Prevendo a evasão escolar com Machine Learning: Uma abordagem com base na ciência.

A evasão escolar é um dos desafios mais complexos e impactantes da gestão educacional pública e privada. Reter um aluno não é só visto como uma vitória financeira para uma instituição, mas uma real transformação social na vida do estudante.

Nesse projeto de ciência de dados, fiz uso de técnicas de inteligência artificial para identificar padrões comportamentais e prever quais alunos estão com maior risco de abandonar os estudos.

O Dataset e Ferramentas

Utilizei o respeitado dataset acadêmico "Predict Students Dropout and Academic Success" da UCI Machine Learning Repo. O projeto foi desenvolvido totalmente em Python, utilizando bibliotecas como Pandas para manipulação de dados, Seaborn para visualização e Scikit-Learn para modelagem preditiva.

Insights da Análise Exploratória (EDA)

Durante a análise de dados, dois fatores saltaram aos olhos como os principais influenciadores da permanência do aluno:

• O desempenho no 1º semestre é crucial: Alunos que terminam o primeiro período com notas baixas ou zeradas possuem uma taxa de evasão alarmante. A intervenção pedagógica precisa acontecer logo nos primeiros meses.
• O impacto Vital do auxílio financeiro: A análise mostrou que alunos de bolsistas possuem uma taxa de evasão muito menor em comparação aos alunos não-bolsistas. Programas de assistência financeira mostram-se um dos pilares mais eficientes para a retenção escolar.

Modelagem Preditiva com Machine Learning

Para criar um sistema de alerta precoce, treinei um algoritmo de Random Forest (Floresta Aleatória). O objetivo era classificar se o estudante iria se formar ou evadir com base em suas características socioeconômicas e acadêmicas.

Os resultados foram surpreendentes para uma primeira versão:

• Acurácia Geral: 90,22% da previsões corretas.
• Precisão para Evasão (Dropout): 91% isso significa que o modelo é altamente confiável quando aciona o “Alerta Vermelho” para um estudante em risco.


Conclusão e impacto de negócio

Com um modelo predito rodando com 90% de acurácia, a coordenação pedagógica de um instituição pode agir de forma proativa em vez de reativa. Em vez de descobrir a evasão quando o aluno já cancelou a matricula, a IA permite criar planos de apoio personalizados, mentorias e direcionamento de bolsas para quem realmente precisa, salvando semestres e mudando futuros.

Gostou do projeto? Veja o código completo e estruturado no meu GitHub