Sistema Integrado para Predição Interpretável de Evasão na UNESP

A evasão no ensino superior é um problema persistente, com efeitos diretos na trajetória dos estudantes e na gestão das instituições. Embora haja grande disponibilidade de dados educacionais, a tomada de decisão acadêmica ainda depende, em muitos casos, de informações estáticas e avaliações subjetivas. Isso dificulta a identificação de padrões dinâmicos associados ao abandono. Nos últimos anos, abordagens baseadas em Educational Data Mining (EDM) e análise preditiva têm contribuído para detectar fatores de risco, mas ainda há limitações na articulação entre desempenho preditivo, interpretabilidade e interfaces acessíveis aos gestores. Este trabalho apresenta uma solução digital de apoio à decisão para análise do risco de evasão, composta por duas plataformas integradas: um sistema classificador e uma interface de chat baseada em inteligência artificial generativa, voltada a consultas em linguagem natural. Para tornar as previsões mais transparentes, adota-se o método Local Interpretable Model-agnostic Explanations (LIME), no contexto da Inteligência Artificial Explicável (XAI).

A pesquisa fundamenta-se na metodologia Design Science Research. A partir da identificação do problema e da definição dos objetivos, desenvolveu-se um artefato tecnológico de apoio à decisão institucional. A arquitetura adota o padrão Model-View-Controller (MVC), o que favorece a manutenção, clareza e escalabilidade. A implementação utiliza tecnologias de código aberto. O acesso aos dados é controlado por perfis institucionais, segundo o modelo de controle de acesso baseado em funções (Role-Based Access Control - RBAC). Como os dados históricos já são anonimizados, a solução também busca garantir a segurança da informação e a conformidade com a Lei Geral de Proteção de Dados (LGPD).

Os resultados obtidos até o momento indicam que a solução proposta pode apoiar a análise do risco de evasão de forma mais acessível e interpretável. A plataforma classificadora estima a probabilidade de evasão e apresenta explicações locais para cada predição, destacando as variáveis que mais influenciam o resultado. De forma complementar, a plataforma de chat permite consultar dados institucionais em linguagem natural, convertendo perguntas dos usuários em consultas analíticas ao banco de dados e gerando indicadores estatísticos, tabelas e visualizações com base em informações reais, o que reduz o risco de respostas incorretas. Em conjunto, as plataformas oferecem suporte à tomada de decisão baseada em evidências, sem substituir a autonomia institucional na definição de intervenções. Como etapas futuras, prevê-se a integração com bases acadêmicas reais da universidade, a avaliação com usuários institucionais e melhorias de acessibilidade e organização dos dados.