Modelos de Inteligência Artificial para Predição de Evasão escolar: Uma revisão sistemática
DOI:
https://doi.org/10.5753/reic.2025.5523Keywords:
Ensino a distância, MOOCs, Evasão escolar, Inteligência artificial, Machine learning, Revisão sistemáticaAbstract
Os Massive Open Online Courses - MOOCs se mostram como plataformas acessíveis para o acesso à educação de forma virtual. No Brasil, o Ministério da Educação (MEC) mostrou que, entre os anos de 2011 a 2021, foi registrado um crescimento de 474% indicando a estratégia que instituições públicas e privadas vêm adotando como política de ensino. Entretanto, existe um grande desafio: as altas taxas de abandono durante o aprendizado por MOOCs. Desta forma, o objetivo deste trabalho é realizar uma revisão sistemática, entre 2018 e 2023, com foco na investigação das técnicas de inteligência artificial (IA) aplicadas à predição da evasão escolar no contexto de MOOCs. Mostrou-se, ao final desse estudo, que os algoritmos Random Forest (RF), Gaussian Naive Bayes (GNB) e Long Short-Term Memory (LSTM) são os mais utilizados na predição. Os datasets observados com grande uso foram o dataset KDD CUP 2015 e o uso de bases próprias. As métricas de avaliação comumente utilizadas nos estudos analisados foram: Precisão, Recall e F1. Durante o estudo, foi possível observar desafios no que tange à limitação e falta de diversidade dos dados; complexidade na medição da eficácia dos modelos e os fatores externos que influenciam o desempenho dos alunos. Foi observada alta adesão de algoritmos como Random Forest e Naive Bayes, além disso, é necessária uma diversificação dos dados, compreender os fatores externos à avaliação como políticas educacionais para análise das previsões.
Descargas
Citas
Alalawi, K., Athauda, R., and Chiong, R. (2023). Contextualizing the current state of research on the use of machine learning for student performance prediction: A systematic literature review. Engineering Reports, 5. DOI: 10.1002/eng2.12699.
Balaji, P., Alelyani, S., Qahmash, A., and Mohana, M. (2021). Contributions of Machine Learning Models towards Student Academic Performance Prediction: A Systematic Review. Applied Sciences, 11:10007. DOI: 10.3390/app112110007.
de Oliveira, C. F., Sobral, S. R., Ferreira, M. J., and Moreira, F. (2021). How Does Learning Analytics Contribute to Prevent Students’ Dropout in Higher Education: A Systematic Literature Review. Big Data and Cognitive Computing, 5:64. DOI: 10.3390/bdcc5040064.
Gamage, D., Staubitz, T., and Whiting, M. (2021). Peer assessment in MOOCs: Systematic literature review. Distance Education, 42:268–289. DOI: 10.1080/01587919.2021.1911626.
Herrera, V. M., Khoshgoftaar, T. M., Villanustre, F., and Furht, B. (2019). Random forest implementation and optimization for Big Data analytics on LexisNexis’s high performance computing cluster platform. Journal of Big Data, 6:1–36. DOI: 10.1186/s40537-019-0232-1.
Jin, C. (2021). Dropout prediction model in MOOC based on clickstream data and student sample weight. Soft Computing, 25:8971–8988. DOI: 10.1007/s00500-021-05795-1.
Mastour, H., Dehghani, T., Jajroudi, M., Moradi, E., Zarei, M., and Eslami, S. (2023). Prediction of medical sciences students’ performance on high-stakes examinations using machine learning models: a protocol for a systematic review. BMJ Open, 13:e064956. DOI: 10.1136/bmjopen-2022-064956.
Ministério da Educação (2022). Ensino a distância cresce 474% em uma década. Available at [link]. Acesso em: 10 abr. 2025.
Moher, D., Liberati, A., Tetzlaff, J., and Altman, D. G. (2009). Preferred Reporting Items for Systematic Reviews and Meta-Analyses: The PRISMA Statement. PLoS Medicine, 6:e1000097. DOI: 10.1371/journal.pmed.1000097.
Moreno-Marcos, P. M., Alario-Hoyos, C., Munoz-Merino, P. J., and Kloos, C. D. (2019). Prediction in MOOCs: A Review and Future Research Directions. IEEE Transactions on Learning Technologies, 12:384–401. DOI: 10.1109/TLT.2018.2856808.
Mrhar, K., Benhiba, L., Bourekkache, S., and Abik, M. (2021). A Bayesian CNN-LSTM Model for Sentiment Analysis in Massive Open Online Courses MOOCs. International Journal of Emerging Technologies in Learning, 16:216–232. DOI: 10.3991/ijet.v16i23.24457.
Nazir, M., Noraziah, A., Rahmah, M., and Sharma, A. (2023). Examining the potential of machine learning for predicting academic achievement: A systematic review. Fusion: Practice and Applications, 13:71–90. DOI: 10.54216/FPA.130207.
Sato, S. N., Moreno, E. C., Rubio-Zarapuz, A., Dalamitros, A. A., Yañez-Sepulveda, R., Tornero-Aguilera, J. F., and Clemente-Suárez, V. J. (2024). Navigating the New Normal: Adapting Online and Distance Learning in the Post-Pandemic Era. Education Sciences, 14. DOI: 10.3390/educsci14010019.
Silva, J. J. D. and Roman, N. T. (2021). Predicting Dropout in Higher Education: a Systematic Review. In Anais do XXXII Simpósio Brasileiro de Informática na Educação (SBIE 2021), pages 1107–1117. Sociedade Brasileira de Computação - SBC. DOI: 10.5753/sbie.2021.217437.
Valverde-Berrocoso, J., del Carmen Garrido-Arroyo, M., Burgos-Videla, C., and Morales-Cevallos, M. B. (2020). Trends in Educational Research about e-Learning: A Systematic Literature Review (2009–2018). Sustainability 2020, 12:5153. DOI: 10.3390/SU12125153.
Zhang, J., Gao, M., and Zhang, J. (2021). The learning behaviours of dropouts in MOOCs: A collective attention network perspective. Computers Education, 167:104189. DOI: 10.1016/J.COMPEDU.2021.104189.
Descargas
Published
Cómo citar
Issue
Section
Licencia
Derechos de autor 2025 Os autores
Esta obra está bajo una licencia internacional Creative Commons Atribución 4.0.
