Avaliação dos fatores que influenciam os efeitos do ensino em faculdades e universidades usando técnicas fuzzy e de deep learning

Por que medições melhores de ensino importam

Quem já participou de aulas excelentes e de outras nem tanto sabe que a qualidade do ensino pode transformar — ou arruinar — a experiência universitária. Mesmo assim, a maioria das universidades ainda se apoia em ferramentas pouco precisas, como notas de provas e questionários de fim de semestre, para avaliar o que funciona. Este artigo explora uma forma mais inteligente de medir o desempenho do ensino nas faculdades combinando dois métodos computacionais — um que lida bem com dados humanos imprecisos e outro que é eficiente em identificar padrões ocultos. Juntos, eles prometem orientar com mais confiabilidade a melhoria dos cursos e o apoio aos alunos.

Repensando como julgamos uma “boa aula”

O ensino superior é moldado por muitos elementos em movimento: número de alunos na sala, experiência do docente, dificuldade da disciplina, ambiente da sala de aula e uso de tecnologia, entre outros. Sistemas tradicionais de avaliação frequentemente reduzem tudo isso a uma única nota de teste ou a uma avaliação numérica do curso. Essa simplificação perde contextos importantes e ignora o lado bagunçado e subjetivo do aprendizado. Os autores defendem que, se quisermos entender por que algumas aulas ajudam os estudantes a prosperar enquanto outras não, precisamos de ferramentas capazes de lidar com muitos fatores simultaneamente e de tolerar informações imperfeitas e baseadas em opinião.

Uma abordagem híbrida “semelhante à humana” e “de detecção de padrões”

O estudo apresenta um modelo híbrido chamado Fuzzy and Deep Learning (FDL). A parte “fuzzy” imita a forma como as pessoas pensam em tons de cinza, em vez de categorias estritas sim/não — por exemplo, dizer que o desempenho de um aluno é “baixo”, “médio” ou “alto” com transições suaves em vez de cortes rígidos. Ela transforma entradas vagas como experiência do professor, razão aluno–professor e dificuldade do curso em categorias flexíveis, e então usa regras simples como “se o desempenho do aluno é alto e a turma é pequena, a eficácia do ensino é alta”. Enquanto isso, a parte de deep learning é uma rede em camadas que processa grandes volumes de dados limpos e padronizados, revelando ligações complexas que podem não ser óbvias para avaliadores humanos.

De pesquisas brutas a sinais significativos

Para testar a abordagem, os pesquisadores utilizaram dados da National Survey of Student Engagement, um questionário amplo e amplamente usado, respondido por calouros e estudantes do último ano em faculdades e universidades norte-americanas. Eles adaptaram várias questões para focar mais precisamente em quão bem os professores cumprem seus papéis e, em seguida, verificaram a confiabilidade da pesquisa revisada. Depois, executaram um pipeline completo de preparação de dados: corrigindo erros, preenchendo valores ausentes, mesclando informações de estudantes e professores e escalando tudo para uma mesma faixa. Também criaram indicadores combinados, como uma nota geral ponderada baseada em resultados de provas, conclusão de trabalhos e presença, além de reduzir a complexidade dos dados usando uma técnica padrão chamada análise de componentes principais. Esse conjunto de dados preparado alimentou tanto o módulo de lógica fuzzy, que lidou com categorias imprecisas, quanto a rede de deep learning, que tratou de padrões numéricos de alta dimensão.

Quão bem o novo modelo funciona?

O modelo FDL foi treinado e testado em porções separadas dos dados para evitar que se enganasse com exemplos já conhecidos. Seu desempenho foi comparado com várias alternativas robustas, incluindo redes neurais padrão e modelos profundos mais avançados. Nas métricas-chave — acurácia geral, precisão, recall e F1-score — o método híbrido igualou ou superou as abordagens concorrentes, alcançando cerca de 98% de acurácia e uma baixa taxa de erro pouco superior a 10%. Igualmente importante, as regras fuzzy tornaram suas decisões mais interpretáveis do que as de modelos caixa-preta. O sistema pôde destacar quais combinações de fatores — como turmas grandes associadas a baixa experiência docente, ou disciplinas exigentes apoiadas por feedback sólido — estavam mais fortemente ligadas a resultados de ensino melhores ou piores.

O que isso significa para estudantes e instituições

Em termos práticos, o estudo mostra que é hoje possível construir um “barômetro de ensino” automatizado que seja ao mesmo tempo altamente preciso e razoavelmente compreensível. Em vez de confiar principalmente em médias grosseiras e pesquisas pontuais, as faculdades poderiam usar esse tipo de sistema para identificar cedo ambientes de ensino fracos, determinar quais professores ou disciplinas precisam de suporte direcionado e testar se novas políticas realmente ajudam os alunos a aprender mais. Os autores ressaltam que o modelo não é perfeito — depende da qualidade dos dados, pode exigir grande poder computacional e, por natureza, simplifica o rico lado humano da educação. Ainda assim, usado com critério, oferece uma nova lente poderosa para tornar as salas de aula universitárias mais eficazes, justas e responsivas às necessidades dos estudantes.

Citação: He, Z., Zhang, X., Zhang, Z. et al. Assessment of influencing factors of college and universities’ teaching effects using fuzzy and deep learning techniques. Sci Rep 16, 5168 (2026). https://doi.org/10.1038/s41598-026-35940-5

Palavras-chave: eficácia do ensino, educação superior, desempenho estudantil, lógica fuzzy, deep learning