Fatores Escolares Associados ao Absenteísmo no Ensino Médio: Um Estudo com Modelos Explicáveis
Resumo
Este estudo investiga os fatores institucionais escolares que influenciam o absenteísmo dos alunos no Ensino Médio, segmentando as escolas públicas conforme seu nível de complexidade de gestão. Dados de absenteísmo extraídos do Sistema Gestão Presente foram cruzados com os dados do CENSO escolar 2024 para a geração de diferentes modelos de classificação usando Aprendizado de Máquina. Por meio da análise dos valores SHAP destes modelos, foram identificadas as contribuições de diferentes variáveis institucionais na predição da permanência escolar. Os resultados mostram que os fatores mais relevantes variam entre os grupos, reforçando a necessidade de estratégias específicas para cada contexto escolar. De maneira geral, fatores estruturais e de suporte têm importância em todas as faixas, porém são mais relevantes em escolas com baixa complexidade de gestão, enquanto aspectos como composição do corpo docente e métodos pedagógicos são mais relevantes em escolas com complexidade de gestão mais alta.Referências
Bulut, O., Wongvorachan, T., He, S., and Lee, S. (2024). Enhancing high-school dropout identification: A collaborative approach integrating human and machine insights. Discover Education, 3(1):109.
Kearney, C. A. (2021). Integrating systemic and analytic approaches to school attendance problems: Synergistic frameworks for research and policy directions. In Child & Youth Care Forum, volume 50, pages 701–742. Springer.
Krüger, J. G. C., de Souza Britto Jr, A., and Barddal, J. P. (2023). An explainable machine learning approach for student dropout prediction. Expert Systems with Applications, 233:120933.
Lopes Filho, J. A. B. and Silveira, I. F. (2021). Detecção precoce de estudantes em risco de evasão usando dados administrativos e aprendizagem de máquina. Revista Ibérica de Sistemas e Tecnologias de Informação, (E40):480–495.
Marques Queiroga, E., Sarmanho Siqueira, E., Dos Santos Portela, C., Damasceno Cordeiro, T., Ibert Bittencourt, I., Isotani, S., Ferreira Mello, R., Muñoz, R., and Cechinel, C. (2024). Data-driven strategies for achieving school equity: Insights from brazil and policy recommendations. IEEE Access, 12:101646–101659.
Melo, E., Silva, I., Costa, D. G., Viegas, C. M., and Barros, T. M. (2022). On the use of explainable artificial intelligence to evaluate school dropout. Education Sciences, 12(12):845.
Queiroga, E. M., Santana, D., da Silva, M., de Aguiar, M., dos Santos, V., Mello, R. F., Bittencourt, I. I., and Cechinel, C. (2024). Anticipating student abandonment and failure: Predictive models in high school settings. In International Conference on Artificial Intelligence in Education, pages 351–364. Springer.
Soares, T. M., Fernandes, N. d. S., Nóbrega, M. C., and Nicolella, A. C. (2015). Fatores associados ao abandono escolar no ensino médio público de minas gerais. Educação e Pesquisa, 41(3):757–772.
Tartuce, G. L. B., Moriconi, G. M., Davis, C. L., and Nunes, M. M. (2018). Desafios do ensino médio no brasil: iniciativas das secretarias de educação. Cadernos de Pesquisa, 48(168):478–504.
Kearney, C. A. (2021). Integrating systemic and analytic approaches to school attendance problems: Synergistic frameworks for research and policy directions. In Child & Youth Care Forum, volume 50, pages 701–742. Springer.
Krüger, J. G. C., de Souza Britto Jr, A., and Barddal, J. P. (2023). An explainable machine learning approach for student dropout prediction. Expert Systems with Applications, 233:120933.
Lopes Filho, J. A. B. and Silveira, I. F. (2021). Detecção precoce de estudantes em risco de evasão usando dados administrativos e aprendizagem de máquina. Revista Ibérica de Sistemas e Tecnologias de Informação, (E40):480–495.
Marques Queiroga, E., Sarmanho Siqueira, E., Dos Santos Portela, C., Damasceno Cordeiro, T., Ibert Bittencourt, I., Isotani, S., Ferreira Mello, R., Muñoz, R., and Cechinel, C. (2024). Data-driven strategies for achieving school equity: Insights from brazil and policy recommendations. IEEE Access, 12:101646–101659.
Melo, E., Silva, I., Costa, D. G., Viegas, C. M., and Barros, T. M. (2022). On the use of explainable artificial intelligence to evaluate school dropout. Education Sciences, 12(12):845.
Queiroga, E. M., Santana, D., da Silva, M., de Aguiar, M., dos Santos, V., Mello, R. F., Bittencourt, I. I., and Cechinel, C. (2024). Anticipating student abandonment and failure: Predictive models in high school settings. In International Conference on Artificial Intelligence in Education, pages 351–364. Springer.
Soares, T. M., Fernandes, N. d. S., Nóbrega, M. C., and Nicolella, A. C. (2015). Fatores associados ao abandono escolar no ensino médio público de minas gerais. Educação e Pesquisa, 41(3):757–772.
Tartuce, G. L. B., Moriconi, G. M., Davis, C. L., and Nunes, M. M. (2018). Desafios do ensino médio no brasil: iniciativas das secretarias de educação. Cadernos de Pesquisa, 48(168):478–504.
Publicado
25/11/2025
Como Citar
BARROS, Abílio Nogueira et al.
Fatores Escolares Associados ao Absenteísmo no Ensino Médio: Um Estudo com Modelos Explicáveis. In: WORKSHOP DE APLICAÇÕES PRÁTICAS DE LEARNING ANALYTICS E INTELIGÊNCIA ARTIFICIAL NO BRASIL (WAPLA), 3. , 2025, Curitiba/PR.
Anais [...].
Porto Alegre: Sociedade Brasileira de Computação,
2025
.
p. 45-53.
DOI: https://doi.org/10.5753/wapla.2025.15903.
