Modelos Preditivos para avaliação da satisfação do aluno com a escola

Revisão de Literatura

António Lucas Kuenhe Paraíso

Pg51271@alunos.uminho.pt

O tema escolhido pode ser enquadrado em algumas áreas da revista CENTERIS, como por
exemplo:

• Business Intelligence e Big Data Analytics

• Sistemas de Apoio à Decisão
• Inteligência Artificial e Aprendizado de Máquina
• Análise de Dados e Mineração de Dados
• Tecnologias de Informação na Educação e Aprendizado

Justificação

A análise da satisfação dos alunos com a instituição de ensino é fundamental para tomar decisões
sobre as melhorias que a escola precisa implementar para aprimorar a experiência dos alunos e
avaliar seu desempenho académico. Para aumentar a precisão desse processo, é comum usar
modelos preditivos analíticos com inteligência artificial. A utilização de modelos preditivos
analíticos tem sido cada vez mais eficaz na análise de grandes conjuntos de dados, permitindo
identificar tendências e padrões que não seriam facilmente identificados por métodos
convencionais. Dessa forma, é possível obter insights valiosos sobre a satisfação dos alunos e
identificar pontos críticos que precisam ser aprimorados para garantir uma experiência positiva na
instituição.

No contexto do Desenvolvimento Organizacional Baseado em TI, o tema pode ser importante, pois
a TI pode ser utilizada como uma ferramenta para coleta e análise dos dados dos alunos. Com
isso, a escola pode utilizar a TI para automatizar o processo de coleta e análise de dados, o que
pode ser útil em instituições de grande porte. Além disso, a TI pode ser utilizada para criar modelos
preditivos mais precisos e abrangentes, visando uma melhor tomada de decisão, melhorias nos
processos educacionais e da escola. Esta revisão de literatura tem como objetivo compreender
quais os fatores que levam à adoção de modelos preditivos analíticos e como eles podem ser
aplicados na análise da satisfação dos alunos com a escola.

Questão de Investigação: quais fatores levam à adoção de modelos preditivos analíticos e

como eles podem ser aplicados na análise da satisfação dos alunos com a escola?

Objetivos:

Com base na questão de investigação, definimos os seguintes objetivos:

• Analisar dados de feedback dos alunos para desenvolver um modelo preditivo analítico capaz
de prever a probabilidade de satisfação dos alunos com a escola ou universidade.

• Identificar os principais fatores que influenciam a satisfação dos alunos e usar essas
informações para desenvolver ações que visem melhorar a experiência geral do aluno dentro da
instituição.

• Avaliar a eficácia das ações implementadas para melhorar a satisfação dos alunos e fazer
ajustes no modelo preditivo, se necessário.

Algumas Referências

Benablo, C. I. P., Sarte, E. T., Dormido, J. M. D., & Palaoag, T. (2018). Higher Education Student’s
Academic Performance Analysis through Predictive Analytics. Proceedings of the 2018 7th
International Conference on Software and Computer Applications, 238–242.
https://doi.org/10.1145/3185089.3185102
Bernardo, A. B., Galve-González, C., Núñez, J. C., & Almeida, L. S. (2022). A Path Model of
University Dropout Predictors: The Role of Satisfaction, the Use of Self-Regulation Learning
Strategies and Students’ Engagement. Sustainability, 14(3), Artigo 3.
https://doi.org/10.3390/su14031057
Casanova, J. R., Castro-López, A., Bernardo, A. B., & Almeida, L. S. (2023). The Dropout of First-
Year STEM Students: Is It Worth Looking beyond Academic Achievement? Sustainability,
15(2), Artigo 2. https://doi.org/10.3390/su15021253
Eichler, A., & Gradwohl, J. (2021). Investigating Motivational and Cognitive Factors which Impact
the Success of Engineering Students. International Journal of Research in Undergraduate
Mathematics Education, 7(3), 417–437. https://doi.org/10.1007/s40753-020-00127-4
El Guabassi, I., Bousalem, Z., Marah, R., & Qazdar, A. (2021). Comparative Analysis of Supervised
Machine Learning Algorithms to Build a Predictive Model for Evaluating Students’
Performance. International Journal of Online and Biomedical Engineering (IJOE), 17(02),
90. https://doi.org/10.3991/ijoe.v17i02.20025
Ferrão, M. E., & Almeida, L. S. (2021). Persistence and Academic Expectations in Higher-Education
Students. Psicothema, 33.4, 587–594. https://doi.org/10.7334/psicothema2020.68
López-Angulo, Y., Sáez-Delgado, F., Mella-Norambuena, J., Bernardo, A. B., & Díaz-Mujica, A.
(2023). Predictive model of the dropout intention of Chilean university students. Frontiers
in Psychology, 13, 893894. https://doi.org/10.3389/fpsyg.2022.893894
Mozzaquatro Chicon, P. M., Paschoal, L. N., Carneiro Roos Frantz, F., Zancan Frantz, R., & Sawicki,
S. (2021). Análise da construção de modelos preditivos sob a perspectiva de indicadores
de evasão. RENOTE, 19(1), 341–350. https://doi.org/10.22456/1679-1916.118494
Silva, F. C. da, Cabral, T. L. de O., & Pacheco, A. S. V. (2020). Evasão ou permanência? Modelos
preditivos para a gestão do Ensino Superior. Education Policy Analysis Archives, 28, 149–
149. https://doi.org/10.14507/epaa.28.5387