Publication
A retenção de militares dos quadros permanentes na força aérea: os dados como fonte de informação e previsão
| Summary: | Este estudo investiga a problemática das saídas voluntárias dos militares dos Quadros Permanentes (QP) da Força Aérea Portuguesa, desenvolvendo um modelo preditivo para identificar militares com maior probabilidade de pedir abate. Utilizando uma abordagem quantitativa, recorreu-se a métodos de machine learning, nomeadamente Regressão Logística, Naive Bayes, Análise Discriminante Linear, Análise Discriminante Quadrática e Árvores de Decisão. A base de dados foi composta por 2176 militares, divididos entre aqueles que solicitaram abate e os que permaneceram em serviço. A análise identificou variáveis sociodemográficas e estruturais significativas, como a idade, a especialidade, o número de louvores e a nota da ficha de avaliação. O modelo de Regressão Logística (RL) apresentou a melhor performance, permitindo calcular um índice de probabilidade de saída, com utilidade prática para a gestão de recursos humanos. Apesar de limitações, como a baixa sensibilidade e o uso de um conjunto limitado de variáveis, o estudo oferece contributos importantes para a retenção de talento na Força Aérea e sugere a inclusão de mais variáveis e abordagens avançadas em investigações futuras. |
|---|---|
| Main Authors: | Almeida, Vitor Emanuel de Carvalho Rodrigues de |
| Subject: | Retenção Rotação Métodos de Machine Learning Retention Rotation Machine Learning Methods |
| Year: | 2024 |
| Country: | Portugal |
| Document type: | master thesis |
| Access type: | open access |
| Associated institution: | Universidade Politécnica de Setúbal |
| Language: | Portuguese |
| Origin: | Universidade Politécnica de Setúbal |
| Summary: | Este estudo investiga a problemática das saídas voluntárias dos militares dos Quadros Permanentes (QP) da Força Aérea Portuguesa, desenvolvendo um modelo preditivo para identificar militares com maior probabilidade de pedir abate. Utilizando uma abordagem quantitativa, recorreu-se a métodos de machine learning, nomeadamente Regressão Logística, Naive Bayes, Análise Discriminante Linear, Análise Discriminante Quadrática e Árvores de Decisão. A base de dados foi composta por 2176 militares, divididos entre aqueles que solicitaram abate e os que permaneceram em serviço. A análise identificou variáveis sociodemográficas e estruturais significativas, como a idade, a especialidade, o número de louvores e a nota da ficha de avaliação. O modelo de Regressão Logística (RL) apresentou a melhor performance, permitindo calcular um índice de probabilidade de saída, com utilidade prática para a gestão de recursos humanos. Apesar de limitações, como a baixa sensibilidade e o uso de um conjunto limitado de variáveis, o estudo oferece contributos importantes para a retenção de talento na Força Aérea e sugere a inclusão de mais variáveis e abordagens avançadas em investigações futuras. |
|---|
Funded activities
No funded projects found.