Publicação
A retenção de militares dos quadros permanentes na força aérea: os dados como fonte de informação e previsão
| Resumo: | 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. |
|---|---|
| Autores principais: | Almeida, Vitor Emanuel de Carvalho Rodrigues de |
| Assunto: | Retenção Rotação Métodos de Machine Learning Retention Rotation Machine Learning Methods |
| Ano: | 2024 |
| País: | Portugal |
| Tipo de documento: | dissertação de mestrado |
| Tipo de acesso: | acesso aberto |
| Instituição associada: | Universidade Politécnica de Setúbal |
| Idioma: | português |
| Origem: | Universidade Politécnica de Setúbal |
| _version_ | 1876668026791657472 |
|---|---|
| author | Almeida, Vitor Emanuel de Carvalho Rodrigues de |
| author_facet | Almeida, Vitor Emanuel de Carvalho Rodrigues de |
| author_role | author |
| contributor_name_str_mv | Penalva, Helena Repositório Comum |
| country_str | PT |
| creators_json_txt | [{\"Person.name\":\"Almeida, Vitor Emanuel de Carvalho Rodrigues de\"}] |
| datacite.contributors.contributor.contributorName.fl_str_mv | Penalva, Helena Repositório Comum |
| datacite.creators.creator.creatorName.fl_str_mv | Almeida, Vitor Emanuel de Carvalho Rodrigues de |
| datacite.date.Accepted.fl_str_mv | 2024-07-01T00:00:00Z |
| datacite.date.available.fl_str_mv | 2025-01-28T10:28:15Z |
| datacite.date.embargoed.fl_str_mv | 2025-01-28T10:28:15Z |
| datacite.rights.fl_str_mv | http://purl.org/coar/access_right/c_abf2 |
| datacite.subjects.subject.fl_str_mv | Retenção Rotação Métodos de Machine Learning Retention Rotation Machine Learning Methods |
| datacite.titles.title.fl_str_mv | A retenção de militares dos quadros permanentes na força aérea: os dados como fonte de informação e previsão |
| dc.contributor.none.fl_str_mv | Penalva, Helena Repositório Comum |
| dc.creator.none.fl_str_mv | Almeida, Vitor Emanuel de Carvalho Rodrigues de |
| dc.date.Accepted.fl_str_mv | 2024-07-01T00:00:00Z |
| dc.date.available.fl_str_mv | 2025-01-28T10:28:15Z |
| dc.date.embargoed.fl_str_mv | 2025-01-28T10:28:15Z |
| dc.format.none.fl_str_mv | application/pdf |
| dc.identifier.none.fl_str_mv | http://hdl.handle.net/10400.26/54027 |
| dc.language.none.fl_str_mv | por |
| dc.rights.none.fl_str_mv | http://purl.org/coar/access_right/c_abf2 |
| dc.subject.none.fl_str_mv | Retenção Rotação Métodos de Machine Learning Retention Rotation Machine Learning Methods |
| dc.title.fl_str_mv | A retenção de militares dos quadros permanentes na força aérea: os dados como fonte de informação e previsão |
| dc.type.none.fl_str_mv | http://purl.org/coar/resource_type/c_bdcc |
| description | 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. |
| dirty | 0 |
| eu_rights_str_mv | openAccess |
| format | masterThesis |
| fulltext.url.fl_str_mv | https://comum.rcaap.pt/bitstreams/ba030469-0723-4f67-b0b4-420f97d98009/download |
| id | ips_2c1908c148891149e7116078143c8e6c |
| identifier.url.fl_str_mv | http://hdl.handle.net/10400.26/54027 |
| inst_facet_str | urn:organizationAcronym:unips{{{_:::_}}}Universidade Politécnica de Setúbal |
| instacron_str | unips |
| institution | Universidade Politécnica de Setúbal |
| instname_str | Universidade Politécnica de Setúbal |
| language | por |
| network_acronym_str | ips |
| network_name_str | Universidade Politécnica de Setúbal |
| oai_identifier_str | oai:comum.rcaap.pt:10400.26/54027 |
| organization_str_mv | urn:organizationAcronym:unips |
| person_str_mv | Almeida, Vitor Emanuel de Carvalho Rodrigues de |
| publishDate | 2024 |
| repo_facet_str | urn:repositoryAcronym:ips{{{_:::_}}}Universidade Politécnica de Setúbal |
| reponame_str | Universidade Politécnica de Setúbal |
| repository_id_str | urn:repositoryAcronym:ips |
| service_str_mv | urn:repositoryAcronym:ips |
| spelling | porpt_PTEste 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.application/pdfpt_PTA retenção de militares dos quadros permanentes na força aérea: os dados como fonte de informação e previsãoAlmeida, Vitor Emanuel de Carvalho Rodrigues dePenalva, HelenaHostingInstitutionOrganizationalRepositório Comume-mailmailto:comum@rcaap.ptcomum@rcaap.ptURNurn:tid:2037974772025-01-28T10:28:15Z2024-072024-07-01T00:00:00ZHandlehttp://hdl.handle.net/10400.26/54027http://purl.org/coar/access_right/c_abf2open accessRetençãoRotaçãoMétodos de Machine LearningRetentionRotationMachine Learning Methods3239645 bytesliteraturehttp://purl.org/coar/resource_type/c_bdccmaster thesishttp://purl.org/coar/access_right/c_abf2application/pdffulltexthttps://comum.rcaap.pt/bitstreams/ba030469-0723-4f67-b0b4-420f97d98009/download |
| spellingShingle | A retenção de militares dos quadros permanentes na força aérea: os dados como fonte de informação e previsão Almeida, Vitor Emanuel de Carvalho Rodrigues de Retenção Rotação Métodos de Machine Learning Retention Rotation Machine Learning Methods |
| status | SINGLETON |
| subject.fl_str_mv | Retenção Rotação Métodos de Machine Learning Retention Rotation Machine Learning Methods |
| title | A retenção de militares dos quadros permanentes na força aérea: os dados como fonte de informação e previsão |
| title_full | A retenção de militares dos quadros permanentes na força aérea: os dados como fonte de informação e previsão |
| title_fullStr | A retenção de militares dos quadros permanentes na força aérea: os dados como fonte de informação e previsão |
| title_full_unstemmed | A retenção de militares dos quadros permanentes na força aérea: os dados como fonte de informação e previsão |
| title_short | A retenção de militares dos quadros permanentes na força aérea: os dados como fonte de informação e previsão |
| title_sort | A retenção de militares dos quadros permanentes na força aérea: os dados como fonte de informação e previsão |
| topic | Retenção Rotação Métodos de Machine Learning Retention Rotation Machine Learning Methods |
| topic_facet | Retenção Rotação Métodos de Machine Learning Retention Rotation Machine Learning Methods |
| url | http://hdl.handle.net/10400.26/54027 |
| visible | 1 |
Atividades financiadas
Não foram encontrados projetos financiados.