Maior índice entre todas as modalidades. IES privadas: 29,5%. Públicas: 21,3%. Tabela 1.
MESTRADO · MUST UNIVERSITY · FLORIDA, USA · 2025
O papel das tecnologias na prevenção da evasão escolar.
Uma análise preditiva.
A tese de mestrado em que Marco investiga como modelos de machine learning podem antecipar — e prevenir — a evasão estudantil e a inadimplência financeira no ensino superior antes que aconteçam.
Master of Science in Emergent Technologies in Education · Orientadora: Prof.ª Dr.ª Michelle Patrícia Paulista da Rocha
A PERGUNTA
E se a tecnologia conseguisse identificar — e prevenir — a evasão antes do aluno desistir?
A tese parte de dois problemas estruturais que andam juntos no ensino superior brasileiro: a evasão escolar e a inadimplência financeira. Um alimenta o outro. Dificuldades de pagamento empurram o aluno pra desistir; a desistência compromete a sustentabilidade da instituição. Marco investiga como a análise preditiva pode quebrar esse ciclo antes que ele se feche.
Marco partiu de uma revisão bibliográfico-documental. Não construiu o experimento — sintetizou o estado da arte e propõe um caminho de aplicação institucional.
A TESE EM NÚMEROS
A evasão no ensino superior não é uniforme — e os dados mostram onde dói mais.
Quatro tabelas estruturam a revisão bibliográfica. Cada número abaixo vem de um achado consolidado por Marco a partir de Teixeira, Mengtges & Kampf (2019), INEP (Censo da Educação Superior 2019) e Brdesee et al. (2022).
A área com maior abandono acadêmico, seguida por Ciências da Computação (30,5%). Saúde e Educação ficam abaixo de 22%. Tabela 2.
O fator que mais leva à evasão. Falta de adaptação ao curso (21,3%) e baixo desempenho acadêmico (16,7%) vêm a seguir. Tabela 3.
IES que implementaram modelos preditivos reportaram queda significativa nas taxas de evasão entre 2015 e 2019. Tabela 4 — Brdesee et al. (2022).
METODOLOGIA
Revisão bibliográfico-documental com meta-análise.
Marco mapeou estudos publicados entre 2015 e 2024, com ênfase nos últimos cinco anos — período de maior consolidação das tecnologias emergentes no ensino superior. A coleta combinou descritores específicos em três grandes bases acadêmicas.
OS MODELOS
Os algoritmos usados para antecipar quem está em risco.
Marco mapeia na literatura sete técnicas centrais de machine learning aplicadas à previsão de evasão escolar e inadimplência. Cada uma com pontos fortes específicos — e limitações que a tese não esconde.
XGBoost
Extreme Gradient Boosting
Boosting de árvores. Alta precisão com grandes volumes, lida bem com variáveis categóricas e numéricas, minimiza overfitting (Chen & Guestrin, 2016).
Random Forest
Múltiplas árvores de decisão
Robustez em grandes bases educacionais. Avalia desempenho, frequência e engajamento em LMS, reduzindo overfitting (Sghir, Adadi & Lahmer, 2023).
SVM
Support Vector Machines
Particularmente eficaz para evasão em cursos a distância, onde a falta de interação presencial pesa mais (Tete et al., 2022).
GBM
Gradient Boosting Machine
Ajuste fino de hiperparâmetros para minimizar viés estatístico. Forte em padrões sazonais de evasão.
KNN
K-Nearest Neighbors
Classifica estudantes em categorias de risco com alta precisão a partir de comportamento comparável (Trajano, 2023).
LSTM
Long Short-Term Memory
Aprendizado profundo para dados temporais. Alcançou +4,61% no R² score já no quarto semestre, ante a regressão ridge tradicional (Brdesee et al., 2022).
SMOTE
Synthetic Minority Oversampling Technique
Não é modelo preditivo: é técnica para corrigir desbalanceamento de classes. Elevou AUC de 0,91 para 0,96 em modelo de árvore de decisão.
VARIÁVEIS PREDITORAS
Os sinais que antecedem o abandono.
A literatura revisada por Marco aponta um conjunto de variáveis comportamentais, acadêmicas e financeiras que, combinadas, antecipam com precisão crescente o risco de evasão e inadimplência.
Acadêmicas
- Frequência às aulas
- Desempenho em avaliações formais
- Disciplinas aprovadas vs. reprovadas
- Engajamento em atividades extracurriculares
Comportamentais
- Acesso e tempo de uso do LMS
- Participação em fóruns e interações online
- Padrão temporal de engajamento (séries longitudinais)
- Sinais de desmotivação observáveis
Financeiras
- Atraso em pagamentos de mensalidade
- Histórico financeiro do estudante
- Capacidade pagadora estimada
- Dependência de crédito estudantil ou bolsa
Demográficas e socioeconômicas
- Renda familiar e ocupação
- Carga horária de trabalho concomitante
- Distância e mobilidade até a IES
- Background acadêmico prévio
DA PREVISÃO À AÇÃO
Prever sem agir não reduz evasão.
O capítulo 4 da tese trata do elo que costuma faltar: como integrar os modelos preditivos a intervenções proativas que realmente mudem a trajetória do estudante. Marco aponta quatro frentes complementares.
01
Intervenções proativas integradas ao modelo
Programas de mentoria, apoio psicossocial e incentivos acadêmicos disparados pelo alerta preditivo — não pelo histórico de prejuízo. Tete, Sousa, Santana & Fellipe (2022) mostram que essa combinação reduz desistência.
02
Apoio acadêmico e financeiro personalizado
Learning analytics + business intelligence aplicados à jornada individual. Recomendações de disciplinas, materiais e bolsas baseadas em desempenho e capacidade pagadora estimada.
03
IA na gestão de bolsas e financiamento
Regressão logística e árvores de decisão para prever a capacidade de pagamento, priorizando bolsas e planos flexíveis para alunos de alto risco-alto potencial (Lemos et al., 2017; Pimentel et al., 2024).
04
Parcerias com fintechs e planos flexíveis
Soluções de pagamento desenhadas com fintechs para reduzir a barreira financeira. Goldrick-Rab et al. (2016) evidenciam o impacto direto desse tipo de assistência na taxa de conclusão.
DA TESE PARA A PRÁTICA
Marco aplica essa tese hoje à frente da Principia, sistema operacional de IA para educação que cofundou: 760 mil alunos, 1,2 mil instituições de ensino e mais de R$ 2 bilhões em carteira de crédito sob gestão. A análise preditiva sai do papel e vira régua de decisão diária.
Conhecer o trabalho aplicado à mentoria de operações (Credi+ Club) →ÉTICA E GOVERNANÇA
A tese não esconde a parte difícil.
Modelos preditivos em educação carregam riscos que não podem ser ignorados. Marco dedica trechos específicos da revisão à fronteira entre potência analítica e responsabilidade institucional.
Privacidade de dados
Dados acadêmicos e financeiros do aluno exigem proteção rigorosa. A transparência sobre uso e armazenamento é pré-condição, não acessório.
Viés algorítmico
Modelos podem perpetuar desigualdades educacionais se treinados em bases enviesadas. Auditoria regular e explicabilidade são obrigatórias (Sghir, Adadi & Lahmer, 2023).
Transparência e explicabilidade
Decisões automatizadas precisam ser justificáveis para gestores e educadores. Bird (2023) destaca a importância da transparência como condição de adoção.
Governança responsável
A análise preditiva não substitui o julgamento humano — informa-o. Marco trata esse ponto como o limite ético central da tese.
A leitura desse capítulo conversa diretamente com a formação de Marco como Conselheiro Certificado pela Board Academy (PFCC, 2025): a fronteira entre IA e o dever fiduciário do conselho.
CONSIDERAÇÕES FINAIS
O que a tese sustenta.
"O uso de tecnologias emergentes representa um avanço significativo na gestão educacional, promovendo um ambiente acadêmico mais inclusivo, sustentável e orientado por dados. A adoção dessas ferramentas pode transformar as práticas institucionais, contribuindo para a permanência estudantil e a saúde financeira das instituições de ensino superior."
A pesquisa também ressaltou os desafios éticos e técnicos associados ao uso de dados estudantis, sugerindo que o aprimoramento contínuo dessas abordagens pode gerar impacto significativo na retenção estudantil e na equidade de acesso ao ensino superior.
A tese argumenta, em síntese: previsão precoce + intervenção proativa + governança responsável formam a tríade que pode quebrar o ciclo da evasão — e devolver previsibilidade financeira às instituições sem perder o aluno pelo caminho.
CITAÇÃO ACADÊMICA
Como citar a tese.
Para uso em artigos, dissertações e referências profissionais.
ABNT
SOUSA, Marco Antonio Cardoso de. O papel das tecnologias na prevenção da evasão escolar: uma análise preditiva. 2025. Trabalho de Conclusão Final (Master of Science in Emergent Technologies in Education) — MUST University, Florida, USA.
APA
Sousa, M. A. C. de. (2025). The role of technologies in preventing school dropout: A predictive analysis [Master's thesis, MUST University].
Palavras-chave
Análise Preditiva, Evasão Escolar, Inadimplência Financeira