QS World University Rankings

Fontes de Dados

Para coleta das informações de estudantes de graduação e de docentes, utilizamos os dados do Censo da Educação Superior de 2022. Para os dados de pós-graduação, utilizamos (?????).

Em cada uma das abas abaixo são apresentados os códigos utilizados para computar as informações solicitadas, bem como a metodologia utilizada para obter o Full Time Equivalent para docentes e discentes.

Resultados

Nesta atualização de dados, procuramos seguir as {diretrizes} apontadas pelo QS World Rankings, exceto na sugestão de fórmula para calcular o FTE:

\[ FTE = FT + \frac{PT}{3} \] Em que \(FT\) é a quantidade observada de indivíduos em tempo integral e \(PT\) é a quantidade observada de indivíduos em tempo parcial.

Nossa definição para aluno em tempo integral \((=1)\) corresponde ao discente presencial matriculado no turno integral, enquanto os demais discentes são incluídos na categoria tempo parcial \((=0.5)\).

Analogamente, para os docentes a ideia é a mesma: aqueles que trabalham em tempo parcial são contados como 0.5, enquanto os docentes em tempo integral são contabilizados como 1.

Em cada um dos tópicos abaixo, apresentamos a metodologia, os resultados e a necessidade de novos dados para preenchimento completo do ranking.

Faculty Staff

Primeiramente, vamos abrir os dados de docentes utilizados no Censo da Educação Superior relativos a 2022 e verificar a distribuição por regime de trabalho. Tomamos como critério a exclusão dos docentes visitantes, além disso, há 70 docentes que não possuem registro do regime de trabalho. Estes também deverão ser excluídos do contagem. Neste ponto, já temos um total de 328 docentes em tempo parcial e 2651 docentes em tempo integral:

# QS World University Rankings - dados de 2022

library(readr)
library(dplyr)
library(readxl)
library(knitr)

#setwd("C:/Users/kassi/workspace/QS World University Rankings/Atualizacao_2022/")

# abrindo dados do censo 
dados_docentes_2022 <- read_delim("dados/relatorio_detalhado_docente_ies_580_20230728_134940 (2).csv", 
                                  delim = ";", escape_double = FALSE, 
                                  locale = locale(encoding = "ISO-8859-1"), 
                                  trim_ws = TRUE)

# Faculty Staff -----------------------------------------------------------

# Regra para o FULL TIME: se o regime de trabalho for tempo parcial = 0.5
dados_docentes_2022 %>% distinct(NU_CPF, .keep_all = TRUE) %>%
  filter(DOCENTE_VISITANTE=="Não") %>%
  mutate(FULL_TIME = ifelse(REGIME_TRABALHO=="Tempo Parcial", 0.5, 1)) ->
  dados_docentes_2022

# existem 70 docentes sem regime de trabalho preenchido
dados_docentes_2022 %>% select(FULL_TIME) %>% table(useNA = "ifany") %>% kable

FULL_TIME	Freq
0.5	328
1	2651
NA	70

Os docentes em tempo integral podem ser “com dedicação exclusiva” ou “sem dedicação exclusiva”:

# numero total Full Time (nao eh o equivalente)
dados_docentes_2022 %>% group_by(REGIME_TRABALHO) %>% 
  summarise(Totais = n()) %>% kable

REGIME_TRABALHO	Totais
Tempo Parcial	328
Tempo integral com DE	2208
Tempo integral sem DE	443
NA	70

Agora, criamos uma nova coluna para registrar os valores 1 ou 0.5, de acordo com o regime de trabalho do docente. Em seguida computamos as somas por sexo. Assim, obtemos o FTE por sexo para os docentes.

Para o sexo masculino, temos:

# contabilizando o FTE 
dados_docentes_2022$FULL_TIME %>% sum(na.rm = TRUE) -> faculty_staff_FTE

# por sexo

dados_docentes_2022 %>% group_by(REGIME_TRABALHO, SEXO) %>% 
  summarise(Totais = n(), fte=sum(FULL_TIME)) -> docentes_2022_sexo 

docentes_2022_sexo %>% filter(SEXO=="Masculino") %>% kable

REGIME_TRABALHO	SEXO	Totais	fte
Tempo Parcial	Masculino	179	89.5
Tempo integral com DE	Masculino	1124	1124.0
Tempo integral sem DE	Masculino	210	210.0
NA	Masculino	35	NA

Para o sexo feminino:

docentes_2022_sexo %>% filter(SEXO=="Feminino") %>% kable

REGIME_TRABALHO	SEXO	Totais	fte
Tempo Parcial	Feminino	149	74.5
Tempo integral com DE	Feminino	1084	1084.0
Tempo integral sem DE	Feminino	233	233.0
NA	Feminino	35	NA

Para os docentes estrangeiros, basta filtrar a base de dados onde a nacionalidade é diferente de “Brasileira”. Novamente, a partir do regime de trabalho, computamos o total headcount e o FTE:

# international

dados_docentes_2022 %>% 
  mutate(ESTRANGEIRO=ifelse(NOME_NACIONALIDADE!="Brasileira", "Sim", "Não")) ->
  dados_docentes_2022


dados_docentes_2022 %>% group_by(ESTRANGEIRO, REGIME_TRABALHO) %>% 
  summarise(Total = n(), fte = sum(FULL_TIME)) %>% kable

ESTRANGEIRO	REGIME_TRABALHO	Total	fte
Não	Tempo Parcial	328	164
Não	Tempo integral com DE	2189	2189
Não	Tempo integral sem DE	439	439
Não	NA	70	NA
Sim	Tempo integral com DE	19	19
Sim	Tempo integral sem DE	4	4

Finalmente, para preenchimento do ranking, temos para os docentes os seguintes dados:

	Full Time	Part Time	HC	FTE
Faculty Staff	2651	328	2979	2815
Faculty Staff Male	1334	179	1513	1423,5
Faculty Staff Female	1317	149	1466	1391,5
International Faculty Staff	23	0	23	23

Students - Undergraduate

Para os estudantes, temos três casos:

Estudantes vinculados apenas em 2022.1;
Estudantes vinculados apenas em 2022.2;
Estudantes vinculados em 2022.1 e 2022.2.

Assim, o primeiro passo é obter todos os números de CPF que aparecem no ano de 2022.

Em seguida, obtemos os CPFs dos alunos matriculados apenas em 2022.1 ou 2022.2 e utilizamos para separar os três conjuntos de dados.

dados_alunos <- readRDS("./dados/base_censo_2013_2022_V2.rds")

# Students - Undergraduate ------------------------------------------------

dados_alunos %>% filter(ANO=="2022") -> dados_alunos_2022

# cpf dos alunos que aparecem em pelo menos um semestre 
dados_alunos_2022 %>% select(NU_CPF) %>% unique -> CPFs_2022 

# cpf dos alunos que aparecem em 2022.1
dados_alunos_2022 %>% filter(PERIODO_REFERENCIA == 1) %>% select(NU_CPF) %>%
  unique -> CPFs_2022.1

# cpf dos alunos que aparecem em 2022.2
dados_alunos_2022 %>% filter(PERIODO_REFERENCIA == 2) %>% select(NU_CPF) %>%
  unique -> CPFs_2022.2

# dim(CPFs_2022)
# dim(CPFs_2022.1)
# dim(CPFs_2022.2)

# CPFs que aparecem em dois semestres
intersect(CPFs_2022.1, CPFs_2022.2) -> alunos_2_semestres

# CPFs que aparecem somente em 2022.1
setdiff(CPFs_2022.1, alunos_2_semestres) -> alunos_so_2022.1

# CPFs que aparecem somente em 2022.2
setdiff(CPFs_2022.2, alunos_2_semestres) -> alunos_so_2022.2

Utilizandos os CPFs nos três casos, podemos agora criar em cada dataframe uma coluna FULL_TIME contanto o FTE de cada aluno. Novamente, atribuimos o valor 1 para o estudantes em turno integral e 0.5 para os demais, excluindo os alunos EaD do cálculo.

# agora, faz o filtro

# testar com 0.5 e 1 mesmo se ele passou somente um semestre 

# apenas 2022.1
dados_alunos_2022 %>% filter(NU_CPF %in% alunos_so_2022.1$NU_CPF,
                             VINCULADO=="Sim", TURNO!="Ead") %>% 
  mutate(FULL_TIME = ifelse(TURNO!="Integral", 0.5, 1)) -> dados_alunos_so_2022.1
  
# apenas 2022.2
dados_alunos_2022 %>% filter(NU_CPF %in% alunos_so_2022.2$NU_CPF, VINCULADO=="Sim",
                             TURNO!="Ead") %>% 
  mutate(FULL_TIME = ifelse(TURNO!="Integral", 0.5, 1)) -> dados_alunos_so_2022.2

# ambos
dados_alunos_2022 %>% filter(NU_CPF %in% alunos_2_semestres$NU_CPF, VINCULADO=="Sim",
                             TURNO!="Ead") %>% 
  distinct(NU_CPF, .keep_all = TRUE) %>% 
  mutate(FULL_TIME = ifelse(TURNO!="Integral", 0.5, 1))  -> dados_alunos_ambos

Agora, utilizamos a coluna FULL_TIME anteriormente criada para computar o FTE, o número de discentes em tempo integral e o número de discentes em tempo parcial:

# FTE
dados_alunos_so_2022.1 %>% select(FULL_TIME) %>% sum +
dados_alunos_so_2022.2 %>% select(FULL_TIME) %>% sum +
dados_alunos_ambos %>% select(FULL_TIME) %>% sum

## [1] 25660

Para quantidade de alunos de graduação em tempo integral:

# Full Time
(dados_alunos_so_2022.1 %>% group_by(TURNO) %>% summarise(Total=n()) %>% filter(TURNO=="Integral"))$Total +
(dados_alunos_so_2022.2 %>% group_by(TURNO) %>% summarise(Total=n()) %>% filter(TURNO=="Integral"))$Total +
(dados_alunos_ambos %>% group_by(TURNO) %>% summarise(Total=n()) %>% filter(TURNO=="Integral"))$Total

## [1] 16691

FInalmente, a quantidade de alunos de graduação em tempo parcial:

# Part Time
((dados_alunos_so_2022.1 %>% group_by(TURNO) %>% summarise(Total=n()) %>% filter(TURNO!="Integral"))$Total +
(dados_alunos_so_2022.2 %>% group_by(TURNO) %>% summarise(Total=n()) %>% filter(TURNO!="Integral"))$Total +
(dados_alunos_ambos %>% group_by(TURNO) %>% summarise(Total=n()) %>% filter(TURNO!="Integral"))$Total) %>% sum

## [1] 17938

Para computar o número de estudantes de graduação estrangeiros, realizamos o mesmo procedimento, filtrando os alunos cujo país de origem é diferente de “Brasil”. Assim, o FTE de graduandos estrangeiros fica:

# undergraduate international students

# FTE
dados_alunos_so_2022.1  %>% filter(NOME_PAIS_ORIGEM!="Brasil") %>% select(FULL_TIME) %>% sum +
  dados_alunos_so_2022.2 %>% filter(NOME_PAIS_ORIGEM!="Brasil") %>% select(FULL_TIME) %>% sum +
  dados_alunos_ambos %>% filter(NOME_PAIS_ORIGEM!="Brasil") %>% select(FULL_TIME) %>% sum

## [1] 47.5

A quantidade de alunos de graduação estrangeiros em tempo integral:

# Full Time
(dados_alunos_so_2022.1 %>% filter(NOME_PAIS_ORIGEM!="Brasil") %>%
    group_by(TURNO) %>% summarise(Total=n()) %>% filter(TURNO=="Integral"))$Total +
  (dados_alunos_so_2022.2 %>% filter(NOME_PAIS_ORIGEM!="Brasil") %>%
     group_by(TURNO) %>% summarise(Total=n()) %>% filter(TURNO=="Integral"))$Total +
  (dados_alunos_ambos %>% filter(NOME_PAIS_ORIGEM!="Brasil") %>%
     group_by(TURNO) %>% summarise(Total=n()) %>% filter(TURNO=="Integral"))$Total

## [1] 41

Quantidade de alunos de graduação estrangeiros em tempo parcial:

# Part Time
((dados_alunos_so_2022.1 %>% filter(NOME_PAIS_ORIGEM!="Brasil") %>% 
    group_by(TURNO) %>% summarise(Total=n()) %>% filter(TURNO!="Integral"))$Total +
    (dados_alunos_so_2022.2 %>% filter(NOME_PAIS_ORIGEM!="Brasil") %>%
       group_by(TURNO) %>% summarise(Total=n()) %>% filter(TURNO!="Integral"))$Total +
    (dados_alunos_ambos %>% filter(NOME_PAIS_ORIGEM!="Brasil") %>%
       group_by(TURNO) %>% summarise(Total=n()) %>% filter(TURNO!="Integral"))$Total) %>% sum

## [1] 14

# undergraduate Exchange student - inbound

Quantidade de alunos de graduação da UFPE em mobilidade internacional em tempo integral:

# undergraduate Exchange Student - Outbound

# Full time
dados_alunos_2022 %>% filter(!is.na(MOB_ACAD_PAISDESTINO)) %>% 
  distinct(NU_CPF, CODIGO_CURSO, .keep_all = TRUE) %>% 
  select(TURNO) %>% 
  filter(TURNO=="Integral") %>% nrow

## [1] 66

dados_alunos_so_2022.1 %>% filter(!is.na(MOB_ACAD_PAISDESTINO)) %>% 
  distinct(NU_CPF, CODIGO_CURSO, .keep_all = TRUE) %>% select(TURNO) %>% 
  filter(TURNO=="Integral") %>% nrow

## [1] 0

dados_alunos_so_2022.2 %>% filter(!is.na(MOB_ACAD_PAISDESTINO)) %>% 
  distinct(NU_CPF, CODIGO_CURSO, .keep_all = TRUE) %>% select(TURNO) %>% 
  filter(TURNO=="Integral") %>% nrow

## [1] 0

Quantidade de alunos de graduação da UFPE em mobilidade internacional em tempo parcial:

# Partial Time
dados_alunos_2022 %>% filter(!is.na(MOB_ACAD_PAISDESTINO)) %>% 
  distinct(NU_CPF, CODIGO_CURSO, .keep_all = TRUE) %>% select(TURNO) %>% 
  filter(TURNO!="Integral") %>% nrow

## [1] 18

FTE de alunos de graduação da UFPE em mobilidade internacional:

# FTE
dados_alunos_2022 %>% filter(!is.na(MOB_ACAD_PAISDESTINO)) %>% 
  distinct(NU_CPF, CODIGO_CURSO, .keep_all = TRUE) %>% 
  mutate(FULL_TIME = ifelse(TURNO=="Integral", 1, 0.5)) %>% select(FULL_TIME) %>%
  sum

## [1] 75

Em relação ao número de graduandos estrangeiros na UFPE em programas de mobilidade (Undergraduate Exchange Students – Inbound), não há disponibilidade destes dados no Censo da Educação Superior. Necessitamos de outra fonte de dados para obter esta informação.

Finalmente, para o item Students - Undergraduate, fornecemos os seguintes dados:

	Full Time	Part Time	HC	FTE
Undergraduate Students	16691	17938	34629	25660
Undergraduate International Students	41	14	55	43,75
Undergraduate Exchange Students – Inbound
Undergraduate Exchange Students – Outbound	66	18	84	75

Students - Graduate/Postgraduate

Para pós-graduação, consideramos os matriculados em cursos de mestrado e doutorado. Consideramos todos os alunos da pós stricto sensu como tempo integral.

dados_pos <- read_excel("dados/relatorio_dados_enviados_coleta_publico (3) (1).xlsx")


dados_pos %>% filter(`Situação Discente` == "MATRICULADO", 
                     `Nível Discente` %in% c("Mestrado", "Doutorado")) %>% dim

## [1] 9596   18

Nesta seção, maior parte dos dados exige informações que não consta nas planilha da pós-graduação:

Número de alunos de pós-graduação estrangeiros (não há coluna de nacionalidade nos dados);

Número de alunos de pós-graduação da UFPE em intercâmbio (sanduíche?) em outros países e

Número de alunos de pós-graduação estrangeiros em intercâmbio na UFPE.

Students - Overall

Vamos computar o número de estudantes EaD (Students - Distance):

# FTE
dados_alunos_2022 %>% filter(TURNO=="EaD", PERIODO_REFERENCIA==1) %>% 
  distinct(NU_CPF, CODIGO_CURSO, .keep_all = TRUE) %>% nrow()

## [1] 828

Os dados solicitados nesta seção que não temos são:

International Students – distance

Exchange Students – Inbound

Exchange Students – Outbound

QS World University Rankings

CIG - DEPLAG - UFPE

Fontes de Dados

Resultados

Faculty Staff

Students - Undergraduate

Students - Graduate/Postgraduate

Students - Overall

Students Demographics

Additional Statistics

Average Tuition Fees

Employment Statistics

Employment Statistics Evidence