Detecção Precoce de Anomalias de Aprendizagem em Estudantes de Ensino Superior: Uma Abordagem Híbrida de Tomada de Decisão

Recentemente, a pandemia causou mudanças enormes no ensino-aprendizagem e nas lacunas de conquista de carreira entre os estudantes de instituições de ensino superior. Abordagens anteriores para previsões de desempenho estudantil não entregam a qualidade esperada em desempenho preditivo, dada a enorme quantidade de dados estudantis acessíveis às instituições educacionais. A literatura sobre desempenho examinou estratégias de aprendizado de máquina (ML) para aprimorar a habilidade de previsão. Esta pesquisa propôs uma abordagem híbrida de aprendizado de máquina (FEPRP) que integra aprendizado não supervisionado (K-medoids) e seis algoritmos de aprendizado de máquina supervisionados convencionais separadamente para prever o desempenho acadêmico dos estudantes. Utilizamos várias metodologias e comparamos o desempenho do modelo híbrido com o de modelos ML supervisionados separados. Em termos de previsão de conquista estudantil, modelos híbridos superam seus contrapartes solos. Além disso, enquanto a pesquisa existente ignora o desempenho anterior, descobrimos que adicionar essas características melhora a eficiência esperada do modelo misto sugerido (FEPRP).