Aprimorando Seleções Acadê=
micas
com Técnicas de Entropia e Método AHP-TOPSIS-2N
Enhancing Academic Selections with Entropy
Techniques and AHP-TOPSIS-2N Method
|
Daniel Soa=
res de
Souza |
Mestr=
e em
Gestão Pública. Instituto Federal de Educação, Ciência e Tecnologia de
Brasília (IFB) – Brasil. daniel.souza@ifb.edu.br. |
|
Pedro Carvalho Bro=
m |
Mestre em Estatística. Instituto Federa=
l de
Educação, Ciência e Tecnologia de Brasília (IFB) – Brasil. pedro.brom@ifb=
.edu.br. |
|
André Araújo Luchi=
ne |
Bacharel em Ciências Econômicas. Univer=
sidade
de Brasília (UnB) – Brasil. andreluchine@gmail.com. |
|
Lucas Santos de Oliveira |
Especialista em Estatística Aplicada. I=
nstituto
Federal de Educação, Ciência e Tecnologia de Brasília (IFB) – Brasil. luc=
as.oliveira4@estudante.ifb.edu.br. |
RESUMO
Este a= rtigo explora a otimização de processos seletivos acadêmicos com o apoio de métod= os tradicionais e técnicas de modelagem matemática e análise de dados. Através desses métodos e técnicas, esta pesquisa tem como objetivo desenvolver um processo que melhore a seleção de candidatos, respeitando suas singularidad= es e subjetividades. O estudo adota uma abordagem exploratória e aplicada, com f= oco na coleta de dados de processos seletivos de pós-graduação e na implementaç= ão de um modelo a ser replicado em outras seleções e em contextos diversos. A metodologia inclui a identificação de critérios relevantes usando o método = de entropia, a raspagem automatizada de dados em documentos e a aplicação do método multicritério AHP-TOPSIS-2N. Ao combinar o processo de hierarquizaçã= o do AHP e a técnica de classificação do TOPSIS, esse método multicritério permi= te uma análise detalhada e uma classificação justa das alternativas. Os result= ados obtidos evidenciam a eficácia desses métodos em todo o processo de classificação dos candidatos, com uma avaliação holística e equilibrada. Co= m a análise de entropia, a qualidade da escrita nas cartas de intenção e nos currículos Lattes foram indicadores cruciais para a aprovação de candidatos, sublinhando a necessidade de critérios rigorosos de avaliação nestes aspect= os. O estudo conclui que a integração de técnicas avançadas com métodos tradicionais permite uma avaliação mais holística e precisa dos candidatos, potencializando o processo seletivo em instituições de ensino superior.
Palavras-chave: Análise de Entrop=
ia. Método
AHP-TOPSIS-2N. Modelagem Matemática. Process=
os Seletivos Acadêmic=
os.
ABSTRACT
This article explores the
optimization of academic selection processes with the support of traditional
methods and mathematical modeling and data analysis techniques. Through the=
se methods
and techniques, this research aims to develop a process that improves the
selection of candidates, while respecting their singularities and
subjectivities. The study adopts an exploratory and applied approach, focus=
ing
on collecting data from graduate selection processes and implementing a mod=
el
to be replicated in other selections and in different contexts. The methodo=
logy
includes the identification of relevant criteria using the entropy method,
automated data scraping from documents, and the application of multicriteria
method AHP-TOPSIS-2N. By combining the AHP ranking process and the TOPSIS
ranking technique, this multicriteria method allows for a detailed analysis=
and
fair ranking of alternatives. The results obtained demonstrate the
effectiveness of these methods throughout the candidate classification proc=
ess,
providing a holistic and balanced assessment. With the entropy analysis, the
quality of writing in letters of intent and in Latte
CVs were crucial indicators =
for
candidate approval, highlighting the need for rigorous evaluation criteria =
in
these aspects. The study concludes that integration advanced techniques with
traditional methods allows for a more holistic and accurate assessment of
candidates, enhancing the selection process in higher education institution=
s.
Keywords: Academic Selection Processes. AHP-TOPSIS-2N Meth=
od. Entropy Analysis. Mathematical
Recebido
em 01/04/2024. Aprovado em 14/06/2=
024.
Avaliado pelo sistema double blind
https://doi.org/10.22279/navus.v14.1894<=
/span>
1 INTRODUÇÃO
No Brasil, as Instituições de Ensino Superior [IES] ofertam cursos que abrangem desde a graduação até a pós-graduação. Em particular, a pós-graduação é oferecida em duas categorias: a Lato Sensu e a Stricto Sensu. Essas catego= rias compreendem os programas de aperfeiçoamento, doutorado, especialização, mestrado e outros (Lei n. 9.394, 1996). Ao contrário dos cursos de graduação, cada instituição possui seus próprios critérios e processos seletivos para o ingresso de estudantes em cursos de pós-graduação (Soares et al., 2011).
Com o objeti= vo de garantir a seleção dos candidatos mais adequados para os cursos, os process= os seletivos incluem etapas como, por exemplo, análise de documentação de inscrição, análise de histórico escolar, avaliação curricular, análise do projeto, arguição oral do projeto, carta de recomendação, cartas de apresentação/intenção ou plano de trabalho, certificado de proficiência em língua estrangeira, entrevista, prova de conhecimentos específicos, prova de redação e resultado de teste de associações repre= sentativas dos cursos e carreiras (Soares et al., 2011; Silva & Silva, 2016; Cunha, 1974). Nesse cenário, é razoável inferir que os processos seletivos concentram uma quantidade significativa de informações acadêmicas e profissionais de seus respectivos candidatos.
A partir des= sas informações, são identificados e escolhidos os candidatos mais adequados e qualificados para as vagas disponíveis. Contudo, através de análise prediti= va, existe a possibilidade de construir um modelo que faz previsões com base em padrões extraídos de dados históricos (Fernandes & Rêgo, 2023). No cont= exto acadêmico, os modelos preditivos são geralmente utilizados para prever a ev= asão escolar e o desempenho dos estudantes em disciplinas específicas (Funchal et al., 2016; Souza, 2021; Morais et al., 20= 23; Oliveira & Medeiros, 2024).
Em relação a= os processos seletivos, os algoritmos do modelo preditivo podem, através de Aprendizado de Máquina, ser utilizados para analisar automaticamente ensaio= s de admissão, recomendações e outros dados de interesse (S= hahiri et al., 2015). Nesse cenário, os processos como coleta de dados, análise preliminar e comunicação com candidatos também podem ser automatizados com conjunto de instruções de códigos de programação (Romero et al., 2008).
Ao utilizar = técnicas de processamento de texto nas etapas de coleta, processamento e avaliação de dados dos candidatos, o desenvolvimento desse processo automatizado/semiaut= omatizado possui um impacto significativo dentro do contexto seletivo-acadêmico, visto que essas técnicas permitem analisar de forma eficiente as informações cont= idas nas cartas de intenção e currículos Lattes dos candidatos. Além diss= o, a integração do modelo através de entropia permite extrair informações releva= ntes e convertê-las em uma matriz de decisão. Contudo, é importante mencionar que essa abordagem levanta questões éticas e práticas, como a privacidade dos dados, potenciais vieses nos algoritmos, entre outros (Fernandes & Rêgo, 2023).
Em relação ao processo seletivo, também existem diversas ferramentas multicritério que po= dem auxiliar na avaliação e classificação dos candidatos, com base em múltiplos critério= s (Behzadian et al., 2012). Nesse caso, a análise multicritério é uma estratégia para avaliar os candidatos de uma maneira metodológica que considere diferentes critérios relevantes para o sucesso acadêmico e profissional. Contudo, a implementação dessas ferramentas requer uma compreensão sólida de sua teoria e prática.
Essa abordag= em afeta diretamente a eficiência do processo seletivo e, consequentemente, promove = uma avaliação mais justa e transparente. Dessa forma, a delimitação desse estudo visa aprofundar a compreensão das técnicas e ferramentas utilizadas no proc= esso de seleção acadêmica, contribuindo para aprimorar a qualidade e a eficácia desse processo em IES.
Embora o recrutamento de candidatos a cursos acadêmicos possua técnicas e processos seletivos específicos, verifica-se a necessidade de adequação dos critérios= de seleção às demandas e características particulares de cada instituição, ass= im como à disponibilidade e acessibilidade dos dados dos candidatos. Além diss= o, devido à complexidade e diversidade dos currículos acadêmicos, é cada vez m= ais necessário o uso de um sistema automatizado capaz de analisar e classificar= , de forma precisa e eficiente, as informações relevantes. Portanto, o estudo se limita a explorar, em um contexto específico, como a aplicação das técnicas apresentadas pode contribuir para aprimorar o processo de seleção acadêmica, considerando as particularidades e desafios enfrentados pelas instituições.=
Para mapear o atual estado de conhecimento na
literatua nacional, foi realizado um levantamento no Portal de Periódicos d=
a Coordenação
de Aperfeiçoamento de Pessoal de Nível Superior [CAPES] =
a partir
dos seguintes descritores: “Processo Seletivo” e “Pós-Graduação”. Logo após=
, os
resultados foram filtrados para direcionar somente artigos publicados entre
2020 e 2025. Com esse procedimento, foram encontrados 25 artigos.
Após a leitura dos resumos de cada um dos ar=
tigos
encontrados, observa-se que os estudos abordam os seguintes temas: 1) panor=
ama
das políticas de inclusão e de ações afirmativas; 2) elaboração dos
instrumentos nos processos seletivos; 3) dificuldades de inserção dos
candidatos nos programas; 4) identificação de critérios influenciadores na
escolha dos candidatos para um programa; 5) criação de cursos preparatórios
para os candidatos ao processo seletivo acadêmico; 6) análise do estado atu=
al
de elaboração/funcionamento dos programas de pós-graduação.
A lacuna a ser preenchida, portanto, reside =
na
ausência de estudos relacionados ao=
uso de
técnicas avançadas de modelagem matemática e automatização no contexto de
processos seletivos acadêmicos (em especial IES no Brasil). Isso sugere que=
a
pesquisa realizada aqui se encontra na fronteira do conhecimento.
Mediante este contexto, emerge a seguinte questão de pesquisa: Como é possível incrementar estratégias que visam a melhoria de processos seletivos de cursos acadêmico= s, levando em consideração o recrutamento, o processamento e a avaliação sistematizada de dados dos candidatos, de maneira que sejam tratadas as suas subjetividades naturais?
O objetivo d= este artigo é desenvolver, a partir da integração de técnicas de modelagem matemática em processos seletivos acadêmicos, incrementos de automatização = ou semi-automatização para que se aprimore, dado o recrutamento, a avaliação de dados dos candidatos, enquanto contempla e respeita suas singularidades e subjetividades. De maneira específica ao cumprimento geral do objetivo, têm-se: a) elencar de maneira fundamentada os principais critérios que devem estar presentes nos processos seletivos; b) = implementar modelos matemáticos adaptáveis que facilitem a coleta, processamento e interpretação de dados dos candidatos, no intuito de uma avaliação mais holística e precisa; c) Avaliar a eficácia do modelo em termos de eficiênci= a, precisão e equidade nas decisões tomadas para classificar e selecionar os candidatos, com base em critérios normalizados e ponderados, consoante o gr= au de importância no processo seletivo.
Diante disto= , as especificidades da investigação consistiram em identificar os principais critérios e subjetividades presentes nos processos seletivos de cursos acadêmicos e, como estudo de caso, aplicou-se técnicas e métodos em um curs= o de pós-graduação no Instituto Federal de Brasília. Além disso, foram exploradas técnicas para tratamento de medidas de incerteza ou desordem aparente, sendo estas adequadas para o tratamento e análise de dados dos candidatos. Ao apl= icar tal procedimento, foi possível considerar tanto critérios objetivos quanto subjetivos e, por fim, se avaliou a eficácia e precisão de uma sistemática padrão em comparação com os processos seletivos tradicionais. Com esses direcionamentos em mente, buscou-se contribuir para o aprimoramento dos processos seletivos, gerados em uma seleção mais eficiente, capaz de enfren= tar a diversidade, como também controlar excessos de eventuais vieses de seleçã= o.
2 FUNDAMENTAÇÃO= TEÓRICA
2.1 Processos s= eletivos acadêmicos
No Brasil, a qualidade das IES tem sido uma preocupação constante, refletida na atuação = de órgãos governamentais como a CAPES e o Instituto Nacional de Estudos e Pesquisas Educacionais [INEP]. Esses órgãos desempenham um papel fundamenta= l na avaliação e acompanhamento do desempenho das instituições de graduação e pós-graduação (Igarashi et al., 2008). No âmbit= o da pós-graduação, em particular, o sistema de avaliação da CAPES é amplamente reconhecido como eficiente, devido aos critérios que incluem a proposta do programa, a avaliação do corpo docente e discente, a produção intelectual e= a inserção social (CAPES, 2010; Leite et al., 2000).=
A seleção dos candidatos para os cursos acadêmicos desempenha um papel que, de certa mane= ira, influencia na avaliação desses cursos, visto que a avaliação da CAPES atrib= ui 35% de peso à seleção dos candidatos (CAPES, 2010). Contudo, dentro do esco= po da seleção acadêmica, existe uma dicotomia entre critérios objetivos e subjetivos que guiam o processo de avaliação dos candidatos.
Santos e Mac= hado (2018) definem os critérios objetivos como métricas quantitativas. Estes incluem o histórico escolar ou notas, visto que esses instrumentos fornecem= uma medida quantitativa direta do desempenho acadêmico anterior do candidato. A= lém disso, as pontuações em testes padronizados, como Scholastic Assessment = Test [SAT], Graduate Record Examination [GRE] e Graduate Management Admission Test [GMAT], atuam como indicadores do potencial acadêmico em contextos específicos. Não menos importantes são os projetos de pesquisa anteriores, como publicações ou participações em conferências, e a experiência prévia relacionada à área de estudo, como estágios ou trabalhos voluntários.
Por outro la= do, os critérios subjetivos oferecem uma visão mais profunda da personalidade, motivações e caráter de um candidato. Souza et al. (2014) evidenciam a importância das cartas de recomendação no processo de admissão, pois oferec= em perspectivas valiosas de professores, supervisores ou colegas sobre a capacidade e caráter do candidato. Igualmente importantes são os ensaios ou declarações pessoais, que permitem aos candidatos expressar suas motivações, interesses e visões. Além disso, entrevistas, muitas vezes conduzidas por painéis acadêmicos, servem como uma ferramenta para avaliar diretamente habilidades de comunicação, paixão e adequação ao programa ou instituição. O envolvimento em atividades extracurriculares também pode fornecer percepções sobre a personalidade e interesses de um candidato.
No entanto, = ao avaliar os candidatos com base nesses critérios, surgem preocupações sobre possíveis vieses inerentes. Nickerson (1998) identifica o viés de confirmação como um dos mais prevalentes, onde os avaliadores tendem a dar mais peso às informações que confirmam suas crença= s ou ideias preexistentes. Além disso, o Efeito Halo pode causar distorções na percepção positiva em um critério e, por consequência, pode influenciar indevidamente a avaliação de outros critérios (Kahneman, 2012). O Efeito Ha= lo é um termo descrito pelo psicólogo americano Edward Thor= ndike para descrever o potencial que o cérebro humano tem de analisar, julgar, concluir e definir uma pessoa a partir de uma única característica (Thorndike, 1920).
Com o objeti= vo de tratar e não eliminar a subjetividade existente em problemas desta natureza, pode-se investigar o emprego desta abordagem através de um experimento ilustrativo. Neste contexto, observa-se que, em muitos casos, a tomada de decisão em amplo espectro ocorre efetivamente em função de opiniões coletad= as junto a pessoas conhecidas e/ou que trabalham na área ou atuam diretamente = na situação problema. Isso infere um alto grau de subjetividade no tratamento = das informações quanto à classificação e ordenamento e, consequentemente, resultarão na escolha mais assertiva do que quer que seja o objeto da decis= ão a ser tomada.
Sob a perspe= ctiva de Trevizano e Freitas (2005), a abordagem propost= a não elimina a subjetividade inerente aos problemas decisórios, apenas busca tra= tar destes através do emprego de um método que possibilita a verificação da consistência dos julgamentos. Em particular, tais julgamentos preferencialm= ente devem ser conduzidos por profissionais que possuem conhecimentos na área do problema em questão, como o próprio corpo docente e áreas afins. Este é o principal motivo pelo qual não se recomenda o emprego de uma abordagem tão técnica e de considerável complexidade para pessoas consideradas leigas.
Os julgament= os de preferência das alternativas à luz de cada critério e da importância dos critérios em relação ao foco principal são obtidos a partir da opinião de especialistas, não se caracterizando como uma verdade, visto que existe um = alto grau de subjetividade nestes julgamentos. Mais precisamente, os resultados obtidos caracterizam-se pela opinião única e pessoal do respectivo avaliado= r, não devendo ser generalizadamente expandida para decisões de todo e qualquer processo seletivo (Trevizano & Freitas, 200= 5).
2.2 Modelagem m= atemática e automatização como ferramentas de equidade
A modelagem matemática é o processo de usar linguagem matemática para descrever e anali= sar problemas do mundo real (Triantaphyllou, 2000).= Ao fazer isso, os pesquisadores podem transformar problemas complexos e muitas vezes ambíguos em estruturas compreensíveis, permitindo soluções objetivas.= No contexto da seleção acadêmica, isso se manifesta na forma de decisões multicritério, onde vários critérios (tanto objetivos quanto subjetivos) são ponderados e avaliados simultaneamente para chegar a uma decisão final sobr= e a admissão de um candidato.
A tomada de = decisões em processos seletivos acadêmicos requer a identificação precisa de critéri= os que refletem os valores, objetivos e missões de uma instituição educacional. Estes critérios, muitas vezes, são múltiplos e variados, tornando a seleção= uma tarefa complexa. A utilização do método de entropia surge como uma abordagem promissora para determinar a relevância de cada critério, otimizando a deci= são final (Shannon, 1948; Zeleny, 1982).
Originado da= teoria da informação, o conceito de entropia é uma medida da magnitude de ambiguid= ade ou caos em um conjunto de dados (Shannon, 1948). Em outras palavras, a entr= opia é uma medida de incerteza ou desordem em um conjunto de dados. Em termos de classificação, quando a entropia é alta, significa que temos muita incerteza sobre a classificação; quando é baixa, temos mais certeza (Zeleny, 1982).
No contexto = dos processos seletivos, a entropia auxilia na determinação de quais critérios possuem maior variação ou dispersão de informações entre os candidatos, sinalizando seu potencial relevante no processo. Critérios com alta entropia indicam uma grande diversidade nas respostas ou desempenho dos candidatos, tornando-os essenciais para a diferenciação e decisão. Por outro lado, critérios com baixa entropia têm respostas semelhantes entre os candidatos = e, talvez, possam ser menos determinantes no processo de seleção.
A utilização= do método de entropia proporciona uma filtragem ao reduzir a dimensão da informação, primando pela importância relativa dos critérios no processo seletivo. Ao adotar essa abordagem, as instituições podem criar um sistema = de avaliação mais impessoal, imparcial e adaptado à sua missão educacional (Ag= uiar et al., 2015).
Em termos matemáticos, a entropia de uma var=
iável
aleatória
Na equação acima,
onde
Em relação ao processo seletivo ac=
adêmico,
a entropia pode ser combinada com outras técnicas multicritério para=
uma
análise ainda mais refinada. Por exemplo, a entropia pode ser usada em conj=
unto
com o Método A=
nalytic Hierarchy=
Process [AHP] ou o Método Preference Ranking Organization METHod
for Enrichment Evaluation<=
/span>
[PROMETHEE] para aprimorar a ponderação de critérios e a tomada de decisão =
(Neeraj et al., 2019). Contudo, o método AHP-TOPSIS-2N repr=
esenta
uma abordagem avançada na tomada de decisão, particularmente adequada para
situações em que os aspectos subjetivos desempenham um papel significativo.=
O método AHP= -TOPSIS-2N é indicado para cenários onde as preferências pessoais e as percepções individuais influenciam fortemente a escolha entre diferentes alternativas e critérios. Como destacado por Saaty (2008), o m= étodo AHP é eficaz na quantificação de elementos subjetivos, transformando raciocínios qualitativos em quantitativos. Essa capacidade é apropriada para contextos onde as métricas são intrinsecamente subjetivas e complexas, como= a avaliação da satisfação do cliente ou a definição de prioridades estratégic= as.
Além disso, = o método AHP-TOPSIS-2N é particularmente útil em situações com um grande número de alternativas, dado que não possuem restrições quanto ao número de opções a serem avaliadas. Esta característica o torna adequado para ambientes de dec= isão complexos, onde diversas opções precisam ser consideradas. Segundo <= span style=3D'mso-bookmark:_Hlk4746433'>Hwang e Yoon (1981), o método TOPSIS, do inglês Technique for Order of Preference by Similarity to Ideal Solution, é eficiente na análise de múltiplas alternativas, facilitando a ordenação em um conjunto extenso.
No entanto, = ao utilizar critérios quantitativos, é importante observar as limitações de at= é 15 critérios para garantir a previsão dos cálculos de consistência, conforme especificado por Saaty (1980). Esta limitação n= ão reflete uma restrição metodológica, mas sim uma adaptação prática para mant= er a precisão e a confiabilidade do processo de tomada de decisão. A gestão da tolerância à inconsistência, conforme apontado por Saa= ty (1980), não é uma falha do método, mas uma representação da complexidade e = das nuances da realidade enfrentada durante o processo decisório.
Na aplicação do método AHP-TOPSIS-2N,=
o
primeiro passo envolve a utilização do AHP para determinar os pesos dos
critérios. Este processo se inicia com a criação de uma matriz
Os pesos dos critérios são derivados a partir
desta matriz =
Com os pesos dos critérios estabelecidos, o =
TOPSIS
é aplicado para classificar as alternativas. Inicialmente, constrói-se uma
matriz de decisão normalizada
<=
![if !msEquation]>
Na igualdade acima, =
Na equação acima,
As distâncias de cada alternativa até as sol=
uções
ideais positiva e negativa são calculadas com as seguintes fórmulas:
Finalmente, calcula-se o score de
similaridade para cada alternativa:
As alternativas são então classificadas com =
base
em
Para facilitar a aplicação do método<=
span
lang=3DPT> AHP-TOPSIS-2N, Bozza et al. (2020) criou o
programa Three Decision Methods [3DM], um ambiente online
eficiente e acessível para a aplicação desta abordagem de tomada de decisão
multicritério. Esse programa permite aos usuários inserir dados, realizar
análises e visualizar resultados de forma intuitiva e simplificada, tornand=
o o
processo de tomada de decisão mais acessível, especialmente para aqueles sem
conhecimento profundo em programação ou análise estatística.
A funcionalidade central do 3DM reside na sua
capacidade de analisar grandes conjuntos de dados, aplicando os métodos AHP=
e
TOPSIS sequencialmente para gerar classificações e avaliações planejadas. A=
lém
disso, o 3DM se destaca pela adaptabilidade, pois esse programa é aplicável=
a
uma variedade de contextos de tomada de decisão, desde análises empresariais
até avaliações acadêmicas. A capacidade de analisar dados de maneira eficie=
nte
e precisa torna o software uma ferramenta valiosa para pesquisadores,
gestores e tomadores de decisão (Bozza et al., 2020).
2.3 Incrementos= de instrumentos para melhoria de processos
Com a ascens= ão da tecnologia, a automatização e semi-automatização tornaram-se elementos cruciais nos processos seletivos (Brynjolfsson & Hitt, 2000). A automação pode lidar com t= arefas repetitivas e de alta frequência, como a capacidade de manter um pelotão veicular estável em diferentes topologias de comunicação (Oliveira et al., 2020). Isso não apenas reduz o tempo, mas também garante uma consistência q= ue pode ser difícil de alcançar em avaliações manuais.
No contexto = de seleção acadêmica, a raspagem de dados pode lidar com os documentos submeti= dos pelos candidatos. Também conhecida como web scrapin= g, a raspagem de dados envolve a extração automatizada de informações de documentos em formato Portable Document Format [PDF] utilizando scripts em linguagem Python que são capazes de decodificar e analisar documentos digitais estruturados de maneira complexa, como tabelas, gráficos e textos formatados (Munzert et al., 2014).
Mediante o u= so de linguagem Python, a automação dessa raspagem de dados não apenas aum= enta a eficiência e a amplitude da coleta de dados, mas também permite uma maior personalização no processo de extração ao adaptar-se às especificidades dos documentos em PDF. Por isso, essa técnica é utilizada em pesquisas empírica= s e meta-análises, visto que se torna possível realizar análises mais profundas= e abrangentes (Figueiredo Filho et al., 2014; Cassiano et al., 2016).<= /p>
Contudo, a r= aspagem de dados de PDFs apresenta alguns desafios, com= o a variabilidade na formatação dos documentos. Além das questões técnicas, há considerações éticas e legais relacionadas à extração de dados sem autoriza= ção, que devem ser cuidadosamente avaliadas para garantir a conformidade com as normas de direitos autorais e privacidade (Domingues & Domingues, 2023)= .
Além disso, = um dos desafios dos processos de automatização é a possibilidade de codificar vies= es existentes nas ferramentas automatizadas, levando a decisões que refletem as desigualdades do passado. Além disso, a automação pode não ser adepta de capturar nuances ou qualidades intangíveis, evidentes em uma revisão manual= .
Na etapa de modelagem matemática são empregados um conjunto de procedimentos que objeti= vam a construção de um paralelo que explique, matematicamente, os fenômenos presentes no cotidiano dos indivíduos, auxiliando-os a fazer predições e to= mar decisões (Burak, 1992). Quando corretamente aplicada, a modelagem matemática tem o potencial de identificar e mitigar vieses inerentes. Para ilustrar, técnicas de otimização podem ser aplicadas para garantir que uma variedade = de critérios seja considerada de forma equitativa, evitando a super-representa= ção de um único critério dominante.
Quando utili=
zada de
maneira judiciosa, a automatização pode também desempenhar um papel na prom=
oção
da equidade. Sistemas automatizados podem ser programados para não consider=
ar
fatores potencialmente enviesados, como origem étnica ou socioeconômica,
garantindo que as decisões sejam baseadas apenas em méritos acadêmicos e ou=
tros
critérios relevantes (Nobre, 2020; Rocha et al., 2020; Takakura
& Duarte, 2022). Portanto, a integração da modelagem matemática e autom=
ação
em processos seletivos acadêmicos oferece uma oportunidade para instituições
melhorarem a eficiência e a equidade de suas decisões de admissão. Entretan=
to,
recomenda-se abordar essa integração com cuidado e consciência para maximiz=
ar
seus benefícios e minimizar potenciais desafios.
Ao propor um= modelo de automação em processos seletivos acadêmicos, aspectos como eficiência, p= recisão e equidade precisam ser considerados para garantir sua adequação ao contexto acadêmico.
A eficiência= em seleções acadêmicas refere-se à capacidade de um sistema ou processo de realizar suas tarefas de seleção com o mínimo de desperdício de recursos e tempo (Chiavenato, 2009). Isso envolve a análise rápida e correta de candidaturas, bem como a tomada de decisões de admissão em tempo hábil (Chi= avenato, 2009). A precisão, por outro lado, foca na correção das decisões tomadas. Um processo preciso identifica e admite candidatos possivelmente qualificados e adequados para o programa ou curso em questão (Chiavenato, 2009). A equidade aborda a justiça e imparcialidade do processo de seleção, garantindo que to= dos os candidatos tenham a mesma oportunidade (Barreto et al., 2023).
Para avaliar= a eficiência de um modelo, pode-se utilizar métricas como tempo de processame= nto (Diverio et al., 1995). Para avaliar a qualidade predi= tiva do modelo, foram utilizadas métricas como Acurácia, Recall e Precisã= o (Strauss et al., 2023). Em relação à equidade, o modelo pode ser avaliado através da análise de grupos desfavorecidos (Rosa & Gonçalves, 2015).
A adoção de = modelos matemáticos no processo de seleção acadêmica tem o potencial de aumentar a objetividade e reduzir vieses humanos. No entanto, esses modelos são tão bo= ns quanto os dados e os critérios em que se baseiam. Se os dados históricos us= ados para treinar um modelo contêm vieses, o modelo também os terá (Barocas & Selbst, 201= 6).
Dito isso, t= écnicas modernas de modelagem oferecem maneiras de identificar e controlar vieses. = Ao combinar dados robustos, análise cuidadosa e revisão regular, é possível desenvolver modelos que promovam a justiça e a equidade na seleção acadêmic= a, garantindo que todos os candidatos sejam avaliados com base em seus méritos= e qualificações (Corbett-Davies et al., 2017).
3 METODOLOGIA
Este artigo consiste em pesquisa exploratóri=
a e
aplicada, conforme a classificação proposta por Gil (2010). As pesquisas
exploratórias têm como objetivo proporcionar maior familiaridade com o
problema, tornando-o explícito ou construindo hipóteses. Ao considerar a
natureza inovadora da proposta que consiste na integração da técnica de
entropia, na automatização para raspagem de dados e no método multicritério=
em
processos seletivos, é essencial uma abordagem exploratória que permite o
aprofundamento e a compreensão das variáveis envolvidas. Já o caráter aplic=
ado
da pesquisa corre da sua intenção prática de aperfeiçoar e otimizar process=
os
seletivos reais em contextos acadêmicos.
A princípio, foram coletados dados do proces=
so
seletivo de um curso de pós-graduação ofertado pelo Instituto Federal de
Brasília, objeto do estudo de caso desta pesquisa. Esse processo foi compos=
to
de duas etapas: 1) Análise curricular; 2) Carta de intenção. Na análise
curricular, os candidatos preenchem uma tabela com as suas respectivas
experiências profissionais, participação em eventos, apresentação de trabal=
ho e
produção acadêmica. Na etapa seguinte, a carta de intenção apresenta a
trajetória profissional/acadêmica e o interesse de pesquisa do candidato, c=
om
um mínimo de 800 e um máximo de 1000 palavras. Além disso, nesse processo, o
candidato também disponibiliza dados sensíveis como, por exemplo, o endereço
eletrônico do seu respectivo currículo Lattes. De maneira geral, ess=
es
dados contém informações sobre os documentos comprobatórios exigidos no pró=
prio
processo e, por isso, foram resguardados os devidos cuidados aos dados
sensíveis dos candidatos, conforme normas estabelecidas na Lei n. 13.709
(2018).
A seguir, estão detalhadas as etapas metodol=
ógicas
adotadas para o desenvolvimento deste artigo. Essas etapas são compostas de
três fases principais, cada uma dedicada a uma etapa específica do processo=
de
seleção: coleta de dados, identificação de critérios e avaliação multicrité=
rio.
3.1 Modelagem e= estruturação técnica
Na primeira =
etapa,
foi realizada uma raspagem de dados nos arquivos em formato PDF do processo
seletivo deste estudo por meio de linguagem de programação Python. F=
oi
adotado o uso de linguagem de programação Python para raspagem de
A depuração dos dados foi realizada por meio=
de
raspagem de dados, onde cada ocorrência identificada em cada critério foi
contabilizada. Essa abordagem permitiu uma análise quantitativa mais precis=
a e
uma avaliação qualitativa mais fundamentada.
Após a raspa=
gem dos
dados, foram identificados os critérios mais relevantes para o processo
seletivo. Para isso, foi utilizado o método de entropia, pois esse método
permite determinar a importância relativa de cada critério com base na
dispersão das informações. Nesta pesquisa, a entropia cond=
icional
quantificou a incerteza na classificação dos candidatos, aprovado ou não, d=
ada
a informação extraída dos documentos fornecidos (cartas de intenção e
currículos Lattes).
Na carta de intenção, a entropia ajudou a discernir a clareza e a coerência das motivaç= ões e objetivos do candidato, assim como o alinhamento destes com os objetivos = do programa. Por outro lado, no currículo Lattes, a entropia quantifico= u a relevância e a diversidade das experiências acadêmicas e profissionais, avaliando a profundidade e a amplitude das realizações dos candidatos.
A análise re= velou que as variáveis “Qualidade da Escrita” contida na carta de intenção e “Qualidade da Escrita” contida no currículo Lattes possuem as menores entropias condicionais, indicando que esses elementos são fortes indicadores para determinar a aprovação de um candidato. A baixa entropia condicional sugere que estas variáveis são fortes indicadores do resultado final de aprovação ou não aprovação, proporcionando uma base sólida para a tomada de decisão. Isso implica que a qualidade da escrita, tanto na carta de intenção quanto no currículo Lattes, deve ser um critério chave no processo de seleção. Esta conclusão é suportada pela entropia condicional combinada de = zero para pares como “Qualidade da Escrita” da carta de intenção e “Qualificaçõe= s” do currículo Lattes e “Qualidade da Escrita” na carta de intenção e = “Qualidade da Escrita” no currículo Lattes. Tais combinações indicam uma forte interdependência entre estas variáveis, reforçando ainda mais a importância= da qualidade da escrita na seleção dos candidatos.
Portanto, pa= ra a tomada de decisão no processo seletivo, recomenda-se a implementação de critérios rigorosos de avaliação da qualidade da escrita nas cartas de inte= nção e nos currículos Lattes dos candidatos. No contexto do presente estu= do, a aplicação da análise de entropia revelou uma sinalização sobre as variáve= is mais informativas no processo de seleção.
A Tabela 1 r= esume as entropias condicionais das variáveis individuais e das combinações de variáveis, oferecendo uma visão quantitativa da importância relativa de cada uma delas no contexto da decisão de aprovação de candidatos.
Tabela
1
Quadro-resumo
da análise de entropia para avaliação de processo seletivo
|
Categoria |
Variável/Combinação de variáveis |
Entropia condicional |
| Variáveis individuais | Qualidade da Escrita (CI) | 0.097 |
|
Qualidade da Escrita (CL) |
0.099 |
|
|
Combinação de duas variáveis |
Qualidade da Escrita (CI) e Qualificaç= ões (CL) |
0.000 |
|
Qualidade da Escrita (CI) e Qualidade = da Escrita (CL) |
0.000 |
|
|
Experiência Prévia (CI) e Qualidade da Escrita (CI) |
0.000 |
|
|
Objetivos Profissionais (CI) e Qualida= de da Escrita (CI) |
0.032 |
|
|
Objetivos Profissionais (CI) e Qualida= de da Escrita (CL) |
0.032 |
Nota: CI =3D Carta de Intenção; CL =3D Currículo Lattes.
Para aplicar= o método AHP-TOPSIS-2N na avaliação do processo seletivo, foi desenvolvida uma matriz de decisão que ressalta a relevância das tradições de critérios propostos pela AHP. Nesta matriz, apresentada na Tabela 2, cada candidato é avaliado com base em critérios específicos, como ‘Experiência Acadêmica e Publicações’, ‘Qualificações Profissionais e Desempenho Acadêmico’, entre outras interações pertinentes. Os valores numéricos atribuídos a esses critérios, especificados pela ocorrência computada dos respectivos elemento= s, refletem uma avaliação precisa e específica de cada candidato.
Tabela
2
Estrutura
da matriz de decisão formatada
|
ID Candidato |
Qualidade Escrita e Qualificações |
Qualidade Escrita Carta e Lattes=
|
Experiência e Qualidade Escrita |
Objetivos e Qualidade Escrita Carta=
|
Objetivos e Qualidade Escrita La=
ttes |
|
| Candidato 1 | Valor numérico | Valor numérico | Valor numérico | Valor numérico | Valor numérico | |
| Candidato 2 | Valor numérico | Valor numérico | Valor numérico | Valor numérico | Valor numérico | |
|
Candidato |
Valor numérico |
Valor numérico |
Valor numérico |
Valor numérico |
Valor numérico |
|
O processo d=
e tomada
de decisão para a seleção dos candidatos foi estruturado utilizando o método
AHP-TOPSIS-2N, com uma abordagem específica que permite a diferenciação e
ponderação classificada entre critérios qualitativos e quantitativos. A
modelagem do problema envolveu várias etapas fundamentais para garantir a
robustez e a eficácia da análise. Inicialmente, o AHP foi aplicado para
determinar os pesos dos critérios, considerando os aspectos quantitativos e
qualitativos. Em seguida, o método TOPSIS foi utilizado para classificar os
candidatos com base nos critérios ponderados.
A entropia, neste caso, serviu como uma medi= da da distribuição e da variação das informações relativas aos candidatos em cada critério. Ao captar a frequência de ocorrência de cada candidato em cada critério, a entropia condicional permi= tiu identificar padrões de concentração ou dispersão. Isso pode ser particularm= ente útil para identificar áreas onde os candidatos são fortes ou fracos em comparação uns com os outros.
A etapa segu= inte consiste na aplicação do método AHP-TOPSIS-2N, utilizando du= as normalizações diferentes que produzem os resultados. Por se tratarem de critérios quantitativos, os dados apurados para cada candidato foram inseri= dos, adotando-se a técnica de avaliação de desempenho de alternativas através da similaridade da mesma com uma solução ideal e também levando em conta a avaliação dos critérios segundo a Escala de Saaty pelos responsáveis pelas decisões. De acordo com essa técnica, a melhor alternativa é aquela mais próxima da solução ideal e mais distante da solução não ideal (Bozza et al., 2020)<= /span>. Neste contexto, os critérios foram tratados como monotônicos de vantagem, o= nde valores maiores indicam uma preferência maior.
Na etapa final, foi realizada a indicação das
prioridades entre os critérios. Para ajustar as prioridades no AHP, cada pa=
r de
critérios deve ser reavaliado com base na sua importância relativa ao objet=
ivo
do processo de seleção. Pode-se ainda, dada a avaliação da comissão de sele=
ção,
determinar tais prioridades entre os pares de critérios, sendo esta abordag=
em
vinculada ao edital de convocação pública como procedimento.
A Tabela 3 ap=
resenta as
escalas adotadas entre os critérios para aplicação do método AHP. Neste estudo de caso, foram arbit=
radas
tais prioridades na tentativa justificada de manter a coerência e equidade =
nos
procedimentos.
Tabela 3
Escalas adotadas entre os critério= s para aplicação do método AHP
|
Critério 1 |
Critério 2 |
Escala adotada |
|
Experiência (CI) e Escrita (CI) |
Objetivos (CI) e Escrita (CI) |
3 |
|
Experiência (CI) e Escrita (CI) |
Escrita (CI) e Qualificações (CL) |
2 |
|
Experiência (CI) e Escrita (CI) |
Escrita (CI) e Escrita (CL) |
1 |
|
Experiência (CI) e Escrita (CI) |
Objetivos (CI) e Escrita (CL) |
1 |
|
Objetivos (CI) e Escrita (CI) |
Escrita (CI) e Qualificações (CL) |
1 |
|
Objetivos (CI) e Escrita (CI) |
Escrita (CI) e Escrita (CL) |
1 |
|
Objetivos (CI) e Escrita (CI) |
Objetivos (CI) e Escrita (CL) |
1 |
|
Escrita (CI) e Qualificações (CL) |
Escrita (CI) e Escrita (CL) |
1 |
|
Escrita (CI) e Qualificações (CL) |
Escrita (CI) e Escrita (CL) |
5 |
|
Escrita (CI) e Qualificações (CL) |
Objetivos (CI) e Escrita (CL) |
4 |
Nota: CI =3D Carta de Intenção; CL=
=3D
Currículo Lattes.
A experiência profissional previamente docum=
entada
é considerada mais crítica para o sucesso do que as intenções futuras. Isso
pode justificar um ajuste para favorecer a experiência sobre os objetivos,
ambos descritos na carta de intenção. Por isso, atribuiu-se um valor de 3 na
escala AHP, indicando que a experiência e a qualidade da escrita são
moderadamente mais importantes.
A qualidade do currículo Lattes é ele=
mento
importante ao processo, mas a experiência específica articulada na carta é
percebida como um melhor indicador de desempenho futuro. Nesse caso, pode-se
dar um pouco mais de peso à experiência. Portanto, deu-se um valor de 2,
mostrando uma importância ligeiramente maior. Qualificações documentadas no
currículo Lattes podem ser vistas como uma base sólida para a tomada=
de
decisão, indicando conquistas passadas e habilidades verificáveis. Logo, at=
ribui-se
um valor de 5, indicando uma importância fortemente maior.
A consistência na qualidade da escrita entre
diferentes documentos é vista como um indicador de atenção e rigor, isso po=
de
ser considerado mais importante do que os objetivos expressos. Indica-se aq=
ui
um valor de 4, refletindo uma importância maior. Já considerando que a
consistência na qualidade da escrita pode ser um indicador de comunicação
eficaz, importante para o ambiente acadêmico, atribui um valor de 1, indica=
ndo
igual importância, assumindo que ambos são importantes, mas não um mais do =
que
o outro.
A conclusão do processo resultou na classifi=
cação final
dos candidatos ao apresentar a relação dos candidatos e suas respectivas
pontuações obtidas em ordem decrescente, sendo os primeiros colocados com a
melhor pontuação no pleito.
4 APRESENTAÇÃO = DOS RESULTADOS
Nesta seção, apresentamos os resultados da
aplicação do método AHP-TOPSIS-2N na classificação dos candidatos em um
processo seletivo competitivo. Foram analisados 62 candidatos, dos quais
destacamos as 15 primeiras colocações com base em critérios cuidadosamente
selecionados e ponderados. A Tabela 4 mostra os resultados da primeira
normalização, enquanto a Tabela 5 apresenta os resultados do segundo
procedimento de normalização.
Na Tabela 4, observa-se que o candidato 2
destaca-se com uma pontuação relativa de satisfação (RS) de 0.9810, seguido
pelo candidato 5 (RS de 0.5629) e 36 (RS de 0.5286). Estes resultados refle=
tem
uma combinação de proximidade à solução ideal positiva e distância da soluç=
ão
ideal negativa, com o 2 apresentando uma distância D+ significativamente ba=
ixa
(0.0018) e uma distância D- relativamente alta (0.0904), sugerindo um perfil
bem alinhado aos critérios estabelecidos.
Tabela 4
Avaliação de candidatos em processo
seletivo a partir do procedimento 1
|
ID Candidato |
D+ |
D- |
RS |
|
2 |
0.0018 |
0.0904 |
0.9810 |
|
5 |
0.0432 |
0.0556 |
0.5629 |
|
36 |
0.0433 |
0.0485 |
0.5286 |
|
41 |
0.0588 |
0.0337 |
0.3642 |
|
11 |
0.0655 |
0.0339 |
0.3410 |
|
3 |
0.0629 |
0.0297 |
0.3210 |
|
40 |
0.0670 |
0.0273 |
0.2897 |
|
23 |
0.0686 |
0.0243 |
0.2619 |
|
48 |
0.0798 |
0.0281 |
0.2604 |
|
37 |
0.0694 |
0.0236 |
0.2540 |
|
33 |
0.0714 |
0.0218 |
0.2334 |
|
10 |
0.0715 |
0.0216 |
0.2323 |
|
31 |
0.0721 |
0.0211 |
0.2263 |
|
55 |
0.0748 |
0.0195 |
0.2064 |
|
42 |
0.0843 |
0.0205 |
0.1954 |
Nota: D+ =3D distância para a solu=
ção ideal
positiva; D- =3D distância para a solução ideal negativa; RS =3D proximidade
relativa.
A Tabela 5 reforça a superioridade do candid=
ato 2
com uma RS de 0.9790, mesmo sob um regime de normalização alternativo, o que
indica a robustez dos resultados. O candidato 5 mantém-se em posição
proeminente (RS de 0.6223), seguido pelo candidato 36 (RS de 0.5821). A
consistência na classificação dos candidatos entre as duas normalizações su=
gere
que a metodologia AHP-TOPSIS-2N é resiliente a variações na abordagem de
normalização dos dados.
Tabela 5
Avaliação de candidatos em processo
seletivo a partir do procedimento 1
|
ID Candidato |
D+ |
D- |
RS |
|
2 |
0.0099 |
0.4616 |
0.9790 |
|
5 |
0.1949 |
0.3210 |
0.6223 |
|
36 |
0.2008 |
0.2797 |
0.5821 |
|
41 |
0.2764 |
0.2158 |
0.4384 |
|
11 |
0.3057 |
0.2222 |
0.4209 |
|
3 |
0.2971 |
0.1992 |
0.4013 |
|
40 |
0.3324 |
0.1840 |
0.3564 |
|
23 |
0.3264 |
0.1775 |
0.3523 |
|
37 |
0.3304 |
0.1747 |
0.3459 |
|
48 |
0.3807 |
0.1975 |
0.3416 |
|
33 |
0.3410 |
0.1676 |
0.3296 |
|
10 |
0.3416 |
0.1672 |
0.3287 |
|
31 |
0.3447 |
0.1652 |
0.3239 |
|
32 |
0.3649 |
0.1530 |
0.2954 |
|
17 |
0.3697 |
0.1503 |
0.2891 |
Nota: D+ =3D distância para a solu=
ção ideal
positiva; D- =3D distância para a solução ideal negativa; RS =3D proximidade
relativa.
É importante notar que, apesar da variação n=
os
valores absolutos das distâncias D+ e D- entre os dois procedimentos, a ord=
em
relativa dos candidatos permaneceu quase inalterada, indicando a confiabili=
dade
do método em determinar a classificação dos candidatos. Os candidatos que
aparecem nas primeiras posições demonstraram um perfil holístico que equili=
bra
tanto a excelência documentada em seu currículo Lattes quanto a
articulação e clareza de objetivos e experiências em suas cartas de
apresentação.
Os resultados obtidos são um testemunho da
eficácia do método AHP-TOPSIS-2N em discernir as sutilezas entre os candida=
tos,
proporcionando um julgamento quantitativo que é essencial para uma seleção
justa e objetiva. A aplicação deste método revela-se uma ferramenta valiosa
para comitês de seleção, permitindo uma comparação multifacetada e uma
classificação discriminante entre um grande número de candidatos.
5 DISCUSSÕES
5.1 Quanto aos = aspectos metodológicos
Os métodos de normalização utilizados no AHP-TOPSIS-2N são utilizados para padronizar os valores dos critérios, permitindo que eles sejam comparados em uma escala comum, independentemente de suas unidades originais ou magnitudes. Normalme= nte, existem dois métodos comuns de normalização: o linear e o vetorial. No méto= do linear, os valores são ajustados para uma escala comum, frequentemente de 0= a 1, onde 0 representa a menor preferência e 1 a maior. No método do vetor, os valores são divididos pelo vetor norma dos critérios, resultando em uma esc= ala unitária que preserva as relações de proporcionalidade.
A discussão = dos resultados obtidos através do método AHP-TOPSIS-2N deve considerar a relevâ= ncia e o peso de cada estratégia prevista no processo seletivo. Por exemplo, se critérios como experiência profissional e qualificações acadêmicas são altamente ponderados, a classificação dos candidatos deve refletir a priori= dade dada a estes aspectos. A consistência dos resultados entre diferentes métod= os de normalização indica que os candidatos selecionados como os mais adequados possuem atributos que são robustos e consistentes, independentemente do mét= odo de normalização aplicado.
A interpreta= ção deste contexto no processo seletivo deve considerar que os resultados obtid= os pelos candidatos refletem uma agregação quantitativa das avaliações de múltiplos critérios, traduzindo-se em uma medida de sua justiça global para= a carga ou função em questão. Candidatos com resultados mais altos são considerados mais alinhados com o perfil desejado. Esses candidatos não demonstram apenas excelência individual em determinados critérios, mas tamb= ém um equilíbrio entre todos os aspectos avaliados. Isso sugere que esses candidatos têm o potencial de desempenhar suas funções de forma mais eficaz= e contribuir significativamente para os objetivos da organização ou instituiç= ão educacional.
5.2 Quanto à li= teratura
Na discussão= dos achados deste estudo no contexto da literatura existente, os modelos predit= ivos são utilizados para identificar padrões de desempenho dos alunos e fornecer alertas tanto para os estudantes quanto para os docentes (Funchal et al., 2= 016; Souza, 2021; Morais et al., 2023; Oliveira & Medeiros, 2024). Nesse cenário, é possível expandir as aplicações de modelos preditivos como instrumentos para a melhoria dos processos de seleção acadêmica.
Os resultados obtidos através dos métodos alinham-se com os princípios de eficiência, precisão e equidade. A metodologia empregada oferece uma análise rápida das candidaturas, atendendo à demanda por eficiência. Isso se reflete no tempo necessário para analisar e classificar um grande volume de candidatos, uma métrica indicada para avaliar a eficiência do modelo (= Diverio et al., 1995). A precisão do AHP-TOPSIS-2N é demonstrada pela sua capacidad= e de diferenciar sutilezas entre os candidatos, o que está em consonância com as observações de Kuncel et al. (2005) ao enfatiza= rem a importância de identificação de candidatos verdadeiramente qualificados.
Quanto à equ= idade, o método AHP-TOPSIS-2N pode ser considerado um avanço no sentido de atender às preocupações de Barreto et al. (2023), já que promove uma avaliação imparci= al dos candidatos, baseando-se nas considerações em méritos quantitativos e qualitativos, sem espaço para discriminação subjetiva ou inconsciente. Este aspecto é crítico, visto que a análise de grupos desfavorecidos e a prevenç= ão de vieses são centrais para a equidade do processo (Rosa & Gonçalves, 2015).
No entanto, = Barocas e Selbst (2016) a= lertam que a objetividade de tais modelos está intrinsecamente ligada à qualidade = e à imparcialidade dos dados e critérios utilizados. Portanto, os resultados de= ste estudo também reforçam a necessidade de uma seleção cuidadosa de critérios e uma revisão constante dos dados utilizados. Por isso, esses resultados estã= o em conformidade com as recomendações de Corbett-Da= vies et al. (2017) para o desenvolvimento de modelos que promovam justiça e equidade. Ao implementar o método proposto, esta pesquisa também contribui = para a literatura que explora formas de controlar processos complexos, uma vez q= ue a metodologia oferece uma abordagem estruturada e transparente que pode ser auditada e ajustada para melhorar continuamente a justiça da seleção= .
6 CONSIDERAÇÕES= FINAIS
Este estudo abord=
ou o
processo de seleção acadêmica por meio do método AHP-TOPSIS-2N, uma abordag=
em
analítica que visa melhorar a eficiência, precisão e equidade da seleção de
candidatos em pós-graduações. A literatura atual aponta para uma crescente
necessidade de métodos que reduzam o desperdício de tempo e recursos e prom=
ovam
decisões justas e imparciais. No entanto, uma limitação recorrente nos estu=
dos
existentes é a tendência de subestimar as visões inerentes aos dados e aos
critérios utilizados para modelos treinados matemáticos de seleção, conforme
planejado por Barocas e Selbst (2016).
As contribuições =
deste artigo
residem na aplicação prática de uma metodologia robusta que fornece uma aná=
lise
quantitativa detalhada dos candidatos, conduzindo um processo de seleção ma=
is
fundamentado e transparente. Também foi demonstrado que o método AHP-TOPSIS=
-2N
pode efetivamente classificar um grande número de candidatos com consistênc=
ia,
mesmo quando solicitado a diferentes métodos de normalização, destacando a
confiabilidade e a validade da abordagem.
Apesar dos avanço=
s,
este estudo não explora o impacto de dados históricos vistos na modelagem f=
inal
e na decisão. Este é um campo fértil para investigações futuras, pois o
reconhecimento e a mitigação de vieses são essenciais para a integridade de
qualquer processo seletivo. Além disso, embora se tenha abordado a eficiênc=
ia e
a precisão, a mensuração da equidade em processos de seleção permanece como=
uma
lacuna de pesquisa, como também uma automatização total, desde a estruturaç=
ão,
tratamento dos dados e aplicação metodológica para os resultados finais. Ne=
ssa
perspectiva, trabalhos futuros poderiam se concentrar em estudar análises m=
ais
refinadas para avaliar e garantir a equidade, particularmente em relação a
grupos desfavorecidos.
Como perspectiva =
de
trabalho futuro, sugere-se a implementação de técnicas de aprendizado de
máquina para avaliar e corrigir possíveis vieses nos critérios de seleção. =
Além
disso, recomenda-se uma expansão do estudo para incluir comparações
interculturais e interinstitucionais para validar a generalização do método
AHP-TOPSIS-2N em diferentes contextos acadêmicos. Outra possível frente fut=
ura
de pesquisa se concentra em um mapeamento de todo o processo para uma propo=
sta
de automatização computacional completa. A longo prazo, espera-se que tais
melhorias nos modelos de seleção acadêmica contribuam para processos mais
céleres, justos e equitativos, alinhados com as necessidades e valores de u=
ma
sociedade em constante evolução.
REFERÊNCIAS
Aguiar, E. S., Silva, V. B. S., & Schramm, F.
(2015). Proposta de um procedimento para a seleção de candidatos à bolsa
auxílio do PNAES. In Anais do XLVII - Simpósio Brasileiro de Pesquisa
Operacional, Porto de Galinhas, PE.
https://www.din.uem.br/sbpo/sbpo2015/pdf/142674.pdf
Awasthi=
, A., & Chauhan, S. S. (2011). Using AHP and
Dempster–Shafer theory for evaluating sustainable transport solutions. E=
nvironmental
Modelling & Software, 26(6), 787-796. https://doi.org/10.101=
6/j.envsoft.2010.11.010
Barreto, J. C., Stefano,=
E.,
Freitag, A. E. B., Santana, W. A., & Picoli=
, M.
A. (2023). Cur=
rículo
inclusivo: uma proposta para equidade e efetividade nos processos de
recrutamento. Revista de Gestão e Secretariado, 14(5), 7586–7607. ht=
tps://doi.org/10.7769/gesec.v14i5.2139
Barocas, S., & Selbst,<=
/span>
A. D. (2016). =
Big Data's Disparate Impact. California Law
Review, 104(3), 671-732. https://dx.doi.org/10.2139/ssrn.2477899=
Behzadian, M., Otaghsara, S. =
K.,
Yazdani, M., & Ignatius, J. (2012). A state-of the-art survey of TOPSIS
applications. Expert Systems with Applications, 39(17), 13051-13069.=
https://doi.org/10.1016/j.eswa.2012.05.056
Boettiger, C. (2015). An
introduction to Docker for reproducible research. ACM SIGOPS Operating
Systems Review, 49(1), 71-79. https://doi.org/10.1145/2723872.2723882
Bozza, G., Ruy, M. M.,
Santos, M., Moreira, M. A. L., Rocha Junior, C. S., & Gomes, C. F. S.
(2020). Three Decision Methods (3DM) Software Web (v. 1).
https://www.3decisionmethods.com/3DM/index.html
Brynjolfsson, E., & =
Hitt,
L. M. (2000). Beyond Computation: Information Technology, Organizational
Transformation and Business Performance. Journal of Economic Perspective=
s,
14(4), 23-48. https://doi.org/10.1257/jep.14.4.23
Burak, D. (1992). Modelagem Matemática:
ações e interações no processo de ensino-aprendizagem [Tese de Doutorado,
Universidade Estadual de Campinas]. Repositório Institucional da UNICAMP.
https://www.psiem.fe.unicamp.br/content/modelagem-matematica-acoes-e-intera=
coes-no-processo-de-ensino-aprendizagem
Cassiano, C. N., Lima, L. C., & Zuppani, T. S. (2016). A eficiência das redes sociais=
em
processos de recrutamento organizacional. NAVUS – Revista de Gestão e
Tecnologia, 6(2), 52-67. https://doi.org/10.22279/navus.2016.v6n2.p52-6=
7.362
Chiavenato, I. (2009). Planejamento, recrutam=
ento
e seleção de pessoal: como agregar talentos à empresa. (7. ed.). Manole.
Corbett-Davies, S., Pier=
son,
E., Feller, A., Goel, S., & Huq, A. (2017). Algorithmic Decision Making=
and
the Cost of Fairness. Proceedings of the 23rd ACM SIGKDD International
Conference on Knowledge Discovery and Data Mining, New York, NY. http=
s://doi.org/10.1145/3097983.3098095
Coordenação de Aperfeiçoamento de Pessoal de Nív=
el
Superior. (2010). Relatório de Avaliação 2007-2009, Trienal 2010. ht=
tp://trienal.capes.gov.br/wp-content/uploads/2011/02/RELAT%C3%93RIO-DE-AVAL=
IA%C3%87%C3%83O_ADMINISTRA%C3%87%C3%83O.pdf
Cunha, L. A. C. R. (1974). A pós-graduação no
Brasil: função técnica e função social. Revista de Administração de
Empresas, 14(5), 66–70. https://doi.org/10.1590/S0034-75901974000500006=
Diverio, T., Navaux, P., &a=
mp;
Claudio, D. (1995). Alto Desempenho e Eficiência em Processamento Numérico.=
Anais
do VII Simpósio de Arquitetura de Computadores e Processamento de Alto
Desempenho, Porto Alegre, RS. https://doi.org/10.5753/sbac-pad.1995.198=
67
Domingues, J., & Domingues, D. M. (2023). De=
svendando
o passado: autenticidade de documentos digitalizados na realização de uma n=
arrativa
histórica na educação matemática. Convergências: Estudos em Humanidades
Digitais, 1(3), 66-80. https://doi.org/10.59616/cehd.v1i03.617
Fernandes, D. Y. S., & Rêgo, A. S. C. (2023)=
. Viés,
ética e responsabilidade social em modelos preditivos. Computação Brasil=
,
(51), 19-23. https://doi.org/10.5753/compbr.2023.51.3988
Figueiredo Filho, D. B., Rocha, E. C., Paranhos,=
R.,
Silva, A. H., Silva Junior, J. A., Oliveira, L. E., & Alves, D. P. (201=
4). Análise
fatorial garantida ou o seu dinheiro de volta: uma introdução à redução de
dados. Revista Eletrônica de Ciência Política, 5(2), 185-211. http:/=
/dx.doi.org/10.5380/recp.v5i2.40368
Funchal, J. P. S., Rodrigues, A. S. P., &
Borges, E. N. (2016). Um modelo preditivo para estudo da evasão na graduação
utilizando mineração de dados. RETEC - Revista de Tecnologias, 9(3),
74-84. https://www.fatecourinhos.edu.br/retec/index.php/retec/article/view/=
262
Kahneman, D. (2012). Rápido e devagar: duas
formas de pensar. (1. ed.). Objetiva.
Gil, A. C. (2010). <=
i>Como elaborar projeto=
s de
pesquisa. <=
/span>(5. ed.). Atlas.
Hwang, CL., & Yoon, =
K. (1981).
Methods for Multiple Attribute Decision Making. In Multiple Attribute
Decision Making. Springer.
Igarashi, D. C. C., Enss=
lin,
S. R., Ensslin, L., & Paladini, E. P. (2008). A qualidade do ensino=
sob
o viés da avaliação de um programa de pós-graduação em contabilidade: propo=
sta
de estruturação de um modelo híbrido. Revista de Administração, 43(2=
),
117-137. https://www.revistas.usp.br/rausp/article/view/44471
Kuncel, N. R., Credé, M., =
&
Thomas, L. L. (2005). The Validity of Self-Reported Grade Point Averages, C=
lass
Ranks, and Test Scores: A Meta-Analysis and Review of the Literature. Review of Educational Research, 75<=
/span>(1), 63-82. https://d=
oi.org/10.3102/00346543075001063
Lei n. 9.394, de 20 de dezembro de 1996. (1996). Estabelece =
as
diretrizes e bases da educação nacional. Brasília, DF.
Lei n. 13.709, de 14 de agosto de 2018. (2018). Lei Geral de
Proteção de Dados Pessoais (LGPD). Brasília, DF.
Leite, D., Tutikian,=
J.,
& Holz, N. (2000). Avaliação e compromisso: construção e prática da
avaliação institucional em uma universidade pública. Editora da
Universidade Federal do Rio Grande do Sul.
Morais, D. M. G., Souza, H. R., & Silva, V. =
B.
(2023). Modelo preditivo do desempenho acadêmico: um estudo para a discipli=
na
de Cálculo Diferencial e Integral para Engenharias. FTT
Journal of Engineering and Business, 1(8),
47-68. https://saijournal.cefsa.org.br/index.php/FTT/article/view/509
Munzert, S., Rubba, C., Meißner, P., &=
amp;
Nyhuis, D. (2014). Automated Data Collection with R: A Practical Guide to
Web Scraping and Text Mining. John Wiley & Sons.
Neeraj, Goraya, M. S., &=
amp;
Singh, D. (2019). A Ranking Based Model for Selecting Optimum Cloud
Geographical Region. International
Journal of Innovative Technology and Exploring Engineering (IJITEE), 8(=
10),
793-797. https://doi.org/10.35940/ijitee.J8908.0881019
Nickerson, R. S. (1998).=
Confirmation
Bias: A Ubiquitous Phenomenon in Many Guises. Review of General Psycholo=
gy,
2(2), 175-220. https://doi.org/10.1037/1089-2680.2.2.175
Nobre, D. K. (2020). Processo Penal e Direito Humanos: notas iniciais sobre sistemas que utilizam inteligência artificial= em julgamento. In De Souza Junior, A. B., Ferreira, D. D., Almeida, M. P., &am= p; Filpo, K. P. L.(Orgs= .), Dimensões jurídicas dos direitos humanos – vol. 4 (pp. 83-92). Pembroke Collins.<= o:p>
Oliveira, R. S., & Medeiros, F. P. A. (2024).
Modelo de Predição de Evasão Escolar com Base em Dados de Autoavaliação de
Cursos de Graduação. Revista Brasileira de Informática na Educação, 32,
1–21. https://doi.org/10.5753/rbie.2024.3542
Oliveira, R., Montez, C., & Wangham,
M. (2020). Projeto Integrado de Controle de Pelotões baseado em Consenso e =
um
Protocolo de Disseminação de Dados Confiável. Anais do XXXVIII Simpósio
Brasileiro de Redes de Computadores e Sistemas Distribuídos, Porto Aleg=
re,
RS. https://doi.org/10.5753/sbrc.2020.12302
Rocha, C. J., Porto, L. V., & Abaurre, H. E.
(2020). Discriminação algorítmica no trabalho digital. Revista de Direit=
os
Humanos e Desenvolvimento Social, 1, 1-21. https://doi.org/10.24220/267=
5-9160v1e2020a5201
Romero, C., Ventura, S.,
& García, E. (2008). Data mining in course management systems: Moodle c=
ase
study and tutorial. Computers & Education, 51(1), 368-384. https=
://doi.org/10.1016/j.compedu.2007.05.016
Rosa, C. M., & Gonça=
lves,
A. M. (2015). A política de cotas na UFG: desvelando o perfil =
dos
estudantes cotistas. Revista NUPEM, 7(1), 47-66. https://doi.org/10.=
33871/nupem.v7i12.251
Saaty, T. L. (1980). The
Analytic Hierarchy Process. McGraw-Hill.
Saaty, T. L. (2008). Dec=
ision
making with the analytic hierarchy process. International Journal of
Services Sciences, 1(1), 83-98. https://doi.org/10.1504/IJSSCI.2008.017=
590
Santos, D. J., &
Machado, M. A. S. (2018). A multicriterary appr=
oach
to decision-making in personal allocation using the to=
do
method. International Contemporary
Management Review, 1(1), 1-19. https://www.icmreview.com/icmr/article/v=
iew/17
Shahiri, A. M., Husain, W., & Rashid, N. A. (2015).=
A
Review on Predicting Student's Performance Using Data Mining Techniques.
Shannon, C. E. (1948). A
mathematical theory of communication. The Bell System Technical Journal,=
27(3),
379-423. https://doi.org/10.1002/j.1538-7305.1948.tb01338.x
Silva, D. J. M., & Silva, M. A. (2016). Perf=
il
dos processos seletivos dos programas de pós-graduação stricto sensu em
ciências contábeis no brasil. Revista CAMINE: Caminhos da Educação, 8(1),
88-118. https://periodicos.franca.unesp.br/index.php/caminhos/article/view/=
1709
Soares, S. V., Will, A. =
R.,
Miranda, M. P., & Pfitscher, E. D. (2011). =
Pós-graduação em ciên=
cias
contábeis no brasil: contexto e processo de seleção. Revista Ambiente
Contábil, 3(2), 59–74. https://periodicos.ufrn.br/ambiente/article/view=
/1357
Souza, R. R., Lima, M. V. A., & Correa, A. C.
(2014). Influência da concessão de bolsa de estudos na produtivdade
acadêmica dos estudantes de administração ao nível pós-graduação stricto se=
nsu
no brasil. XIV Colóquio Internacional de Gestão Universitária,
Florianópolis, SC. https://core.ac.uk/download/pdf/30408105.pdf
Souza, V. F. (2021). Mineração de dados educacio=
nais
com aprendizagem de máquina. Revista Educar Mais, 5(4), 766–787. htt=
ps://doi.org/10.15536/reducarmais.5.2021.2417
Strauss, E., Bôas Júnior, M. V., & Ferreira,=
W.
L. L. (2022). A importância de utilizar métricas adequadas de avaliação de
performance em modelos preditivos de machine learning. Projectus,
7(2), 52-62. https://doi.org/10.15202/25254146.2022v7n2p52
Takakura, F. I., & Duarte, L. G. M. (2022). Inteligê=
ncia
artificial no direito: dilemas e contribuições. Revista de Direito,
Inovação, Propriedade Intelectual e Concorrência, 8(1), 1-23. https://w=
ww.indexlaw.org/index.php/revistadipic/article/view/8633
Thorndike, E. (1920). A
constant error in psychological ratings. Journal of Applied Psychology, =
4(1),
25–29. http://dx.doi.org/10.1037/h0071663
Trevizano, W. A., & Freitas, A. L. P. (2005). =
Emprego do Método da
Análise Hierárquica (A.H.P.) na seleção de processadores. XXV Encontro
Nacional de Engenharia de Produção, Porto Alegre, RS. https://doi.org/1=
0.13140/2.1.3576.3201
Triantaphyllou, E. (2000=
). Multi-Criteria
Decision Making Methods: A comparative Study. (1. ed.). Springer.
Zeleny, M. (1982). Mu=
ltiple
Criteria Decision Making. McGraw-Hill.
Aprimorando Seleções Acadêmi=
cas
com Técnicas de Entropia e Método AHP-TOPSIS-2N
Daniel Soares de
Souza; Pedro Carvalho Brom; André Araújo Luchine; Lucas Santos de Oliveira
|
IS=
SN
2237-4558 •<=
/span> Navus • <=
/span>Florianópolis
• SC • <=
/span>v.
14 • p. 01- |
|
|
ISSN 2237-4558 • Navus • &n=
bsp;Florianópolis •
SC • v.9
• n.2 • <=
/span>p.
XX-XX • abr./jun. 2019 |
|