“” Aprendizado de máquina na educação: previsão do desempenho acadêmico - Blogs UNIC

Professores

Professores

Aprendizado de máquina na educação: previsão do desempenho acadêmico

gettyimages-unobillóntresciencincuenta-dosmillónunocienochenta-cincomilnueveciensesenta-nueve-copia

O desempenho acadêmico universitário é um indicador-chave do sucesso educacional, mas também um desafio constante para instituições e estudantes. Um estudo recente publicado na revista Comunicar aborda como o uso do aprendizado automático pode transformar a forma como os fatores que influenciam o desempenho dos estudantes são identificados e abordados.

A pesquisa e sua abordagem

O estudo, realizado no Equador, analisou dados de 12.211 estudantes universitários para prever e explicar o desempenho acadêmico. Utilizando uma abordagem quantitativa e não experimental, os pesquisadores aplicaram algoritmos de classificação supervisionada como Random Forest, XGBoost e CatBoost. Este último revelou-se o mais eficaz, alcançando uma recuperação de 70% na identificação de estudantes em risco de reprovação.

Além disso, o método SHAP (Shapley Additive Explanations) foi usado para interpretar os resultados e compreender como as variáveis influenciam o desempenho. Entre os fatores mais determinantes estão aspectos acadêmicos-institucionais, como faculdade, curso e nível de estudos, seguidos por variáveis emocionais e socioeconômicas.

Principais conclusões

  1. Fatores influentes: O desempenho acadêmico é condicionado principalmente por variáveis institucionais (como a atenção do professor e o desempenho anterior), bem como por fatores emocionais (estado emocional) e sociodemográficos.
  2. Impacto do aprendizado automático: A capacidade preditiva dos modelos utilizados demonstra o potencial dessas ferramentas para identificar alunos em risco e projetar intervenções personalizadas.
  3. Interpretação dos dados: O uso do SHAP permitiu aos pesquisadores não apenas prever resultados, mas também compreender as razões que os motivam, o que facilita a tomada de decisões informadas no âmbito educacional.
O Machine Learning não apenas prevê resultados, mas explica as razões por trás deles, transformando a educação.

Implicações para a educação

O estudo destaca a importância de integrar tecnologias avançadas, como o aprendizado automático, na gestão educacional. Essas ferramentas não apenas melhoram a precisão na identificação de problemas, mas também oferecem uma base sólida para implementar estratégias de apoio mais eficazes.

Por outro lado, as descobertas destacam a necessidade de considerar fatores emocionais e sociais na elaboração de políticas educacionais. A atenção integral ao aluno, que combina apoio acadêmico e emocional, é fundamental para melhorar as taxas de retenção e sucesso universitário.

Continue sua carreira profissional

Se você tem interesse em explorar como a tecnologia pode transformar a educação, a Licenciatura em Psicologia das Organizações oferece as ferramentas necessárias para compreender e implementar estratégias que aumentem o desempenho acadêmico e o bem-estar estudantil.

Fonte:  
Revista Comunicar

Colaboradores

Copyright Universidade Internacional do Cuanza - Todos os direitos reservados © 2025.