Algoritmos de aprendizado de máquina para a predição de desempenho acadêmico no ensino superior: uma revisão integrativa da literatura

Abstract

Este trabalho apresenta uma Revisão Integrativa da Literatura sobre a aplicação de algoritmos de aprendizado de máquina na análise de desempenho acadêmico no ensino superior. A pesquisa investigou estudos publicados entre 2019 e 2024 nos repositórios ACM Digital Library, IEEE Xplore e Science Direct, com o objetivo de identificar os algoritmos mais utilizados na predição de desempenho acadêmico e os principais fatores que influenciam a eficácia dos modelos preditivos. Foram selecionados 34 estudos, analisando-se variáveis recorrentes e determinantes para predição, analise dos dados e métricas de avaliação dos modelos preditivos. A revisão revelou que, dentre os modelos mais utilizados, destacam-se algoritmos como Árvores de Decisão, Regressão Logística, Floresta Aleatória, Máquinas de Vetores de Suporte (SVM) e k-Nearest Neighbors (k-NN), evidenciando sua popularidade e desempenho robusto em diferentes contextos educacionais. Observou-se que a qualidade, a diversidade e o tratamento dos dados são determinantes para a acurácia dos algoritmos. O estudo também identificou lacunas na literatura quanto à padronização metodológica e à representação de níveis educacionais distintos, sugerindo caminhos para pesquisas futuras. Conclui-se que a personalização dos modelos e a adaptação ao contexto institucional são essenciais para melhorar a precisão das previsões e apoiar a gestão educacional.