Modelagem temporal de comportamento para alerta precoce de risco acadêmico em educação a distância

Abstract

Este trabalho apresenta as atividades desenvolvidas durante uma bolsa de iniciação científica voltada à análise de dados educacionais e à aplicação de aprendizado de máquina para identificação precoce de risco acadêmico em cursos de educação a distância. Foram analisados registros de interação do Moodle de sete cursos da Universidade Estadual do Ceará, envolvendo 72 estudantes e 820 observações estudante-semana. As atividades incluíram revisão bibliográfica, preparação e transformação temporal dos dados, treinamento e comparação de nove modelos de classificação, avaliação de métricas e interpretação dos resultados. Os resultados indicaram que padrões de regularidade, intensidade de acesso e períodos de inatividade podem contribuir para a identificação de estudantes com maior risco de não sucesso acadêmico. O CatBoost foi utilizado como referência na análise temporal, apresentando, na oitava semana, precisão de 0,778, revocação de 0,933 e F1-score de 0,849 para a classe Não sucesso. A análise também permitiu estabelecer perfis temporais de risco e uma proposta de priorização para acompanhamento pedagógico. Como principais resultados, destacam-se a sistematização da metodologia, a comparação dos modelos, a análise de explicabilidade com SHAP e a elaboração de um artigo científico aceito.