Modelos Preditivos para avaliação da satisfação do aluno com a

instituição de ensino

Predictive models for assessing student satisfaction with educational institutions

António Lucas Kuenhe Paraíso1, Universidade do Minho, Portugal,

pg51271@alunos.uminho.pt

Resumo

A utilização de modelos preditivos para avaliação da satisfação do aluno com a instituição de ensino tem
o potencial de melhorar a qualidade de ensino e dos serviços oferecidos pela instituição. As abordagens
existentes para o desenvolvimento de modelos preditivos incluem técnicas estatísticas e de aprendizagem
de máquina, e o uso de tecnologias modernas como Business Intelligence para fornecer insights
acionáveis para ajudar a instituição a melhorar o desempenho e alcançar seus objetivos, e estas
tecnologias são utilizadas em substituição aos métodos tradicionais de previsão que, em algumas
ocasiões, apresentam limitações para a identificação oportuna dos problemas. O objetivo deste estudo
foi compreender quais os fatores que levam à adoção de modelos preditivos analíticos na avaliação da
satisfação dos alunos com a instituição de ensino. Realizou-se uma revisão sistemática nas bases Web of
Science, Scopus e a Google Scholar, usando as palavras-chave "Modelos preditivos" e "satisfação dos
alunos" e "instituição de ensino". Foram selecionados 10 estudos que cumpriram os critérios de inclusão.
Os resultados indicam que todos os estudos encontrados evidenciam que as pesquisas nessa temática
ainda são bastante incipientes.
Palavras-chave: Modelos Preditivos; satisfação do aluno; instituição de ensino.

Abstract

The use of predictive models for assessing student satisfaction with educational institutions has the
potential to improve the quality of education and services offered by the institution. Existing approaches
to the development of predictive models include statistical and machine learning techniques, and the use
of modern technologies such as Business Intelligence to provide actionable insights to help institutions
improve performance and achieve their goals, replacing traditional forecasting methods that can have
limitations in identifying issues in a timely manner. The aim of this study was to understand the factors
that lead to the adoption of analytical predictive models in evaluating student satisfaction with educational
institutions. A systematic review was conducted on the Web of Science, Scopus, and Google Scholar
databases using the keywords "Predictive models" and "Student satisfaction" and "Educational
institution". Ten studies were selected that met the inclusion criteria. The results indicate that all studies
suggest that this area’s research is still quite incipient.
Keywords: Predictive Model; Student Satisfaction; Educational Institution.

1
Estudante da Escola de Engenharia: Mestrado em Sistemas de Informação, 2023
1
1. INTRODUÇÃO

O desempenho académico dos estudantes é um indicador relevante da qualidade do ensino oferecido

por uma instituição de ensino, especialmente no nível de ensino superior, como em faculdades e
Universidades. Isso ocorre porque o desempenho dos estudantes é frequentemente utilizado como
critério para classificar as instituições em relação às outras que oferecem o mesmo nível de ensino
[1]. Embora o desempenho académico dos estudantes seja um indicador importante da qualidade
do ensino oferecido por uma instituição de ensino, ele não é a única medida de satisfação do aluno
com a instituição. A satisfação do aluno com a instituição pode ser influenciada por vários fatores,
tais como o ambiente académico, a qualidade do ensino, a qualidade das instalações e recursos, a
acessibilidade e disponibilidade dos professores, a orientação académica e profissional, as atividades
extracurriculares, as oportunidades de emprego e estágio e muitos outros. Por outro lado, os alunos
podem estar satisfeitos com a instituição, mesmo que não tenham um desempenho académico
excelente ou podem ter um excelente desempenho académico, mas ainda assim não estarem
satisfeitos com a instituição, devido a outros fatores que afetam sua experiência educacional.

A satisfação dos alunos é um fator crítico para o sucesso das instituições de ensino. Vários estudos
têm demonstrado que a satisfação dos alunos está positivamente relacionada com o desempenho
académico, a retenção dos alunos e a reputação da instituição de ensino. Além disso, a satisfação
dos alunos pode muitas vezes ser utilizada como um indicador da qualidade do ensino e dos serviços
prestados pela instituição de ensino [2 - 3]. De outra forma dito, se os alunos estão satisfeitos com
a qualidade do ensino e dos serviços oferecidos pela instituição, isso pode ser um sinal de que a
instituição está a desempenhar bem o seu trabalho. Por isso, a satisfação dos alunos é
frequentemente avaliada pelas instituições de ensino como um indicador fundamental do seu
desempenho.

Atualmente, este tema tem sido objeto de destaque de vários pesquisadores de diversas áreas,
interessados em aumentar a qualidade de ensino e aprendizagem nas instituições de ensino, a fim
de melhorar o sucesso dos alunos, os resultados da aprendizagem, a qualidade global dos serviços
académicos e a implementação de práticas e políticas educativas adequadas aos alunos, bem como
manter a posição de vantagem competitiva da instituição [2-4]. Por outro lado, esta perceção tem
influência na menor intenção de desistência, o que pode favorecer o prestígio e a reputação da
instituição [5].

2
Com o aumento de alunos concomitantemente de dados nas instituições, nos últimos anos, tem
havido um aumento no uso de modelos preditivos para avaliar a satisfação dos alunos com a
instituição de ensino. Estes modelos utilizam dados disponíveis sobre os alunos, como notas,
frequência, envolvimento em atividades extracurriculares, entre outros, para prever a satisfação dos
alunos com a instituição de ensino. A utilização destes modelos pode permitir que as instituições de
ensino identifiquem padrões e tendências que podem ajudá-las a melhorar a qualidade do ensino e
dos serviços oferecidos, em detrimento dos métodos tradicionais de previsão do ensino que
apresentam algumas limitações [5].

Com a crescente competição entre as instituições de ensino, a qualidade do ensino e a satisfação

dos alunos tornaram-se critérios muito importantes para a tomada de decisão dos estudantes na
escolha de uma instituição de ensino, usando a tecnologia que pode ajudar a armazenar dados e
informações em grande capacidade, produzindo assim melhores resultados de previsão em pouco
tempo [1]. Os modelos preditivos podem ajudar as instituições de ensino a entender as necessidades
e expectativas dos alunos, antecipar problemas e tomar medidas preventivas para garantir a
satisfação dos alunos. Eles também podem ser usados para identificar padrões e tendências que
podem ajudar a melhorar a qualidade do ensino e aprimorar os serviços oferecidos pela instituição.

Existem muitas abordagens diferentes que podem ser usadas para desenvolver modelos preditivos
para avaliação da satisfação do aluno, incluindo técnicas estatísticas, aprendizado de máquina e
análise de dados. É importante escolher a abordagem correta para o problema em questão e garantir
que os dados utilizados no modelo sejam precisos e relevantes.

Diante desse cenário, a presente pesquisa contribui no sentido de analisar sistematicamente a

literatura sobre modelos preditivos para avaliação da satisfação do aluno com a instituição de ensino.
Esta revisão de literatura tem como objetivo, identificar quais os fatores que levam à adoção de
modelos preditivos analíticos na avaliação da satisfação dos alunos com a escola e identificar as
principais variáveis utilizadas na adoção desses modelos.

Análise Preditiva

Prever o futuro com certeza é algo que muitas pessoas desejam, mas infelizmente não é possível.
No entanto, uma das formas de se aproximar disso é tentar determinar possíveis cenários futuros
com base nas informações disponíveis no presente, ou seja, é uma análise de tendências e projeções

3
que podem nos ajudar a entender o que pode acontecer no futuro, mas sem garantir que isso
realmente ocorra [6].

A análise preditiva é uma técnica utilizada para identificar padrões e prever eventos futuros com base
em dados históricos [7]. A análise preditiva utiliza diversas tecnologias e técnicas estatísticas e
matemáticas para realizar suas previsões, algumas podem ser algoritmos de aprendizado de
máquina, redes neurais artificiais, análise estatística, mineração de dados, análise de redes sociais,
bem como aplicações com foco em business intelligence, dashboards. No contexto do ensino superior,
a análise preditiva é usada para identificar alunos em risco de abandono ou que precisam de apoio
adicional para alcançar sucesso académico [5].

É fundamental que as previsões feitas pelos modelos sejam precisas, estáveis e justas para que a
análise preditiva seja eficaz. Isso significa que as previsões devem ser baseadas em dados confiáveis
e relevantes, e que o modelo deve ser capaz de fazer previsões consistentes ao longo do tempo. Além
disso, é crucial que o modelo seja justo e não discriminatório com base em características como
raça, género ou origem socioeconómica.

O problema é que muitos dos softwares de análise preditiva utilizados nas instituições de ensino,
mormente no ensino superior são proprietários e operados por agências privadas, o que significa que
pesquisadores e administradores universitários têm pouca ou nenhuma capacidade de avaliar o
software de análise preditiva nessas dimensões. Essa falta de transparência pode levar a
investimentos ineficientes e ineficazes de recursos institucionais, uma vez que os modelos podem
variar substancialmente na precisão com que identificam alunos em risco [8]. Por exemplo, se um
modelo é impreciso na identificação de alunos em risco, isso pode levar a um desperdício de recursos
em alunos que não precisam de apoio adicional, enquanto os alunos que realmente precisam de
apoio podem ser negligenciados.

Para evitar esses problemas, é fundamental que as instituições de ensino trabalhem com
fornecedores de análise preditiva que sejam transparentes em relação aos algoritmos e dados
utilizados em seus modelos. Isso permitirá que os administradores de instituições de ensino avaliem
a precisão e justiça dos modelos e façam investimentos informados em recursos de suporte aos
alunos. Além disso, é importante que as instituições de ensino superior promovam a diversidade e
inclusão em seus dados e algoritmos, para que o modelo não perpetue preconceitos ou
desigualdades existentes. Com essas medidas, a análise preditiva pode ser uma ferramenta valiosa
4
para apoiar o sucesso académico dos alunos e melhorar a eficácia das instituições de ensino. Por
outro lado, pode também fornecer aos gestores informações valiosas sobre os principais fatores que
afetam o problema de evasão e, com isso, direcioná-los a tomar medidas preventivas para reduzir a
taxa de evasão, que enfrentam as instituições de ensino. Além disso, o modelo pode apontar, com
um alto nível de confiança, quais alunos apresentam maiores riscos de evasão, permitindo que os
gestores universitários intervenham precocemente para ajudá-los a superar os obstáculos que
possam estar afetando sua permanência no curso [9].

2. METODOLOGIA DE INVESTIGAÇÃO

Esta subsecção compreende várias etapas, incluindo a seleção da metodologia, a escolha de uma fonte de
dados confiável para abordar as questões de investigação, a realização de uma estratégia de pesquisa, o
processo de estudo, a seleção de estudos primários relevantes com base em critérios de inclusão e exclusão,
a avaliação da qualidade dos estudos selecionados e a extração de dados relevantes.

Optamos por adotar a Revisão Sistemática de Literatura (RSL) como técnica para conduzir a revisão
bibliográfica. Consideramos que a RSL é uma maneira de identificar, avaliar e interpretar pesquisas relevantes
para responder às questões relacionadas aos modelos preditivos para avaliação da satisfação dos alunos. A
seguir, apresentamos as questões de pesquisa que definem o foco e o objetivo deste artigo. Por fim,
descrevemos explicitamente o processo do protocolo de revisão e as fontes de dados utilizadas.

As questões de pesquisa (Q) formuladas são as seguintes:

Q1: Quais são as principais variáveis utilizadas em modelos preditivos de avaliação da satisfação do
aluno com a instituição de ensino?

Q2: Quais fatores levam à adoção de modelos preditivos analíticos na análise da satisfação dos
alunos com a instituição de ensino?

Deste modo, para a string de busca, foram selecionados termos que correspondem ao escopo de pesquisa,
todos em língua inglesa, visando aumentar o quantitativo de artigos retornados. Após a realização de uma
busca-piloto por título, palavras-chave e resumo, juntamente à sucessivos refinamentos e levantamento de
terminologias relevantes, foi obtida a seguinte string final:

(satisfaction OR " evaluating satisfaction" OR "student satisfaction " OR "academic success" )

AND ( "educational institution" ) AND ( "predictor models" OR "satisfaction prediction" OR "educational
data*" )

5
 Neste trabalho foi realizada uma “revisão rápida” em três bases de dados e motores de busca
principais ou referenciais de natureza interdisciplinar, com um filtro temporal de 10 anos, para identificar
pesquisas empíricas que tenham proposto modelos preditivos para avaliação da satisfação do aluno com
a instituição de ensino. As seguintes bases foram as selecionadas: Web of Science, Google Scholar e
Scopus. Para a base de dados do Google Scholar, também foi executada a string de pesquisa em língua
portuguesa. No entanto, os resultados foram insignificantes, uma vez que poucos artigos relevantes foram
encontrados.

Desta forma, em função da seleção dos estudos relevantes, foram definidos critérios de inclusão
(CI) e de exclusão (CE) nesta RSL, conforme a seguir:

Inclusão
CI1: Artigos que descrevem o uso de modelos preditivos na avaliação da satisfação dos
alunos com a instituição de ensino.

CI2: Artigos que apresentam os fatores considerados pelos modelos preditivos.

CI3: Artigos que exploram os resultados obtidos por meio dos modelos preditivos.

Exclusão
CE1: Artigos que foram publicados há mais de 10 anos (2013-2023).

CE2: Artigos que não abordam modelos preditivos para avaliação da satisfação do aluno.

CE3: O artigo não trata de modelos preditivos e não tem relação com a satisfação;

CE4: O estudo é uma versão mais antiga de outro estudo já considerado;

CE5: O texto completo não se encontra disponível;

CE6: O trabalho não é um artigo completo de conferência ou periódico;

CE7: O trabalho não é um estudo primário.

De acordo com os critérios estabelecidos, o processo de seleção envolveu duas etapas: i) leitura dos
metadados (título e resumo) e ii) leitura completa do texto. Cada artigo foi classificado como aceito ou excluído,
com base nos critérios de inclusão (CI) ou exclusão (CE) estabelecidos. Dessa forma, os artigos aceitos na

6
instância final foram submetidos a um formulário de extração de dados, a fim de responder às questões de
pesquisa (Qs) definidas no protocolo, conforme apresentado na Tabela 1.

Os artigos recuperados foram reunidos na ferramenta de gestão de referências Mendeley e Zotero, para
permitir a triagem e filtragem dos resultados. A filtragem e o relacionamento entre os conceitos por artigo, foi
realizada através do Microsoft Excel.

Tabela 1

Formulário de Extração de Dados

Veículo de Publicação
Ano de Publicação
Instituição dos autores
Quantidade de autores
Tipo de publicação
Campos de Extração
Contexto Amostragem
Modalidade Principais variáveis determinantes da avaliação da
satisfação
Técnica/método Principais resultados
Natureza da pesquisa Medidas de enfrentamento para além da predição
Origem dos dados Lacunas

Fonte: Adaptada de [10]

Tabela 2

Cruzamento de Conceitos ou palavras-chaves

Conceitos

Referências Modelos Preditivos satisfação do aluno instituição de ensino

[1] X
[2] X X
[3] X X
[4] X X
[5] X
[6] X X
[7] X
[8] X X
[9] X
[10] X X

7
Vale realçar que alguns em artigos o termo “satisfação” foi usado como sinónimo de desemprenho
académico, mas como referimos atrás, nem sempre a satisfação tem relação com o desempenho ou
aproveitamento positivo do aluno.

A aplicação da string nas bases de dados por meio de busca avançada resultou em 24 artigos retornados,
sendo 12 da Web of Science, 7 da Google Scholar e 5 da Scopus. Do total de estudos, 2 artigos foram
duplicados, restando 22 deles para análise de metadados. Destes, 14 foram pré-selecionados após leitura
de título e resumo, e ao final da leitura completa, 10 trabalhos representaram o conjunto de estudos
significativos na RSL, como apresentado na Figura 1.

Figura 1
Fluxo de Informação do Processo de Seleção dos Artigos

24 estudos 8 estudos 4 estudos 10

2 estudos
retomados excluídos incluídos significativos
após eliminar
nos base de após leitura após leitura (Seleção
os duplicados
dados de metadados completa Final)

Fonte: Elaboração do Autor

A Tabela 3 relaciona os trabalhos eliminados de acordo com os critérios de exclusão aplicados, conforme
definido pelo protocolo de pesquisa da RSL

Tabela 3
Quantitativo de Artigos eliminados por Critério de Exclusão
Critérios de Exclusão (CE)
CE1 CE2 CE3 CE4 CE5 CE6 CE7 Total
excluídos
6 3 2 0 2 1 0 14
Fonte: Elaboração do Autor

Portanto, dos 10 trabalhos significativos, cerca de 70% foram derivados de um único mecanismo
de busca, sendo a biblioteca digital Web of Science, considerada como a mais relevante para este estudo
sistemático.

3. CONCLUSÕES E DISCUSSÃO

Esta secção descreve os resultados e responde às perguntas da investigação. A literatura de forma

incipiente, será discutida com respeito a cada questão de investigação. Em primeiro lugar, a Pergunta de
Investigação 1 (RQ1) discutirá as principais variáveis utilizadas em modelos preditivos de avaliação da
8
satisfação do aluno com a instituição de ensino. Em segundo lugar, a Pergunta de Investigação 2 (RQ2)
discutirá os fatores levam à adoção de modelos preditivos analíticos na análise da satisfação dos alunos
com a escola?

RQ1: Quais são as principais variáveis utilizadas em modelos preditivos de avaliação da satisfação
do aluno com a instituição de ensino?

Existem várias variáveis que podem ser utilizadas em modelos preditivos de avaliação da
satisfação do aluno com a instituição de ensino, de acordo a literatura destacamos algumas e
talvez as principais:

Qualidade do ensino: a qualidade do ensino é uma das principais variáveis que afetam a
satisfação do aluno com a instituição de ensino. Isto inclui fatores como a qualificação dos
professores, a atualização do conteúdo, a metodologia de ensino e a disponibilidade de recursos
educacionais [3].

Ambiente académico: o ambiente académico também é uma variável importante que

pode afetar a satisfação do aluno. Isto inclui fatores como a infraestrutura da instituição, o acesso a
recursos e serviços, a cultura académica e a comunidade estudantil [2].

Suporte ao estudante: o suporte ao estudante é outro fator importante que pode afetar a
satisfação do aluno. Isto inclui serviços como aconselhamento, orientação de carreira, suporte
financeiro, serviços de saúde e outras formas de suporte [8].

Reputação da instituição: a reputação da instituição também pode afetar a satisfação do

aluno. Isto inclui fatores como a classificação da instituição em rankings académicos, a imagem da
instituição e a perceção pública da instituição [2].

Custo e valor do ensino: o custo e o valor do ensino são fatores importantes que podem
afetar a satisfação do aluno. Isto inclui a relação entre o custo do ensino e o valor percebido pelo
aluno, bem como o custo comparativo de outras instituições [8].

RQ2: Quais fatores levam à adoção de modelos preditivos analíticos na análise da satisfação dos
alunos com a escola?

9
 Em relação a segunda questão, a literatura discute que existem vários fatores que levam à
adoção de modelos preditivos analíticos na análise da satisfação dos alunos com a escola. A seguir
elencamos alguns fatores evidentes:

Necessidade de melhorar a qualidade do ensino: ao utilizar modelos preditivos, as

escolas podem identificar os fatores que mais afetam a satisfação dos alunos e, assim, ajustar a sua
estratégia educacional de acordo para melhorar a qualidade do ensino [5].

Aumentar a retenção de alunos: a satisfação do aluno está intimamente ligada à sua

probabilidade de permanecer na escola e concluir os seus estudos. Modelos preditivos podem ajudar
as escolas a identificar os alunos que estão insatisfeitos ou em risco de abandono e fornecer-lhes o
suporte necessário para mantê-los na escola. Podem também fornecer aos gestores informações
valiosas sobre os principais fatores que afetam o problema de evasão e, com isso, direcioná-los a
tomar medidas preventivas para reduzir a taxa de evasão. Além disso, o modelo pode apontar, com
um alto nível de confiança, quais alunos apresentam maiores riscos de evasão, permitindo que os
gestores da instituição intervenham precocemente para ajudá-los a superar os obstáculos que
possam estar afetando sua permanência no curso [5-8-9].

Redução de custos: compreender os fatores que afetam a satisfação do aluno também

pode ajudar as escolas a otimizar os seus recursos e investimentos, reduzindo assim os seus custos
operacionais [8].

Melhoria da reputação da escola: quando as escolas conseguem identificar e abordar

as preocupações dos alunos de forma eficaz, podem aumentar a satisfação dos alunos e,
consequentemente, melhorar a sua reputação no mercado [2].

Aumento da competitividade: a adoção de modelos preditivos para a análise da

satisfação dos alunos pode ajudar as escolas a destacarem-se da concorrência, uma vez que os
resultados obtidos podem ser usados como base para uma melhor comunicação e marketing com
os potenciais alunos [1].

Estes são apenas alguns dos fatores que podem levar à adoção de modelos preditivos
analíticos na análise da satisfação dos alunos com a escola. É importante salientar que,
independentemente dos fatores específicos que impulsionam a adoção destes modelos, o objetivo
final é sempre melhorar a qualidade do ensino e a experiência dos alunos na escola, e a sua
satisfação que também está associada ao desempenho acadêmico, portanto, quanto maior a
satisfação do aluno com a instituição no geral, maior o desempenho acadêmico.
10
4. CONCLUSÃO E INVESTIGAÇÃO ADICIONAL

As investigações sobre modelos preditivos são incipientes, exigindo investigações

considerando a importância do tema. Entretanto, os resultados deste artigo mostram que as direções
das instituições de ensino devem avaliar cuidadosamente os objetivos do uso de análises preditivas
em seu contexto específico antes de investir em serviços caros de análise preditiva, para que haja
um alinhamento entre as necessidades da instituição e o sistema a adquirir. Isso, significa que é
importante que esses gestores entendam como as análises preditivas podem ser aplicadas em sua instituição
e quais são os benefícios e custos envolvidos. Precisam avaliar se as análises preditivas são adequadas para
ajudar a melhorar o sucesso dos alunos, concomitantemente a sua satisfação com a instituição e se o
investimento em serviços de análise preditiva estará alinhado a estratégia organizacional.

Por fim, os líderes das instituições de ensino, tomar decisões informadas sobre o uso de
análises preditivas e considerar cuidadosamente suas implicações antes de investir em serviços caros
de análise preditiva. Isso permitirá que eles utilizem essas tecnologias de forma mais eficaz e
responsável. Por outro lado, a questão da ética é importante quando se utiliza análises preditivas
para prever o sucesso dos alunos. É necessário garantir que esses métodos não discriminem certos
grupos ou indivíduos com base em características pessoais, como raça, gênero ou origem
socioeconômica.

Adicionalmente, é importante salientar que este trabalho, ao utilizar a técnica de revisão

sistemática de literatura (RSL), apresenta limitações decorrentes da escolha das bases de dados e
da definição das strings de busca. Embora tenham sido utilizadas bases de dados relevantes no
campo da pesquisa em predição de evasão, outras escolhas e definições de strings poderiam levar
à recuperação de outros estudos que não foram contemplados neste estudo.

Assim, para futuros estudos baseados em RSL, propõe-se que a cobertura de bases de dados
científicas seja ampliada, incluindo a aplicação de outras estratégias, como busca manual em eventos
nacionais e internacionais de renome, que não tenham sido indexados pelas bases de dados
utilizadas neste estudo. Além disso, recomenda-se que pesquisas futuras de revisão de literatura ou
teórico-empíricas alargam o horizonte temporal, porque estudos relevantes desta temática, são
relativamente mais antigos.

11
REFERÊNCIAS

[1] Zulkifli, F., Mohamed, Z., & Azmee, N. A. (2019). Systematic Research on Predictive Models on Students’
Academic Performance in Higher Education. International Journal of Recent Technology and
Engineering, 8(2S3), 357–363. https://doi.org/10.35940/ijrte.B1061.0782S319

[2] Ikram, M., & Kenayathulla, H. B. (2022). A Systematic Literature Review of Student Satisfaction: What is
Next? International Journal of Advanced Research in Education and Society.
https://doi.org/10.55057/ijares.2022.4.4.5

[3] Lin, L., & Luo, Y. (2021). What Accounts for International Student Satisfaction in China—An Exploratory
Study Based on Fuzzy AHP Approach. Open Access Library Journal, 8(10), Artigo 10.
https://doi.org/10.4236/oalib.1108026

[4] Alwarthan, S. A., Aslam, N., & Khan, I. U. (2022). Predicting Student Academic Performance at Higher
Education Using Data Mining: A Systematic Review. Applied Computational Intelligence and Soft
Computing, 2022, 1–26. https://doi.org/10.1155/2022/8924028

[5] 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

[6] 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

[7] 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

[8] Bird, K. A., Castleman, B. L., Mabel, Z., & Song, Y. (2021). Bringing Transparency to Predictive Analytics:
A Systematic Comparison of Predictive Modeling Methods in Higher Education.
https://doi.org/10.1177/23328584211037630

[9] 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

[10] Tete, M. F., Sousa, M. de M., De Santana, T. S., & Silva, S. F. (2022). Aplicação de métodos preditivos
em evasão no ensino superior: Uma revisão sistemática da literatura. Education Policy Analysis
Archives, 30. https://doi.org/10.14507/epaa.30.6845
12