Um experimento em educação médica no Egito usou aprendizado de máquina automatizado para comparar classificadores capazes de estimar o desempenho acadêmico em uma disciplina universitária. Os resultados apontam alta precisão para modelos de conjunto, porém também reforçam que sistemas de alerta educacional só ganham utilidade prática quando são validados em dados mais amplos, com variáveis disponíveis antes das decisões que pretendem informar e com salvaguardas contra usos excludentes.

O QUE HÁ DE NOVO: O estudo analisou registros de uma disciplina de uma instituição acadêmica ligada à Universidade de Damietta, entre 2016 e 2021. Após o tratamento da base, foram usados 461 históricos estudantis para testar sete classificadores na previsão de cinco faixas de nota, de A a F,, em um contexto no qual os autores associam a antecipação do baixo desempenho à retenção e à revisão de processos de seleção no ensino superior médico.

COMO FUNCIONA: A base foi dividida em 329 registros para treinamento e 132 para teste. O sistema examinou combinações de algoritmos e parâmetros por meio de Auto-Weka, uma ferramenta de aprendizado de máquina automatizado (AutoML), e comparou máquina de vetores de suporte, k-vizinhos mais próximos, regressão logística, rede neural artificial, Naive Bayes, Random Forest e bagging. As entradas disponíveis foram ano acadêmico, nota de prova intermediária, avaliação escrita, nota final e classificação final; o desempenho foi medido por acurácia, precisão, revocação, medida F e coeficiente kappa.

PRINCIPAIS RESULTADOS: O bagging classificou corretamente os 132 casos do conjunto de teste, com acurácia, precisão, revocação e medida F de 100%. O Random Forest errou um caso e alcançou 99,26% de acurácia. Entre os modelos individuais, Naive Bayes obteve 95,68%, rede neural 91,6%, regressão logística 90,13%, k-vizinhos 89,82% e máquina de vetores de suporte 79,3%. A série histórica também mostrou variação acentuada na reprovação da disciplina: 71,21% em 2017, ante 9,78% em 2019.

LIMITES E CUIDADOS: A evidência vem de uma única disciplina, uma única instituição e uma amostra pequena, com somente cinco atributos. Mais importante, notas de prova intermediária, avaliação escrita e nota final estão muito próximas, e possivelmente compõem, o próprio resultado que o modelo busca classificar. Isso pode explicar parte relevante das taxas quase perfeitas e reduz a capacidade de interpretar o achado como previsão feita antes do percurso acadêmico. A pesquisa não informa validação em outras turmas ou anos nem avalia efeitos sobre grupos sociais, privacidade ou decisões automatizadas de admissão.

POR QUE ISSO IMPORTA PARA A EDUCAÇÃO: Modelos preditivos podem ajudar docentes e gestores a identificar estudantes que precisam de reforço, tutoria ou revisão de estratégias de ensino, em vez de esperar o fechamento da disciplina. Para que cumpram essa função, contudo, escolas e universidades precisam alimentar os sistemas com sinais obtidos cedo, como diagnósticos iniciais, frequência e atividades formativas, e manter revisão humana sobre qualquer intervenção. Usar previsões para selecionar ou excluir candidatos exige cautela adicional: um modelo treinado em dados locais pode reproduzir padrões históricos e transformar uma estimativa estatística em barreira de acesso.

PRÓXIMOS PASSOS: A ampliação da base para mais disciplinas, instituições e perfis de estudantes é necessária para verificar se o desempenho se sustenta fora do conjunto original. Estudos futuros também precisariam testar previsões em momentos definidos do semestre, antes da nota final, comparar intervenções pedagógicas desencadeadas pelos alertas e medir se elas reduzem reprovação sem estigmatizar estudantes. Só então a automação de escolha de modelos poderá ser avaliada não apenas pela acurácia, mas por seu efeito educacional concreto.

Fonte: Predicting student performance academic using Automated Machine Learning (AutoML): in medical academic institutions