Predição Explicável de Evasão no Ensino Superior baseada em Trajetórias Temporais e Aprendizado de Máquina
Resumo
A evasão no ensino superior compromete a eficiência institucional. Este trabalho compara modelos de aprendizado de máquina como LSTMs e Random Forests e representações temporais para predição antecipada do abandono acadêmico, usando históricos escolares. Para evitar vazamento de dados, o último semestre do aluno é excluído. Os modelos são avaliados sob representações sequenciais ou agregadas, integrando a técnica SHAP para explicabilidade. Para a janela selecionada de N = 3 semestres, o modelo LSTM otimizado apresenta F1-Score de 0,785 e acurácia de 84%, superando o baseline estático condensado e equivalendo-se à RF sequencial, com F1 de 0,784. Ademais, o modelo baseado apenas em faltas apresenta 85% de precisão, viabilizando alertas de baixo custo.
Palavras-chave:
Evasão Estudantil, Redes LSTM, Inteligência Artificial Explicável
Referências
Aldowah, H., Al-Samarraie, H., and Faupuin, W. (2019). Educational data mining and learning analytics in higher education: A systematic review. IEEE Access, 7:43721–43737.
Andrade, F. and Pereira, R. (2024). Investigação da evasão estudantil por meio de mineração de dados e aprendizado de máquina: um mapeamento sistemático. Revista Brasileira de Informática na Educação, 32:1–25.
Barredo Arrieta, A., Díaz-Rodríguez, N., Del Ser, J., Bennetot, A., Tabik, S., Barbado, A., Garcia, S., Gil-Lopez, S., Molina, D., Benjamins, R., Chatila, R., and Herrera, F. (2021). Explainable artificial intelligence (xai): Concepts, taxonomies, opportunities and challenges toward responsible ai. Information Fusion, 58:82–115.
Barria-Pineda, J. et al. (2021). Explainable student models: What, how, and why? In International Conference on Artificial Intelligence in Education, pages 312–323. Springer.
Barros, A. N., Alves, G., and Mello, R. F. (2024). Entendendo os fatores de previsão do tdi nas escolas públicas brasileiras: Uma abordagem usando a técnica shap. In Anais do XXXV Simpósio Brasileiro de Informática na Educação, pages 1529–1542. SBC.
Braga, M. M., Peixoto, M. C. L., and Bogutchi, T. F. (2003). A evasão no ensino superior brasileiro: novos dados, velhos problemas. Avaliação: Revista da Avaliação da Educação Superior, 8(1):161–179.
Chagas, F. R., Gomide, A., and Santana, A. (2025). Predição de risco de evasão universitária em cursos de engenharia utilizando mineração de dados. Revista Brasileira de Informática na Educação, 33:1–22.
Conati, C. et al. (2018). Add explainable ai to intelligent tutoring systems. In International Conference on Intelligent Tutoring Systems, pages 5–15. Springer.
Demšar, J. (2006). Statistical comparisons of classifiers over multiple data sets. Journal of Machine Learning Research, 7:1–30.
Gašević, D. et al. (2016). Learning analytics should not fit all: Measuring the influence of context on predictor variables in learning analytics models. International Review of Research in Open and Distributed Learning, 17(1):67–84.
Hernandez-Blanco, A. et al. (2019). Predicting student dropout in higher education using deep learning and time series. IEEE Latin America Transactions, 17(10):1588–1597.
Hochreiter, S. and Schmidhuber, J. (1997). Long short-term memory. Neural Computation, 9(8):1735–1780.
Hu, Q. et al. (2022). Improving student dropout prediction with lstm and attention mechanism. Interactive Learning Environments, pages 1–15.
Kingma, D. P. and Ba, J. (2014). Adam: A method for stochastic optimization. arXiv preprint arXiv:1412.6980.
Kohavi, R. (1995). A study of cross-validation and bootstrap for accuracy estimation and model selection. In Proceedings of the 14th International Joint Conference on Artificial Intelligence, pages 1137–1143.
Lobo, M. B. (2012). Evasão no ensino superior brasileiro: uma análise sob a ótica dos dados do censo da educação superior. Cadernos de Pesquisa, 42(145):232–247.
Lundberg, S. M. and Lee, S.-I. (2017). A unified approach to interpreting model predictions. Advances in Neural Information Processing Systems, 30:4765–4774.
MEC/INEP (2024). Censo da educação superior 2024: Notas estatísticas. Ministério da Educação/Instituto Nacional de Estudos e Pesquisas Educacionais Anísio Teixeira. Disponível em: [link]. Acesso em: 12 mar. 2026.
Menolli, A., Alves, G., and Brandão, W. (2025). Processo baseado em seleção de características para criação e avaliação de modelos de aprendizado de máquina aplicados à predição de evasão no ensino superior. Revista Brasileira de Informática na Educação, 33:1–24.
Okubo, F. et al. (2017). Predicting graduate-level students' performance using deep learning. In Proceedings of the 7th International Learning Analytics and Knowledge Conference, pages 15–24.
Ribeiro, M. T., Singh, S., and Guestrin, C. (2016). "why should i trust you?": Explaining the predictions of any classifier. In Proceedings of the 22nd ACM SIGKDD International Conference on Knowledge Discovery and Data Mining, pages 1135–1144.
Romero, C. and Ventura, S. (2020). Educational data mining and learning analytics: An updated survey. Wiley Interdisciplinary Reviews: Data Mining and Knowledge Discovery, 10(3):e1355.
Rovai, A. P. (2003). In search of higher education college student persistence models. Internet and Higher Education, 6(1):1–16.
Silva Filho, R. L. L. et al. (2007). A evasão no ensino superior brasileiro: novos e velhos temas. Scientia Paedagogica, 13(25):203–220.
Song, X. et al. (2021). Time-series performance prediction based on long short-term memory (lstm) neural network model. Proceedings of the IEEE, 109(3):247–278.
Srivastava, N. et al. (2014). Dropout: a simple way to prevent neural networks from overfitting. The Journal of Machine Learning Research, 15(1):1929–1958.
Swamy, V. et al. (2022). Evaluating explainable ai for student performance prediction. In Proceedings of the 15th International Conference on Educational Data Mining.
Teodoro, L. H. and Kappel, M. A. A. (2020). Aplicação de técnicas de aprendizado de máquina para predição de evasão escolar no ensino superior público brasileiro. Revista Brasileira de Informática na Educação, 28:1003–1025.
Tinto, V. (1993). Leaving college: Rethinking the causes and cures of student attrition. University of Chicago Press.
Wohlin, C., Runeson, P., Höst, M., Ohlsson, M. C., Regnell, B., and Wesslén, A. (2012). Experimentation in Software Engineering. Springer Science & Business Media, Berlin, Heidelberg.
Andrade, F. and Pereira, R. (2024). Investigação da evasão estudantil por meio de mineração de dados e aprendizado de máquina: um mapeamento sistemático. Revista Brasileira de Informática na Educação, 32:1–25.
Barredo Arrieta, A., Díaz-Rodríguez, N., Del Ser, J., Bennetot, A., Tabik, S., Barbado, A., Garcia, S., Gil-Lopez, S., Molina, D., Benjamins, R., Chatila, R., and Herrera, F. (2021). Explainable artificial intelligence (xai): Concepts, taxonomies, opportunities and challenges toward responsible ai. Information Fusion, 58:82–115.
Barria-Pineda, J. et al. (2021). Explainable student models: What, how, and why? In International Conference on Artificial Intelligence in Education, pages 312–323. Springer.
Barros, A. N., Alves, G., and Mello, R. F. (2024). Entendendo os fatores de previsão do tdi nas escolas públicas brasileiras: Uma abordagem usando a técnica shap. In Anais do XXXV Simpósio Brasileiro de Informática na Educação, pages 1529–1542. SBC.
Braga, M. M., Peixoto, M. C. L., and Bogutchi, T. F. (2003). A evasão no ensino superior brasileiro: novos dados, velhos problemas. Avaliação: Revista da Avaliação da Educação Superior, 8(1):161–179.
Chagas, F. R., Gomide, A., and Santana, A. (2025). Predição de risco de evasão universitária em cursos de engenharia utilizando mineração de dados. Revista Brasileira de Informática na Educação, 33:1–22.
Conati, C. et al. (2018). Add explainable ai to intelligent tutoring systems. In International Conference on Intelligent Tutoring Systems, pages 5–15. Springer.
Demšar, J. (2006). Statistical comparisons of classifiers over multiple data sets. Journal of Machine Learning Research, 7:1–30.
Gašević, D. et al. (2016). Learning analytics should not fit all: Measuring the influence of context on predictor variables in learning analytics models. International Review of Research in Open and Distributed Learning, 17(1):67–84.
Hernandez-Blanco, A. et al. (2019). Predicting student dropout in higher education using deep learning and time series. IEEE Latin America Transactions, 17(10):1588–1597.
Hochreiter, S. and Schmidhuber, J. (1997). Long short-term memory. Neural Computation, 9(8):1735–1780.
Hu, Q. et al. (2022). Improving student dropout prediction with lstm and attention mechanism. Interactive Learning Environments, pages 1–15.
Kingma, D. P. and Ba, J. (2014). Adam: A method for stochastic optimization. arXiv preprint arXiv:1412.6980.
Kohavi, R. (1995). A study of cross-validation and bootstrap for accuracy estimation and model selection. In Proceedings of the 14th International Joint Conference on Artificial Intelligence, pages 1137–1143.
Lobo, M. B. (2012). Evasão no ensino superior brasileiro: uma análise sob a ótica dos dados do censo da educação superior. Cadernos de Pesquisa, 42(145):232–247.
Lundberg, S. M. and Lee, S.-I. (2017). A unified approach to interpreting model predictions. Advances in Neural Information Processing Systems, 30:4765–4774.
MEC/INEP (2024). Censo da educação superior 2024: Notas estatísticas. Ministério da Educação/Instituto Nacional de Estudos e Pesquisas Educacionais Anísio Teixeira. Disponível em: [link]. Acesso em: 12 mar. 2026.
Menolli, A., Alves, G., and Brandão, W. (2025). Processo baseado em seleção de características para criação e avaliação de modelos de aprendizado de máquina aplicados à predição de evasão no ensino superior. Revista Brasileira de Informática na Educação, 33:1–24.
Okubo, F. et al. (2017). Predicting graduate-level students' performance using deep learning. In Proceedings of the 7th International Learning Analytics and Knowledge Conference, pages 15–24.
Ribeiro, M. T., Singh, S., and Guestrin, C. (2016). "why should i trust you?": Explaining the predictions of any classifier. In Proceedings of the 22nd ACM SIGKDD International Conference on Knowledge Discovery and Data Mining, pages 1135–1144.
Romero, C. and Ventura, S. (2020). Educational data mining and learning analytics: An updated survey. Wiley Interdisciplinary Reviews: Data Mining and Knowledge Discovery, 10(3):e1355.
Rovai, A. P. (2003). In search of higher education college student persistence models. Internet and Higher Education, 6(1):1–16.
Silva Filho, R. L. L. et al. (2007). A evasão no ensino superior brasileiro: novos e velhos temas. Scientia Paedagogica, 13(25):203–220.
Song, X. et al. (2021). Time-series performance prediction based on long short-term memory (lstm) neural network model. Proceedings of the IEEE, 109(3):247–278.
Srivastava, N. et al. (2014). Dropout: a simple way to prevent neural networks from overfitting. The Journal of Machine Learning Research, 15(1):1929–1958.
Swamy, V. et al. (2022). Evaluating explainable ai for student performance prediction. In Proceedings of the 15th International Conference on Educational Data Mining.
Teodoro, L. H. and Kappel, M. A. A. (2020). Aplicação de técnicas de aprendizado de máquina para predição de evasão escolar no ensino superior público brasileiro. Revista Brasileira de Informática na Educação, 28:1003–1025.
Tinto, V. (1993). Leaving college: Rethinking the causes and cures of student attrition. University of Chicago Press.
Wohlin, C., Runeson, P., Höst, M., Ohlsson, M. C., Regnell, B., and Wesslén, A. (2012). Experimentation in Software Engineering. Springer Science & Business Media, Berlin, Heidelberg.
Publicado
05/10/2026
Como Citar
MOURA, Alberto; BARROS, Abílio Nogueira; MACIEL, Alexandre Magno Andrade.
Predição Explicável de Evasão no Ensino Superior baseada em Trajetórias Temporais e Aprendizado de Máquina. In: SIMPÓSIO BRASILEIRO DE INFORMÁTICA NA EDUCAÇÃO (SBIE), 37. , 2026, Goiânia/GO.
Anais [...].
Porto Alegre: Sociedade Brasileira de Computação,
2026
.
p. 1290-1304.
DOI: https://doi.org/10.5753/sbie.2026.27758.
