Usando o aprendizado de máquina para prever a retenção de alunos de socio

Sep 02, 2023

Scientific Reports volume 13, Número do artigo: 5705 (2023) Citar este artigo

1912 acessos

25 Altmétrica

Detalhes das métricas

O atrito estudantil representa um grande desafio para instituições acadêmicas, órgãos financiadores e estudantes. Com o surgimento do Big Data e da análise preditiva, um crescente corpo de trabalho na pesquisa do ensino superior demonstrou a viabilidade de prever a evasão estudantil a partir de dados de nível macro prontamente disponíveis (por exemplo, sociodemográficos ou métricas de desempenho inicial) e dados de nível micro ( por exemplo, logins em sistemas de gerenciamento de aprendizagem). No entanto, o trabalho existente em grande parte ignorou um elemento crítico de nível meso do sucesso do aluno, conhecido por impulsionar a retenção: a experiência do aluno na universidade e sua inserção social em seu grupo. Em parceria com um aplicativo móvel que facilita a comunicação entre estudantes e universidades, coletamos (1) dados institucionais de nível macro e (2) dados comportamentais de engajamento de nível micro e meso (por exemplo, a quantidade e a qualidade das interações com os serviços da universidade e eventos, bem como com outros alunos) para prever o abandono após o primeiro semestre. Analisando os registros de 50.095 alunos de quatro universidades e faculdades comunitárias dos EUA, demonstramos que os dados combinados de nível macro e meso podem prever o abandono escolar com altos níveis de desempenho preditivo (AUC média em modelos lineares e não lineares = 78%; AUC máx. = 88%). Verificou-se que as variáveis ​​de envolvimento comportamental que representam a experiência dos alunos na universidade (por exemplo, centralidade de rede, envolvimento de aplicativos, avaliações de eventos) adicionam poder preditivo incremental além das variáveis ​​institucionais (por exemplo, GPA ou etnia). Por fim, destacamos a generalização de nossos resultados, mostrando que modelos treinados em uma universidade podem prever a retenção em outra universidade com níveis razoavelmente altos de desempenho preditivo.

Nos EUA, apenas cerca de 60% dos alunos em tempo integral se formam em seu programa1,2 com a maioria daqueles que interrompem seus estudos desistindo durante o primeiro ano3 Essas altas taxas de abandono representam grandes desafios para estudantes, universidades e órgãos financiadores4 ,5.

Abandonar a universidade sem um diploma afeta negativamente as finanças e a saúde mental dos alunos. Mais de 65% dos estudantes de graduação dos EUA recebem empréstimos estudantis para ajudar a pagar a faculdade, levando-os a contrair pesadas dívidas ao longo de seus estudos6. De acordo com o Departamento de Educação dos EUA, os alunos que contraem um empréstimo, mas nunca se formam, têm três vezes mais chances de não pagar o empréstimo do que os alunos que se formam7. Isso não é surpreendente, uma vez que os alunos que abandonam a universidade sem um diploma ganham 66% menos do que os graduados com diploma de bacharel e têm muito mais probabilidade de ficar desempregados2. Além dos prejuízos financeiros, o sentimento de fracasso muitas vezes impacta negativamente o bem-estar e a saúde mental dos alunos8.

Ao mesmo tempo, o atrito estudantil afeta negativamente as universidades e os órgãos federais de financiamento. Para as universidades, o atrito estudantil resulta em uma redução média de receita anual de aproximadamente US$ 16,5 bilhões por ano por meio da perda de mensalidades9,10. Da mesma forma, o atrito estudantil desperdiça recursos valiosos fornecidos pelos governos estaduais e federais. Por exemplo, o US Department of Education Integrated Postsecondary Education Data System (IPEDS) mostra que, entre 2003 e 2008, os governos estadual e federal juntos forneceram mais de US$ 9 bilhões em doações e subsídios para estudantes que não retornaram à instituição onde estavam matriculados. pelo segundo ano11.

Dados os altos custos da desistência, a capacidade de prever alunos em risco – e fornecer-lhes suporte adicional – é crítica12,13. Como a maioria das desistências ocorre durante o primeiro ano14, tais previsões são mais valiosas se puderem identificar os alunos em risco o mais cedo possível13,15,16. Quanto mais cedo for possível identificar alunos com dificuldades, maiores serão as chances de que as intervenções destinadas a protegê-los de um atraso gradual – e, eventualmente, da interrupção de seus estudos – sejam eficazes17,18.