Predição da Evasão em um Curso de Licenciatura em Computação Ofertado na Modalidade de Educação a Distância Empregando Redes Neurais Artificiais

Autores

DOI:

https://doi.org/10.18264/eadf.v16i1.2881

Palavras-chave:

Evasão, Educação a distância, Redes neurais artificiais

Resumo

Este artigo apresenta um experimento acerca dos índices de evasão dos alunos do Curso de Licenciatura em Computação da Universidade Federal de Santa Maria, ofertado na modalidade de Educação a Distância no âmbito da Universidade Aberta do Brasil. O experimento foi conduzido por meio de Redes Neurais Artificiais, com base nos dados dos alunos do referido curso, visando calcular a predição da evasão na turma em andamento. O curso encontra-se na sua terceira oferta, tendo iniciado suas atividades no ano de 2017. Considerando as duas turmas já encerradas (ingressantes de 2017 e 2020/2021), a base de dados foi composta por 201 alunos. A Rede Neural Artificial, após o treinamento, apresentou um índice de 28,89% de predição de evasão para a turma em andamento, que são os ingressantes de 2024. Incluindo os alunos da turma de 2024 que já evadiram (64 alunos, representando 58,72%) e se a predição da rede neural se confirmar até o final desta turma, teremos um percentual de evasão de 70,64%, um percentual alto, mas abaixo do índice de evasão das turmas anteriores. O índice de evasão das turmas de ingressantes de 2017 é de 71,17% e da turma 2020/2021 é de 83,33%. A Rede Neural Artificial implementada poderá ser aplicada para predição da evasão de futuras turmas do curso e, também, em outros cursos ofertados na modalidade de EaD na UFSM.

 

Palavras-chave: Evasão. Educação a distância. Redes neurais artificiais.

Downloads

Não há dados estatísticos.

Biografia do Autor

Vinicius Gadis Ribeiro, Universidade Federal do Rio Grande do Sul

Doutor em Ciência da Computação pela UFRGS (Universidade Federal do Rio Grande do Sul)

Professor Adjunto do Departamento Interdisciplinar da UFRGS (Universidade Federal do Rio Grande do Sul) – Campus Litoral Norte/RS

Professor do Programa de Pós-graduação em Design da UFRGS

ORCID: https://orcid.org/0000-0001-7727-2088

Link do currículo Lattes: http://lattes.cnpq.br/2937182050702659

Henrique Carlos de Oliveira Castro, Universidade Federal do Rio Grande do Sul

Doutor em Ciência Política pela UFRGS (Universidade Federal do Rio Grande do Sul)

Professor Titular do Departamento de Economia e Relações Internacionais da UFRGS (Universidade Federal do Rio Grande do Sul)

Professor do Programa de Pós-graduação em Ciência Política da UFRGS

ORCID: https://orcid.org/0000-0001-8976-838X

Link do currículo Lattes: http://lattes.cnpq.br/5363803718078948

Guilherme Bernardino da Cunha, Universidade Federal de Santa Maria

Professor Associado do Departamento de Tecnologia da Informação da UFSM - Universidade Federal de Santa Maria - Campus Frederico Westphalen/RS

Referências

BECKER, A. E.; RECAMONDE-MENDOZA, M. Mind the Gap: Investigating the Impact of Data Leakage on Machine Learning Predictive Models. Brazilian Conference on Intelligent Systems – BRACIS, Anais. Porto Alegre: Sociedade Brasileira de Computação, 2025. Disponível em: https://sol.sbc.org.br/index.php/bracis/article/view/40816. Acesso em: 14 ago. 2026.

BOUIHI, B. et al. Prediction of Higher Education Student Dropout based on Regularized Regression Models. Engineering, Technology & Applied Science Research, v. 14, n. 6, p. 17811-17815, 2024. Disponível em: https://etasr.com/index.php/ETASR/article/view/8644. Acesso em: 21 abr. 2026.

BRASIL. Ministério da Educação. Referencial de Inteligência Artificial na Educação. Brasília: MEC, 2025. Disponível em: https://www.gov.br/mec/pt-br/referencial-de-ia-na-educacao. Acesso em: 23 mar. 2026.

BRENNER, C. E. B. et al. Educação a Distância na UFSM: histórias e perspectivas. Santa Maria: UAB/UFSM, 2021. Disponível em: https://repositorio.ufsm.br/handle/1/25833. Acesso em: 28 jun. 2025.

BUSSON, A. et al. Desenvolvendo Modelos de Deep Learning para Aplicações Multimídia no Tensorflow. Anais do XXIV Simpósio Brasileiro de Sistemas Multimídia e Web: Minicursos. p.67-116, 2018. Disponível em: https://www.researchgate.net/publication/328341764_Desenvolvendo_Modelos_de_Deep_Learning_para_Aplicacoes_Multimidia_no_Tensorflow. Acesso em: 20 abr. 2026.

CAPES. Coordenação de Aperfeiçoamento de Pessoal de Nível Superior. Universidade Aberta do Brasil (UAB). Brasília: CAPES, 2026. Disponível em: https://www.gov.br/capes. Acesso em: 15 abr. 2026.

CASTRO, C. T. et al. Utilizando Programação Funcional em Disciplinas Introdutórias de Computação, In: Anais do XI Workshop de Educação em Computação – WEI, Campinas/SP, 2003.

DURO, B. et al. Machine learning and deep learning for dropout prediction in higher education: a review. Computers, v. 15, n. 3, p. 164, 2026. Disponível em: https://www.mdpi.com/2073-431X/15/3/164. Acesso em: 21 abr. 2026.

FILGUEIRAS, F. Artificial Intelligence and Education Governance. Sage Journals, v.19, n.3, 2023. Disponível em: https://journals.sagepub.com/doi/abs/10.1177/17461979231160674. Acesso em: 20 ago. 2025.

GARLET, D.; BIGOLIN, N. M.; SILVEIRA, S. R. Ensino de Programação de Computadores na Educação Básica: um estudo de caso. Revista Eletrônica de Sistemas de Informação e Gestão Tecnológica, v.9, n.2, 2018. Disponível em: http://periodicos.unifacef.com.br/index.php/resiget/article/view/1604/1144. Acesso em: 10 mai., 2024.

GOODFELLOW, I.; BENGIO, Y.; COURVILLE, A. Deep learning. Cambridge: MIT Press, 2016.

HAYKIN, S. Neural networks and learning machines. 3. ed. Prentice Hall, 2009.

HOED, R. M. Análise da Evasão em Cursos Superiores: o caso da evasão em cursos superiores da área de computação. Brasília: UnB – Programa de Pós-graduação em Computação Aplicada. (Dissertação de Mestrado), 2017. Disponível em: http://repositorio.unb.br/handle/10482/22575. Acesso em: 15 abr. 2026.

INEP. Instituto Nacional de Estudos e Pesquisas Educacionais Anísio Teixeira. Censo da Educação Superior. Disponível em: https://www.gov.br/inep/pt-br/centrais-de-conteudo/noticias/censo-da-educacao-superior/inep-divulga-resultado-do-censo-superior-2024. Acesso em: 15 abr. 2026.

LORENZI, F.; SILVEIRA, S. Desenvolvimento de Sistemas de Informação Inteligentes. Porto Alegre: Editora do UniRitter, 2011.

LUGER, G. F. Artificial intelligence: structures and strategies for complex problem solving. 5. ed. Boston: Pearson, 2004.

OLIVEIRA, D. A. Políticas Educacionais no Brasil. Petrópolis: Vozes, 2010.

PEREIRA, A. S. et al. Metodologia da Aprendizagem em EaD. Santa Maria/RS: UAB/UFSM, 2017.

PINHO, C. M. A.; GASPAR, M. A.; SASSI, R. J. Aplicação de Técnicas de Inteligência Artificial para Classificação de Fuga ao Tema em Redações. Educação em Revista UFMG, v. 40, 2024. Disponível em: https://www.scielo.br/j/edur/a/YPPVRRKGdLdFbXTQXMmZgCc/?lang=pt. Acesso em: 13 ago. 2026.

RAMOS, J. L. C. et al. Um Estudo Comparativo de Classificadores na Previsão da Evasão de Alunos em EaD. Brazilian Symposium on Computers in Education, 2019. Anais. São Paulo: Sociedade Brasileira de Computação, 2018. Disponível em: https://sol.sbc.org.br/index.php/sbie/article/view/41553. Acesso em: 13 ago. 2026.

RODA-SEGARRA, J.; DE-LA-PEÑA, C.; MENGUAL-ANDRÉS, S. Effectiveness of artificial intelligence models for school dropout: a meta-analysis. REMIE – Multidisciplinary Journal of Educational Research, v. 14, n. 3, 2024 (October). Disponível em: https://hipatiapress.com/hpjournals/index.php/remie/en/article/view/13342. Acesso em: 21 abr. 2026.

RUSSELL, S.; NORVIG, P. Artificial intelligence: a modern approach. 4. ed. Pearson, 2021.

SAMPIERI, R. H.; COLLADO, C. F.; LUCIO, M. P. B. Metodologia de pesquisa. 5. ed. Porto Alegre: Penso, 2013.

SILVA JÚNIOR, T.M.; SILVA J. E. Aplicação de um modelo de machine learning para prever a evasão escolar. Revista E & S Estratégias e Soluções. 2024. Disponível em: https://revistaes.com.br/artigos/aplicacao-de-um-modelo-de-machine-learning-para-prever-a-evasao-escolar. Acesso em: 14 ago. 2026.

SOSO, F. S.; KAMPFF, A. J. C.; MACHADO, K. G. W. Evasão e Permanência na Educação Superior a Distância na América Latina. Eventos Pedagógicos, 14(1); 124-143, 2023. Disponível em: https://www.researchgate.net/publication/371159491_EVASAO_E_PERMANENCIA_NA_EDUCACAO_SUPERIOR_A_DISTANCIA_NA_AMERICA_LATINA. Acesso em: 21 abr. 2026.

SOUZA, N. G.; SILVEIRA, S. R.; PARREIRA, F. J. Proposta de uma Metodologia para apoiar os Processos de Ensino e de Aprendizagem de Lógica de Programação na Modalidade de Educação a Distância. ECCOM – Educação, Cultura e Comunicação, v. 9, 2018. Disponível em: http://unifatea.com.br/seer3/index.php/ECCOM/article/view/851. Acesso em maio, 2020.

TINTO, V. Dropout from higher education: a theoretical synthesis of recent research. Review of Educational Research, v. 45, n. 1, p. 89–125, 1975. Disponível em: https://www.jstor.org/stable/1170024. Acesso em: 20 abr. 2026.

UFSM. Universidade Federal de Santa Maria. Curso de Licenciatura em Computação – informações institucionais. Santa Maria: UFSM, 2026. Disponível em: https://www.ufsm.br/frederico. Acesso em: 2026.

UFSM. Universidade Federal de Santa Maria. Política de ações afirmativas e sistema de cotas. Santa Maria: UFSM, 2024. Disponível em: https://www.ufsm.br/pro-reitorias/prograd/sisu/documentos-cotas. Acesso em: 15 abr. 2026.

VAARMA, M.; LI, H. Predicting student dropouts with machine learning: an empirical study in finnish higher education. Technology in Society, v. 76, 2024 (March). Disponível em: https://www.sciencedirect.com/science/article/pii/S0160791X24000228. Acesso em: 20 abr. 2026.

Downloads

Publicado

12-11-2026

Como Citar

Silveira, S. R., Ribeiro, V. G., Castro, H. C. de O., & Cunha, G. B. da. (2026). Predição da Evasão em um Curso de Licenciatura em Computação Ofertado na Modalidade de Educação a Distância Empregando Redes Neurais Artificiais. EaD Em Foco, 16(1), e2881. https://doi.org/10.18264/eadf.v16i1.2881

Edição

Seção

Estudos de Caso

Artigos mais lidos pelo mesmo(s) autor(es)