Padrões Semanais de Engajamento em AVA e Evasão em Disciplinas EaD: uma Análise Longitudinal com Big Data Educacional

• Giovanna Mendes Garbácio Universidade Federal de Roraima (UFRR)
• Filipe Dwan Pereira Universidade Federal de Roraima (UFRR) https://orcid.org/0000-0003-4914-3347
• Mario Antonio Pessoa Santos Cogna Educação S.A.
• Tyagi Lima Cogna Educação S.A.
• Debora Dizio Romano Cogna Educação S.A.
• Luiz Rodrigues Universidade Tecnológica Federal do Paraná (UTFPR)
• Rafael Ferreira Mello Universidade Federal Rural de Pernambuco (UFRPE) https://orcid.org/0000-0003-3548-9670

DOI: https://doi.org/10.5753/sbie.2026.28503

Resumo

A evasão na Educação a Distância é um desafio complexo, e seus sinais de descontinuidade podem emergir via padrões semanais de engajamento em Ambientes Virtuais de Aprendizagem (AVA). Este estudo realiza uma análise longitudinal com Big Data Educacional a partir de logs de 39.372 estudantes de graduação, totalizando 224.309 observações semanais. Por meio de Equações de Estimação Generalizadas (GEE), extraíram-se indicadores interpretáveis capazes de modelar o engajamento e o risco de evasão em uma disciplina ofertada em 31 cursos. Os resultados evidenciam padrões comportamentais associados à evasão; destaca-se, por exemplo, que calouros apresentam chance 2,11 vezes maior de evasão da disciplina quando comparados aos veteranos.

Palavras-chave: Evasão Escolar, Learning Analytics, Ambientes Virtuais de Aprendizagem

Referências

Ahmadi, G., Mohammadi, A., Asadzandi, S., Shah, M., and Mojtahedzadeh, R. (2023). What are the indicators of student engagement in learning management systems? a systematized review of the literature. The International Review of Research in Open and Distributed Learning, 24(1):117–136.

Alzahrani, N., Meccawy, M., Samra, H., and El-Sabagh, H. A. (2025). Identifying weekly student engagement patterns in e-learning via k-means clustering and label-based validation. Electronics, 14(15).

Arizmendi, C. J., Bernacki, M. L., Raković, M., Plumley, R. D., Urban, C. J., Panter, A. T., Greene, J. A., and Gates, K. M. (2023). Predicting student outcomes using digital logs of learning behaviors: Review, current standards, and suggestions for future work. Behavior Research Methods, 55(6):3026–3054.

Barbare, L., Jurenoks, A., Rauba, M., and Viskere, Z. (2025). Methodology for analysing lms data to predict student dropout risk in higher education. ENVIRONMENT. TECHNOLOGY. RESOURCES. Proceedings of the International Scientific and Practical Conference, 2:57–64.

Bellarhmouch, Y., Majjate, H., Jeghal, A., Tairi, H., and Benjelloun, N. (2025). Detecting student engagement in an online learning environment using a machine learning algorithm. Informatics, 12(2).

Gettinger, M. (1984). Achievement as a function of time spent in learning and time needed for learning. American Educational Research Journal, 21(3):617–628.

Goh, T.-T. (2026). Learning management system log analytics: the role of persistence and consistency of engagement behaviour on academic success. Journal of Computers in Education, 13(1):283–306.

Han, F. (2026). The relations between study approach, study time, and academic performance in flipped classrooms by questionnaire and clickstream data: To what extent are they consistent? Journal of Computing in Higher Education, 38(1):481–503.

Hsu, C.-Y., Horikoshi, I., Li, H., Majumdar, R., and Ogata, H. (2023). Supporting "time awareness" in self-regulated learning: How do students allocate time during exam preparation? Smart Learning Environments, 10(1):21.

Huang, F. L. (2022). Analyzing cross-sectionally clustered data using generalized estimating equations. Journal of Educational and Behavioral Statistics, 47(1):101–125.

Kittur, J., Bekki, J., and Brunhaver, S. (2022). Development of a student engagement score for online undergraduate engineering courses using learning management system interaction data. Computer Applications in Engineering Education, 30(3):661–677.

Liang, K.-Y. and Zeger, S. L. (1986). Longitudinal data analysis using generalized linear models. Biometrika, 73(1):13–22.

McKenna, B. A., Wehr, J. B., and Kopittke, P. M. (2024). Quantifying online engagement at three levels of undergraduate study. Cogent Education, 11(1):2345939.

Palanci, A., Yılmaz, R. M., and Turan, Z. (2024). Learning analytics in distance education: A systematic review study. Education and Information Technologies, 29(17):22629–22650.

Pekár, S. and Brabec, M. (2018). Equações de estimação generalizadas: uma abordagem pragmática e flexível para a modelagem glm marginal de dados correlacionados nas ciências comportamentais. Ethology, 124(2):86–93.

Pereira, F. D., Mello, R., Queiroga, E. M., Padilha, I., Zambonin, G., Vital, R., Cassetari, B. d. O., Santos, M. A. P., and Lima, T. (2025). Big data na educação: Predição de evasão estudantil com aprendizado de máquina. In Anais do XXXVI Simpósio Brasileiro de Informática na Educação, pages 1805–1814. SBC.

Prenkaj, B., Velardi, P., Stilo, G., Distante, D., and Faralli, S. (2020). A survey of machine learning approaches for student dropout prediction in online courses. ACM Computing Surveys, 53(3).

Raj, N. S. and G, R. V. (2022). Early prediction of student engagement in virtual learning environments using machine learning techniques. E-Learning and Digital Media, 19(6):537–554.

Ramos, J., Silva, J., Prado, L., Gomes, A., and Rodrigues, R. (2018). Um estudo comparativo de classificadores na previsão da evasão de alunos em ead. In Anais do XXIX Simpósio Brasileiro de Informática na Educação, pages 1463–1472, Porto Alegre, RS, Brasil. SBC.

Salvador, R. (2024). Behind the metric: how we developed "time spent learning well". Acesso em: 31 maio 2026.

Silva, F., Feitosa, R., Batista, L., and Santana, A. (2024). Análise comparativa de métodos de explicabilidade da inteligência artificial no cenário educacional: um estudo de caso sobre evasão. In Anais do XXXV Simpósio Brasileiro de Informática na Educação, pages 2968–2977, Porto Alegre, RS, Brasil. SBC.

Stellato, R. K., van den Bor, R. M., Schipper, M., Lindeboom, M. Y. A., and Eijkemans, M. J. C. (2025). Cohort data with dropout: a simulation study comparing five longitudinal analysis methods. BMC Medical Research Methodology, 25(1):103.

Tamada, M. M., Giusti, R., and Netto, J. F. d. M. (2022). Predicting students at risk of dropout in technical course using lms logs. Electronics, 11(3).