Work

Predição Precoce De Evasão Discente Em Cursos De Idiomas Utilizando Aprendizado De Máquina: Um Estudo Longitudinal Baseado Em Frequência E Trajetória Acadêmica

Year: 2026
Type: article
Abstract: A evasão estudantil desafia as organizações educacionais porque, quando identificada apenas após o cancelamento, deixa pouca margem para intervenção preventiva. Este estudo apresenta uma abordagem longitudinal de aprendizado de máquina para a predição precoce do risco de evasão em cursos de idiomas, com dados de frequência e trajetória acadêmica da plataforma CCLI. Foram construídos 11.031 snapshots temporais a partir de 1.253 matrículas elegíveis, das quais 343 foram classificadas como evasão, entre janeiro de 2025 e maio de 2026. O desfecho foi definido a partir dos motivos de cancelamento, com exclusão de conclusão de contrato e atingimento do resultado esperado. Regressão Logística, Random Forest, XGBoost e LightGBM foram avaliados em horizontes de antecipação de 30, 60 e 90 dias, com treinamento no passado e teste em período posterior (validação temporal) e com uso exclusivo de variáveis disponíveis no momento da previsão, por isso o LTV (meses de vínculo do estudante com a instituição) e o tempo de matrícula (duração do vínculo específico), definidos somente no encerramento, foram excluídos para evitar vazamento de informação. No horizonte de 60 dias, a Regressão Logística baseada apenas na frequência corrente e na média histórica obteve o maior PR-AUC (0,337), superando Random Forest (0,258), XGBoost (0,199) e LightGBM (0,190), treinados com conjuntos mais amplos de atributos. Na priorização operacional, os 10% de maior risco segundo a Regressão Logística concentraram 31,9% das evasões futuras, com precisão de 45,8%, quase metade dos alertas se confirma, e os demais permanecem úteis para contato preventivo.
Language: Portuguese
Open Access status: hybrid
OpenAlex ID: W7204914432
FWCI:
Cites: 6
Cited by:
Related to: 10