A necessidade de acompanhamento dos estágios de aprendizado discente e suas dificuldades de forma precoce tomou uma dimensão ainda maior nesses tempos recentes de pandemia e de ensino online. Nesse panorama, este trabalho apresenta uma abordagem para predição de forma precoce de comportamentos de estudantes que possuem um elevado risco de reprovação em disciplinas que ocorrem em ensino on-line. Para analisar e avaliar a viabilidade da abordagem proposta foi realizado um estudo de caso com dados do ensino técnico integrado do campus Monteiro do IFPB. Foi construído um conjunto de dados com dados reais originados do Google Sala de Aula e do SUAP. Uma vez finalizado o conjunto de dados, foram construídos e avaliados modelos de aprendizado de máquina usando seis diferentes algoritmos de classificação supervisionada. Adicionalmente foi objeto de análise o tratamento do desbalanceamento dos dados e a influência da seleção de atributos no desempenho final dos preditores.

<p>A Mineração de Dados Educacionais tem sido uma ferramenta muito utilizada para identificar a possibilidade de evasão de estudantes e suas possíveis causas, buscando auxiliar instituições de ensino no acompanhamento, gerenciamento e solução a esse desafio. Esse artigo apresenta uma abordagem que aplica mineração de dados educacionais para predizer estudantes de cursos subsequentes do IFPB com potencial de evasão. Para isso, foram coletados dados a partir do sistema acadêmico do IFPB, no contexto do Campus Cajazeiras. Os dados passaram por etapas de preparação, e um conjunto de dados específico foi gerado para o propósito da abordagem proposta. Com a assistência de um especialista de domínio, a abordagem provê a geração de modelos de aprendizado de máquina que classificam a possibilidade de evasão de estudantes, a partir de cinco métodos supervisionados. A avaliação dos métodos de classificação utilizados demonstra que todos os algoritmos apresentaram resultados próximos, a partir dos resultados das métricas obtidos. Adicionalmente, o trabalho mostra que a quantidade de períodos cursados é o fator principal para o estudante evadir. O estudo mostra também que a distância geométrica de onde o estudante reside até o campus em questão não é fator relevante para a evasão.</p>