IMPACTO DE TÉCNICAS DE AMOSTRAGEM NA PERFORMANCE DE MODELOS DE PREDIÇÃO DE DESEMPENHO DE ALUNOS EM PENSAMENTO COMPUTACIONAL

Abstract

A crescente evasão e reprovação em cursos de Tecnologia tem encontrado na inteligência artificial uma aliada para mitigar seus impactos. Este estudo investigou a capacidade preditiva de dados demográficos na identificação de alunos em risco de reprovação em turmas de pensamento computacional. Para isso, construiu modelos de machine learning e avaliou seus desempenhos, também considerando o impacto de diferentes técnicas de amostragem. Os resultados indicaram uma baixa correlação entre dados demográficos e o desempenho dos alunos, sugerindo que esses dados, isoladamente, possuem limitações preditivas. Contudo, o uso de técnicas como SMOTE mostrou-se significativo, elevando as métricas de avaliação dos modelos. Destacam-se a regressão logística, com recall de 53% para a classe de reprovação, e o SVC, que atingiu 75% de acurácia quando combinado com SMOTE e Tomek links. Esses achados reforçam o papel de estratégias de balanceamento para melhorar a eficácia preditiva em cenários desafiadores.

Keywords

• Predição de performance de estudantes
• Machine Learning
• Pensamento Computacional