Monitoramento de modelos na Mineração de Dados Educacionais: Impactos no desempenho e interpretabilidade conforme atualização dos dados
Resumo
Técnicas de Aprendizado de Máquina (AM) alcançam alto desempenho preditivo, porém a natureza "caixa preta" desses modelos limita sua adoção prática. Este trabalho analisa a interpretabilidade e os impactos da atualização temporal em modelos de AM treinados para previsão de evasão acadêmica. Os modelos foram treinados utilizando dados da UFPEL ao longo dos semestres, possibilitando a análise temporal. Resultados mostram que incorporar dados continuamente melhora o desempenho dos modelos, enquanto a aplicação do SHAP (SHapley Additive exPlanations) garantiu a explicabilidade. Conclui-se que unir dados evolutivos e técnicas de interpretabilidade promove o uso mais transparente e responsável da Inteligência Artificial no contexto educacional.
Palavras-chave:
Mineração de Dados Educacionais, Interpretabilidade, Evasão Acadêmica
Referências
Baker, R. et al. (2010). Data mining for education. International encyclopedia of education, 7(3):112–118.
Bakhshinategh, B., Zaiane, O. R., ElAtia, S., and Ipperciel, D. (2018). Educational data mining applications and tasks: A survey of the last 10 years. Education and Information Technologies, 23:537–553.
Carvalho, C. S., de Mattos, J. C. B., and de Aguiar, M. S. (2025). Lime-ec: an agnostic approach to quantifying model interpretability using explanation clustering. In 2025 12th International Conference on Soft Computing & Machine Intelligence (ISCMI), pages 549–555.
Carvalho, C. S., Mattos, J. C. B. d., and Aguiar, M. S. d. (2026). Model interpretability in the educational data mining context: A systematic literature mapping. Brazilian Journal of Computers in Education, 34:314–355.
Carvalho, D. V., Pereira, E. M., and Cardoso, J. S. (2019). Machine learning interpretability: A survey on methods and metrics. Electronics, 8(8).
Cavus, M. and Kuzilek, J. (2024). An effect analysis of the balancing techniques on the counterfactual explanations of student success prediction models. Journal of Measurement and Evaluation in Education and Psychology, 15:302 – 317.
Colpo, M. P., Primo, T. T., and de Aguiar, M. S. (2024). Lessons learned from the student dropout patterns on covid-19 pandemic: An analysis supported by machine learning. British Journal of Educational Technology, 55(2):560 – 585.
Decker, T., Koebler, A., Lebacher, M., Thon, I., Tresp, V., and Buettner, F. (2024). Explanatory model monitoring to understand the effects of feature shifts on performance. In Proceedings of the 30th ACM SIGKDD Conference on Knowledge Discovery and Data Mining, KDD '24, page 550–561, New York, NY, USA. Association for Computing Machinery.
Gama, J., Žliobaitė, I., Bifet, A., Pechenizkiy, M., and Bouchachia, A. (2014). A survey on concept drift adaptation. ACM Computing Surveys, 46(4):1–37.
Haug, J., Braun, A., Zürn, S., and Kasneci, G. (2022). Change detection for local explainability in evolving data streams. In Proceedings of the 31st ACM International Conference on Information & Knowledge Management, CIKM '22, page 706–716, New York, NY, USA. Association for Computing Machinery.
Jesus, J. A. d. and Gusmão, R. P. d. (2024). Investigação da evasão estudantil por meio da mineração de dados e aprendizagem de máquina: Um mapeamento sistemático. Revista Brasileira de Informática na Educação, 32:807–841.
Linardatos, P., Papastefanopoulos, V., and Kotsiantis, S. (2021). Explainable ai: A review of machine learning interpretability methods. Entropy, 23(1).
Lu, J., Liu, A., Dong, F., Gu, F., Gama, J., and Zhang, G. (2019). Learning under concept drift: A review. IEEE Transactions on Knowledge and Data Engineering, 31(12):2346–2363.
Magalhães, P. V. S., Sousa, R. A. d. S., Santos, A. C. B., Aguiar, F. J. M., and Milfont, R. T. P. (2025). Modelos de inteligência artificial para predição de evasão escolar: Uma revisão sistemática. Revista Eletrônica de Iniciação Científica em Computação, 23(1):48–54.
Molnar, C. (2022). Interpretable Machine Learning. 2 edition.
Neto, R., Alencar, B., Gomes, H. M., Bifet, A., Gama, J., Cassales, G., and Rios, R. (2025). Rmiddm: an unsupervised and interpretable concept drift detection method for data streams. Data Mining and Knowledge Discovery, 39(6):85.
Saxena, N. A., Huang, K., DeFilippis, E., Radanovic, G., Parkes, D. C., and Liu, Y. (2019). How do fairness definitions fare? examining public attitudes towards algorithmic definitions of fairness. In Proceedings of the 2019 AAAI/ACM Conference on AI, Ethics, and Society, pages 99–106.
Silva Filho, R. L. L. e., Motejunas, P. R., Hipólito, O., and Lobo, M. B. d. C. M. (2007). A evasão no ensino superior brasileiro. Cadernos de Pesquisa, 37(132):641–659.
Xiao, W., Ji, P., and Hu, J. (2022). A survey on educational data mining methods used for predicting students' performance. Engineering Reports, 4(5):e12482.
Bakhshinategh, B., Zaiane, O. R., ElAtia, S., and Ipperciel, D. (2018). Educational data mining applications and tasks: A survey of the last 10 years. Education and Information Technologies, 23:537–553.
Carvalho, C. S., de Mattos, J. C. B., and de Aguiar, M. S. (2025). Lime-ec: an agnostic approach to quantifying model interpretability using explanation clustering. In 2025 12th International Conference on Soft Computing & Machine Intelligence (ISCMI), pages 549–555.
Carvalho, C. S., Mattos, J. C. B. d., and Aguiar, M. S. d. (2026). Model interpretability in the educational data mining context: A systematic literature mapping. Brazilian Journal of Computers in Education, 34:314–355.
Carvalho, D. V., Pereira, E. M., and Cardoso, J. S. (2019). Machine learning interpretability: A survey on methods and metrics. Electronics, 8(8).
Cavus, M. and Kuzilek, J. (2024). An effect analysis of the balancing techniques on the counterfactual explanations of student success prediction models. Journal of Measurement and Evaluation in Education and Psychology, 15:302 – 317.
Colpo, M. P., Primo, T. T., and de Aguiar, M. S. (2024). Lessons learned from the student dropout patterns on covid-19 pandemic: An analysis supported by machine learning. British Journal of Educational Technology, 55(2):560 – 585.
Decker, T., Koebler, A., Lebacher, M., Thon, I., Tresp, V., and Buettner, F. (2024). Explanatory model monitoring to understand the effects of feature shifts on performance. In Proceedings of the 30th ACM SIGKDD Conference on Knowledge Discovery and Data Mining, KDD '24, page 550–561, New York, NY, USA. Association for Computing Machinery.
Gama, J., Žliobaitė, I., Bifet, A., Pechenizkiy, M., and Bouchachia, A. (2014). A survey on concept drift adaptation. ACM Computing Surveys, 46(4):1–37.
Haug, J., Braun, A., Zürn, S., and Kasneci, G. (2022). Change detection for local explainability in evolving data streams. In Proceedings of the 31st ACM International Conference on Information & Knowledge Management, CIKM '22, page 706–716, New York, NY, USA. Association for Computing Machinery.
Jesus, J. A. d. and Gusmão, R. P. d. (2024). Investigação da evasão estudantil por meio da mineração de dados e aprendizagem de máquina: Um mapeamento sistemático. Revista Brasileira de Informática na Educação, 32:807–841.
Linardatos, P., Papastefanopoulos, V., and Kotsiantis, S. (2021). Explainable ai: A review of machine learning interpretability methods. Entropy, 23(1).
Lu, J., Liu, A., Dong, F., Gu, F., Gama, J., and Zhang, G. (2019). Learning under concept drift: A review. IEEE Transactions on Knowledge and Data Engineering, 31(12):2346–2363.
Magalhães, P. V. S., Sousa, R. A. d. S., Santos, A. C. B., Aguiar, F. J. M., and Milfont, R. T. P. (2025). Modelos de inteligência artificial para predição de evasão escolar: Uma revisão sistemática. Revista Eletrônica de Iniciação Científica em Computação, 23(1):48–54.
Molnar, C. (2022). Interpretable Machine Learning. 2 edition.
Neto, R., Alencar, B., Gomes, H. M., Bifet, A., Gama, J., Cassales, G., and Rios, R. (2025). Rmiddm: an unsupervised and interpretable concept drift detection method for data streams. Data Mining and Knowledge Discovery, 39(6):85.
Saxena, N. A., Huang, K., DeFilippis, E., Radanovic, G., Parkes, D. C., and Liu, Y. (2019). How do fairness definitions fare? examining public attitudes towards algorithmic definitions of fairness. In Proceedings of the 2019 AAAI/ACM Conference on AI, Ethics, and Society, pages 99–106.
Silva Filho, R. L. L. e., Motejunas, P. R., Hipólito, O., and Lobo, M. B. d. C. M. (2007). A evasão no ensino superior brasileiro. Cadernos de Pesquisa, 37(132):641–659.
Xiao, W., Ji, P., and Hu, J. (2022). A survey on educational data mining methods used for predicting students' performance. Engineering Reports, 4(5):e12482.
Publicado
05/10/2026
Como Citar
CORRÊA, Otávio Santos Silva; CARVALHO, Cássio Soares; DE AGUIAR, Marilton Sanchotene; DE MATTOS, Júlio Carlos Balzano.
Monitoramento de modelos na Mineração de Dados Educacionais: Impactos no desempenho e interpretabilidade conforme atualização dos dados. In: SIMPÓSIO BRASILEIRO DE INFORMÁTICA NA EDUCAÇÃO (SBIE), 37. , 2026, Goiânia/GO.
Anais [...].
Porto Alegre: Sociedade Brasileira de Computação,
2026
.
p. 2746-2755.
DOI: https://doi.org/10.5753/sbie.2026.28007.
