💻 ciência da computação

Machine Learning Prediction of Undergraduate Academic Performance for Early Identification of At-Risk Students: Evidence from Nnamdi Azikiwe University

Este estudo demonstra que modelos de aprendizado de máquina, particularmente Máquinas de Vetores de Suporte, podem prever eficazmente o risco acadêmico de estudantes de graduação na Universidade Nnamdi Azikiwe utilizando registros rotineiros, como o GPA do primeiro semestre e disciplinas de dependência, permitindo, assim, intervenções oportunas para alunos em risco.

Autores originais: Chinenye Amaonye, Judith Nneka OKAFOR, Samuel Oweh Abang, Ngozi Eucharia Anyikwa, Juliana Uzonna UMEOZOR

Publicado 2026-10-28

📖 6 min de leitura🧠 Leitura aprofundada

CC BY 4.0

Autores originais: Chinenye Amaonye, Judith Nneka OKAFOR, Samuel Oweh Abang, Ngozi Eucharia Anyikwa, Juliana Uzonna UMEOZOR

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

As universidades hoje enfrentam um desafio silencioso, mas crescente: estão educando mais alunos do que nunca, mas frequentemente carecem de tempo ou ferramentas para notar quando um aluno específico começa a enfrentar dificuldades antes que seja tarde demais. No passado, um educador poderia esperar por uma nota baixa ou um exame perdido para perceber que um aluno estava em apuros, mas, a essa altura, a lacuna no aprendizado já teria se tornado ampla demais para ser superada facilmente. Para resolver isso, pesquisadores estão recorrendo a um campo chamado aprendizado de máquina, que é essencialmente uma forma de computadores aprenderem com padrões em dados, em vez de seguirem um conjunto estrito de regras escritas por um humano. Ao alimentar esses sistemas com registros históricos de desempenho acadêmico, frequência e histórico, o computador pode aprender a detectar os sinais sutis que precedem o fracasso acadêmico. O objetivo não é substituir os professores por algoritmos, mas dar a eles um sistema de alerta precoce — uma forma de ver quais alunos podem precisar de ajuda antes de ficarem para trás, permitindo um suporte oportuno que pode mudar toda a trajetória acadêmica de um estudante.

Na Universidade Nnamdi Azikiwe, na Nigéria, uma equipe de pesquisadores decidiu testar se essa abordagem poderia funcionar em seu contexto específico. Eles reuniram os registros acadêmicos de 400 alunos de graduação, analisando uma ampla gama de detalhes, incluindo suas notas nos exames de admissão, suas notas do primeiro semestre, a frequência com que frequentavam as aulas, suas pontuações em avaliações contínuas e até se haviam reprovado em algum curso anteriormente. Os pesquisadores então pediram a quatro modelos de computador diferentes para analisar essas informações e prever quais alunos estariam em risco de um desempenho acadêmico insatisfatório. Eles definiram "em risco" como alunos cujo desempenho caía abaixo de um determinado padrão, criando efetivamente dois grupos: aqueles que estavam indo bem e aqueles que estavam enfrentando dificuldades. A equipe queria ver se os computadores conseguiriam identificar o grupo em dificuldade precocemente, usando apenas os dados disponíveis no início do semestre, e determinar quais fatores específicos eram os indicadores mais fortes de problemas.

Os resultados revelaram um quadro claro do que separa um aluno próspero de um que está em perigo. Dos 400 alunos estudados, quase um em cada quatro foi identificado como estando em risco. Quando os pesquisadores analisaram os dados detalhadamente, descobriram que os alunos que enfrentavam dificuldades compartilhavam um perfil muito específico. Eles entraram na universidade com pontuações mais baixas nos exames de admissão, mas, mais importante, seu desempenho durante o primeiro semestre foi um sinal muito mais forte de problemas futuros. O preditor mais poderoso foi o coeficiente de rendimento (GPA) do primeiro semestre; os alunos que estavam em risco tinham uma média de 2,43, enquanto aqueles que iam bem tinham uma média de 3,24. O número de disciplinas que um aluno havia reprovado anteriormente, conhecido como disciplinas de dependência (carryover), foi o segundo fator mais importante. Os alunos em risco haviam reprovado em uma média de 2,5 disciplinas, comparado a apenas uma de seus colegas. Outros fatores, como pontuações em avaliações contínuas e frequência nas aulas, também desempenharam um papel; os alunos em dificuldade frequentavam menos as aulas e pontuavam menos em testes contínuos. Curiosamente, os dados mostraram que o gênero do aluno ou a forma específica como ele ingressou na universidade não ajudaram a prever quem enfrentaria dificuldades, sugerindo que o comportamento acadêmico importa muito mais do que a demografia de origem neste cenário.

Para encontrar a melhor maneira de fazer essas previsões, os pesquisadores compararam quatro técnicas diferentes de aprendizado de máquina, cada uma das quais aborda o problema de uma maneira ligeiramente diferente. Um método, chamado floresta de decisão (decision forest), constrói muitas árvores de decisão simples para fazer um palpite coletivo. Outro, conhecido como máquina de vetores de suporte (support vector machine), tenta desenhar uma linha complexa que separa os alunos em dificuldade dos bem-sucedidos. Quando os modelos foram testados em novos dados que nunca haviam visto antes, os resultados foram surpreendentes. O modelo que teve o melhor desempenho durante a fase inicial de treinamento não se sustentou tão bem ao enfrentar novos alunos. Em vez disso, a máquina de vetores de suporte e um método chamado regressão logística provaram ser os mais confiáveis. A máquina de vetores de suporte identificou corretamente 16 dos 20 alunos em dificuldade no grupo de teste, errando apenas quatro, enquanto também manteve o número de alarmes falsos — alunos sinalizados como em dificuldade quando na verdade estavam indo bem — relativamente baixo. Os modelos de computador foram capazes de distinguir entre os dois grupos com um alto grau de precisidade, provando que os padrões nos dados eram reais e consistentes.

O estudo também investigou profundamente o porquê de os modelos tomarem as decisões que tomaram, garantindo que os resultados não fossem apenas um truque estatístico, mas refletissem dinâmicas educacionais reais. A análise confirmou que o que um aluno faz durante o seu primeiro semestre é muito mais revelador do que onde ele começou. Embora as pontuações nos exames de admissão importassem, elas foram ofuscadas pelo desempenho do aluno uma vez que ele estava de fato na sala de aula. O computador aprendeu que um coeficiente de rendimento baixo, um alto número de disciplinas reprovadas e a baixa frequência eram os sinais mais fortes de que um aluno estava em dificuldades. Isso se alinha à ideia de que a aprendizagem é um processo ativo; alunos que não estão se engajando em seus estudos, faltando às aulas ou falhando em compreender o material precocemente são aqueles que mais precisam de ajuda. Os pesquisadores observaram que, embora os modelos fossem altamente eficazes em detectar esses padrões, eles devem ser vistos como uma ferramenta para apoiar o julgamento humano, não para substituí-lo. Um computador pode sinalizar um aluno para atenção, mas são os conselheiros e professores da universidade que devem fornecer a compreensão e o suporte que se seguem.

Em última análise, esta pesquisa demonstra que as universidades podem usar os dados que já coletam para construir uma rede de segurança para seus alunos. Ao focar em indicadores precoces, como notas do primeiro semestre e frequência escolar, as instituições podem identificar alunos que provavelmente enfrentarão dificuldades muito antes de reprovarem em um exame final. O estudo sugere que a Universidade Nnamdi Azikiwe, e outras como ela, poderiam implementar esses sistemas de alerta precoce para orientar sua assessoria acadêmica. Em vez de esperar que uma crise se desenrole, o corpo docente poderia entrar em contato com os alunos no momento em que os dados mostrarem que eles estão se desviando do caminho. As descobertas oferecem um caminho prático: usar os padrões nos registros para desencadear intervenções oportunas, garantindo que os alunos que mais precisam de ajuda a recebam antes que suas dificuldades acadêmicas se tornem impossíveis de superar.

Resumo Técnico: Predição de Desempenho Acadêmico de Graduação via Aprendizado de Máquina para Identificação Precoce de Alunos em Risco

Definição do Problema
O estudo aborda o desafio de identificar alunos de graduação em risco de baixo desempenho acadêmico com antecedência suficiente para permitir uma intervenção eficaz. Embora as universidades possuam vastas quantidades de dados estudantis, há frequentemente uma carência de estruturas preditivas validadas e específicas para cada instituição que utilizem esses dados antes que os resultados negativos se tornem consolidados. A pesquisa foca especificamente na Universidade Nnamdi Azikiwe (NAU) na Nigéria, visando ir além da análise post-hoc para uma identificação proativa. O problema central é determinar se modelos de aprendizado de máquina (ML) podem classificar de forma confiável os alunos como "em risco" ou "não em risco" utilizando registros acadêmicos rotineiros disponíveis no início da trajetória do estudante, e quais variáveis específicas impulsionam essas predições.

Metodologia
A pesquisa utiliza um delineamento quantitativo preditivo usando dados secundários de 400 alunos de graduação da NAU.

Fontes de Dados e Variáveis: O conjunto de dados inclui pontuações de admissão (UTME, Post-UTME), pontos de O'level, GPA do primeiro semestre, pontuações de avaliação contínua, taxas de frequência, número de disciplinas em dependência (carryover courses), idade, gênero e modo de ingresso.
Variável Alvo: O desempenho acadêmico foi dicotomizado em duas classes: "em risco" (desempenho abaixo de um limite definido) e "não em risco". Na amostra, 99 alunos (24,8%) foram classificados como em risco.
Pré-processamento: Os dados foram limpos para remover valores ausentes e duplicatas. Para lidar com o desequilíbrio de classes (24,8% em risco), a Técnica de Sobreamostragem de Minoria Sintética (SMOTE) foi aplicada estritamente dentro das dobras (folds) de treinamento para evitar vazamento de dados (data leakage). O conjunto de dados foi dividido em conjuntos de treinamento (320 alunos) e de teste independente (80 alunos).
Modelos Avaliados: Quatro algoritmos de aprendizado de máquina supervisionado foram treinados e comparados:
1. Regressão Logística
2. Floresta Aleatória (Random Forest)
3. Máquina de Vetores de Suporte (SVM) com núcleo de Função de Base Radial (RBF)
4. XGBoost
Treinamento e Validação: Os modelos passaram por validação cruzada de 10 dobras no conjunto de treinamento para ajuste de hiperparâmetros (via busca em grade/grid search). O desempenho final foi avaliado no conjunto de teste retido utilizando Acurácia, Precisão, Recall, F1-score e ROC-AUC.
Interpretabilidade: A importância das características foi analisada utilizando a importância baseada em impureza da Random Forest e valores SHAP (SHapley Additive exPlanations) para determinar a direção e a magnitude da influência das variáveis.

Principais Resultados

Estatística Descritiva: Foram encontradas diferenças significativas ( $p < .001$ ) entre os grupos em risco e não em risco em quase todas as variáveis acadêmicas. Alunos em risco apresentaram menores pontuações de admissão, menores pontuações de avaliação contínua, menor frequência e significativamente mais disciplinas em dependência. O GPA do primeiro semestre apresentou a maior lacuna (2,43 para em risco vs. 3,24 para não em risco). Gênero e modo de ingresso não apresentaram diferença significativa entre os grupos.
Desempenho do Modelo (Validação Cruzada): Durante a validação cruzada de 10 dobras, a Random Forest alcançou a maior acurácia (0,859) e F1-score (0,733), seguida de perto pela Regressão Logística e SVM. Todos os modelos demonstraram forte poder discriminatório, com valores de ROC-AUC variando entre 0,887 e 0,911.
Desempenho do Modelo (Conjunto de Teste Independente): No conjunto de dados não visto, a classificação de desempenho mudou. O SVM alcançou a maior acurácia (0,825), F1-score (0,696) e ROC-AUC (0,911). A Regressão Logística teve um desempenho similarmente bom (Acurácia: 0,812, Recall: 0,800). Por outro lado, a Random Forest, que liderou na validação cruzada, apresentou o menor desempenho no teste (Acurácia: 0,762, F1: 0,578), sugerindo potencial sobreajuste (overfitting) ou instabilidade com a amostra de teste reduzida.
Importância das Características: Tanto a importância baseada em impureza quanto a análise SHAP identificaram o GPA do primeiro semestre (importância ~~0,317/SHAP ~0,143) e as disciplinas em dependência (~~0,226/SHAP ~0,122) como os preditores dominantes, respondendo coletivamente por mais de 50% do poder preditivo do modelo. A avaliação contínua foi o terceiro fator mais importante. As pontuações de admissão (UTME, Post-UTME) e pontos de O'level contribuíram moderadamente, enquanto gênero e modo de ingresso tiveram impacto negligenciável.
Análise de Erro: No conjunto de teste, o SVM e a Regressão Logística identificaram corretamente 16 dos 20 alunos em risco (Recall = 0,80), enquanto a Random Forest identificou apenas 13.

Principais Contribuições

Evidência Específica da Instituição: O estudo fornece evidências empíricas no contexto de uma universidade pública nigeriana, abordando uma lacuna onde a maior parte da literatura existente foca em instituições ocidentais, ambientes de aprendizagem online ou disciplinas específicas.
Análise Comparativa de Modelos: Oferece uma comparação direta de Regressão Logística, Random Forest, SVM e XGBoost dentro deste demográfico específico, destacando que o desempenho na validação cruzada nem sempre garante o desempenho superior no conjunto de teste.
Hierarquia de Variáveis: A pesquisa estabelece que indicadores de desempenho acadêmico precoce (GPA do primeiro semestre, dependências) são mais preditivos de risco futuro do que características pré-admissão (pontuações UTME) ou fatores demográficos (gênero, modo de ingresso) neste contexto.
Interpretabilidade: Ao utilizar valores SHAP, o estudo vai além das predições de "caixa preta", confirmando que os modelos dependem de fatores lógicos e observáveis por educadores (ex: baixo GPA e alto número de dependências empurram a predição para "em risco").

Significância e Alegações
O artigo alega que o aprendizado de máquina pode servir como uma ferramenta viável para sistemas de alerta precoce no ensino superior, especificamente para a Universidade Nnamdi Azikiwe. Os achados sugerem que:

A Identificação Precoce é Viável: Predições confiáveis podem ser feitas usando dados disponíveis no início do ciclo acadêmico (primeiro semestre).
Intervenção Baseada em Dados: As universidades podem usar esses modelos para acionar programas de aconselhamento acadêmico e suporte oportunos, em vez de esperar pelas falhas nos exames finais.
Papel Complementar: Os autores enfatizam que esses sistemas devem complementar, e não substituir, o julgamento profissional. As predições pretendem ser "sinais de alerta precoce" para acionar o suporte, não rótulos permanentes da capacidade do aluno.
Ressalvas: O estudo nota modestamente limitações, incluindo o tamanho de amostra relativamente pequeno (400 alunos) e o pequeno conjunto de teste (80 alunos), o que pode afetar a estabilidade das métricas de desempenho. Recomenda-se que tais sistemas sejam validados com conjuntos de dados maiores e em diferentes coortes antes de uma implementação ampla.

O estudo conclui que, embora nenhum algoritmo seja universalmente superior, o SVM e a Regressão Logística mostraram um desempenho robusto em dados não vistos neste contexto específico, e a integração de tais ferramentas preditivas nos programas de apoio ao estudante é um passo recomendado para melhorar os resultados acadêmicos.

Mais como este