A "Bola de Cristal" Educacional: Como algoritmos podem prever (e evitar) a evasão na universidade

Tiago Primo
19 de fev.
3 min de leitura

Entrar na universidade é um sonho, mas permanecer nela pode ser um desafio gigantesco, especialmente nas áreas de Exatas. A evasão escolar é um problema que gera desperdício de recursos e frustração. Mas e se a coordenação do curso pudesse saber, com semestres de antecedência, quem está correndo risco de desistir?

Uma pesquisa desenvolvida na Universidade Federal de Pelotas (UFPel) mostrou que, usando Inteligência Artificial e dados históricos, é possível identificar alunos em risco logo no início da graduação, permitindo que a universidade ofereça ajuda antes que seja tarde demais.

Confira como a Mineração de Dados Educacionais está mudando esse jogo.

📋 Ficha Técnica

Título: Aplicação de Técnicas de Mineração de Dados e Learning Analytics para Predição de Evasão de Alunos nos Cursos de Ciência da Computação e Engenharias da UFPel
Autor: Alexandre Gomes da Costa
Orientador: Prof. Dr. Júlio Carlos Balzano de Mattos
Coorientador: Prof. Dr. Tiago Thompsen Primo

🧐 O Contexto (O Problema)

A evasão no ensino superior, especialmente em cursos como Ciência da Computação e Engenharia, atinge índices alarmantes. O grande obstáculo para gestores e professores é identificar quem são os alunos propensos a abandonar o curso em meio a centenas de matriculados. O estudo foi motivado pela necessidade de usar o vasto histórico de dados da universidade para criar um "sistema de alerta antecipado".

🛠️ O Que Foi Feito

O pesquisador analisou dados reais do sistema acadêmico da UFPel (Cobalto), cobrindo quase duas décadas de histórico do curso de Ciência da Computação (2000-2018) e dados mais recentes de doze cursos de Engenharia (2010-2018).

A metodologia se destacou por dois pontos principais:

Foco no Início: O estudo utilizou apenas dados dos três primeiros semestres dos alunos. A ideia era provar que não é preciso esperar o aluno chegar ao final do curso para prever o abandono.
Vários Algoritmos: Foram testados cinco tipos de "cérebros digitais" (como Redes Neurais e Árvores de Decisão) para ver qual aprendia melhor os padrões de comportamento dos estudantes.

💡 A Grande Descoberta (O Pulo do Gato)

A pesquisa provou que o comportamento acadêmico inicial é um forte indicador do futuro do aluno. Os modelos conseguiram prever a evasão com uma precisão impressionante (chegando a 90% em alguns casos na Computação e quase 80% nas Engenharias).

Os principais achados ("pulos do gato") foram:

O "Coeficiente de Dificuldade": O autor criou uma métrica inovadora que compara as disciplinas que o aluno passou com as que ele deveria ter passado segundo o currículo ideal. Esse índice provou ser um dos fatores mais decisivos para prever a permanência ou saída.
O Terceiro Semestre é Chave: O desempenho e as médias obtidas especificamente no 3º semestre se mostraram extremamente relevantes para o algoritmo decidir se o aluno corre risco, indicando ser um momento crítico da graduação.
Cada Curso é um Universo: O estudo revelou que tentar usar um modelo genérico para todos os cursos não funciona tão bem quanto criar modelos específicos. O que faz um aluno de Computação desistir pode ser diferente de um aluno de Engenharia Civil.

🚀 O Futuro da Pesquisa

Este trabalho abre caminho para uma gestão universitária proativa, e não reativa. Os próximos passos sugeridos incluem:

Implementação Real: Integrar esses "robôs preditivos" diretamente no sistema acadêmico (Cobalto), gerando alertas automáticos para coordenadores.
Intervenção Pedagógica: Usar esses dados para criar políticas de apoio, como monitorias específicas para alunos identificados como "risco" pelo algoritmo, antes que eles tranquem a matrícula.
Expansão: Levar essa metodologia para outros cursos fora das Exatas, adaptando os modelos para outras realidades acadêmicas.

Gostou de saber como a ciência de dados pode ajudar a manter estudantes na universidade? Compartilhe este post!