Resumen

RICO PAEZ, Andrés  y  GAYTAN RAMIREZ, Nora Diana. Exercícios escolares para prever o desempenho acadêmico de estudantes universitários usando técnicas combinadas de aprendizado de máquina. RIDE. Rev. Iberoam. Investig. Desarro. Educ [online]. 2026, vol.16, n.32, e1041.  Epub 30-Abr-2026. ISSN 2007-7467.  https://doi.org/10.23913/ride.v16i32.2835.

O objetivo deste estudo é propor uma metodologia para o desenvolvimento de modelos preditivos do desempenho acadêmico de estudantes, utilizando exercícios acadêmicos realizados em sala de aula e técnicas de aprendizado de máquina combinadas, conhecidas como votação majoritária e empilhamento (stacking). Os dados foram coletados de 250 estudantes universitários no México, referentes às suas avaliações de exercícios escolares, para o desenvolvimento dos modelos. As métricas de desempenho foram obtidas por meio de validação cruzada. Posteriormente, os modelos construídos foram aplicados a 108 estudantes em um semestre posterior da mesma disciplina, e suas métricas foram calculadas.

Os resultados obtidos por meio da validação cruzada mostram que a técnica de empilhamento com o método k-vizinhos mais próximos (k-NN) na segunda fase apresentou a maior acurácia (69,2%). Ao predizer o desempenho acadêmico dos 108 estudantes com base nos modelos desenvolvidos, a maior acurácia foi obtida com a técnica de empilhamento que inclui o método k-NN na segunda fase, com um valor de 74,1%. As informações obtidas foram coletadas em 17% do curso, facilitando a detecção precoce de estudantes com dificuldades acadêmicas, permitindo que os professores intervenham prontamente e melhorem seu desempenho. Os professores geralmente coletam avaliações de exercícios acadêmicos sem a necessidade de ferramentas de coleta de dados mais complexas, o que favorece o uso desse tipo de metodologia para a construção de modelos preditivos.

Palabras llave : técnicas combinadas de aprendizado de máquina; empilhamento; votação majoritária; modelos preditivos; ensino superior.

        · resumen en Español | Inglés     · texto en Español     · Español ( pdf )