Publicação
Integrating machine learning and business intelligence for student dropout prediction and decision support in vocational education
| dc.contributor.advisor | Gonçalves, Maria José Angélico | |
| dc.contributor.advisor | Gonçalves, Célia Talma Martins de Pinho Valente | |
| dc.contributor.author | Santos, Guilherme Machado dos | |
| dc.date.accessioned | 2026-09-23T09:30:56Z | |
| dc.date.available | 2026-09-23T09:30:56Z | |
| dc.date.issued | 2026-07-16 | |
| dc.date.submitted | 2026-09-23 | |
| dc.description.abstract | A 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. | por |
| dc.description.abstract | Dropout prediction has achieved significant progress in education, benefiting from the availability of behavioural data and the use of high-precision predictive models. However, in vocational education, where students with greater socioeconomic vulnerability and higher risk of failure are concentrated, research remains scarce and institutions have limited mechanisms to support the early identification of at-risk students. In this context, this dissertation proposes, develops, and validates an explainable Educational Analytics framework, integrated into a Business Intelligence architecture, designed to predict non-completion risk and support decision-making in vocational education institutions. The research is structured around three objectives: characterising profiles of academic success and failure, developing predictive models for different moments of the academic pathway, and providing analytical information to support educational interventions. To this end, a Design Science Research approach was adopted, operationalised through the CRISP-DM methodology, drawing on six academic years of administrative data from Profitecla – Escola Profissional, corresponding to 1,086 students from the Porto campus. The results identified three distinct student profiles, with statistically significant differences in completion rates and in patterns of retention throughout the academic pathway. The developed models showed high predictive performance, both in retrospective analysis and in prediction at the time of enrolment, enabling the early identification of students with a higher probability of dropout. The use of Explainable Artificial Intelligence techniques made it possible to interpret the main factors associated with non-completion risk, while the analytical solution implemented in Microsoft Power BI provided interactive dashboards for monitoring indicators and supporting decision-making. The solution was validated by institutional stakeholders from the vocational school, who recognised its usefulness, ease of use, and potential to support early intervention processes for at-risk students, demonstrating the practical applicability of the developed framework. As a main contribution, the research demonstrates that the integration of Business Intelligence, Machine Learning, Explainable Artificial Intelligence, and Learning Analytics constitutes an effective approach to supporting academic management in vocational education contexts, even when only administrative data are available. The proposed framework provides a predictive, interpretable system validated in a real-world context, demonstrating the potential of these technologies to support dropout-prevention strategies and promote more informed decision-making in educational institutions. | eng |
| dc.identifier.tid | 204364930 | |
| dc.identifier.uri | http://hdl.handle.net/10400.22/32832 | |
| dc.language.iso | eng | |
| dc.rights.uri | http://creativecommons.org/licenses/by/4.0/ | |
| dc.subject | Educational Data Mining | |
| dc.subject | Previsão de Abandono | |
| dc.subject | Business Intelligence | |
| dc.subject | Machine Learning | |
| dc.subject | Inteligência Artificial Explicável | |
| dc.subject | Ensino Profissional | |
| dc.subject | Educational Data Mining | |
| dc.subject | Dropout Prediction | |
| dc.subject | Business Intelligence | |
| dc.subject | Machine Learning | |
| dc.subject | Explainable Artificial Intelligence | |
| dc.subject | Vocational Education | |
| dc.title | Integrating machine learning and business intelligence for student dropout prediction and decision support in vocational education | |
| dc.type | master thesis | |
| dspace.entity.type | Publication | |
| thesis.degree.name | Mestrado em Business Intelligence & Analytics |