💻 computer science

An Optimized Stacking Ensemble Model for Forecasting Student Dropout

Este estudo apresenta um modelo de ensemble de empilhamento otimizado integrando classificadores K-Nearest Neighbors e Redes Bayesianas, aprimorado por ajuste de hiperparâmetros e balanceamento baseado em SMOTE, que alcança 85,9% de acurácia e supera métodos existentes para fornecer uma ferramenta de alerta precoce eficaz para a previsão de evasão estudantil.

Autores originais: Jackson Kisuule, Anthony Bua

Publicado 2026-09-23

📖 5 min de leitura🧠 Leitura aprofundada

CC BY 4.0

Autores originais: Jackson Kisuule, Anthony Bua

Artigo original sob licença CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/). ✨ Esta é uma explicação gerada por IA do artigo abaixo. Não foi escrita nem endossada pelos autores. Para precisão técnica, consulte o artigo original. Ler aviso legal completo

Todos os anos, universidades ao redor do mundo enfrentam uma crise silenciosa, mas persistente: estudantes que iniciam seus cursos, mas nunca os concluem. Essa evasão não é apenas uma tragédia pessoal para os indivíduos envolvidos; ela drena recursos das instituições, reduz as taxas de graduação e deixa as comunidades sem os profissionais qualificados de que precisam. Durante décadas, as escolas tentaram resolver isso revisando manualmente notas e frequência, procurando por alunos que pareciam estar perdendo o ritmo. No entanto, esses métodos costumam ser lentos demais para ajudar um estudante antes que seja tarde demais. Nos últimos anos, pesquisadores voltaram-se para o aprendizado de máquina, um ramo da ciência da computação onde o software aprende a reconhecer padrões em dados sem ser explicitamente programado com regras. Ao alimentar esses sistemas com registros históricos de milhares de estudantes, os computadores podem identificar sinais de alerta sutis que observadores humanos poderiam perder, oferecendo uma chance de intervir precocemente e manter os alunos no caminho para a graduação.

Uma equipe de pesquisadores da Victoria University in Kampala, Uganda e da The Unity University em Hargeisa, Somaliland, deu um passo além nessa abordagem ao desenvolver um novo tipo de sistema de previsão projetado especificamente para este desafio. Em vez de depender de um único algoritmo de computador para fazer um julgamento, eles construíram um sistema que combina as forças de dois métodos diferentes. O primeiro método, conhecido como K-Nearest Neighbors (K-Vizinhos Mais Próximos), funciona analisando o registro de um aluno e encontrando os alunos do passado mais semelhantes para ver o que aconteceu com eles. O segundo método, uma Rede Bayesiana, calcula a probabilidade de um aluno abandonar o curso com base na complexa teia de relações entre suas notas, situação financeira e circunstâncias pessoais. Embora cada método seja útil por si só, os pesquisadores descobriram que eles às vezes veem coisas diferentes nos mesmos dados. Para resolver isso, criaram um modelo de "empilhamento" (stacking), uma estrutura onde um terceiro programa, mais inteligente, ouve as previsões dos dois primeiros e toma a decisão final. Este programa final atua como um editor experiente, pesando as evidências de ambas as fontes para produzir um veredito mais confiável do que qualquer um deles conseguiria alcançar sozinho.

Os pesquisadores testaram este sistema usando uma vasta coleção de registros reais de estudantes da The Unity University, abrangendo os anos de 2021 a 2025. O conjunto de dados incluía mais de 4.400 alunos e rastreava trinta e seis fatores diferentes, variando desde o número de disciplinas que um aluno aprovou até sua situação financeira e histórico demográfico. Um grande obstáculo nesse tipo de pesquisa é que a maioria dos estudantes permanece na escola, enquanto um número muito menor abandona os estudos, criando um campo de jogo desigual para o computador. Para corrigir isso, a equipe utilizou uma técnica para equilibrar artificialmente os dados, garantindo que o sistema aprendesse a reconhecer os sinais de alerta de abandono tão bem quanto aprendesse a reconhecer os alunos que estavam seguros. Eles então dividiram os dados, usando a maior parte para ensinar o sistema e reservando uma parte para testar o desempenho em alunos que o sistema nunca havia visto antes.

Os resultados mostraram que o novo sistema combinado foi, de fato, superior aos métodos individuais. Quando testado, o modelo de empilhamento identificou corretamente se um aluno abandonaria ou permaneceria na instituição cerca de 86 por cento das vezes. Mais importante ainda, ele foi muito bom em capturar os alunos que estavam realmente em risco. Ele identificou corretamente 81 por cento dos alunos que eventualmente saíram, uma métrica crucial para instituições que tentam intervir. Em comparação, os métodos isolados e uma forma mais simples de combiná-los (chamada de votação suave ou soft voting) foram menos precisos, perdendo mais alunos em risco ou sinalizando incorretamente aqueles que estavam seguros. A análise também revelou quais fatores eram mais importantes: o desempenho acadêmico, especificamente o número de disciplinas aprovadas e as notas cumulativas, era o preditor mais forte, seguido de perto por indicadores financeiros, como o status da mensalidade e se o aluno devia dinheiro à instituição.

Este estudo demonstra que, ao tecer diferentes tipos de aprendizado de máquina, as universidades podem construir uma rede de segurança mais robusta para seus alunos. O modelo não substitui os conselheiros humanos, mas fornece a eles uma ferramenta poderosa para priorizar seus esforços. Ao identificar os alunos com maior probabilidade de sair antes que eles realmente o façam, as instituições podem oferecer auxílio financeiro, tutoria acadêmica ou aconselhamento no momento exato em que é necessário. Embora os pesquisadores observem que seu modelo foi treinado com dados de uma única universidade e que trabalhos futuros devam testá-lo em diferentes regiões e com técnicas mais avançadas, as descobertas oferecem um caminho claro a seguir. Eles provam que, com a combinação certa de dados e algoritmos, é possível mudar o rumo da evasão estudantil, transformando um processo reativo de gestão de abandonos em uma estratégia proativa para manter os alunos na escola.

Resumo Técnico: Um Modelo de Ensemble de Stacking Otimizado para a Previsão de Abandono Escolar

Definição do Problema
O abandono escolar continua sendo um desafio crítico para as instituições de ensino superior, impactando negativamente o sucesso acadêmico, o desempenho institucional e a utilização de recursos. Em regiões em desenvolvimento, as taxas de abandono são persistentemente altas, com projeções sugerindo que até 40% dos ingressantes universitários podem não se graduar sem uma intervenção direcionada. Os métodos de identificação existentes frequentemente dependem de monitoramento manual e revisões acadêmicas periódicas, que são lentos e ineficazes para uma intervenção oportuna. Embora modelos estatísticos tradicionais e algoritmos individuais de aprendizado de máquina (como Regressão Logística, K-Vizinhos Mais Próximos e Redes Bayesianas) tenham sido aplicados para prever a evasão, eles frequentemente sofrem com limitações como fronteiras de decisão lineares, complexidade computacional com grandes conjuntos de dados ou dificuldade em modelar a incerteza em dados de alta dimensionalidade. Há uma necessidade demonstrada de um framework preditivo inteligente e automatizado, capaz de identificar estudantes em risco precocemente, aproveitando dados históricos para apoiar a tomada de decisões proativas.

Metodologia
O estudo propõe um modelo de ensemble de stacking otimizado, projetado para prever o abandono escolar através da integração das forças complementares de classificadores heterogêneos. A pesquisa utilizou um conjunto de dados de 4.424 registros históricos de estudantes da The Unity University em Hargeisa, Somalilândia, abrangendo o período de 2021 a 2025. O conjunto de dados incluiu 36 variáveis preditoras abrangendo atributos demográficos, acadêmicos, financeiros e institucionais.

O pipeline técnico envolveu as seguintes etapas:

Pré-processamento e Engenharia de Dados: As variáveis categóricas foram codificadas por rótulos (label-encoded) e as características contínuas foram normalizadas. A engenharia de atributos foi realizada para derivar atributos significativos.
Balanceamento de Classes: Para abordar o desequilíbrio natural entre estudantes que continuam e os que interrompem os estudos, a Técnica de Sobreamostragem Sintética de Minorias (SMOTE) foi aplicada para balancear a distribuição das classes.
Aprendizes Base (Base Learners): A arquitetura de ensemble empregou dois classificadores distintos:
- K-Vizinhos Mais Próximos (KNN): Configurado com $K=11$ e ponderação de distância para capturar padrões de similaridade local entre os estudantes.
- Rede Bayesiana (BN): Implementada como um classificador Naive Bayes Gaussiano para modelar relações probabilísticas e lidar com a incerteza entre as variáveis educacionais.
Ensemble de Stacking: Um meta-aprendiz Naive Bayes Gaussiano foi treinado nas probabilidades de predição fora da amostra (out-of-fold) geradas pelos aprendizes base (via validação cruzada de 5 dobras) para produzir a classificação final. Esta abordagem permitiu que o meta-aprendiz integrasse os padrões de decisão dos modelos base sem utilizar os dados de treinamento para o meta-aprendiz.
Otimização: A sintonia de hiperparâmetros foi realizada para os aprendizes base, e o modelo foi avaliado utilizando métricas de classificação padrão.

Principais Contribuições

Arquitetura de Ensemble Inovadora: O estudo introduz uma configuração específica de stacking combinando KNN e Redes Bayesianas com um meta-aprendiz Naive Bayes Gaussiano, abordando a sugestão na literatura prévia de incorporar esses algoritmos específicos para uma melhor robustez em contextos de recursos limitados.
Avaliação Abrangente: O modelo foi rigorosamente avaliado contra aprendizes base individuais (KNN, BN) e um Ensemble de Soft Voting usando acurácia, precisão, recall, F1-score e especificidade.
Aplicação Contextual: A pesquisa fornece uma aplicação empírica de aprendizado de máquina de ensemble avançado à retenção estudantil em uma região em desenvolvimento (Somalilândia), demonstrando a viabilidade de tais modelos em instituições com infraestrutura digital restrita.

Resultados
O modelo de ensemble de stacking proposto demonstrou desempenho superior em comparação aos classificadores individuais e ao ensemble de Soft Voting. As métricas de desempenho específicas alcançadas foram:

Acurácia: 85,9%
Precisão: 76,4%
Recall: 81,3%
F1-score: 78,8%
Especificidade: 81,3%

A análise de importância de atributos revelou que os indicadores de desempenho acadêmico (especificamente o número de unidades curriculares aprovadas e o rendimento cumulativo), o status das taxas de matrícula e os indicadores financeiros foram os preditores mais influentes do abandono. A análise da matriz de confusão confirmou que o ensemble de stacking reduziu os falsos positivos e falsos negativos de forma mais eficaz do que os modelos de linha de base, melhorando assim a identificação de estudantes em risco.

Significância e Alegações
Os autores afirmam que o estudo desenvolveu com sucesso uma ferramenta de alerta precoce eficaz que apoia intervenções oportunas para melhorar a retenção estudantil. Os achados confirmam que a integração de algoritmos de aprendizado de máquina heterogêneos dentro de um framework de stacking produz predições mais precisas e robustas do que classificadores individuais. O modelo serve como um sistema prático de suporte à decisão para administradores universitários identificarem estudantes em risco antes da desistência.

O artigo mantém um escopo modesto em relação às suas alegações, observando que o modelo foi validado em o conjunto de dados de uma única instituição. Os autores sugerem que trabalhos futuros devem focar na validação do modelo em múltiplas instituições, incorporando variáveis comportamentais adicionais e do sistema de gestão de aprendizagem, além de comparar a abordagem com técnicas de aprendizado profundo mais avançadas. Eles também enfatizam a necessidade de avaliar o impacto de longo prazo de tais intervenções baseadas em ML em ambientes educacionais reais.

Mais como este