PREDIÇÃO DE RISCO ACADÉMICO EM CURSOS DE LICENCIATURAS DE INFORMÁTICA USANDO APRENDIZADO DE MÁQUINA

Resumo

Este estudo propõe uma avaliação de modelos de aprendizado de máquina para identificar estudantes em risco de baixo desempenho em cursos de Licenciatura de Informática, utilizando dados coletados em um ambiente virtual de aprendizagem. A pesquisa baseia-se em um conjunto de dados que inclui métricas como frequência de acesso, tempo de permanência, entregas de tarefas, notas e interações em fóruns, classificando os estudantes em níveis de risco ("Alto", "Meio" ou "Baixo"). O objetivo é comparar o desempenho de modelos como KNN, RandomForest e Máquinas de Vetores de Suporte na classificação desses níveis, visando oferecer suporte proativo aos estudantes. A metodologia envolve análise exploratória dos dados, preparação (normalização e divisão em conjuntos de treino e teste), treinamento dos modelos e avaliação por meio de métricas de desempenho. Os resultados destacam as variáveis mais influentes na predição, como notas médias e participação em atividades, e discutem como educadores podem utilizar essas informações para intervenções personalizadas. A proposta enfatiza a importância da análise de dados educacionais para melhorar a retenção e o desempenho acadêmico, oferecendo uma abordagem baseada em evidências para a tomada de decisões pedagógicas.