Predição da evasão no ensino superior: uma revisão sistemática sobre algoritmos e variáveis do aprendizado de máquina (2020-2025)

Abstract

Este estudo apresenta uma revisão sistemática da literatura sobre técnicas de aprendizado de máquina aplicadas predição da evasão estudantil no ensino superior, considerando publicações de 2020 a 2025. A revisão, conduzida segundo o protocolo de Kitchenham, resultou na identificação de nove estudos primários, dos quais apenas três disponibilizaram dados ou detalhamento metodológico suficiente para permitir reprodução experimental. A síntese qualitativa indica a predominância de modelos supervisionados, especialmente árvores de decisão, florestas aleatórias, métodos de ensemble e redes neurais, apoiados por variáveis acadêmicas, socioeconômicas, demográficas e comportamentais. A comparação entre resultados originais e reproduzidos evidenciou diferenças relevantes na reprodutibilidade, com maior estabilidade em modelos de ensemble e maior sensibilidade metodológica em redes neurais. Nesse contexto, persistem desafios significativos, como a escassez de dados abertos, a insuficiência de transparência metodológica e a heterogeneidade na seleção de métricas. ́Os achados buscam identificar o estado da arte e apontam possíveis direções para avanços futuros, especialmente quanto à melhoria da documentação experimental e ao uso ampliado de variáveis comportamentais.