|
Abstract:
|
A pesquisa Modelagem temporal de comportamento para alerta precoce de risco acadêmico em educação a distância investigou como registros de interação do Moodle podem apoiar a identificação antecipada e a priorização de estudantes com trajetórias associadas à reprovação ou à evasão. Foram analisados sete cursos da Universidade Estadual do Ceará ofertados em 2024, abrangendo 72 estudantes e 820 históricos estudante-semana. Os registros foram organizados por dia e acumulados semanalmente, sem incorporar informações futuras. Compararam-se nove algoritmos de classificação por meio de validação cruzada estratificada, com cinco dobras e três repetições, mantendo cada estudante exclusivamente no conjunto de treino ou de teste e aplicando o balanceamento SMOTE apenas aos dados de treino. O desempenho foi avaliado por AUC-ROC, acurácia, precisão, revocação e F1; a contribuição das variáveis foi interpretada com SHAP; e a sequência de alertas foi sintetizada em perfis temporais para orientar a priorização do acompanhamento. O AdaBoost alcançou a maior AUC-ROC agregada, de 0,839, enquanto a regressão logística apresentou a maior acurácia, de 0,854, e o maior F1, de 0,842. Os resultados tornaram-se mais estáveis a partir da quarta semana. Na oitava semana, o CatBoost identificou 14 dos 15 casos de não sucesso, com revocação de 0,933, precisão de 0,778 e F1 de 0,849; 14 dos 18 alertas emitidos corresponderam a casos de não sucesso. Em análise retrospectiva, a fila formada pelos perfis persistente, recorrente e novo reuniu 22 matrículas e cobriu 20 dos 23 casos de não sucesso. Os resultados indicam que sinais de regularidade, intensidade de acesso e inatividade podem apoiar equipes pedagógicas na definição de prioridades, mas não demonstram efeito causal sobre a redução da evasão ou da reprovação. A generalização também é limitada pelo número de estudantes, pelos sete cursos e pelo uso de dados de um único ano. As atividades resultaram em um método reprodutível, tabelas de desempenho, perfis temporais e um artigo aceito para publicação, além de formação em ciência de dados educacionais. O trabalho se relaciona ao eixo Tecnologia e inovação ao aplicar aprendizado de máquina a um problema educacional e oferecer subsídios para futuras intervenções avaliadas em contexto real. |
