O Dr. Eduardo Silva Alvarado, diretor da Fundación Universitaria Iberoamericana (Fundação Universitária Iberoamericana, FUNIBER), em sua sede na Guatemala, participa de um estudo que contrasta diferentes técnicas de previsão da desistência de estudos de pós-graduação online em etapas avançadas para propor um modelo mais eficiente.
Atualmente, o desenvolvimento da aprendizagem em linha é um grande desafio para as instituições de ensino em todo o mundo. Dois desses desafios são a falta de conhecimento sobre a metodologia de aprendizagem em linha e o fosso digital, uma vez que nem todos os estudantes se sentem confortáveis com os procedimentos virtuais e não têm as mesmas oportunidades de acesso a ferramentas tecnológicas.
Embora o número de estudantes que se inscrevem em programas em linha tenha aumentado, isso também resultou em elevadas taxas de abandono e insatisfação entre os estudantes, especialmente em comparação com o estudo num campus presencial. Isto aplica-se sobretudo aos cursos em linha abertos e maciços, geralmente gratuitos, conhecidos como MOOC, que podem registar taxas de abandono superiores a 80%. Por conseguinte, prever e reter os estudantes tornou-se um desafio crucial.
As taxas de graduação e de abandono são consideradas indicadores da eficácia das instituições de ensino e podem afetar a sua reputação e até a sua elegibilidade para bolsas de estudo e financiamento governamental. As causas do abandono universitário são complexas e influenciadas por vários factores psicológicos, sociais, económicos e organizacionais.
O abandono pode ser classificado em termos de duração (temporária ou permanente) e de comportamento individual (académico ou voluntário). Uma outra forma de classificar o abandono refere-se ao momento em que o abandono ocorre, distinguindo entre abandono precoce, precoce e tardio. Neste contexto, é importante referir que este estudo incide sobre o abandono voluntário e definitivo tardio durante a fase de desenvolvimento da Tese de Mestrado.
Para abordar este problema, os investigadores contrastaram os benefícios da técnica de ajuste do limiar de probabilidade ótimo com outras técnicas de tratamento de dados desequilibrados, na sua aplicação à previsão da desistência tardia de estudantes de pós-graduação em cursos de educação a distância em duas universidades da região ibero-americana: a Universidade Europeia do Atlântico (UNEATLANTICO) e a Universidade Internacional Ibero-Americana do México (UNINI México), parte da rede universitária da qual a FUNIBER participa. O objetivo final é reduzir a distância entre os modelos tradicionais utilizados na educação presencial e o ambiente de aprendizagem online, aplicando ferramentas de aprendizagem automática para tomar decisões específicas. Esta abordagem centra-se na técnica de ajuste de probabilidade óptima para prever a desistência de estudos universitários de pós-graduação em fases avançadas ou tardias. Esta pode ser aplicada de forma autónoma ou em conjunto com outras técnicas, atributos ou algoritmos.
De acordo com a metodologia utilizada, verificou-se que um modelo de consenso complexo (com limiar de 0,463) e o modelo Random Forests obtiveram métricas semelhantes. O ajuste de limiares de probabilidade óptimos aos modelos de base demonstrou a robustez do modelo Random Forests na obtenção de um equilíbrio entre a exatidão (0,56) e a recuperação (0,55), utilizando um limiar próximo do valor predefinido de 0,5 (0,427). Isto demonstra que um modelo de base Random Forests ajustado com um limiar ótimo fornece resultados robustos e evita a necessidade de utilizar técnicas de alteração de dados que poderiam introduzir erros.
Verificou-se que as variáveis significativas estavam principalmente relacionadas com o ambiente académico e que as variáveis com uma componente temporal explícita, como a duração das disciplinas, a duração do estatuto académico e as extensões, eram as mais importantes na diferenciação entre diferentes turmas no contexto do abandono escolar tardio. As variáveis sociais e demográficas não parecem ter tanta influência nesta situação.
Os resultados sugerem que a abordagem de ajuste do limiar de probabilidade ótimo proporciona uma melhor generalização do modelo de previsão do abandono escolar tardio em comparação com outras técnicas de reamostragem de dados. No entanto, devem ser consideradas mais variáveis e recomenda-se o alargamento da população amostrada, a utilização de recursos adicionais, como Python, e a melhoria dos algoritmos de aprendizagem automática em investigação futura.
Este estudo inovador constitui um marco no campo académico, gerando esperança para que as universidades intervenham atempadamente e prestem apoio adequado aos estudantes que possam estar em risco de abandonar os seus estudos, principalmente na sua última fase de estudo. Desta forma, minimizam-se as taxas de abandono tardio.
Se quiser saber mais sobre este estudo, clique aqui.
Para ler mais pesquisas, consulte o repositório UNEATLANTICO. A Fundação Universitária Iberoamericana (FUNIBER) oferece o Mestrado em Educação com especialidade em TIC na Educação. Um programa destinado a desenvolver as competências digitais dos professores do século XXI e a aplicação da tecnologia na educação.