Prevendo o Desempenho Acadêmico de Estudantes do Ensino Médio Usando Aprendizado de Máquina

O presente artigo apresenta um método não linear relativamente novo para prever o desempenho acadêmico de estudantes do ensino médio, integrando os campos da psicometria e do aprendizado de máquina. Uma amostra composta por 135 estudantes do ensino médio (10ª série, 50,34% meninos), com idades entre 14 e 19 anos (M = 15,44, DP = 1,09), respondeu a três instrumentos psicológicos: o Teste de Desenvolvimento do Raciocínio Indutivo (TDRI), o Teste de Controle Metacognitivo (TCM) e a Escala Brasileira de Abordagens de Aprendizagem (BLAS-Abordagem Profunda). Os dois primeiros testes possuem uma escala de autoavaliação anexada, portanto, temos cinco variáveis independentes. As respostas dos alunos a cada teste/escala foram analisadas usando o modelo de Rasch. Um subconjunto da amostra original foi criado para separar os alunos em duas classes equilibradas, alto desempenho (n = 41) e baixo desempenho (n = 47), utilizando notas de nove disciplinas escolares. Para prever a pertença à classe, foi utilizado um modelo não linear de aprendizado de máquina denominado Random Forest. O subconjunto com as duas classes foi aleatoriamente dividido em dois conjuntos (treinamento e teste) para validação cruzada. O resultado do Random Forest mostrou uma precisão geral de 75%, uma especificidade de 73,69% e uma sensibilidade de 68% no conjunto de treinamento. No conjunto de teste, a precisão geral foi de 68,18%, com uma especificidade de 63,63% e uma sensibilidade de 72,72%. A variável mais importante na previsão foi o TDRI. Finalmente, implicações do presente estudo para o campo da psicologia educacional foram discutidas.