FSC-ALIZA: uma aplicação para o enfrentamento da evasão escolar em instituições públicas de ensino com inteligência artificial

Abstract

A evasão no Ensino Superior, particularmente nos Institutos Federais, é um fenômeno complexo e oneroso, representando um desafio para a gestão acadêmica e a alocação de recursos públicos. A identificação precoce de alunos em risco de evasão pode auxiliar à direcionar intervenções pedagógicas. Este trabalho objetiva o desenvolvimento e a validação de um modelo para a predição de evasão no Curso Superior de Sistemas de Informação do IFSC - Câmpus Caçador. A metodologia foi desenhada para superar o desafio dos dados não- estruturados, criando um processo automatizado que "lê" e interpreta históricos escolares em PDF. Este processo extrai não apenas dados brutos, mas cria e dinâmicos indicadores de risco, como o desempenho (notas e frequência) e o número de reprovações dos alunos nos seus últimos três semestres. Múltiplos modelos de Machine Learning (aprendizagem de máquina) foram treinados e comparados. O modelo final, um sistema de Gradient Boosting (XGBoost) otimizado, demonstrou alta performance: alcançou um recall de 84% (capacidade de encontrar os alunos que de fato evadiriam) e uma precisão de 92% (confiabilidade dos alertas gerados), resultando num F1-Score1 de 0.88. A análise do modelo revelou que ações administrativas ativas, como a quantidade de trancamentos (importância de 0.185), e o comportamento acadêmico recente são fatores preditivos significativamente mais fortes do que métricas consolidadas de longo prazo, como o Coeficiente de Aproveitamento (CAA, importância de 0.054). Concluiu-se que o modelo preditivo é uma ferramenta viável e confiável para o diagnóstico precoce, permitindo uma alocação de recursos de apoio ao discente mais precisa e proativa.

Student dropout in Higher Education, particularly within Federal Institutes, is a complex and costly phenomenon, representing a challenge for academic management and the allocation of public resources. The early identification of at-risk students can help direct timely pedagogical interventions. This work aims at the development and validation of an Artificial Intelligence (AI) model for dropout prediction at the Superior Course in Information Systems of IFSC – Campus Caçador. The methodology was designed to overcome the challenge of unstructured data by creating an automated process that "reads" and interprets student academic records in PDF format. This process extracts not only raw data but also creates dynamic risk indicators, such as performance (grades and attendance) and the number of failing grades received by students over their last three semesters. Multiple Machine Learning (ML) models were trained and compared. The final model, an optimized Gradient Boosting (XGBoost) system, demonstrated high performance: it achieved a recall of 84% (its ability to find students who would drop out) and a precision of 92% (the reliability of the alerts generated), resulting in an F1-Score2 of 0.88. Model analysis revealed that active administrative actions, such as the number of course withdrawals (feature importance of 0.185), and recent academic behavior are significantly stronger predictive factors than long-term consolidated metrics, such as the Academic Achievement Coefficient (CAA, importance of 0.054). We conclude that the predictive model is a viable and reliable tool for early diagnosis, enabling a more accurate and proactive allocation of student support resources.