Aprendizagem computacional no apoio à promoção do sucesso e redução do abandono escolar

Abstract

Perante um recente aumento no número de desistências no ensino superior, principalmente após o primeiro ano letivo, as instituições de ensino têm procurado soluções para combater o abandono e o insucesso escolar. Em resposta a este desafio, o Instituto Politécnico de Castelo Branco (IPCB) propôs, em 2024, o desenvolvimento e implementação do projeto REVUP. O objetivo do projeto é promover o sucesso escolar e combater o abandono e insucesso dos seus alunos. O REVUP propõe ainda, a utilização de modelos de Machine Learning (ML) para sinalizar os alunos em risco, para que possam ser tomadas medidas de ajuda a esses alunos. De forma a ser possível utilizar modelos de ML para a predição do nível de risco de um aluno do IPCB, foi necessário estudar as áreas de Inteligência Artificial (IA) e ML dedicadas à criação de sistemas capazes de desempenhar tarefas humanas. Assim, foram estudados os diferentes tipos de aprendizagem computacional e identificado aquele que melhor se enquadra nos objetivos do trabalho, a aprendizagem supervisionada. Para se perceber se é possível aplicar técnicas de ML dedicadas a ajudar as instituições do ensino superior a combater o abandono e insucesso escolar, foi realizada uma análise da investigação existente desta área. A análise permitiu constatar, de forma positiva, que o seu uso é possível e para determinados momentos de predição, os resultados obtidos são muito bons. Além disso, verificou-se que a investigação existente foi abordada por autores de todo o mundo. Para o desenvolvimento deste trabalho, o autor recebeu dados históricos de alunos do IPCB, com o objetivo de treinar modelos de ML capazes de predizer o nível de risco relativo ao abandono e insucesso escolar. Adicionalmente, foi possível conceber um processo complexo de pré-processamento a ser aplicado aos dados de treino, o qual poderá ser reutilizado em predições futuras. Esta reutilização permite evitar erros associados ao desconhecimento de atributos e/ou valores que o modelo de ML não tenha sido treinado para reconhecer. Além disso, foi demonstrado que a predição do nível de risco é possível; no entanto, deve ser devidamente validada pelos docentes, uma vez que o desempenho dos modelos de ML ficou aquém do esperado. A realização deste projeto permitiu analisar o desempenho de modelos de ML para diferentes classes de predição e conceber um algoritmo de sinalização do nível de risco dos alunos do IPCB que se matriculam pela primeira vez. Além disso foi ainda possível desenvolver duas aplicações web onde os utilizadores têm de interagir diretamente com os modelos de ML. Abstract: Recently it was observed an increase in the number of dropouts in higher education, especially after the first academic year, thus educational institutions have been looking for solutions to combat school dropout and failure. In response to this challenge, the Polytechnic Institute of Castelo Branco (IPCB) proposed the development and implementation of the REVUP project in 2024. The aim of the project is to promote academic success and combat student dropout and failure. REVUP also proposes the use of Machine Learning (ML) models to identify students at risk, so that measures can be taken to help these students. In order to be able to use ML models to predict the risk level of an IPCB student, it was necessary to study the areas of Artificial Intelligence (AI) and ML dedicated to creating systems capable of performing human tasks. Thus, the different types of computer learning were studied and the one that best fits the objectives of the work, supervised learning, was identified. To determine whether it is possible to apply ML techniques dedicated to helping higher education institutions combat school dropout and failure, an analysis of existing research in this area was carried out. The analysis showed that it is possible to use ML techniques and that the results obtained for certain prediction times are very good. In addition, it was found that the existing research was covered by authors from all over the world. For the development of this work, the author received historical data from IPCB students, with the aim of training ML models capable of predicting the level of risk related to school dropout and failure. In addition, it was possible to design a complex pre-processing process to be applied to the training data, which can be reused in future predictions. This reuse makes it possible to avoid errors associated with not knowing attributes and/or values that the ML model has not been trained to recognize. In addition, it was shown that predicting the level of risk is possible; however, it must be duly validated by teachers, since the performance of the ML models was lower than expected. This project made it possible to analyze the performance of ML models for different prediction classes and to design an algorithm to signal the risk level of IPCB students enrolling for the first time. It was also possible to develop two web applications where users are able to interact directly with the ML models.