AcolheEdu: Uma Solução de Triagem Escolar para Risco Psicossocial com Aprendizado de Máquina

• Beatriz Brum IFFar
• Iasmin Dembinski UNIPAMPA
• Cristhiano Vasconcellos IFFar
• Danísio Trindade IFFar
• Carlos Santos IFFar

DOI: https://doi.org/10.5753/sbsi_estendido.2026.249074

Resumo

O AcolheEdu propõe uma triagem escolar orientada a dados para identificar precocemente estudantes potencialmente vulneráveis a sofrimento psíquico. Com microdados públicos e anonimizados da PeNSE 2019, um HistGradientBoosting calibrado estima um risk score a partir de fatores psicossociais autorreferidos. O modelo obteve ROC-AUC 0,86 e PR-AUC 0,77 na validação cruzada e ROC-AUC 0,859 no holdout. Com limiar 0,30, atingiu Recall de 80,1% e Precision de 61,7%. O fluxo atual é um protótipo navegável no Figma, com integração via API (FastAPI) prevista.

Referências

Andifes (2019). V pesquisa nacional de perfil socioeconômico e cultural dos(as) graduandos(as) das IFES – 2018. Technical report, Associação Nacional dos Dirigentes das Instituições Federais de Ensino Superior (Andifes), Brasília.

Brasil (2018). Lei geral de proteção de dados pessoais (LGPD). Lei nº 13.709, de 14 de agosto de 2018.

IBGE (2021). Pesquisa nacional de saúde do escolar: 2019 (PeNSE 2019). Technical report, Instituto Brasileiro de Geografia e Estatística (IBGE), Rio de Janeiro.

Martinez-Plumed, F., Contreras-Ochando, L., Ferri, C., Hernandez-Orallo, J., Kull, M., Lachiche, N., Ramirez-Quintana, M. J., and Flach, P. (2021). CRISP-DM Twenty Years Later: From Data Mining Processes to Data Science Trajectories. IEEE Transactions on Knowledge and Data Engineering, 33(8):3048–3061.

Niculescu-Mizil, A. and Caruana, R. (2005). Predicting good probabilities with supervised learning. In Proceedings of the 22nd International Conference on Machine Learning (ICML ’05), pages 625–632.

Shearer, C. (2000). The crisp-dm model: the new blueprint for data mining. Journal of Data Warehousing, 5(4):13–22.