IDENTIFICANDO PADRÕES DA VIOLÊNCIA DE GÊNERO UNIVERSITÁRIA USANDO APRENDIZADO DE MÁQUINA

Objetivo: explorar a aplicação prática de técnicas de aprendizado máquina na detecção de casos de violência de gênero no ambiente acadêmico, utilizando dados de estudantes de graduação de uma universidade estadual paranaense. Métodos: A análise se fundamenta nos resultados de quatro algoritmos de aprendizado de máquina: Naive Bayes, K-Nearest Neighbors, Support Vector Machine e Random Forest. Esses algoritmos foram empregados para analisar e prever casos de violência de gênero no contexto universitário, dentro de um estudo epidemiológico de corte transversal. Resultados: o algoritmo Naive Bayes apresentou a melhor acurácia (99%), seguido por Random Forest, SVM e KNN. O Naive Bayes destacou-se por sua simplicidade e eficiência em capturar dependências probabilísticas entre as variáveis e mostrar regras heurísticas interpretáveis. A Random Forest foi notável pela sua robustez e capacidade de lidar com dados complexos, enquanto o SVM demonstrou eficácia na separação de classes com margens máximas. O KNN, embora simples e interpretável, teve seu desempenho limitado pela escolha dos vizinhos ótimos para classificação. Conclusão: a diversidade de modelos de aprendizado de máquina utilizados reforça a robustez e a confiabilidade dos resultados do métodos utilizados, proporcionando uma base sólida interpretável com apoio de algoritmos computacionais para a implementação de medidas preventivas e intervenções eficazes no combate à violência de gênero dentro das universidades. Os achados deste estudo são de grande relevância para a segurança e conscientização nas instituições de ensino superior.