].
OsiteUniversiaBrasilpublicouemsuapginaqueamdiadeevasoentreas
instituiespblicaseprivadasnoBrasilde21a22%aoano,representandocercade
1,4milhesdealunos[UNIVERSIA2016]. SegundodadosdoInep(2015),entreos
anos de 2010 a 2014, 49% dos alunos abandonaram os cursos para o qual foram
admitidos,osdadosaindamostramquenomesmoperodo,asInstituiesdeEnsino
Superior (IES) privadas atingiram uma taxa de evaso de 52%, enquanto nas IES
pblicasataxachegou42,6%.NoIFMScampusCoxim,conformeinformaesobtidas
comagesto,aevasoregistradaentreosanosde2011a2013,noscursostcnicosde
InformticaeAlimentos,foide36,4%.
SilvaFilho(2007)revelouemsuapesquisaquesopoucasasIESbrasileiras
que dispem de programas institucionais de combate evaso, com elaborao e
implementaodeaes,acompanhamentoderesultadosecoletadeexperinciasbem
sucedidas. Albuquerque (2008) destaca que servios e programas oferecidos aos
estudantesinfluenciamnasuapermanncia.Tinto(2002),citadoporTontini(2013),
apontaqueaconselhamentoseapoiosoaesquetambminfluenciamnapermanncia
dos estudantes no ensino superior, especialmente aos que esto no primeiro ano.
Portanto,seriainteressanteparaainstituiodeensinoidentificarosestudantescom
probabilidade de desistir de seus cursos para aplicar essas medidas preventivas
[CHAGASETAL.2015].

2.2AprendizadodeMquina

Umapossvelsoluoparaidentificarestesestudantesseriaautilizaodeconceitose
tecnologiasdeAprendizadodeMquina(AM)[CHAGASETAL.2015].Deacordo
comMonardeBaranauskas(2003)umsistemadeaprendizadoumsoftwarequetoma
decisesbaseadoemexperinciasacumuladas atravsdesoluesbemsucedidasde
problemas anteriores. Estes sistemas utilizam conceitos e algoritmos da rea da
computaochamadadeAM,umasubreadaIntelignciaArtificial.

Nocasodoaprendizadosupervisionadofornecidoparaaimplementaodo
algoritmodeAMumconjuntodeexemploscomumrtulodeclasseparatreinamentoe
geraodeumclassificador.
No exemplo da Figura 1, pode ser verificado um conjunto de atributos,
representadosporX,umconjuntodeexemplos,representadosporT,almdortulode
classe representado por Y. O objetivo do aprendizado supervisionado que o

3
classificadorgeradopossadeterminarcorretamenteaclassedenovosexemplosainda
norotulados.

Figura 1. Exemplo de um conjunto de dados formado por atributos e rtulo de

classe
Fonte: (Monard e Baranauskas, 2003).

Descoberta de Conhecimento em Bases de Dados, do ingls Knowledge

DiscoveryinDatabases(KDD),umprocessoparaexecutaraatividadedeextraode
conhecimentos utilizando implementaes de algoritmo de AM. Este processo
composto pelas etapas de seleo, prprocessamento, transformao dos dados,
MineraodeDadoseanlisedeconhecimento,comopodeserverificadonaFigura2
[CHAGASETAL.2015,FAYYADETAL.1996].

Figura 2. Processo KDD.

Fonte: (FAYYAD, 1996).

ParaexecutaroprocessoKDDpodeseutilizaraferramentaWeka(Waikato
EnvironmentforKnowledgeAnalysis),consideradaumacoleodoestadodaartede
implementaesdealgoritmosdeAM[CHAGASETAL.2015,WITTENEFRANK
2011].OWekaofereceumconjuntoderecursosparadiversastcnicasdeMineraode
Dados, sendo uma de suas vantagens a portabilidade, sendo possvel utilizlo em
diferentes sistemas operacionais, por ser desenvolvido utilizando a linguagem Java.
Alm disso, por ser de cdigo aberto, possvel utilizar as classes do Weka no
desenvolvimentodesoftwaresqueirogerareutilizarclassificadores.

Para gerar e avaliar classificadores, o Weka pode receber como entrada um

conjuntodeexemplosnoformatoprpriodaferramenta,chamadodeARFF.Tambm
podeseutilizarrecursosdebalanceamentodeclasse,ediodeexemplos,discretizao

4
de classes e avaliaes dos classificadores [CHAGAS ET AL. 2015, WITTEN E
FRANK2011].

2.3WebService
HansenePinto(2003)descreveWebServicescomoaplicaesmodularesquepodem
serpublicadaseinvocadasatravsdeumarededecomputadoresWeb.Gomes(2014)
destacaqueWebServicesumatecnologiadeintegraodesistemasheterogneos.
Com uso desta tecnologia possvel desenvolver sistemas ou componentes com
capacidadedeinteragircomoutrossoftwares,independentedaplataformaoulinguagem
deprogramaoemqueforamdesenvolvidos,assimcomoosistemaoperacionaleo
hardwareusadonaexecuodosistema.
Paraimplementao deWebServices existem doistipos depadres: Simple
ObjectAccessProtocol(SOAP)eoRepresentationalStateTransfer(REST).Opadro
SOAPfoidesenvolvidopeloWorldWideWebConsortium(W3C),sendoumprotocolo
decomunicaodeenviodemensagensentreaplicaesdescentralizadasedistribudas,
podendoserutilizadaqualquerplataformadecomunicao,sendoelaproprietriaou
no[W3C2016].
AarquiteturadeWebServiceSOAPsebaseiaemtrstiposdeserviosea
interao de cada um envolve as operaes de publicao, pesquisa e ligao
[KREGER, 2001]. O provedor de servio o responsvel por implementar e
disponibilizarosserviosdoWebServicenarede,joconsumidorosoftwarecliente
deumserviodisponvelnarede.Oregistrodoservioalocalizaocentralemqueo
provedorpoderelacionarseusWebServices.UmdocumentoSOAPcontememsua
estrutura os elementos Envelope, Header e Body. O Envelope identifica o arquivo
eXtensibleMarkupLanguage(XML)comosendoumamensagemSOAP,joelemento
HeaderpossuidadosdecabealhoeoBodyresponsvelporarmazenarinformaes
dechamadaserespostas[SAUDATE2014].
OmodeloREST,utilizadonestetrabalho,foidesenvolvidoporRoyFieldingem
sua tese de doutorado [SAUDATE 2014]. Fielding tambm um dos autores do
protocolo HTTP. Saudate (2014) acredita que seja por isso a semelhana entre o
protocoloHTTPeomodeloREST.QueutilizaoprotocoloHTTPparaimplementar
serviosquegeralmenteretornamosdadosnosformatoseXtensibleMarkupLanguage
(XML)ou JavaScriptObjectNotation (JSON).Tambmpossuicaractersticascomo
requisio ao servio, conjunto de operaes padronizadas e uso de uma Uniform
Resource Identifier (URI) e definies de tipos de contedo (mimetype) para
requisioeresposta.AsrequisiesdeserviodomodeloRESTsorealizadasatravs
doprotocoloHTTP,pelosmtodosGET,utilizadoparaconsulta,POST,utilizadopara
inserir,PUTparaatualizareoDELETE,comooprprionomepressupe,paradeletar
osdados[LECHETA2015].
OdesenvolvimentodeWebServicesRESTemJavafazusodaespecificao
chamadaJAXRS,permitindoutilizardeanotaescomoo @Path paraidentificaro
caminho da URI do recurso, @Consumes usado para especificar qual o tipo dado
recebidopeloservioe @Produces paraespecificarotipodadoretornadoaocliente.

5
Tambm podese utilizar as anotaes @GET, @POST, @DELETE e @PUT para
definircomoosserviosserotratadospeloHTTP[SAUDATE2014].

3.TrabalhosRelacionados
NestaseoapresentadostrabalhosqueutilizamtcnicasdeAM,descobertadefatores
quecontribuemparaevasodeestudanteseidentificaodealunoscomprobabilidade
dedesistirdeseuscursos.
DeSouza(2008)realizouumtrabalhosobreevasoescolarcomtcnicas de
minerao de dados.O objetivo foi gerar conhecimento apartir da investigao da
evoluodosalunosutilizandoumabasededadosdagraduaoemengenharia,coma
pretensodedemostrarumpadrodescritivodoscasosquelevamosestudantes ao
abandonodocurso.Istopermitiucriarregrasdeclassificao,atravsdealgoritmosde
rvoresdedecisoeregrasdeassociao.Osresultadosdesuapesquisaindicamuma
seriededisciplinasquelevamosestudantesareprovao,sugerindoqueprecisorever
ocurrculodoscursosouatmesmoasabordagensdasdisciplinas.
DeBritoetal.(2015)propsemseutrabalhoummtodoparaumapossvel
identificaodosalunoscomriscodeevasoatravsdeumaanlisedasnotasobtidas
porelesnaprovadeingressonainstituioenasdisciplinasdoprimeirosemestredo
curso. O autor utilizou os algoritmos NaiveBayes do grupo de classificadores
Bayesianos, J48, AdaBoostM1, SimpleLogistic, IBK e o DecisionTable. Seus testes
foramfeitosatravsdevalidaocruzada(CrossValidation)em10folds.Osresultados
obtidosemsuapesquisademonstraramumaacurciamaiorque84%paraidentificao
dos alunos que poderiam evadir, sendo que o classificador DecisionTable obteve a
maiortaxa,86,9%.Oautorconcluiuqueosresultadosobtidosemsuapesquisaindicam
queestaumaabordagemvivelparadetecodegruposderiscoaevaso.
DaCostaetal.(2012)apresentaumapesquisacomaplicaodoprocessode
descobertadeconhecimentoembasededados,especificandopadresdaevasonos
cursosdeeducaoemmodalidadeEAD,pormeiodaanlisedasnotasdosestudantes.
Foramutilizadasregrasdeclassificaoealgoritmosdervorededeciso.Seumodelo
detreinamentoclassificoudeformacorretadeumtotalde248instancias242,ouseja,
97,6% de acerto. O autor concluiu que alunos com desempenho insatisfatrio so
candidatosaevaso.
Amorimetal.(2008)fezusodetcnicasdeAMemsuapesquisautilizandoos
classificadores J48, SMO e Bayes Net e dados de uma IES privada. Estes dados
possueminformaesdendicedeaprovao,descontosemmensalidades,prestaes
em aberto, quantidade de disciplinas do curso, entre outras. A melhor acurcia foi
obtidapeloclassificadorSMO,com91,2%deacerto.
Podese verificar que existem diversos trabalhos que utilizam AM na
identificaodealunoscomriscodeevaso,masnoforamencontradaspesquisasque
tenhamdesenvolvidoumsistemaparadisponibilizarestainformaogestodeuma
instituiodeensino.

6
4.Metodologia
AmetodologiautilizadaparaarealizaodestetrabalhofoibaseadanoprocessoKDD,
sendo realizado a elaborao, prprocessamento e transformao de uma base de
dados.Acriaodessabasededadosfoirealizadapormeiodeanliseedigitaodos
questionrios socioeconmicos, respondidos pelos estudantes dos cursos tcnicos de
InformticaeAlimentos,doIFMScampusCoxim,nosanosde2011,2012e2013.
Estes questionrios, foram cedidos pela Assistente Social do campus e, so
compostosporinformaesrelacionadasaescolaridade,autoavaliaodoestudante,
composiofamiliar, situaofinanceira dafamlia, informaes sobreolocal onde
reside, sobre sua sade e sobre a sade da sua famlia. Os dados coletados foram
inseridos e editados em uma planilha eletrnica, permitindo eliminar exemplos
incoerentes. Sendo assim, foi possvel criar um arquivo com 170 exemplos e 68
atributos.
Por meio de informaes fornecidas pela Central de Relacionamentos do
campus,foipossveldeterminarqualestudantedoconjuntodedadosevadiudeseu
curso.Sendoassim,foicriadoumatributodertulodeclasse,chamadodeEvadido,
queidentificaexemplosdeestudantesquedesistiram(49)equenodesistiramdeseu
curso(121),ouseja,duasclasses,constituindoassim,aprimeirabasededadosutilizada
paratreinamentoeavaliaodosclassificadores.
UmasegundabasededadosfoicriadapormeiodaferramentaWeka,realizando
obalanceamentodeclasses(85exemplosdecada)utilizandoofiltroresample.Asduas
bases de dados foram utilizadas para a gerao dos classificadores a partir das
implementaes dos algoritmos J48, SMO, Multilayer Perceptron (MLP) e
NaiveBayes,sendoavaliadospormeiodametodologia StratifiedCrossValidationem
10partes.Estaavaliaopermitiuidentificaroclassificadordemelhordesempenho.
Posteriormente,foidesenvolvidoumWebServiceRESTutilizandoasAPIsJava
JAXRS e Weka. Este Web Service utiliza o modelo obtido na etapa anterior para
realizaraclassificaodeestudantescomriscodeevaso.Estesdadossoretornados
noformatoJSON.
O teste do Web Service foi realizado atravs de um prottipo de aplicao
cliente,implementadoemPHP1,quepermiteenviarumarquivoparaoWebService
comosdadosaseremclassificados.

5.ResultadoseDiscusses
Nestaseosoapresentadososresultadosdeacurciasdosclassificadoresgeradosa
partirdotreinamentocomduasbasesdedados,sendoumacomasclassesbalanceadase
outracomasclassesnobalanceadaseodesenvolvimentodoWebServiceproposto,
bemcomodaaplicaoWebcliente.

1
PersonalHomePage (PHP) uma linguagem de programao de cdigo aberto, voltada ao
desenvolvimentodeaplicaes[DallOglio2015].
7
5.1ResultadosdeAcurciasdosclassificadores
Osresultadosdeacurciadosclassificadores,obtidosapartirdotreinamentocomuma
basededadossembalanceamentodeclasses,podemserverificadosnaTabela1.Nesta
tabela,podeseobservarqueoclassificadorobtidopormeiodoalgoritmoJ48foiode
melhor acurcia, com 74,70%, seguido do classificador SMO, com 67,05%,
NaiveBayescom65,88%edoMLPcom62,64%.

Tabela 1. Resultados de acurcia dos Classificadores, obtidos a partir do

Treinamento com uma base de dados sem Balanceamento de classes.
Algoritmo Acurcia(%)
J48 74,70
SMO 67,05
NaiveBayes 65,88
MLP 62,64

Na Tabela 2 apresentado a avaliao com a segunda base de dados, com

classesbalanceadas.OclassificadorobtidopormeiodoalgoritmoSMO,apresentoua
melhoracurcia,compercentualde87,05%,seguidodoMLPcom84,70%,J48,com
77,05%eoNaiveBayescom72,94%.

Tabela 2. Resultados de acurcia dos classificadores, obtidos a partir do

Treinamento com uma base de dados com balanceamento de classes.

Algoritmo Acurcia(%)
SMO 87,05
MLP 84,70
J48 77,05
NaiveBayes 72,94
NogrficodaFigura3podeseobservarmelhorasreferidasacurcias.

8
 Figura 3. Porcentagem de acurcias.

Um resultado interessante foi a rvore de Deciso obtida por meio do

classificadorJ48,comopodeservisualizadonaFigura4.Asregrasextradasdaparte
esquerdadarvoreindicamqueseoestudantepossuiridadeigualouinferiora20anos
ecomputadoremsuacasa,elenodesistirdeseucurso.Oestudantequenopossuir
computadoremcasaesuaidadeforigualouinferiora18anostambmnodesistirde
seucurso.Mas,seoestudantepossuir19ou20anosefordosexofeminino,ser
classificadocomofuturodesistentedocurso.

IdadedoEstudante

Figura 4. rvore de Deciso gerada a partir da implementao do algoritmo

J48.

9
 NapartedireitadarvoredeDeciso,indicapormeiodasregrasextradasque
osestudantescomidadesuperiora20anos,quepossuirinternet3G,viardioousem
acessoInternet,sopropensosaevaso.Enquantoosestudantescomidadesuperiora
20anoscomacessoInternetbandalargaemsuaresidncia,noestonogrupoderisco
deevaso.

5.2DesenvolvimentodoWebServiceedaAplicaoCliente
OWebServicefoidesenvolvidoutilizandoopadroRESTedisponibilizaumMtodo
WebdotipoPOSTchamadoClassificarDados.Estemtodo,pormeiodasanotaes
JAXRS @Path, @POST, @Consumes e @Produces, realiza o recebimento de um
arquivo da aplicao consumidora, l as instncias deste arquivo, classifica estas
instnciaseretornaoresultadonoformatoJSON,pormeiodaconversorealizadapelo
JAXRS. Foi implementado uma classe Java chamada Aluno para armazenar o
resultadodaclassificaoeumaclasseClassificadorparacarregaromodeloSMOe
classificar as instncias com a API do Weka. Na Figura 5 pode ser observado o
diagramadeclassesJavadoWebServicedesenvolvido.

Figura 5. Diagrama de Classes Java do Web Service Desenvolvido.

ParatestaroWebServicefoidesenvolvidoumaaplicaoClienteemPHP,como
podeserobservadonaFigura6,quepermiteenviarumarquivodeinstnciasparaser
classificado.Nafigura7possvelobservaroresultadodoarquivoretornadoapssua
classificaonoWebServicedesenvolvido.

10
 Figura 6. Interface da Aplicao Web Cliente

Figura 7. Interface da Aplicao Web Cliente, resultado do Arquivo Classificado

NaFigura8podeserverificadoaarquiteturadossistemasdesenvolvidos,em
queumusurioenviaumarquivodeinstnciasparaoservidordaAplicaoCliente.
Posteriormente esta aplicao envia o mesmo arquivo para o Web Service ler as
instncias,classificlaseretornaroresultado.

11
 Figura 8. Arquitetura dos Sistemas Desenvolvidos.

7.Concluso
Neste trabalho foi desenvolvido um Web Service, que pode ser consumido por
aplicaesdesenvolvidaspeloIFMS,paraidentificarestudantescomriscodeevadirde
seus cursos, a partir de informaes socioeconmicas destes alunos. Com esta
identificao antecipada, uma equipe multidisciplinar da instituio de ensino pode
implementaredesenvolverestratgiasparaauxiliarnapermannciadessesalunos.
Paraodesenvolvimentodestetrabalhoforamutilizadosconceitoseferramentas
deAprendizadodeMquina(AM),aplicadosaduasbasesdedadoscominformaes
socioeconmicasdosestudantesdoIFMSCoxim.Estasinformaesforamobtidaspor
meio de questionrios respondidos por alunos dos cursos tcnicos de Informtica e
Alimentos, nos anos de 2011, 2012 e 2013. Em seguida, foram avaliados 4
classificadoreseescolhidoodemelhordesempenho,geradopeloalgoritmoSMO,com
taxade87,05%deacurcia.Asavaliaesforamrealizadaspormeiodametodologia
StratifiedCrossValidationem10partes.
Almdisso,foipossvelverificarpormeiodarvoredeDecisoobtidapela
implementaodoalgoritmoJ48,queosestudantesquedesistemdoscursostcnicosde
InformticaeAlimentos,doIFMSCoxim,sodosexofeminino,entre19e20anosde
idade,semcomputadoremsuaresidncia.Outrogrupodeestudantesquedesistesoos
maioresde20anosquenopossuemacessoInternetbandalargaemsuacasa.
DiferentedeoutraspesquisasdeAMparaidentificaodeestudantesemrisco
de evaso, esta pesquisa no limitouse a apenas avaliar os classificadores, mas
implementouumsoftwarequepodeserutilizadopelainstituio.

9.TrabalhosFuturos
Comosugestodetrabalhosfuturos,seriainteressanterealizarasseguintesatividades:
CriaraAutenticaonoWebService.
PermitiroutrosformatosdedadosenviadosaoWebService(CSVporexemplo).
Aumentarabasededadosdetreinamento.
Avaliaroutrosalgoritmosdeclassificao.

10.Referncias
ALBUQUERQUE,Teresa.DoabandonopermanncianumcursodeEnsinoSuperior.
SsifoRevistadeCinciasdaEducao,Lisboa,n.7,p.1928,set./dez.,2008.
AMORIM, Maurcio JV; BARONE, Dante; MANSUR, Andr Uebe. Tcnicas de
aprendizadodemquinaaplicadasnaprevisodeevasoacadmica.In:Anaisdo
SimpsioBrasileirodeInformticanaEducao.2008.p.666674.

12
CHAGAS, Cleber Garcia; DOS SANTOS, Gilson Saturnino; FARIA, Gedson.
Mineraodedadoscominformaessocioeconmicas paraapoiarocontrolede
evaso.IVColquioInternacionalsobreEducaoProfissionaleEvasoEscolar:
CadernodeResumosExpandidos.BeloHorizonte:UFMG,RIMEPES,2015.
DACOSTA,SusaneSantos;CAZELLA,Silvio;RIGO,SandroJos.Minerandodados
sobreodesempenhodealunosdecursosdeeducaopermanenteemmodalidade
EAD:UmestudodecasosobreevasoescolarnaUNASUS.RENOTE,v.12,n.2,
2012.
DALLOGLIO,Pablo.PhpProgramandocomorientaoaobjetos.NovatecEditora,
2015.
DEBRITO,DanielMirandaetal.Identificaodeestudantesdoprimeirosemestrecom
riscodeevasoatravsdetcnicasdeDataMining.2015.
DE SOUZA, Solange Lima.Evaso no Ensino Superior: Um Estudo Utilizando a
MineraodeDadosComoFerramentadeGestodoConhecimentoemumBanco
de Dados Referente Graduao De Engenharia. 2008. Tese de Doutorado.
UniversidadeFederaldoRioDeJaneiro.
FAYYAD,UsamaM.etal.Advancesinknowledgediscoveryanddatamining.1996.
MONARD, Maria Carolina; BARANAUSKAS, Jos Augusto. Conceitos sobre
aprendizadodemquina.SistemasInteligentesFundamentoseAplicaes,v.1,p.
1,2003.
INEP Instituto Nacional de Estudos e Pesquisas Educacionais Anisio Teixeira.
SinopseEstatsticadaEducaoSuperior2015.Braslia:Inep,2016.Disponvelem:
<http://portal.inep.gov.br/basicacensoescolarsinopsesinopse>. Acesso em
08/dez/2016.
MONARD, Maria Carolina; BARANAUSKAS, Jos Augusto. Conceitos sobre
aprendizadodemquina.SistemasInteligentesFundamentoseAplicaes,v.1,n.1,
2003.
GAIOSO,NataliciaPachecodeLacerda.Ofenmenodaevasoescolarnaeducao
superiornoBrasil.2005.75f.Dissertao(MestradoemEducao)Programade
PsGraduaoemEducaodaUniversidadeCatlicadeBraslia,Braslia,2005.
GOMES,D.A.WebServicesSOAPemJava:Novatec,2014.
HANSEN,RoseliP.;PINTO,SrgioCrespoSC.Construindoambientesdeeducao
baseadanawebatravsdewebserviceseducacionais.In:BrazilianSymposiumon
ComputersinEducation(SimpsioBrasileirodeInformticanaEducaoSBIE).
2003.p.6170.
KREGER, Heather et al. Web services conceptual architecture (WSCA 1.0). IBM
SoftwareGroup,v.5,p.67,2001.
LECHETA,RicardoR.WebServicesRESTful:AprendaacriarwebservicesRESTful
emJavananuvemdoGoogle.SoPaulo:NovatecEditora,432p,2015.

13
PRIM, Alexandre Lus; FVERO, Jferson Deleon. Motivos da evaso escolar nos
cursosdeensinosuperiordeumafaculdadenacidadedeBlumenau.RevistaETech:
TecnologiasparaCompetitividadeIndustrialISSN19831838,p.5372,2013.
SAUDATE,Alexandre.REST:ConstruaAPI'sinteligentesdemaneirasimples.Editora
CasadoCdigo,2014.
SILVA FILHO, Roberto Leal Lobo et al. A evaso no ensino superior brasileiro.
CadernosdePesquisa,v.37,n.132,p.641659,2007.
TINTO, V. Enhancing student persistence: connecting the dots. Wisconsin: The
UniversityofWisconsin,2002
TONTINI, Grson et al. Podese Identificar a Propenso e Reduzir a Evaso De
Alunos? Aes Estratgicas e Resultados Tticos Para Instituies de Ensino
Superior.RevistadaAvaliaodaEducaoSuperior,v.19,n.1,2013.
UNIVERSIA,Brasil,ndicedeevasodoEnsinoSuperiordoBrasildecercade21%.
06/10/2015.
<Http://noticias.universia.com.br/destaque/noticia/2015/10/06/1132040 /indice
evasaoensinosuperiorbrasilcerca21inscrevaseminario.html#>. Accesso em
08/dez/2016,14:29:06.
W3C.SimpleObjectAccessProtocol(SOAP)1.1:W3CNote08May2000.Disponvel
em: <http://www.w3.org/TR/2000/NOTESOAP20000508/>. Acesso em:
10/dez/2016.
WITTEN, Ian H.; FRANK, Eibe; MARK, A. Hall. 2011. Data mining: Practical
machinelearningtoolsandtechniques,2011.

14