A rápida transição para o ensino online intensificou a necessidade de entender os múltiplos fatores que influenciam a satisfação dos estudantes em ambientes virtuais de educação. A satisfação do estudante é um pilar da educação digital eficaz, influenciando o desempenho acadêmico, o engajamento dos alunos e a tomada de decisão institucional. Como um preditor crítico da retenção e da qualidade percebida da instrução, impacta diretamente a sustentabilidade dos sistemas de aprendizagem online. No entanto, estudos existentes frequentemente carecem de estruturas integradas que combinem o julgamento subjetivo de especialistas, a interpretabilidade global e local do modelo e a análise específica por subgrupos. Para preencher essa lacuna, este estudo visa desenvolver uma estrutura híbrida de análise decisória e aprendizado de máquina explicável para avaliar e interpretar sistematicamente a satisfação dos estudantes em salas virtuais. A estrutura proposta adota um design analítico em camadas em que a relevância estatística das características (ANOVA), a interpretabilidade baseada em modelo (SHAP e LIME) e a ponderação orientada por especialistas sob incerteza (FAHP) são tratadas como componentes complementares, porém não sobrepostos, com TOPSIS usado exclusivamente para o ranqueamento da satisfação no nível decisório. Uma pesquisa estruturada foi conduzida com 1.469 estudantes universitários, capturando respostas em 21 características que englobam atributos demográficos, prontidão digital, padrões de comportamento e qualidade instrucional percebida. A seleção de características foi realizada usando o teste F do ANOVA, enquanto SHapley Additive Explanations (SHAP) e Local Interpretable Model-Agnostic Explanations (LIME) foram aplicados para derivar a importância global e local dos recursos. Para incorporar o julgamento subjetivo de especialistas, os pesos das características foram calculados usando o Processo Analítico Hierárquico Fuzzy (FAHP) e as pontuações compostas de satisfação foram calculadas utilizando a Técnica para Ordem de Preferência por Similaridade à Solução Ideal (TOPSIS). Essas pontuações foram usadas para segmentar os estudantes via agrupamento hierárquico aglomerativo em coortes de baixa (n = 852), média (n = 484) e alta (n = 133) satisfação. Análises específicas por cluster com SHAP e LIME revelaram padrões distintos de influência das características entre os subgrupos. Os fatores identificados de satisfação alinham-se estreitamente com construtos de modelos estabelecidos de aceitação tecnológica e motivação para aprendizagem, incluindo o Modelo de Aceitação Tecnológica (TAM), a Teoria Unificada de Aceitação e Uso de Tecnologia (UTAUT) e a Teoria da Autodeterminação (SDT). Alta satisfação esteve associada à positividade emocional, equivalência percebida à instrução presencial e autoeficácia acadêmica, enquanto baixa satisfação foi impulsionada por barreiras de acessibilidade, estresse psicológico e desalinhamento com modalidades de aprendizagem preferidas. A estrutura proposta oferece uma abordagem abrangente, interpretável e consciente do ranqueamento para modelar a satisfação estudantil, fornecendo aos agentes educacionais insights acionáveis para projetar ambientes de educação online mais inclusivos, equitativos e centrados no aprendiz.
Sharmin et al. (Qua,) estudaram esta questão.