Impacto dos dados cadastrais, de presença e notas na predição de reprovação estudantil: um estudo de caso

Abstract

A retenção estudantil é uma preocupação no ambiente acadêmico, sendo a reprovação uma das principais causas de abandono escolar. Este estudo propõe um modelo preditivo baseado em aprendizado de máquina para antecipar o desempenho dos estudantes, demonstrando como a inclusão sucessiva de diferentes tipos de indicadores impacta a eficácia da predição. Utilizando dados do ambiente Moodle e do sistema acadêmico da Universidade, o modelo foi aplicado em uma disciplina introdutória de programação, analisando três conjuntos principais de indicadores: cadastrais, de presença e de notas. Os resultados demonstraram que a integração progressiva dos indicadores melhorou significativamente o desempenho do modelo. Inicialmente, utilizando apenas dados cadastrais, obteve-se uma acurácia de 84,3% na identificação de reprovações. A inclusão dos dados de presença elevou este índice para 90,7%, e a incorporação final dos dados de notas permitiu atingir uma sensibilidade de 96,4%.