Percorrer por autor "Santos, Guilherme Machado dos"
A mostrar 1 - 1 de 1
Resultados por página
Opções de ordenação
- Integrating machine learning and business intelligence for student dropout prediction and decision support in vocational educationPublication . Santos, Guilherme Machado dos; Gonçalves, Maria José Angélico; Gonçalves, Célia Talma Martins de Pinho ValenteA previsão do abandono escolar tem registado avanços significativos no ensino, beneficiando da disponibilidade de dados comportamentais e da utilização de modelos preditivos de elevada precisão. Contudo, no ensino profissional, onde se concentram estudantes com maior vulnerabilidade socioeconómica e risco de insucesso, a investigação permanece escassa e as instituições dispõem de reduzidos mecanismos de apoio à identificação precoce de alunos em risco. Neste contexto, a presente dissertação propõe, desenvolve e valida um framework de Educational Analytics explicável, integrado numa arquitetura de Business Intelligence, destinado à previsão do risco de não conclusão e ao apoio à tomada de decisão em instituições de ensino profissional. A investigação estrutura-se em torno de três objetivos: caracterizar os perfis de sucesso e insucesso escolar, desenvolver modelos preditivos para diferentes momentos do percurso académico e disponibilizar informação analítica que suporte intervenções educativas. Para o efeito, foi adotada uma abordagem de Design Science Research, operacionalizada através da metodologia CRISP-DM, recorrendo a seis anos letivos de dados administrativos da Profitecla – Escola Profissional, correspondentes a 1 086 estudantes do polo do Porto. Os resultados permitiram identificar três perfis distintos de estudantes, com diferenças estatisticamente significativas nas taxas de conclusão e nos padrões de permanência ao longo do percurso escolar. Os modelos desenvolvidos evidenciaram elevado desempenho preditivo, tanto na análise retrospetiva como na previsão realizada no momento da matrícula, permitindo identificar precocemente estudantes com maior probabilidade de abandono. A utilização de técnicas de Inteligência Artificial Explicável possibilitou interpretar os principais fatores associados ao risco de não conclusão, enquanto a solução analítica implementada em Microsoft Power BI disponibilizou dashboards interativos para monitorização dos indicadores e apoio à decisão. A solução foi validada por responsáveis institucionais da escola profissional, que reconheceram a sua utilidade, facilidade de utilização e potencial para apoiar processos de intervenção precoce junto dos estudantes em risco, evidenciando a aplicabilidade prática do framework desenvolvido. Como principal contributo, a investigação demonstra que a integração de Business Intelligence, Machine Learning, Inteligência Artificial Explicável e Learning Analytics constitui uma abordagem eficaz para apoiar a gestão académica em contextos de ensino profissional, mesmo quando apenas estão disponíveis dados administrativos. O framework proposto fornece um sistema preditivo, interpretável e validado em contexto real, demonstrando o potencial destas tecnologias para apoiar estratégias de prevenção do abandono escolar e promover uma tomada de decisão mais informada nas instituições de ensino.