Um conjunto sintético preservador de privacidade para análise de aprendizagem no ensino superior tecnologicamente aprimorado

Por que dados estudantis sem riscos de privacidade são importantes

As universidades hoje coletam enormes quantidades de informação clique a clique sobre como os estudantes aprendem online, desde logins e visualizações de vídeo até postagens em fóruns e notas de questionários. Esses dados poderiam ajudar professores a identificar estudantes em dificuldade cedo e a projetar cursos melhores, mas compartilhá‑los fora do campus é fortemente limitado por leis e ética de privacidade. Este artigo descreve uma nova forma de liberar esse valor: um grande conjunto de dados estudantis realista, porém completamente falso, que pretende proteger indivíduos ao mesmo tempo em que apoia pesquisas sérias.

A ideia de registros estudantis semelhantes e seguros

O estudo introduz o SynEdu‑HEDL, uma coleção de 20.000 registros estudantis artificiais construída para assemelhar‑se a dados universitários reais sem incluir nenhum aprendiz de verdade. Cada registro agrupa informações de contexto, atividade online semana a semana ao longo de um período de 16 semanas e resultados finais do curso. O objetivo é que padrões relevantes para a educação sobrevivam nesses dados inventados, por exemplo como o engajamento constante se relaciona com as notas, enquanto qualquer traço de um estudante real é apagado. Ao divulgar esse conjunto de dados abertamente, o autor espera oferecer aos pesquisadores um espaço comum para testar ideias sem nunca manipular registros sensíveis.

Como os estudantes sintéticos são criados

Para construir o SynEdu‑HEDL, o pesquisador trabalhou primeiro com uma grande universidade pública que já registra atividade online rica em centenas de cursos. Após revisão ética rigorosa, os dados reais foram limpos, simplificados e desprovidos de identificadores diretos. Em seguida, foi usado um pipeline de geração em várias etapas. Uma parte do sistema foca em informações estáticas como faixa etária ou curso, outra aprende como os comportamentos de estudo mudam ao longo das semanas de um período, e uma terceira garante que comportamento e resultados ainda se movam juntos de forma coerente. Ao longo do processo, o sistema adiciona aleatoriedade calibrada de forma cuidadosa para que a trilha de qualquer pessoa não possa ser reconstruída, enquanto caminhos típicos de aprendizagem permanecem visíveis.

Manter a privacidade forte sem perder utilidade

Proteger a privacidade vai além de remover nomes. A equipe testou o SynEdu‑HEDL contra uma bateria de ataques simulados que tentam adivinhar se um determinado estudante estava nos dados originais ou reconstruir seu perfil. Esses ataques não tiveram desempenho melhor do que o palpite aleatório, e verificações matemáticas formais mostram que o conjunto de dados atende a uma definição rigorosa de risco de privacidade. Ao mesmo tempo, o autor comparou centenas de estatísticas entre os dados reais e os sintéticos. Distribuições básicas, relações entre variáveis e os formatos do engajamento ao longo do tempo alinharam‑se de forma próxima, incluindo padrões raros mas importantes, como quedas súbitas de atividade antes de um fracasso.

Pesquisadores podem confiar em resultados a partir de dados falsos

Para verificar se os registros sintéticos são realmente úteis, o estudo reconstruiu ferramentas comuns de análise de aprendizagem usando o SynEdu‑HEDL e então as testou em estudantes reais. Modelos de alerta precoce treinados em dados sintéticos foram quase tão precisos em identificar estudantes em risco quanto modelos treinados diretamente em dados reais, frequentemente com diferença de apenas alguns pontos percentuais. Análises de agrupamento ainda encontraram grupos significativos de aprendizes, e modelos que prevêem notas ou estimam o efeito de mudanças de ensino se comportaram de forma similar. Talvez mais notável: quando modelos foram inicialmente treinados no SynEdu‑HEDL e depois ajustados levemente com apenas uma pequena fração de dados reais, seu desempenho melhorou fortemente, um sinal promissor para faculdades que não podem facilmente compartilhar ou agregar conjuntos de dados completos.

O que isso significa para pesquisas futuras em aprendizagem

Para os leitores, a principal conclusão é que talvez não tenhamos mais de escolher entre proteger estudantes e avançar o conhecimento sobre como eles aprendem. O SynEdu‑HEDL demonstra que é possível construir um substituto detalhado e compartilhável para dados educacionais reais que mantém os estudantes individuais seguros enquanto ainda suporta análises sérias. Ao tornar esse conjunto sintético e seu código livremente disponíveis, o trabalho oferece uma ferramenta prática para estudos abertos e reprodutíveis e um modelo para outras instituições. Se amplamente adotados e refinados, esses dados sintéticos cientes da privacidade poderiam ajudar educadores em todo o mundo a testar novas ideias, melhorar o suporte a estudantes vulneráveis e comparar abordagens entre campi sem expor a história pessoal de ninguém.

Citação: Agal, S. A privacy preserving synthetic learner dataset for learning analytics in technology enhanced higher education. Sci Rep 16, 14772 (2026). https://doi.org/10.1038/s41598-026-44990-8

Palavras-chave: análise de aprendizagem, dados sintéticos, privacidade dos estudantes, ensino superior, dados educacionais