Uso de IA para prever o risco de evasão estudantil na educação técnica com uma abordagem de learning analytics

Por que alertas precoces para alunos em dificuldade importam

Muitos estudantes universitários vão ficando para trás em seus cursos online muito antes de notas ruins aparecerem. Em áreas técnicas, onde as aulas são exigentes e aceleradas, isso pode rapidamente levar à evasão. Este estudo explora como dados da atividade cotidiana em uma plataforma de aprendizagem online podem ser transformados em um sistema de alerta precoce. Ao analisar como os alunos percorrem os conteúdos do curso, um modelo de inteligência artificial (IA) identifica padrões que sinalizam problemas com antecedência suficiente para que os professores intervenham com ajuda direcionada.

Seguindo pegadas digitais em aulas online

A pesquisa concentra-se em dois cursos de desenho assistido por computador (CAD) ministrados pela plataforma Moodle em uma universidade de ciências aplicadas. Cada clique — abrir um arquivo, tentar um teste, enviar um trabalho — gera uma entrada no registro com carimbo de data e hora. A partir de 12.941 desses registros para 80 alunos, o autor construiu um conjunto de dados descrevendo 49 recursos de aprendizagem diferentes, desde páginas introdutórias simples até tarefas complexas em várias etapas. Como esses cursos apresentaram taxas de evasão incomumente altas, serviram como um campo de testes útil para explorar como padrões de atividade se relacionam com sucesso ou fracasso dos alunos.

Transformando cliques em sinais de aprendizagem significativos

Em vez de alimentar contagens brutas de cliques em um algoritmo opaco, o estudo introduz um método de "atributo ponderado" que remodela os dados em indicadores compreensíveis para os professores. Cada recurso recebe uma pontuação em três aspectos principais: quão exigente mentalmente ele é, com que frequência os alunos interagem com ele e quanto tempo o curso espera que eles dediquem a ele. Essas pontuações são combinadas em uma única medida de efetividade que reflete o quão bem os alunos realmente lidam com esse recurso. Dessa forma, o modelo não apenas indica que um aluno está em risco; ele aponta tarefas ou materiais específicos que podem estar causando o problema.

O que os modelos de IA descobriram

Dois tipos de modelos preditivos — regressão logística e florestas aleatórias — foram treinados para distinguir ferramentas de aprendizagem mais eficazes das menos eficazes com base nesses indicadores ponderados. Para evitar conclusões enganadoras devido à amostra relativamente pequena, o pesquisador usou verificações cruzadas repetidas que rotacionam quais dados são usados para treinamento e quais para teste. Ao longo dessas verificações, ambos os modelos tiveram bom desempenho, com a floresta aleatória ligeiramente à frente, mas o modelo logístico mais simples oferecendo resultados mais fáceis de interpretar. Em todos os casos, os sinais mais importantes foram com que frequência os alunos interagiram com um recurso, quanto tempo passaram nele e quão difícil ele foi projetado para ser.

Projetando cursos melhores, não substituindo professores

Os achados mostram que tarefas complexas e que demandam tempo — como projetos de modelagem em várias etapas e trabalhos de casa substanciais — estão fortemente associadas a melhores resultados de aprendizagem, enquanto anúncios básicos ou visões gerais curtas contribuem menos. Isso sugere que desafios bem projetados, apoiados por tempo adequado, são centrais para o sucesso dos alunos. O estudo também descreve como um sistema de alerta precoce poderia funcionar na prática: um painel automatizado destacaria padrões de risco para os instrutores, que então decidiríam como responder, por exemplo, adicionando exemplos, ajustando a carga de trabalho ou oferecendo sessões de apoio extras. É importante ressaltar que o sistema foi concebido para informar os professores, não para automatizar decisões sobre os alunos.

O que isso significa para alunos e educadores

Para um leitor geral, a mensagem principal é que a IA pode ajudar universidades a perceber pontos problemáticos antes que os alunos reprovem, mas somente se for usada com critério. Ao combinar insights de design de curso com manuseio cuidadoso dos dados, o método de atributo ponderado transforma logs de atividade bruta em sinais claros sobre quais partes de um curso ajudam ou atrapalham a aprendizagem. O estudo ainda é piloto, limitado a um pequeno número de cursos técnicos em uma instituição, portanto seus resultados são preliminares. Ainda assim, oferece um caminho concreto rumo a um uso mais transparente, justo e de apoio da IA na educação — em que ferramentas orientadas por dados ajudam professores a redesenhar cursos e alcançar alunos em dificuldade mais cedo, tornando menos provável que eles se afastem silenciosamente dos estudos.

Citação: Ovtšarenko, O. Using AI to forecast student dropout risk in technical education using a learning analytics approach. Sci Rep 16, 14616 (2026). https://doi.org/10.1038/s41598-026-44919-1

Palavras-chave: risco de evasão estudantil, learning analytics, educação técnica online, modelagem preditiva, sistemas de alerta precoce