O desempenho acadêmico dos estudantes universitários é um indicador fundamental do seu sucesso educacional. Identificar os fatores que influenciam esse desempenho permite implementar intervenções oportunas para prevenir a reprovação e o abandono escolar. Um estudo recente realizado por pesquisadores equatorianos aplicou modelos de Machine Learning para prever e explicar o desempenho acadêmico, com foco em alunos com histórico de reprovação.
Metodologia do estudo:
O estudo utilizou uma abordagem quantitativa com desenho não experimental e análise ex post facto, com base em uma população de 12.211 estudantes universitários. As informações foram coletadas por meio de um questionário de 32 itens que abrangia aspectos sociodemográficos, socioeconômicos, emocionais, institucionais-acadêmicos, autoeficácia e autocontrole, vinculados ao sistema de matrícula do aluno. Além disso, foram integradas sete variáveis acadêmicas institucionais. Foram treinados três algoritmos de classificação supervisionada: Random Forest, XGBoost e CatBoost. Para interpretar os resultados do modelo, foi utilizado o método SHAP. O processamento e a análise dos dados foram realizados em Python utilizando o Google Colab.
Resultados obtidos:
O modelo CatBoost apresentou o melhor desempenho, alcançando um recall de 70% para a classe “reprovado”. Os indicadores mais influentes na previsão de reprovação foram: faculdade, curso, nível ou ciclo acadêmico, estado emocional, atenção docente e desempenho acadêmico anterior. Essas descobertas sugerem que a reprovação é influenciada principalmente por variáveis acadêmico-institucionais, seguidas por fatores emocionais, sociodemográficos e socioeconômicos.
Aplicações práticas e conclusões:
A aplicação do Machine Learning na previsão do desempenho acadêmico permite a identificação precoce de alunos em risco de reprovação. Isso facilita a implementação de intervenções personalizadas para melhorar seu desempenho. Além disso, o uso de modelos interpretáveis como o SHAP fornece aos professores e administradores educacionais uma compreensão clara dos fatores que afetam o desempenho, apoiando a tomada de decisões informadas.
Continue sua carreira profissional:
Se você estiver interessado em aprofundar o uso de tecnologias avançadas para a melhoria educacional, o programa de Mestrado em Educação com especialidade em TIC na Educação oferece formação no uso de ferramentas digitais e metodologias inovadoras para o ensino e a gestão educacional.
Fonte:
zenodo