Dados da CAPES sobre avaliação da pós-graduação

A CAPES é um órgão do MEC que tem a atribuição de acompanhar a pós-graduação na universidade brasileira. Uma das formas que ela encontrou de fazer isso e pela qual ela é bastante criticada é através de uma avaliação quantitativa a cada x anos (era 3, mudou para 4).

Usaremos dados da penúltima avaliação da CAPES:

cacc_tudo = read_projectdata()

glimpse(cacc_tudo)
## Rows: 73
## Columns: 31
## $ Instituição                  <chr> "UNIVERSIDADE FEDERAL DO AMAZONAS", "UNI…
## $ Programa                     <chr> "INFORMÁTICA (12001015012P2)", "CIÊNCIA …
## $ Nível                        <int> 5, 4, 3, 3, 3, 5, 4, 3, 3, 3, 5, 3, 3, 3…
## $ Sigla                        <chr> "UFAM", "UFPA", "UFMA", "UEMA", "FUFPI",…
## $ `Tem doutorado`              <chr> "Sim", "Sim", "Não", "Não", "Não", "Sim"…
## $ `Docentes colaboradores`     <dbl> 0.25, 5.50, 3.00, 6.25, 1.75, 2.00, 1.00…
## $ `Docentes permanentes`       <dbl> 24.75, 14.00, 10.00, 14.00, 9.50, 20.75,…
## $ `Docentes visitantes`        <dbl> 0.00, 0.00, 0.00, 0.00, 0.00, 0.75, 0.50…
## $ `Resumos em conf`            <int> 20, 23, 15, 5, 4, 10, 6, 136, 0, 24, 27,…
## $ `Resumos expandidos em conf` <int> 25, 24, 7, 10, 1, 68, 9, 13, 4, 6, 16, 5…
## $ `Artigos em conf`            <int> 390, 284, 115, 73, 150, 269, 179, 0, 120…
## $ Dissertacoes                 <int> 108, 77, 50, 25, 31, 75, 60, 129, 45, 3,…
## $ Teses                        <int> 14, 0, 0, 0, 0, 24, 5, 0, 0, 0, 29, 0, 0…
## $ periodicos_A1                <int> 15, 19, 5, 1, 7, 21, 21, 0, 3, 8, 44, 0,…
## $ periodicos_A2                <int> 19, 21, 11, 1, 4, 32, 13, 0, 9, 2, 23, 2…
## $ periodicos_B1                <int> 19, 38, 7, 3, 6, 26, 16, 2, 6, 4, 32, 4,…
## $ periodicos_B2                <int> 1, 12, 2, 6, 0, 0, 11, 0, 0, 2, 1, 0, 0,…
## $ periodicos_B3                <int> 3, 16, 2, 2, 3, 16, 15, 0, 4, 6, 9, 0, 2…
## $ periodicos_B4                <int> 0, 4, 0, 3, 3, 0, 1, 3, 1, 6, 0, 0, 4, 5…
## $ periodicos_B5                <int> 10, 16, 8, 4, 12, 4, 16, 2, 6, 2, 11, 0,…
## $ periodicos_C                 <int> 9, 34, 12, 5, 2, 3, 11, 9, 5, 10, 16, 1,…
## $ periodicos_NA                <int> 7, 15, 8, 11, 12, 6, 19, 31, 7, 14, 19, …
## $ per_comaluno_A1              <int> 4, 1, 0, 0, 1, 7, 5, 0, 1, 0, 10, 0, 0, …
## $ per_comaluno_A2              <int> 5, 5, 5, 0, 2, 15, 3, 0, 3, 0, 3, 0, 0, …
## $ per_comaluno_B1              <int> 4, 2, 5, 2, 2, 14, 6, 0, 2, 0, 17, 0, 1,…
## $ per_comaluno_B2              <int> 0, 1, 1, 0, 0, 0, 1, 0, 0, 0, 1, 0, 0, 0…
## $ per_comaluno_B3              <int> 2, 2, 0, 1, 0, 7, 9, 0, 2, 0, 4, 0, 0, 1…
## $ per_comaluno_B4              <int> 0, 0, 0, 0, 2, 0, 1, 0, 1, 3, 0, 0, 2, 0…
## $ per_comaluno_B5              <int> 5, 0, 4, 0, 8, 3, 6, 0, 4, 0, 4, 0, 2, 5…
## $ per_comaluno_C               <int> 6, 5, 3, 1, 2, 3, 7, 1, 2, 4, 8, 0, 11, …
## $ per_comaluno_NA              <int> 6, 14, 2, 2, 9, 3, 6, 4, 5, 1, 10, 0, 17…

Produção e produtividade de artigos

Uma das maneiras de avaliar a produção dos docentes que a CAPES utiliza é quantificando a produção de artigos pelos docentes. Os artigos são categorizados em extratos ordenados (A1 é o mais alto), e separados entre artigos em conferências e periódicos. Usaremos para esse lab a produção em periódicos avaliados com A1, A2 e B1.

cacc = cacc_tudo %>%
  transmute(
    docentes = `Docentes permanentes`,
    producao = (periodicos_A1 + periodicos_A2 + periodicos_B1),
    produtividade = producao / docentes,
    mestrados = Dissertacoes,
    doutorados = Teses,
    tem_doutorado = tolower(`Tem doutorado`) == "sim",
    mestrados_pprof = mestrados / docentes,
    doutorados_pprof = doutorados / docentes
  )

cacc_md = cacc %>% 
  filter(tem_doutorado)

EDA

skimr::skim(cacc)
Data summary
Name cacc
Number of rows 73
Number of columns 8
_______________________
Column type frequency:
logical 1
numeric 7
________________________
Group variables None

Variable type: logical

skim_variable n_missing complete_rate mean count
tem_doutorado 0 1 0.47 FAL: 39, TRU: 34

Variable type: numeric

skim_variable n_missing complete_rate mean sd p0 p25 p50 p75 p100 hist
docentes 0 1 20.63 12.27 8.25 11.25 16.75 25.75 67.25 ▇▃▁▁▁
producao 0 1 58.03 65.44 0.00 18.00 42.00 67.00 355.00 ▇▂▁▁▁
produtividade 0 1 2.36 1.37 0.00 1.40 2.27 3.20 5.66 ▆▇▇▅▂
mestrados 0 1 75.79 63.23 0.00 39.00 58.00 103.00 433.00 ▇▃▁▁▁
doutorados 0 1 14.96 30.98 0.00 0.00 0.00 14.00 152.00 ▇▁▁▁▁
mestrados_pprof 0 1 3.66 1.81 0.00 2.57 3.58 4.88 8.19 ▂▇▇▃▂
doutorados_pprof 0 1 0.43 0.73 0.00 0.00 0.00 0.57 2.69 ▇▁▁▁▁ 
cacc %>% 
  ggplot(aes(x = docentes)) + 
  geom_histogram(bins = 15, fill = paleta[1])

cacc %>% 
  ggplot(aes(x = producao)) + 
  geom_histogram(bins = 15, fill = paleta[2])

cacc %>% 
  ggplot(aes(x = produtividade)) + 
  geom_histogram(bins = 15, fill = paleta[3])

Agora produtividade

Diferente de medirmos produção (total produzido), é medirmos produtividade (produzido / utilizado). Abaixo focaremos nessa análise. Para isso crie um modelo que investiga como um conjunto de fatores que você julga que são relevantes se relacionam com a produtividade dos programas. Crie um modelo que avalie como pelo menos 3 fatores se relacionam com a produtividade de um programa. Pode reutilizar fatores que já definimos e analizamos para produção. Mas cuidado para não incluir fatores que sejam função linear de outros já incluídos (ex: incluir A, B e um tercero C=A+B)

Produza abaixo o modelo e um texto que comente (i) o modelo, tal como os que fizemos antes, e (ii) as implicações - o que aprendemos sobre como funcionam programas de pós no brasil?.

Antes de tudo, vejamos como as outras variáveis se relacionam com a produtividade.

cor_matrix <- cacc %>% cor()
ggcorrplot(cor_matrix,
           hc.order = TRUE,
           type = "upper",
           outline.col = "white",
           ggtheme = theme_ipsum_rc(),
           colors = c("#F4743B", "white", "#2D3142"))

Observamos que a maioria das variáveis possui correlação forte e positiva com a produtividade, com exceção de mestrados_pprof. Criaremos nosso modelo utilizando as variáveis mestrados_pprof, doutorados_pprof e tem_doutorado pois estas variáveis não são função linear da variável resposta e, ou não possuem correlação forte entre si ou condensam informações de outras variáveis.

cacc_mult = cacc %>% 
  select(produtividade,
         mestrados_pprof,
         doutorados_pprof,
         tem_doutorado) %>% 
  mutate(tem_doutorado = ifelse(tem_doutorado, 1, 0))

Vejamos como se comportam os dados quando a produtividade está em função dessas variáveis.

cacc_mult %>% 
  ggplot(aes(x = mestrados_pprof,
             y = produtividade, 
             size = doutorados_pprof,
             colour = as.factor(tem_doutorado))) +
  geom_point() +
  scale_colour_manual(values = c("0" = paleta[3],
                                 "1" = paleta[5]),
                    labels = c("FALSE", "TRUE")) +
  labs(title = "Produtividade em função das variáveis selecionadas",
       colour = "tem_doutorado")

Assim como quantificado no correlograma anterior, notamos a existência de uma relação positiva mas não tão forte da produtividade com mestrados_pprof, que programas que possuem doutorado com mais professores possuem maior produtividade e que nenhum programa que possui apenas mestrado possui produtividade maior que 4.

Modelo de regressão múltipla

Criaremos agora nosso modelo com as variáveis selecionadas anteriormente.

modelo_mult = lm(produtividade ~ mestrados_pprof + doutorados_pprof + tem_doutorado, 
                 data = cacc_mult)

tidy(modelo_mult, 
     conf.int = TRUE, 
     conf.level = 0.95)
glance(modelo_mult)

Utilizamos um modelo de Regressão múltipla para analisar se produtividade tem uma associação significativa com mestrados_pprof, doutorados_pprof e tem_doutorado. Os resultados da regressão indicam que um modelo com os 3 preditores no formato \(produtividade = 0.0179 \cdot mestrados\_pprof + 0.7303 \cdot doutorados\_pprof + 1.0997 \cdot tem\_doutorado\) explicam 51,33% da variância da variável de resposta (R2 = 0,5133). A variável mestrados_pprof tem uma relação irrelevante (o zero está presente no intervalo) com a produtividade (b = [-0,1094; 0,1453], IC com 95%), doutorados_pprof possui relação significativa com a produtividade (b = [-0,3229; 1,1377], IC com 95%) assim como tem_doutorado [que vale 1 caso o programa possua doutorado e 0 caso contrário] (b = [0,5080; 1,6913], IC com 95%). O aumento de 1 unidade de mestrados_pprof produz uma mudança de 0.0179 na produtividade, o aumento de 1 unidade de doutorados_pprof produz uma mudança de 0.7303 na produtividade e a existência do doutorado em um programa (tem_doutorado = 1) produz uma mudança de 1.0997 na produtividade. Esses resultados indicam que a produtividade de programas de pós-graduação são mais afetadas pela existência do curso de doutorado.