Modelo preditivo para identificação de estudantes com risco de evasão: Análise de Dados Acadêmicos no Moodle

Abstract

Este estudo apresenta o desenvolvimento de um modelo preditivo para identificar estudantes em risco de evasão escolar em cursos de graduação, utilizando dados educacionais extraídos da plataforma Moodle. O objetivo foi analisar indicadores de desempenho e comportamento dos estudantes para prever a probabilidade de evasão e auxiliar instituições de ensino na implementação de estratégias preventivas. A evasão escolar é um fenômeno complexo, influenciado por fatores como reprovação e desengajamento ao longo do semestre. Assim, o modelo desenvolvido pode ser aplicado de forma contínua durante o período letivo, utilizando dados parciais de notas e presença, além das métricas finais. Foram utilizados três algoritmos de aprendizado de máquina: Floresta Aleatória (Random Forest), XGBoost e Redes Neurais Feedforward (FNN). A avaliação dos modelos empregou métricas como acurácia, ROC AUC, precisão, recall e f1-score. Entre os algoritmos, o Random Forest apresentou o melhor desempenho, com uma acurácia de 95,65%, destacando-se pela precisão e estabilidade das previsões. Os resultados evidenciam a eficácia do modelo na identificação de padrões comportamentais que indicam risco de evasão, contribuindo para a gestão educacional e a retenção de estudantes.

This study presents the development of a predictive model to identify students at risk of dropping out of undergraduate courses, using educational data extracted from the Moodle platform. The goal was to analyze student performance and behavioral indicators to predict the likelihood of dropout and assist educational institutions in implementing preventive strategies. School dropout is a complex phenomenon, influenced by factors such as academic failure and disengagement throughout the semester. Hence, the developed model can be continuously applied during the academic term, using partial data on grades and attendance as well as final metrics. Three machine learning algorithms were used: Random Forest, XGBoost, and Feedforward Neural Networks (FNN). The models were evaluated using metrics such as accuracy, ROC AUC, precision, recall, and f1-score. Among the algorithms, Random Forest showed the best performance, with an accuracy of 95.65%, standing out for its precision and prediction stability. The results highlight the model’s effectiveness in identifying behavioral patterns indicative of dropout risk, contributing to educational management and student retention.