Resumen Ante la complejidad de los fenómenos que conducen a la deserción, se sistematizó un método que simplifica la elaboración de un diagnóstico, permitiendo estructurar y agrupar las dificultades más reportadas, posibilitando enumerar las estrategias más adecuadas para contribuir a la permanencia y culminación de la graduación. La investigación se caracteriza por ser exploratoria y descriptiva, utilizando el análisis de documentos para apoyar el desarrollo de cuestionarios estructurados y objetivos. Para la aplicación se utilizó un método no probabilístico, en el que se obtuvieron 5.041 encuestados de todas las carreras de grado de la UFMT (33% no afines, 37% vinculados y 29% egresados), totalizando cerca del 10% de la población entre 2013 y 2019. La ponderación y agrupación de las dificultades permitió captar diferentes perspectivas de los estudiantes. Dificultades relacionadas con el aprendizaje, la estructura de la carrera y el cuerpo docente fueron mencionadas con frecuencia, lo que permitió priorizar estrategias para los gestores de las carreras y de la institución. deserción diagnóstico reportadas graduación descriptiva objetivos probabilístico 5041 5 041 5.04 33% 33 (33 afines 37 29 egresados, egresados , egresados) 10 201 2019 estudiantes aprendizaje frecuencia institución 504 04 5.0 3 (3 2 1 20 50 0 5. (

Abstract In view of the complexity of the phenomena that lead to dropout, this paper systematized a method that simplifies the elaboration of a diagnosis, allowing to structure and group the most reported difficulties, making it possible to relate the most appropriate strategies to contribute to the permanence and completion of undergraduate degrees by students. The research is characterized as exploratory and descriptive, using documentary analysis to support the development of structured and objective questionnaires. For application, a non-probabilistic method was used, in which 5,041 respondents were obtained from all undergraduate courses at UFMT (33% disenrolled, 37% enrolled and 29% alumni), totaling about 10% of the population between 2013 and 2019. The weighting and aggregation of difficulties made it possible to capture different perspectives of the students. Difficulties related to learning, course structure and teaching staff were often mentioned, allowing the prioritization of strategies for managers of the courses and the institution. dropout diagnosis students descriptive questionnaires application nonprobabilistic non probabilistic used 5041 5 041 5,04 33% 33 (33 disenrolled 37 29 alumni, alumni , alumni) 10 201 2019 learning mentioned institution 504 04 5,0 3 (3 2 1 20 50 0 5, (

Resumo Diante da complexidade dos fenômenos que levam à evasão, foi sistematizado um método que simplifica a elaboração de um diagnóstico, permitindo estruturar e agrupar as dificuldades mais relatadas, possibilitando relacionar as estratégias mais adequadas para contribuir com a permanência e a conclusão de estudantes. A pesquisa caracteriza-se como exploratória e descritiva, utilizando a análise documental para subsidiar a elaboração de questionários estruturados e objetivos. Para aplicação, empregou-se um método não probabilístico, no qual obteveram-se 5.041 respondentes de todos os cursos de graduação da UFMT (33% desvinculados, 37% vinculados e 29% egressos), totalizando cerca de 10% da população entre 2013 e 2019. A ponderação e o agrupamento de dificuldades possibilitou capturar diferentes perspectivas dos discentes. As dificuldades relacionadas com o aprendizado, a estrutura do curso e com o corpo docente foram muito citadas, permitindo a priorização de estratégias para gestores dos cursos e da instituição. evasão diagnóstico relatadas estudantes caracterizase caracteriza se descritiva objetivos aplicação empregouse empregou probabilístico obteveramse obteveram 5041 5 041 5.04 33% 33 (33 desvinculados 37 29 egressos, egressos , egressos) 10 201 2019 discentes aprendizado citadas instituição 504 04 5.0 3 (3 2 1 20 50 0 5. (

Resumo Este trabalho apresenta o método Mannga (Multiple variables with Artificial Neural Network and Genetic Algorithm), desenvolvido para preencher falhas em dados meteorológicos. A ideia principal é preencher as falhas baseando-se nos valores de outras variáveis meteorológicas medidas no mesmo momento, uma vez que as variáveis meteorológicas possuem forte relação entre si. Testes foram executados para mostrar a performance do Mannga comparado com outros dois métodos comumente utilizados na área. Os resultados alcançados atingiram uma boa precisão, principalmente relacionado ao desafio de preencher valores em dados que ocorrem em sequência. As principais vantagens do Mannga são a sua flexibilidade em manipular diferentes tipos de dados meteorológicos, a habilidade de selecionar as melhores variáveis para auxiliar no preenchimento das falhas e a capacidade de lidar com falhas sequenciais. Além disso, o método está disponível publicamente na linguagem de programação Java.

Abstract This paper presents Mannga (Multiple variables with Artificial Neural Network and Genetic Algorithm), a method designed for gap filling meteorological data. The main approach is to estimate the missing data based on values of other meteorological variables measured at the same time in the same local, since the meteorological variables are strongly related. Experimental tests showed the performance of Mannga compared with other two methods typically used by researches in this area. Good results were achieved, with high accuracy even for sequential failures, which is a big challenge for researchers. The core advantages of Mannga are the flexibility of handling different types of meteorological data, the ability of select the best variables to assist the gap filling and the capacity to deal with sequential failures. Moreover, the method is available to public use with the Java programming language.