O "Radar" da Evasão: Como a Inteligência Artificial sabe quando um aluno vai desistir da faculdade (e como ajudar a tempo!)
- Tiago Primo
- 7 de mar.
- 3 min de leitura
Metadados do Estudo
Título Original da Tese: MPC-SDP: um classificador genérico baseado em múltiplas perspectivas para a predição da evasão estudantil.
Autora: Míriam Pizzatto Colpo.
Orientador: Prof. Dr. Tiago Thompsen Primo.
Coorientador: Prof. Dr. Marilton Sanchotene de Aguiar.
🎣 O Gancho: A epidemia silenciosa do abandono universitário
Entrar na universidade é um sonho para muitos, mas o que acontece quando esse sonho é interrompido no meio do caminho? A evasão estudantil (o abandono do curso) é um problema histórico e grave no Brasil. Quando um aluno desiste, não é apenas uma frustração pessoal: o país perde futuros profissionais qualificados e o dinheiro público investido na educação é desperdiçado.
O grande desafio das instituições de ensino é: como saber qual aluno está pensando em desistir antes que ele feche a matrícula? Fazer isso manualmente, analisando milhares de alunos, é impossível. Além disso, os sistemas de inteligência artificial tradicionais costumam falhar porque tentam usar a mesma "regra" para todos, ignorando que os motivos que levam um calouro a desistir são muito diferentes dos motivos de um aluno que já está quase se formando. Foi exatamente para resolver essa falha que esta tese foi desenvolvida.
💡 O que descobrimos: Uma IA que enxerga o aluno em 360 graus
A pesquisadora desenvolveu um modelo inovador de Inteligência Artificial chamado MPC-SDP (um classificador baseado em múltiplas perspectivas). Em vez de criar um único "robô" para adivinhar quem vai evadir, ela criou um verdadeiro comitê de especialistas virtuais.
Avaliando dados reais de estudantes de graduação do Instituto Federal Farroupilha (IFFar), o estudo chegou a descobertas fascinantes:
Especialistas por semestre: O sistema usa "subclassificadores", o que significa que existe uma IA treinada especificamente para entender os calouros, outra para os alunos do segundo semestre, e assim por diante. Isso aumentou muito a precisão do sistema nas etapas iniciais do curso.
Muito além das notas: A maioria dos sistemas só olha para o boletim. Esse novo modelo analisa cinco aspectos da vida do aluno: acadêmico (notas), contextual (qual o curso e turno), econômico (renda), social (idade, origem) e interacional (quantos cliques e mensagens ele troca no ambiente virtual de aprendizagem).
O perigo do esforço sem resultado: A IA descobriu padrões curiosos. Por exemplo, alunos com notas baixas que acessam pouco o sistema virtual têm grande chance de evadir. Porém, alunos com notas baixas que acessam muito o sistema também desistem! Isso mostra que o aluno está se esforçando, mas não está conseguindo aprender, o que gera desmotivação e abandono.
Os semestres críticos: O estudo confirmou que cerca de 70% das evasões ocorrem logo no início da jornada, nos três primeiros semestres.
🚀 Por que isso importa: Salvando o futuro acadêmico com precisão
O grande impacto prático dessa pesquisa é que ela fornece às universidades uma ferramenta altamente precisa, exatamente no momento em que ela é mais necessária: no início do curso.
Como as instituições têm recursos limitados (poucos psicólogos, assistentes sociais e bolsas de estudo), elas não podem desperdiçar tempo com "falsos alarmes" (alunos que o sistema diz que vão desistir, mas que na verdade estão bem).
Ao usar um modelo como o MPC-SDP, a universidade consegue focar sua energia e seu orçamento nos estudantes que realmente estão em risco. Na prática, isso significa bater na porta certa, oferecer uma monitoria, um auxílio financeiro ou um apoio emocional a tempo de resgatar aquele aluno, garantindo que ele chegue até o tão sonhado dia da formatura.
Comentários